陈皮年份鉴定方法和系统技术方案

本发明专利技术公开了陈皮年份鉴定鉴定方法和系统，通过GC

【技术实现步骤摘要】
陈皮年份鉴定方法和系统


[0001]本专利技术实施例涉及但不限于陈皮鉴定
，特别是涉及一种陈皮年份鉴定方法和鉴定系统。

技术介绍

[0002]陈皮为芸香科植物橘及其栽培变种的干燥成熟果皮，《本草纲目》中有记载：疗呕哕反胃嘈杂，时吐清水。作为一种中药，陈皮具有理气健脾、燥湿化痰的功效。陈皮主要含有黄酮类、挥发油类、生物碱类、柠檬苦素类等化学成分，现代药理表明，其有降血脂、抗氧化等作用。陈皮性温良，药效明显，因此在目前的市场中陈皮具有很火的市场，由于陈皮存储困难，且随着储存时间的增长功效越来越好，因此年份越久远的陈皮价值越高。
[0003]目前市场上存在很多商家将低年份陈皮当成高年份进行售卖，以此欺骗消费者。因此对陈皮年份进行精确预测在陈皮市场中尤为重要。目前对于陈皮年份的鉴别，现有技术均为在图谱中人工提取特征进行回归分析，此判别过于依赖人的经验且回归模型过于简单，不能非常精确地对陈皮年份进行判别。

技术实现思路

[0004]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0005]本专利技术实施例提供了一种陈皮年份鉴定鉴别方法，能够精确地对陈皮的年份进行预测。
[0006]第一方面，本专利技术实施例提供了一种陈皮年份鉴定方法，包括：
[0007]使用气相色谱质谱联用仪GC
‑
MS获取不同年份的陈皮的化学成分数据作为样本数据集；
[0008]使用极端梯度提升算法提取所述样本数据集中的特征信息来建立分类预测模型；<br/>[0009]基于所述陈皮年份分类预测模型对所述陈皮进行年份预测。
[0010]在一些实施例，
[0011]所述获取不同年份的陈皮的化学成分数据作为样本数据集，包括：
[0012]对收集的不同年份的所述陈皮通过水蒸馏法分别进行提取精油操作，得到陈皮精油；
[0013]采用GC
‑
MS对提取的所述陈皮精油进行测定，得到化学成分数据；
[0014]将所述化学成分数据作为样本数据集。
[0015]在一些实施例，还包括：
[0016]通过提取出的GC
‑
MS特征数据确定相对含量变化与年份变化相关联的物质。
[0017]在一些实施例，所述使用极端梯度提升算法提取所述样本数据集中特征信息来建立分类预测模型，包括：
[0018]随机生成建模集和测试集；
[0019]以X和Y构建所述分类预测模型，其中，所述X为由极端梯度提升算法从建模集GC
‑
MS数据中提取出的特征信息，所述Y为所述陈皮的年份。
[0020]在一些实施例，还包括：
[0021]利用极端梯度提升算法对所述建模集和所述测试集进行预测，以确定预测值。
[0022]在一些实施例，还包括：
[0023]根据所述极端梯度提升算法筛选出所述陈皮的GC
‑
MS特征值，且所述GC
‑
MS特征值与GC
‑
MS图谱中的峰形相对应，以确定对于同一公司提供的陈皮样本，β
‑
松油醇的相对含量随陈皮储藏年份的增加而升高。
[0024]第二方面，本专利技术实施例提供了一种陈皮年份鉴定系统，包括：
[0025]获取模块，用于使用GC
‑
MS获取不同年份的陈皮的化学成分数据作为样本数据集；
[0026]提取模块，用于使用极端梯度提升算法提取所述样本数据集中的特征信息来建立分类预测模型；
[0027]预测模块，用于基于所述陈皮年份分类预测模型对所述陈皮进行年份预测。
[0028]第三方面，本专利技术实施例提供了一种陈皮年份鉴定系统，用于执行所述计算机程序时实现如上第一方面所述的陈皮年份鉴定方法。
[0029]本专利技术实施例包括：通过GC
‑
MS获取不同年份的陈皮的GC
‑
MS数据作为样本数据集；使用极端梯度提升算法提取GC
‑
MS数据集中的特征信息，根据样本特征信息的建模集建立分类鉴别模型；基于陈皮年份分类判别模型对陈皮进行年份预测鉴别。基于此，本专利技术通过使用极端梯度提升算法应用在陈皮年份判别中使其预测精度达到100％，并通过提取出的特征数据发现了一种含量变化与年份变化相关联的物质。
[0030]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0031]附图用来提供对本专利技术技术方案的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术的技术方案，并不构成对本专利技术技术方案的限制。
[0032]图1是一种陈皮年份鉴定方法的主流程图；
[0033]图2是特征值在所述的一个陈皮样品的GC
‑
MS图谱中的分布情况；
[0034]图3是一种Boosting算法原理图；
[0035]图4是极端梯度提升算法建立的年份预测判别模型用于预测测试集中的陈皮年份的散点图；
[0036]图5是陈皮年份鉴定方法以及与储藏年份变化相关联的物质的发现的流程图；
[0037]图6是本专利技术一个实施例提供的陈皮年份鉴定系统结构示意图；
具体实施方式
[0038]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
Decision Tree)的一种实现方式，更加高效并且效果更好。
[0048]Boosting是一种框架算法,主要是通过对样本集的操作获得样本子集,然后用弱分类算法在样本子集上训练生成一系列的基分类器。原理图如图3所示，Boosting算法可以用来提高其他弱分类算法的识别率,也就是将其他的弱分类算法作为基分类算法放于Boosting框架中,通过Boosting框架对训练样本集的操作,得到不同的训练样本子集,用该样本子集去训练生成基分类器；每得到一个样本集就用该基分类算法在该样本集上产生一个基分类器,这样在给定训练轮数n后,就可产生n个基分类器,然后Boosting框架算法将这n个基分类器进行加权融合,产生一个最后的结果分类器,在这n个基分类器中,每个单个的分类器的识别率不一定很高,但他们联合后的结果有很高的识别率,这样便提高了该弱分类算法的识别率。在产生单个的基分类器时可用相同的分类算法,也可用不同的分类算法,这些算法一般是不稳定的弱分类算法,如神经网络,决策树，GBDT等。而XgBoost是由传统的GBDT模型发展而来的，GBDT模型在求解最优化问题时应用了一阶导技术，而XgBoost则使用损失函数的一阶和二阶导，而且可以自定义损失函数，只要损失函数可一阶和二阶求导。本专利技术将Boosting算法中的X本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种陈皮年份鉴定方法，其特征在于，包括：使用气相色谱质谱联用仪GC
‑
MS获取不同年份的陈皮的化学成分数据作为样本数据集；使用极端梯度提升算法提取所述样本数据集中的特征信息来建立分类预测模型；基于所述陈皮年份分类预测模型对所述陈皮进行年份预测。2.根据权利要求1所述的方法，其特征在于，所述获取不同年份的陈皮的化学成分数据作为样本数据集，包括：对收集的不同年份的所述陈皮通过水蒸馏法分别进行提取精油操作，得到陈皮精油；采用GC
‑
MS对提取的所述陈皮精油进行测定，得到化学成分数据；将所述化学成分数据作为样本数据集。3.根据权利要求1所述的方法，其特征在于，还包括：通过提取出的GC
‑
MS特征数据确定相对含量变化与年份变化相关联的物质。4.根据权利要求1所述的方法，其特征在于，所述使用极端梯度提升算法提取所述样本数据集中特征信息来建立分类预测模型，包括：随机生成建模集和测试集；以X和Y构建所述分类预测模型，其中，所述X为由极端梯度提升算法从建模集GC
‑
MS数据中提取出的特征信息，所...

【专利技术属性】
技术研发人员：李保琼，李新康，李佳敏，李泽英，丘典，杨卓灵，张祥志，
申请(专利权)人：五邑大学，
类型：发明
国别省市：