蔡立晶１，蔡立娟２，李文勇３，赵肖宇１，尚廷义１
（１．黑龙江八一农垦大学，黑龙江 大庆 １６３３１９；２．长春理工大学，长春 １３００２２；
３．大庆油田有限责任公司第一采油厂，黑龙江 大庆 １６３１６２）
摘要：提出了一种基于近红外透射光谱及最速下降ＢＰ算法识别大豆油质量的方法。光谱采集范围是１０ ０００～４ ０００ ｃｍ－１，将得到的近红外光谱数据作为网络的输入神经元，利用主成分分析方法得出８个变量指标数，该变量指标对样品累计贡献率达到９９．９％以上；将８个主成分的特征值作为ＢＰ网络的输入向量，建立ＢＰ神经网络模型。该模型对预测样品集能正确判别，判别正确率达到１００％。
教育期刊网 http://www.jyqkw.com
关键词 ：近红外透射光谱；ＢＰ神经网络；豆油质量分析
中图分类号： Ｏ６５７．３３文献标识码：A文章编号：0439－８114（２０15）01－0175-03
DOI：10.14088/j.cnki.issn0439-8114.2015.01.045
Ｑｕａｌｉｔｙ Ａｎａｌｙｓｉｓ ｏｆ Ｓｏｙｂｅａｎ Ｏｉｌ bａｓｅｄ ｏｎ Ｎｅａｒ Ｉｎｆｒａｒｅｄ Ｔｒａｎｓｍｉｓｓｉｏｎ Ｓｐｅｃｔｒａ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｍｏｄｅｌ
ＣＡＩ Ｌｉ－ｊｉｎｇ１，ＣＡＩ Ｌｉ－ｊｕａｎ２，ＬＩ Ｗｅｎ－ｙｏｎｇ３，ＺＨＡＯ Ｘｉａｏ－ｙｕ１，ＳＨＡＮＧ Ｔｉｎｇ－ｙｉ１
（１． Ｈｅｉｌｏｎｇｊｉａｎｇ Ｂａｙｉ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｄａｑｉｎｇ １６３３１９，Ｈｅｉｌｏｎｇｊｉａｎｇ，Ｃｈｉｎａ；２． Ｃｈａｎｇｃｈｕｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅｓ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｃｈｕｎ １３００２２，Ｃｈｉｎａ；３． Ｔｈｅ Ｆｉｓｔ Oｉｌ Ｐｒｏｄｕｃｔｉｏｎ Ｃｏｍｐａｎｙ， Ｄａｑｉｎｇ ｏｉｌｆｉｅｌｄ，Ｄａｑｉｎｇ １６３１６２，Ｈｅｉｌｏｎｇｊｉａｎｇ，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ： Ａ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｎｅａｒ ｉｎｆｒａｒｅｄ ｔｒａｎｓｍｉｓｓｉｏｎ ｓｐｅｃｔｒａ ａｎｄ ｇｒａｄｉｅｎｔ ｄｅｓｃｅｎｔ ＢＰ ａｌｇｏｒｉｔｈｍ ｗａｓ ｕｓｅｄ ｔｏ analyzed ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｓｏｙｂｅａｎ ｏｉｌ． Ｔｈｅ ｒａｎｇｅ ｏｆ １０ ０００ ｔｏ ４ ０００ ｃｍ－１ ｓｐｅｃｔｒａｌ ｗａｓ ａｃｑｕｉｒｅｄ， ｔｈｅｎ ｔｈｅ ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｕｍ ｄａｔａ was ｉｎｐｕｔ ｔｏ ＢＰ ｎｅｔｗｏｒｋ． Ｅｉｇｈｔ ｖａｒｉａｂｌｅ ｉｎｄｅｘｅｓ ｗｅｒｅ obtained with ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ． Ｔｈｅ ｃｕｍｕｌａｔｉｖｅ ｃｏｎｔｒｉｂｕｔｉｏｎ ｒａｔｅ ｏｆ ｔｈｅ ８ ｖａｒｉａｂｌｅ ｉｎｄｅｘｅｓ was ｍｏｒｅ ｔｈａｎ ９９．９％． Ｕｓｉｎｇ ｔｈｅ ８ ｉｎｄｅｘ ａｓ ｉｎｐｕｔ ｖｅｃｔｏｒｓ ｏｆ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｍｏｄｅｌ， ｉｔ ｃａｎ ｄｉｓｃｒｉｍｉｎａｔｅ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｓａｍｐｌｅｓ with ｔｈｅ ａｃｃｕｒａｃｙ of １００％．
Ｋｅｙ ｗｏｒｄｓ：ｎｅａｒ ｉｎｆｒａｒｅｄ ｔｒａｎｓｍｉｓｓｉｏｎ ｓｐｅｃｔｒｏｓｃｏｐｙ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｓｏｙｂｅａｎ ｏｉｌ ｑｕａｌｉｔｙ ａｎａｌｙｓｉｓ
收稿日期：２０１４－０３－２０
基金项目：黑龙江省教育厅科学技术研究项目（１２５２１３７８）
作者简介：蔡立晶（１９７７－），女，吉林前郭人，讲师，硕士，主要从事电磁场微波技术及光电检测技术的教学与研究工作，（电话）１３８４５９４２９８８（电子信箱）ｔｈｒｅｅｍｉｎｉｍｏｏｎｓ＠１２６．ｃｏｍ。
近红外光谱技术具有快速、高效、无污染、无需前处理、无损分析及多组分同时测定等优点，在快速检测领域有较大的潜力和发展空间。近红外光谱分析技术用于食用油品质分析检测目前也有一些研究报道，主要用于油脂的品质检测［１］。西方国家最早利用近红外技术进行油脂品质分析。近红外技术结合判别分析方法等，在橄榄油［２，３］、坚果油［４］及其他植物油［５］的检测中已得到成功应用。刘福莉等［６］以８种食用油纯油的４３个样品为对象，研究了近红外透射光谱结合聚类分析法快速鉴别食用油种类的可行性，判别模型对预测集样品的准确率达到１００％。范璐等［７］利用气相色谱和傅里叶变换红外吸收光谱，对２１种花生油、２０种棕榈油及两者的４种调和油进行分析，对花生油和棕榈油做了识别分析。近红外光谱技术在掺伪检测中有着很多的应用［８］，翁欣欣等［９］研究了橄榄油中掺伪情况研究，采用ＢＰ神经网络对掺伪橄榄油和未掺伪橄榄油进行了鉴别，对５２个样品进行了预测，预测准确率为１００％。随着营养学的研究发展，评估食用植物油的营养价值，研究分析常用食用植物油中的脂肪酸的组成是有意义的，吴静珠等［１０，１１］对食用油脂肪酸的定量分析进行了研究，人们对植物油中脂肪酸的认识不断增加。
人工神经网络方法是一种具有很强函数逼近能力的非线性建模方法，在人工神经网络的实际应用中，ＢＰ网络广泛应用于函数逼近、模式识别／分类、数据压缩等。陈建等［１２］提出了一种采用近红外光谱技术结合人工神经网络对玉米品种进行鉴别的方法，试验结果说明该方法能快速无损地鉴别玉米品种，为玉米的品种鉴别提供了一种新方法。罗一帆等［１３］进行了近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究，建立近红外光谱测定茶叶中茶多酚和茶多糖的模型，由此说明建立的近红外光谱－人工神经网络模型可用于预测茶叶中茶多酚和茶多糖的含量。赵肖宇等［１４］研究应用近红外透射光谱和人工神经网络的豆油脂良莠鉴别，建立３层ＢＰ神经网络模型，模型能够有效辨识未知豆油脂的良莠以及不合格具体种类，类别预测正确率为１００％。
本研究采用基于近红外透射光谱及神经网络中的最速下降ＢＰ算法的方法，对纯大豆油和掺杂大豆油进行真伪鉴别研究。
１ 材料与方法
１．１ 仪器
采用北京瑞利分析仪器公司ＷＱＦ－５１０型傅里叶变换红外光谱仪。室温介于１５～３０ ℃，相对湿度的允许范围小于６０％。仪器预热，系统通过自检且已获得本底光谱时，开始扫描样品。采集光谱范围１０ ０００～４ ０００ ｃｍ－１，采样分辨率为４ ｃｍ－１，扫描次数３２次，液体池６ ｍＬ玻璃器皿。
１．２ 材料
样品包括两种，纯大豆油和掺杂大豆油，全部样品未经任何化学处理。所使用的纯大豆油是超市购买的九三大豆油，掺杂大豆油是指纯大豆油中掺入一定比例的猪油。为了使配置的掺杂大豆油得以充分混合，在制备样品前，先把猪油放在恒温箱中加热使其成液体状态，取一定量的猪油混合到纯大豆油中进行充分搅拌使其充分混合。将带有样品的器皿放入傅里叶变换红外光谱仪中进行光谱采集。每种样品光谱采集为３０个样品，共收集６０个样品的光谱信号。
２ 结果与分析
２．１ 光谱采集
纯大豆油和掺杂大豆油的近红外透射光谱见图1。由图1可见，掺杂大豆油与纯大豆油图谱之间的差异不明显。近红外光谱图之间的差异很小，很难通过直观的分析对两种油进行鉴别。
２．２ 主成分数据处理
将ａｓｆ文件转换为ＡＳＣ码文件，每条谱图数据量为１ ５５６个，共计得到６０×１ ５５６个全波段数据点，试验训练样品集数为５０个，而且直接把光谱矩阵Ｘ５０ｘ１ ５５６作为神经网络的输入，则输入元为１ ５５６个，ＢＰ网络的规模较为复杂。将原始光谱矩阵进行主成分分解，主成分分析是把原来多个变量划为少数几个综合指标的一种统计分析方法，从数学角度来看，这是一种降维处理技术。以减少神经网络输入的神经元。
采用Ｍａｔｌａｂ的矩阵计算功能来编程实现主成分分析。主成分分析计算步骤为计算相关系数矩阵和计算特征值与特征向量，以及计算主成分贡献率及累计贡献率。特征根数量为８，即得到８个主成分，即ｖａｌ１，ｖａｌ２，ｖａｌ３，ｖａｌ４，ｖａｌ５，ｖａｌ６，ｖａｌ７，ｖａｌ８其累积贡献率分别为７０．１７％，９０．４２％，９７．１３％，９８．７８％，９９．５６％，９９．８８％，９９．９６％，９９．９９％。采用８个变量指标数，对样品计算累计贡献率均达到９９．９％以上，基本可以涵盖样品光谱图的所有信息，因此红外透射光谱数据得到了最大程度不失真简化。将分解得到的矩阵Ｔ５０ｘ８作为ＢＰ网络的输入神经元。此时，ＢＰ网络的输入元从１ ５５６降为８个，也就是８个主成分的特征值作为ＢＰ网络的输入向量。
２．３ 神经网络建模与分析
ＢＰ网络的设计主要包括输入层、隐层、输出层及各层之间的传递函数等［１５，１６］。通用的神经网络需要预先确定网络的层数，而ＢＰ网络可以包含不同的隐层。理论上已经证明，在不限制隐层节点数的情况下，两层（只有一个隐层）的ＢＰ网络可以实现任意非线性映射。在模式样本相对较少的情况下，较少的隐层节点可以实现模式样本空间的超平面划分，此时选择两层ＢＰ网络就可以了，当模式样本数很多时，减少网络规模，增加一个隐层是必要的，但ＢＰ网络隐层数一般不超过两层。
试验采集光谱样品数为６０个，随机抽取５０个作为训练集，１０个作为验证集。在ＢＰ网络设计中，数据主要分为两类模式，用１个输出元素即可表示，采用两层ＢＰ网络来实现分类。因为ＢＰ网络的输出为ｌｏｇｉｇ函数，所以目标向量的取值为０．２和０．８，分别对应两类模式。在程序设计时，通过判决门限０．５区分两类模式，输出元素分别为０和１。采用最速下降ＢＰ算法训练该网络。训练曲线训练经过了５ ０００次仍未达到要求的目标误差０．００１，虽然训练的误差性能未达到要求的目标误差，但这并不妨碍用测试样本对网络进行仿真。
利用建立的ＢＰ网络模型对剩下的１０个预测集样品进行鉴别，掺杂大豆油样品预测样本数为５个，纯大豆油预测样本数为５个。预测结果见表１。预测样品集可以做到正确的判别，判别正确率达到１００％。
３ 结论
采用大豆油为研究对象，利用傅里叶变换近红外光谱仪采集大豆油的近红外透射光谱，通过主成分分析及神经网络技术对光谱数据进行分类识别。结果表明，近红外透射光谱的网络建立及仿真可完成两类模式的分类。采用纯大豆油与掺杂大豆油两种的透射光谱，对光谱预处理，抽出８个主成分作为神经网络的输入神经元，建立最速下降ＢＰ网络模型，对预测集大豆油预测结果正确率为１００％。试验表明将近红外透射光谱与神经网络技术相结合能够快速检测大豆油是否掺杂，从而为检测大豆油的品质提供一种简单有效的方法。
教育期刊网 http://www.jyqkw.com
参考文献：
［１］ 于燕波，臧 鹏，付元华，等．近红外光谱法快速测定植物油中脂肪酸含量［Ｊ］．光谱学与光谱分析，２００８，２８（７）：１５５４－１５５８．
［２］ 张 欣，于瑞祥，方晓明，等．橄榄油掺假检测技术的研究进展［Ｊ］．中国油脂，２０１３，３８（３）：６７－７１．
［３］ 林远辉，高 蓓，李玉玉，等．橄榄油掺假鉴别技术研究进展［Ｊ］．食品科学，２０１３，３４（５）：２７９－２８３．
［４］ 魏长宾，刘胜辉，臧小平，等．澳洲坚果油脂肪酸组成分析［Ｊ］．中国油脂，２００８，３３（９）：７５－７６．
［５］ 李宗朋，王 健，张晓磊，等．基于近红外光谱技术的沙棘籽油鉴伪方法研究［Ｊ］．中国油脂，２０１４，３９（２）：５７－６２．
［６］ 刘福莉，陈华才，姜礼义，等．近红外透射光谱聚类分析快速鉴别食用油种类［Ｊ］．中国计量学院学报，２００８，３（１９）：２７８－２８２．
［７］ 范 璐，吴娜娜，霍权恭，等．气相色谱分析和傅里叶变换红外吸收光谱识别花生油中棕榈油［Ｊ］．河南工业大学学报（自然科学版），２００８，２９（１）：１２－１６．
［８］ 吴静珠，刘翠玲，李 慧，等．基于近红外光谱的纯花生油惨伪快速鉴别方法研究［Ｊ］．北京工商大学学报（自然科学版），２０１１，２９（１）：７５－７８．
［９］ 翁欣欣，陆 峰，王传现，等．近红外光谱－ＢＰ神经网络－ＰＬＳ法用于橄榄油缠在分析［Ｊ］．光谱学与光谱分析，２００９，２９（１２）：３２８３－３２８７．
［１０］ 吴静珠，刘翠玲，李 慧，等．近红外光谱技术在食用油种类鉴别及脂肪酸含量检测中的应用［Ｊ］．北京工商大学学报（自然科学版），２０１０．０９，２５（５）：５６－５９．
［１１］ 吴静珠，徐 云．基于ＣＡＲＳ－ＰＬＳ的食用油脂肪酸近红外定量分析模型的优化［Ｊ］．农业机械学报，２０１１，４２（１０）：１６２－１６６．
［１２］ 陈 建，陈 晓，李 伟，等．基于近红外光谱技术和人工神经网络的玉米品种鉴别方法研究［Ｊ］．光谱学与光谱分析，２００８， ２８（８）．１８０６－1８０８．
［１３］ 罗一帆，郭振飞，朱振宇，等．近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究［Ｊ］．光谱学与光谱分析，２００５， ２５（８）．１２３０－１２３３．
［１４］ 赵肖宇，关 勇，尚廷义，等．应用近红外透射光谱和人工神经网络的豆油脂良莠鉴别［Ｊ］．浙江农业学报，２０１１，２３（４）：８２５－８２８．
［１５］ 杨建刚．人工神经网络实用教程［Ｍ］．杭州：浙江大学出版社，２００１．
［１６］ 张德丰，ＭＡＴＬＡＢ神经网络仿真与应用［Ｍ］．北京：电子工业出版社，２００９．
（责任编辑 龚 艳）