一种红花椒麻度的电子舌快速分类方法技术

本发明专利技术公开了一种红花椒麻度的电子舌快速分类方法，首先对传统的电子舌进行了改进，采用铂盘电极作为电子舌传感器阵列的参比电极；采用非交叉进样来提高各样品电子舌信号的稳定性；采用改进后的电子舌对红花椒麻度的电化学信息进行采集，然后将红花椒麻度先分高、中、低麻三大类，再分小类。该方法能够对所要检测的红花椒进行快速的预分类，相对于传统的理化检测或者感官评价，麻度分类速度和准确性大大提高；对于检测结果争议的，可以再用更精密的仪器去检测；前期的电子舌快速分类，可以减少精密仪器耗时耗力以及样品使用量过多的问题；通过先分麻度大类，再在同一大类内部分麻度小类，这样的分类策略和技术大大提高了检测准确性。准确性。准确性。

【技术实现步骤摘要】
一种红花椒麻度的电子舌快速分类方法


[0001]本专利技术属于花椒麻感检测分级
，具体涉及一种红花椒麻度的电子舌快速分类方法。

技术介绍

[0002]现有对花椒的品质分级手段主要采用理化检测方式(花椒酰胺含量测定)。其次是通过对花椒进行感官评价，包括外观品质的评价以及麻感强度的分级。理化检测虽然稳定但前处理复杂、耗时长，而感官评价虽然能直接反映消费者对麻感强度的感知，但需要大量的评价员，耗时耗力，均不能满足市场对红花椒麻味品质快速分析的要求。
[0003]电子舌是通过模仿生物舌头应运而生的快速检测仪器，主要通过非特异性、低选择、具有交互敏感性的传感器阵列收集并反馈样品的整体信息，通过多元统计手段来达到模式识别效果。由于电子舌采集样品信息反应时间快，前处理简单，能够对样品做到快速定性甚至半定量分析而广受欢迎，被迅速应用到环境检测、产品溯源、不同食品质量的快速分类等领域中，因此采用电子舌作为分析手段，对不同麻感强度红花椒进行快速分级具有一定的可行性。
[0004]针对现有的电子舌分类精度的问题，不同麻感强度花椒其对应的理化物质构成的侧重各不同，无法对4种及以上(如15种)红花椒直接高精度分成4类及更多类别的麻度等级，因此本专利技术整体分类步骤分为两步，先分麻度大类再在同一大类麻度下分小类。分析比较支持向量机、决策树、K
‑
近邻、Bagging Tree等不同分类学习器在花椒麻度分类中的模式识别性能，建立4种及以上不同麻度品质红花椒快速大分类模型并对模型预测效果加以验证，通过对其预测准确率进行对比，然后选择分别针对高、中、低麻同一大类样品的最佳小分类学习器对其进行细分。

技术实现思路

[0005]本专利技术的目的在于提供一种红花椒麻度的电子舌快速分类方法，该方法能够对所要检测的红花椒进行快速的预分类，相对于传统的理化检测或者感官评价，速度和准确性大大提高；对于检测结果争议的，可以再用更精密的仪器去检测；前期的电子舌快速分类，可以减少精密仪器耗时耗力以及样品使用量过多的问题；通过先分麻感大类，再对同一大类麻感样品分麻度小类，这样的分类策略和技术大大提高了检测准确性。
[0006]为了实现上述目的，本专利技术的技术方案概述如下：
[0007]一种红花椒麻度的电子舌快速分类方法，所述方法为：
[0008](1)对传统的电子舌进行了改进，采用铂盘电极作为电子舌传感器阵列的参比电极；采用非交叉进样来提高各样品电子舌信号的稳定性；
[0009](2)先分大类：采用改进后的电子舌对红花椒麻度的电化学信息进行采集，采用支持向量机、决策树、K
‑
近邻、Bagging Tree不同分类学习器，建立不同麻度品质红花椒快速分类模型并对模型预测效果加以验证，通过比较各模型的预测准确率，选择最佳的分类学
习器将不同种类的红花椒样品按照麻度分高、中、低麻三大类；
[0010](3)再分小类：分别对高、中、低麻三大类进行细分，即分别针对高、中、低麻的红花椒种类，分析比较支持向量机、决策树、K
‑
近邻、Bagging Tree不同分类学习器在花椒麻度小类分类中的模式识别性能，建立同一大类内不同麻度品质红花椒快速分类模型并对模型预测效果加以验证，通过对其预测准确率进行对比，选择分别针对高、中、低麻三大类的最佳分类学习器对其进行小类细分。
[0011]优选地，步骤(2)通过比较所选择的最佳大类分类学习器为Bagging Tree。步骤(3)对于高麻、中麻红花椒均采用Bagging Tree将其分成小类，对于低麻红花椒采用支持向量机将其分成小类。
[0012]具体的，基于分类学习器的大类麻度分类判别方法为：电子舌每天采集需要麻度大类分类的红花椒信息，每天每个样品重复测试5次，共重复6天，电子舌每采集一次样品得到1x600的数据矩阵，构成红花椒电子舌信号数据集矩阵，将数据集矩阵按照3∶1的比例分成建模集与预测集，应用所获得的红花椒样本的麻度标签——高麻、中麻、低麻作为所有学习分类器的目标矩阵Y进行模式识别，得到各学习分类器的三分类模型。
[0013]基于分类学习器的小类麻度分类判别方法为：6天得到的红花椒电子舌信号数据集矩阵中，可分成高麻类样本数据集矩阵，中麻类样本数据集矩阵，低麻类样本数据集矩阵。同一大类下，各小类样本点在分建模集与预测集时，根据其小分类样本按照3∶1的比例随机生成小类判别的建模集与预测集；其中对高麻类红花椒进一步细分时，其麻度标签分为甘肃产区高麻红花椒与非甘肃产区高麻红花椒；对中麻类红花椒进一步细分时，其麻度标签分为中高麻红花椒与中低麻红花椒；对低麻类红花椒进一步细分时，其麻度标签分为非山东产区低麻红花椒与山东产区低麻红花椒。
[0014]采用支持向量机建模时，所述支持向量机分类学习器的参数如下：(1)将样本信息映射到高维空间的核函数，选择高斯核函数作为支持向量机学习器的核函数；(2)选择贝叶斯优化调参法对惩罚因子C进行自适应调参；(3)在模型训练的过程中，采用10
‑
fold交叉验证。
[0015]采用决策树建模时，所述决策树分类学习器的参数如下：(1)选择CART算法向下生成决策树的决策策略；(2)选择比较修剪前后建模集训练出的树模型对预测集样本点的预测精度是否发生显著变化的后剪枝策略来防止模型过拟合；(3)在模型训练的过程中，采用10
‑
fold交叉验证
[0016]采取10
‑
fold交叉验证来训练K
‑
近邻学习分类模型。
[0017]运用Bagging Tree分类学习器时，采用投票方式选择软投票的方法来决定最终的分类结果，对于森林中的单个树模型采用CART算法向下生成子树，子树的剪枝采取后剪枝法优化模型，在模型训练的过程中，采用10
‑
fold交叉验证。
[0018]本专利技术的优点：
[0019]该方法能够对所要检测的红花椒进行快速的预分类，相对于传统的理化检测或者感官评价，速度和准确性大大提高；对于检测结果争议的，可以再用更精密的仪器去检测；前期的电子舌快速分类，可以减少精密仪器耗时耗力以及样品使用量过多的问题；通过先分大类，再在同一大类内部分麻度小类，这样的分类策略和技术大大提高了检测准确性。
附图说明
[0020]图1是本专利技术的技术路线图；
[0021]图2
‑
7分别是第1
‑
6天PCA结果图；
[0022]图8是15种红花椒样本PCA结果；
[0023]图9
‑
11分别是高麻、中麻、低麻PCA结果；
[0024]图12
‑
15分别是SVM、K
‑
NN、决策树、Bagging Tree高麻二分类ROC图；
[0025]图16
‑
19分别是SVM、K
‑
NN、决策树、Bagging Tree中麻二分类R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种红花椒麻度的电子舌快速分类方法，其特征在于，所述方法为：(1)对传统的电子舌进行了改进，采用铂盘电极作为电子舌传感器阵列的参比电极；采用非交叉进样来提高各样品电子舌信号的稳定性；(2)先分大类：采用改进后的电子舌对红花椒麻度的电化学信息进行采集，采用支持向量机、决策树、K
‑
近邻、Bagging Tree不同分类学习器，建立不同麻度品质红花椒快速分类模型并对模型预测效果加以验证，通过比较各模型的预测准确率，选择最佳的分类学习器将不同种类的红花椒样品按照麻度分高、中、低麻三大类；(3)再分小类：分别对高、中、低麻三大类进行细分，即分别针对高、中、低麻的红花椒种类，分析比较支持向量机、决策树、K
‑
近邻、Bagging Tree不同分类学习器在花椒麻度小类分类中的模式识别性能，建立同一大类内不同麻度品质红花椒快速分类模型并对模型预测效果加以验证，通过对其预测准确率进行对比，选择分别针对高、中、低麻三大类的最佳分类学习器对其进行小类细分。2.根据权利要求1所述的方法，其特征在于，基于分类学习器的大类麻度分类判别方法为：电子舌每天采集需要麻度大类分类的红花椒信息，每天每个样品重复测试5次，共重复6天，电子舌每采集一次样品得到1x600的数据矩阵，构成红花椒电子舌信号数据集矩阵，将数据集矩阵按照3∶1的比例分成建模集与预测集，应用所获得的红花椒样本的麻度标签——高麻、中麻、低麻作为所有学习分类器的目标矩阵Y进行模式识别，得到各学习分类器的三分类模型。3.根据权利要求1所述的方法，其特征在于，基于分类学习器的小类麻度分类判别方法为：6天得到的红花椒电子舌信号数据集矩阵中，分成高麻类样本数据集矩阵，中麻类样本数据集矩阵，低麻类样本数据集矩阵。同一大类下，各小类样本点在分建模集与预测集时，根据其小分类样本按照3∶1的比例随机生成小类判别的建模集与预测集；其中对高...

【专利技术属性】
技术研发人员：史波林，钟葵，赵镭，田师一，汪厚银，王思思，毛岳忠，程时文，肖香荣，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：