基于SVM的花生油掺伪检测方法研究

1、基于svm的花生油掺伪检测方法研究 1样本制备与光谱采集 在各大超市中购买不同批次不同厂家生产的花生油、大豆油、菜籽油、调和油和橄榄油5种食用油，按试验目的的要求，以纯花生油样本为主要背景成分，将样本分为4组配置，即纯花生油中分离掺入大豆油、菜籽油、调和油和橄榄油4组样本。加入的大豆油、菜籽油、调和油和橄榄油分离以10的含量递增，各配制9个掺假样本。掺入油品的含量范围为1090%，该范围基本笼罩市场上可能存在的掺假的花生油中掺假成分的含量。图8-5所示为花生油掺入大豆油的9个样本中大豆油掺入量的分布状况。其他3组掺入的含量分布状况与此办法相同。 采纳德国bruker公司vertex70光谱仪对

2、原始样本举行全谱测定。将原始样本分离装入50mm的试验用白色塑料瓶内，并且放置于温度为1820的近红外光谱分析试验室中，静置样本一周左右，使配置的食用油混合物得以充分混合。 样本采集光谱前，将样本逐一摇动。因为棕榈油凝固点很低，在与花生油混合时浮现分层现象。因此，需要对其举行外部加热使其成液态后与花生油充分混合，以便光谱扫描，从而得到精确的光谱图。 图8-5花生油样本中掺入的大豆油含量 将光纤探头探入样本内部，采纳透反射采样模式，对400012500cm-1谱区扫描，辨别率为8cm-1，扫描32次。食用油所有样本未经任何化学处理，将光纤探头伸入装有样本的小瓶中，逐一扫描样本，每次测量前均用石油

3、醚清洗探头，避开样本间交又污染。 本次试验的详细流程8-6所示。 图8-6判别花生油样本是否掺假流程 本次试验，配制41个样本组成原始样本集，其中包括36个掺杂花生油样本和5个不同种类的纯花生油样本。原始样本的近红外光谱扫描图8-7所示。 图8-7中实线曲线表示在纯花生油中掺杂棕榈油样本的光谱图，点线曲线表示掺杂调和油样本的光谱图，虚线曲线表示纯花生油样本的光谱图，掺杂菜籽油样本的光谱图和掺杂大豆油样本的光谱图已被其他线笼罩。图8-7显示掺杂棕榈油的纯花生油样本，其吸光度特性较其他样本有显然差异。分析以上数据可以发觉，在推断纯花生油样本是否掺假的试验中，原始样本的数据质量较好，使得有可能通过样

4、本的光谱特性检测出花生油样本是否掺假其他食用油。在试验中，为了提高预测精确度和鲁棒性，先判别预测样本中是否掺杂棕榈油。假如检测到样本中含有棕榈油，则解释该预测样本绝对是非纯花生油；假如检测预测样本中不含油棕榈油成分，则需继续推断样本是否是纯花生油。 2. svm模型训练 (1)挑选训练集波段和数据处理在利用svm举行分类判别时，训练集选取的好坏挺直影响判别的精确度。在实际的应用过程中，挑选训练集的原则多种多样。在本试验中，通过对原始样本集的光谱数据举行分析，挑选要分类的两类样本光谱图中吸光度最临近的几组样本组成训练集，剩下的样本作为校验集。利用这个原则挑选训练集，使训练样本尽可能真切地反映这类

5、样本的光谱特性，即使再加入新的待预测样本数据，同样可以最大限度提高判别的精确率。选取17个样本组成训练集，剩下的24个样本作为校验集。 由图8-7可知，为了使得判别过程容易、提高样本检测的精确率，并且使算法的鲁棒性较好，即使样本数据某些波数上受到噪声的干扰，依旧具有较好的检测效果，在囫囵波数段的高、中和低3个部分选取5个有代表意义的波数段。波数段的挑选原则是使训练集中的支持向量个数少。由于vapnik指出测试未知样本的最大出错概率和支持向量的个数如式(8-6)所示： 图8-7样本的近红外光谱扫描图 即支持向量的个数越少，svm的期望风险的上界越小，其泛化能力则越强。 普通来说，在利用svm举行

6、样本数据分类时，为了最大限度提高支持向量的训练和预测能力，需要对样本数据举行尺度变换，把样本数据x变换到-1,1或者0,1范围内。在本次试验中，由于掺杂棕榈油样本的吸光度和其他样本有着显然差别，利用统一的尺度变幻在判别上具有困难。在试验的判别中经过两次尺度变换：第一次尺度变换用来判别预测样本中是否掺杂棕榈油；假如检测样本中不含棕榈油成分，用其次次尺度变幻来推断样本是否是纯花生油。经过两次判别，可以推断出待检测样本是否为纯花生油样本。 (2)核函数和核参数挑选 在利用svm举行样本分类判别中，核函数ker(xt,x)和惩处因子c的挑选对判别的结果影响较大，目前国际上对核函数的挑选还没有形成统一的

7、模式，惟独凭借阅历和试验的对照举行寻优。惩处因子c的选取需要在平衡最大分类间隔和最小分类误差中。在本次试验中，通过分析了不同种类的核函数和惩处因子对判别结果的影响，对核函数和惩处因子在svm中有了一个直观的了解。 通过选取适当的核函数ker(xt,x)和惩处因子c，即可求解优化问题。利用svm对训练集样本举行训练学习，求解可得拉格朗日乘子和偏置项，再利用分类判别函数，即可对待测样本举行分类。在本次试验中，在matlab 6.5仿真环境下，采纳svm工具包来实现对样本数据的训练和预测，其中svm工具包可见。以选取高斯径向基函数(rbf)作为核函数，并且取=1；挑选惩处因子c=2000为例，对训练

8、集样本举行训练学习的过程8-8和图8-9所示。 图8-8推断棕榈油的sym训练分析(支持向量数2) 图8-9推断纯花生油的svm训练分析(支持向量数=2) 其中图8-8b和图8-gb中直线即使分类决策函数f(x)0，虚线即使分类决策函数f(x)±1。在这个过程中，可以求得样本判别函数的拉格朗日乘子和偏置项b。 (3)预测样本的标志 利用上述计算得到的拉格朗日乘子a和偏置项b，通过分类决策函数即可对预测样本举行分类判别。为了提高判别的精确率，利用式(8-7)对预测样本x的举行分类： 给定某个待测样本，利用分类判别函数对预测样本举行分类，其分类过程8-10所示。 在svm工具包中，设置程

9、序使分类函数f(x)1的样本点用“x”表示；分类函数f(x)l的样本点用“·”表示；分类函数-1f(x)1的样本点用“。”表示，即可按照分类结果图判别出预测样本的分类结果，固然也可以按照判别函数的值来对预测样本举行分类。由于预测样本中数据较多，可能浮现判别结果不全都的情形。规定假如对预测样本中各点的推断精确率在85以上则可以判定该预测样本属于某一类。在分类结果中，图8-10a表示分类判别函数f(x)1，对应图8-8中对训练集样本的设置，可以推断该样本中不含有棕榈油；然后举行下一步推断，图8-10b表示预测样本点的判别函数f(x)1，对应图8-9中对训练集集样本的设置，可以推断该预测样

10、本为纯花生油。 图8-10预测样本的分类结果图 3. svm模型测试 利用svm，按照之前的步骤对原始样本集举行判别。选取不同的核函数和惩处因子c，可以得到表8-1表8-3的判别结果。 表8-1基于svm的花生油掺伪判别结果 表8-2多项式核函数的svm分类结果(c=100) 表8-3高斯径向基核函数(rbf)的svm分类结果(c=100) 由试验结果可以看出，利用svm对花生油的掺假举行判别是可行的，试验中几乎能够彻低对预测样本举行判别表8-1显示了惩处因子c对判别结果的影响，随着惩处因子c的值变大，表示不容忍判别错误的程度变大，支持向量的个数越来越小，这也解释对未知样本的判别错误概率变小。但是当支持向量入到一定程度，则其对判别