【技术实现步骤摘要】
本专利技术涉及白酒无损检测领域，尤其涉及一种基于主成分分析与支持向量机模型判别青稞酒的方法。
技术介绍
1、不同的青稞酒酿造工艺的差异会直接影响产品的质量，加之其时间成本、物料成本差异巨大，进而反映在产品品质与售价上也是天壤之别，市场上有很多商家以非互助青稞酒冒充互助青稞酒牟利，导致青稞酒市场上存在着不规范现象。
2、为了检测青稞酒的质量，采用感官评价和气相色谱法(gc)以及化学计量学方法多利用有监督模式识别方法支持向量机等单一的方法建立模型对青稞酒的质量进行检测，为青稞酒质量的不同检测方式，但由于依据人感官分析方式，准确度易受主观因素影响，以及传统检测技术耗时长且耗费大量有机溶剂，对环境不友好，且单一的模式识别技术只能解决品类少的单一分类，未能实现品类繁多的多分类问题，因此，提出一种基于主成分分析与支持向量机模型判别青稞酒的方法解决白酒品类的判别问题。
技术实现思路
1、本专利技术的目的在于提供一种基于主成分分析与支持向量机模型判别青稞酒的方法，以解决上述
技术介绍
提出的技术问题。
2、本专利技术为解决上述技术问题，采用以下技术方案来实现：
3、一种基于主成分分析与支持向量机模型判别青稞酒的方法，包括以下步骤：
4、1、收集样品：收集3种品类白酒的74个已知样品；
5、2、采集样品信息：用紫外光谱法采集同样温度下不同白酒样本的光谱信息，每个样本采集3次光谱信息，然后进行平均处理作为各种典型样本各自对应的光谱代表信息，得到光
6、3、获取样本集：步骤2得到的原始光谱曲线中，采集光谱所掺杂的噪声较多，信噪比较低，为了提高模型的准确性，要对采集光谱信息进行预处理，得到新的光谱图数据t1，t2，t3……，并通过k-s方法将74个样本的光谱数据信息按3:2分为校正集和预测集，其中校正集样本44个，预测集样本30个；
7、4、建立模型：将步骤3预处理后的校正集样本t1、t2、t3……建立pca-svm模型；首先，光谱数据经过pca降维，提取最佳主成分变量，将最佳主成分变量输入到svm模型中，svm模型采用线性核函数建模。
8、5、建立判别模型：利用步骤4中pca-svm模型特征工作曲线下的auc值，对pca-svm模型进行评价和检验，并确定模型auc值，auc值大于设定数值，此模型为3种品类白酒的判别模型r，若验auc值低于可接受数值时则需对模型进行优化。
9、6、预测结果：利用预处理后预测集紫外光谱数据，得到光谱信息p，将p代入判别模型r中，运行步骤3选取的谱图处理方式，得到未知样品是否属于互助青稞酒品类，对所述步骤4所建立模型进行分析，得到3个品类白酒pca-svm组合的校正集预测模型，并最终在输入预测集样品光谱数据后完成预测结果的显示。
10、优选的，所述步骤2中紫外光谱的采集背景为无水乙醇。
11、优选的，所述步骤2中紫外光谱的采集参数波段范围200～320nm，且单个样品扫描次数为3次，扫描间隔为1nm。
12、优选的，所述步骤3中光谱预处理的方式为无处理、savitzky-golay(sg)平滑、一阶导数、乘性散射校正(msc)和标准正态变量(snv)，其中，最优的处理方式为标准正态变量(snv)，并对步骤2中经过snv预处理后的紫外光谱图集t进行pca分析，考虑前3个主成分时，累计方差贡献率达到96.01％，前3个主成分能够解释数据中96.01％的信息。
13、优选的，所述步骤4中模型为2分类pca-svm模型，所述2分类pca-svm模型的数量为四个。
14、优选的，所述4种模型的测试集工作特征(roc)曲线下面积(auc)分别为99.07％、95.56％、91.25％和94.44％。
15、优选的，所述步骤1中3种品类白酒分别为互助青稞酒、其它品牌青稞酒、非青稞酒，所述互助青稞酒编号为chql、其它品牌青稞酒编号为obql、非青稞酒编号为nqbl，所述3种品类白酒数量分别为28:20:26(chql：obql：nqbl)。
16、本专利技术的有益效果是：
17、1、本专利技术的方法无需进行样品前处理，可以短时间内不耗费有机溶剂的情况下采集白酒样品紫外光谱，通过化学计量学方法计算，客观、准确的鉴定3个品类白酒，成为规范行业和市场、实现青稞酒领域食品安全有效监管的迫切需要。
18、2、本专利技术的优点是判别准确率高，可区分互助青稞酒、其他品牌青稞酒和非青稞酒；建立的pca-svm的4种模型工作特征曲线下面积(auc)分别达到99.07％、95.56％、91.25％和94.44％；以互助青稞酒为研究对象的目标类别，紫外光谱结合pca-svm建立判别模型均能达到互助青稞酒、其他品牌青稞酒和非青稞酒的快速识别。
19、3、本专利技术将紫外光谱和化学计量学技术引入到白酒的判别中，以互助青稞酒为研究对象，采用紫外光谱结合化学计量学实现对互助青稞酒、非互助青稞酒和非青稞酒的快速判别，与传统的检测方法相比，大大缩短测定时间，不需要大量的有机溶剂，节省了大量的人力和物力。
20、4、本专利技术有利于提高白酒质量控制水平，保证成品质量稳定、可靠，可在白酒分类检验环节推广应用。
本文档来自技高网...【技术保护点】
1.一种基于主成分分析与支持向量机模型判别青稞酒的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于主成分分析与支持向量机模型判别青稞酒的方法，其特征在于：所述步骤2中紫外光谱的采集背景为无水乙醇。
3.根据权利要求1所述的一种基于主成分分析与支持向量机模型判别青稞酒的方法，其特征在于：所述步骤2中紫外光谱的采集参数波段范围200～320nm，且单个样品扫描次数为3次，扫描间隔为1nm。
4.根据权利要求1所述的一种基于主成分分析与支持向量机模型判别青稞酒的方法，其特征在于：所述步骤3中光谱预处理的方式为无处理、Savitzky-Golay(SG)平滑、一阶导数、乘性散射校正(MSC)和标准正态变量(SNV)。
5.根据权利要求1所述的一种基于主成分分析与支持向量机模型判别青稞酒的方法，其特征在于：所述步骤4中模型为2分类PCA-SVM模型，所述2分类PCA-SVM模型的数量为四个。
6.根据权利要求5所述的一种基于主成分分析与支持向量机模型判别青稞酒的方法，其特征在于：所述4种模型的测试集工作特征(RO
7.根据权利要求1所述的一种基于主成分分析与支持向量机模型判别青稞酒的方法，其特征在于：所述步骤1中3种品类白酒分别为互助青稞酒、其它品牌青稞酒、非青稞酒，所述互助青稞酒编号为CHQL、其它品牌青稞酒编号为OBQL、非青稞酒编号为NQBL，所述3种品类白酒数量分别为28:20:26(CHQL：OBQL：NQBL)。
...【技术特征摘要】
1.一种基于主成分分析与支持向量机模型判别青稞酒的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于主成分分析与支持向量机模型判别青稞酒的方法，其特征在于：所述步骤2中紫外光谱的采集背景为无水乙醇。
3.根据权利要求1所述的一种基于主成分分析与支持向量机模型判别青稞酒的方法，其特征在于：所述步骤2中紫外光谱的采集参数波段范围200～320nm，且单个样品扫描次数为3次，扫描间隔为1nm。
4.根据权利要求1所述的一种基于主成分分析与支持向量机模型判别青稞酒的方法，其特征在于：所述步骤3中光谱预处理的方式为无处理、savitzky-golay(sg)平滑、一阶导数、乘性散射校正(msc)和标准正态变量(snv)。
5.根据权利要求1所述...
【专利技术属性】
技术研发人员：张明锦，张世芝，赵玉霞，王振斌，殷博，
申请(专利权)人：青海师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。