支持向量机-微量元素分析法判别乌龙茶,红茶与绿茶

1、支持向量机微量元素分析法判别乌龙茶，红茶与绿茶 陈念贻 1，陆文聪1 ， 陈瑞兰1， 叶晨洲 2 ，李国正2（1.上海大学化学系计算机化学研究室 ，上海 200436 ； 2.上海交通大学图象及模式识别研究所，上海 200030）摘要: 茶叶中的微量元素含量与产地土壤中的微量元素含量有关，故可用多种微量元素的分析数据结合模式识别计算判别茶叶产地和品牌。本工作根据三类茶叶中Zn, Mn, Mg, Cu, Al, Ca, Ba, K八种元素的分析数据，用支持向量机算法判别乌龙茶、红茶或绿茶，并用留一法检验其预报能力。计算表明：支持向量机算法结果优于Fisher 法和 KNN法。采用福建安溪铁观音乌

2、龙茶样品的元素分析结果作测试样品,检验本工作所得数学模型，判别结果亦与实际符合。关键词: 乌龙茶判别，微量元素，支持向量机算法中图分类号：O 06-04 收稿日期：2002-06-10；修回日期：2002-09-10资金资助：国家自然科学基金委和美国福特公司联合资助，批准号：9716214作者简介：陈念贻（1931-），男，教授，研究方向：计算机化学Support Vector Machine Applied to Differentiation of Oolong Tea and Black Tea or Green TeaChen Nianyi1 ， Lu Wencong 1 ， Chen

3、 Ruilan1，Ye Cheng-zhou2， Li Guo-zhen2（1Laboratory of Chemical Data Mining, Department of Chemistry, Shanghai University, Shanghai 200436，china;2Institute of Image and Pattern Recognition, JiaoTong University, Shanghai 200030, china）Abstract: Since the content of trace elements of tea is related to t

4、he local soil composition, it seems possible to use the results of trace element analysis to differentiate special brand of commercial tea products. In this work, the contents of eight trace elements: Zn, Mn, Mg, Cu, Al, Ca, Ba and K in tea samples have been used for the differentiation of Oolong Te

5、a from black tea or green tea. The cross validation by leaving-one method has been used to compare the prediction ability of support vector machine method with KNN and Fisher method. It has been found that the prediction result by support vector machine is better than that of KNN or Fisher method. B

6、esides, the mathematical model obtained has been tested by a new sample of oolong tea produced in Anxi county of Fujian province, and the computerized prediction result is in agreement with the fact.Key words: Differentiation of oolong tea, support vector machine, trace element content 1 引言乌龙茶是我国出产、

7、国际知名的茶叶品牌。乌龙茶罐装饮料以其有一定的防诱变效果已打入国际饮料市场。我国乌龙茶有出口优势。故判别乌龙茶和其他茶叶品种在商品检验中有一定的实用意义。鉴于乌龙茶产地特殊，而茶叶中的微量元素与产地的土壤成分有关，有可能利用茶叶中多种微量元素的分析结果靠模式识别方法区别乌龙茶与它种茶叶。支持向量机(support vector machine，简称SVM) 是Vapnik等近年来根据新发展的统计学习理论建立的新算法。其特点是能最大限度防止统计预报中的过拟合现象，即拟合效果很好而预报效果不佳的现象（此问题在人工神经网络应用中常遇到），从而保证预报有较传统算法更高的预报可靠性。本工作采用支持向量机

8、算法根据微量元素含量判别乌龙茶和其它茶叶品牌，并与Fisher法和 KNN等传统算法的预报结果相比较.2 计算方法本文采用文献1用电感耦合等离子体原子发射光谱对乌龙茶和其它茶叶品牌（包括红茶和绿茶）样品的Zn, Mn, Mg, Cu, Al, Ca, Ba, K八种微量元素含量的分析结果；通过计算建立区别乌龙茶样品与其他茶种的判别数学模型。本工作采用支持向量机算法作计算，并同时与KNN，Fisher法计算结果对比。支持向量机算法的原理是新发展的“统计学习理论”2-11。3 计算结果3.1 乌龙茶微量元素含量的数学模型根据上述八种微量元素的含量数据，判别乌龙茶样本集(对红茶样本集)的支持向量机判

9、据为：WX + 2.401 > 0。判别乌龙茶样本集(对绿茶样本集)的支持向量机判据为：WX + 2.137 > 0。支持向量的权重系数和W的各分量如表所示。表 1 区别乌龙茶和红茶，绿茶判据方程的系数 Table 1 The coefficients of the criteria for oolong tea with green tea or black tea系数乌龙茶对红茶判据乌龙茶对绿茶判据WZnWMnWMgWCuWAlWCaWBaWK0.324-0.772-2.4842.042-3.428-1.049-0.281-2.030-0.478-1.830-1.2880.80

10、2-0.7480.206-1.258-2.126*各系数为对应各元素含量在(0,1)数域的归一化值求得。用留一法交叉检验支持向量机算法的预报能力，并与Fisher法, KNN法建模的预报能力对比，结果如表2。表 2 乌龙茶与其它茶种样本集模式识别建模预报结果 Table 2 The rate of correctness of prediction of oolong tea by SVM and other methods样本集SVM预报正确率KNN预报正确率Fisher法预报正确率乌龙茶与红茶乌龙茶与绿茶10010090.090.4%96.6%100% 3.2 用福建安溪名茶“铁观音”样品

11、分析数据检验SVM数学模型为检验上文所述的乌龙茶SVM判别模型，我们从“上海名茶总汇”购得福建安溪名牌乌龙茶“铁观音”样品，分析其微量元素含量。结果如表3。表3 福建安溪名牌乌龙茶“铁观音”微量元素分析数据（mg/kg茶）Table 3 Results of chemical analysis of a sample of famous oolong tea “teguanying” from Anxi county, Fujian provinceZnMnMgCuAlCaBaK20380120084152100痕量13000将此数据代入SVM数学模型，判别为乌龙茶。与实际符合。4 讨论文献(

12、1)用人工神经网络和传统的模式识别算法对乌龙茶、红茶、绿茶根据微量元素含量建模，用交叉检验法测定判别效果，其判别正确率为90-95%。我们根据同样数据，用SVM建模，留一法预报正确率更高。这是SVM的建模预报能力优于传统算法的又一实例。从判别乌龙茶的SVM判别式中各元素的系数可看出乌龙茶微量元素模式的特点，即K，Ba, Mg等碱性强的微量元素较其他茶种低，这应是福建等地乌龙茶产区土壤中微量元素含量的反映。据文献，福建、广东乌龙茶产区土壤系铁铝土类型，盐基成分淋失是其特点12，因此乌龙茶中碱性成分偏低是可以理解的。对商品的多种成分的分析，尤其是多种微量元素的分析和化学计量学方法相结合，是商品检验

13、强有力的手段。本工作对乌龙茶的判别只是一个实例。在多种化学计量学算法中，新发展的支持向量机算法由于具有限制过拟合的功能，表现了比传统算法更好的预报能力。估计今后将在这类商品检验工作中起重要作用。此外，从乌龙茶所含元素的特点看，其镁、钾含量偏低。而镁，钾都是植物的营养元素，此点似应引起对乌龙茶种植区施肥问题的注意。参 考 文 献1. Herrador M.A. and Gonzalez A.G. . Pattern recognition procedures for differentiation of green, black and oolong tea according to thei

14、r metal content from inductively coupled plasma atomic emission spectrometry, Talanta , 2001 , 53 : 1249 . 2. Vapnik Vladimir N., The Nature of Statistical Learning Theory. Berlin, Springer, 19953. Vapnik Vladimir N., Statistical learning theory, New York, Wiley, 1998.4. Cristinini N. and Taylor J.S

15、.: An introduction on support vector machine and other kernel-based learning methods, Cambridge,Cambridge University Press, 2000.5. Burbidge R., Trotter M., Buxton B., Holden S.: Drug design by machine learning: support vector machines for phamaceutical data analysis, Computer and chemistry, 2001, 2

16、6 (5):5-146. Joachims T.: Advances in kernel methodsupport vector learning, Boston, MIT Press,19997. Wan, Vincent; Campbell, William M., Support vector machines for speaker verification and identification, Neural Networks for Signal Processing - Proceedings of the IEEE Workshop 2, 2000:775-7848. Tho

17、rsten Joachims, Learning to Classify Text Using Support Vector Machines. Dissertation, Universitaet Dortmund, February 2001. 9. Burbidge R, Trotter M, Buxton B, Holden S, Drug design by machine learning: support vector machines for pharmaceutical data analysis, Computer and Chemistry, 2001, 26 (1): 5-1410. , Buxton, B.F., Holden, S.B., Support vector machines in combinatorial chemistry, Measurement and Cont