近紅外光譜法快速鑒別食用油種類的方法
【專利摘要】本發(fā)明公開了一種近紅外光譜法快速鑒別食用油種類的方法，包括如下步驟：選取待鑒別的未知種類的食用油樣品；采集食用油樣品的近紅外光譜圖；對(duì)食用油樣品的近紅外光譜圖進(jìn)行預(yù)處理，得到食用油樣品的預(yù)處理光譜圖；根據(jù)食用油樣品的預(yù)處理光譜圖，依次采用棕櫚酸定量模型、油酸定量模型、亞油酸定量模型分別預(yù)測(cè)食用油樣品的棕櫚酸含量、油酸含量、亞油酸含量；根據(jù)得到的食用油樣品的棕櫚酸含量、油酸含量、亞油酸含量，采用優(yōu)化定性模型對(duì)食用油樣品進(jìn)行種類鑒別。本發(fā)明提供的近紅外光譜法快速鑒別食用油種類的方法安全快速、檢測(cè)便捷，鑒別準(zhǔn)確率高，具有較強(qiáng)的實(shí)用價(jià)值和推廣價(jià)值。
【專利說明】
近紅外光譜法快速鑒別食用油種類的方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及快速檢測(cè)技術(shù)領(lǐng)域，具體設(shè)及一種近紅外光譜法快速鑒別食用油種類 的方法。
【背景技術(shù)】
[0002] 食用油含有許多人體所需的重要營(yíng)養(yǎng)成分，在我們?nèi)粘ｏ嬍成钪幸彩潜夭豢缮?的，研究表明，部分食用油中富含大量棟桐酸、油酸含量、亞油酸，不同種類的食用油中有著 不同的棟桐酸、油酸含量、亞油酸組成；另外，由于棟桐酸、油酸、亞油酸的含量主要決定了 食用油的營(yíng)養(yǎng)價(jià)值，故通常作為評(píng)價(jià)食用油品質(zhì)的重要成分指標(biāo)，同時(shí)也是確定其商業(yè)價(jià) 值的重要依據(jù)。隨著食用油價(jià)格不斷的提高，許多不法商家為了牟取暴利，將低價(jià)值油冒充 高價(jià)值油投入市場(chǎng)，或?qū)⒌蛢r(jià)值油滲入高價(jià)值油中，嚴(yán)重侵害著消費(fèi)者和合法生產(chǎn)銷售企 業(yè)的利益。因此，有必要研究一種快速鑒別食用油種類的方法，對(duì)維護(hù)消費(fèi)者及合法經(jīng)營(yíng)者 利益、維持食用油市場(chǎng)正常秩序具有重要意義。

【發(fā)明內(nèi)容】

[0003] 針對(duì)上述技術(shù)中存在的不足之處，本發(fā)明提供了一種安全快速、檢測(cè)便捷，鑒別準(zhǔn) 確率高的近紅外光譜法快速鑒別食用油種類的方法。
[0004] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:一種近紅外光譜法快速鑒別食用油 種類的方法，包括如下步驟:步驟一、樣品選取:選取待鑒別的未知種類的食用油樣品；步驟 二、光譜采集:采集步驟一中選取的未知種類的食用油樣品的近紅外光譜圖；步驟Ξ、光譜 預(yù)處理:對(duì)步驟二中采集的未知種類的食用油樣品的近紅外光譜圖進(jìn)行預(yù)處理，得到未知 種類的食用油樣品的預(yù)處理光譜圖；步驟四、含量預(yù)測(cè):根據(jù)步驟Ξ中得到的未知種類的食 用油樣品的預(yù)處理光譜圖，依次采用棟桐酸定量模型、油酸定量模型、亞油酸定量模型分別 預(yù)測(cè)所述未知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量;步驟五、種類鑒別： 根據(jù)步驟四中得到的所述未知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量，采 用優(yōu)化定性模型對(duì)所述未知種類的食用油樣品進(jìn)行種類鑒別。
[0005] 優(yōu)選的，所述步驟一中選取的未知種類的食用油樣品為茶巧油、葵花油、大豆油、 菜巧油、花生油中的任意一種。
[0006] 優(yōu)選的，所述步驟二中的光譜采集條件如下:食用油樣品的采集溫度為60±2°C， 近紅外光譜測(cè)定范圍為1350~1800 nm，掃描次數(shù)32次，分辨率為3.5cnfi，測(cè)量方式為透射， 每個(gè)食用油樣品取Ξ次測(cè)量的平均值作為最終采集的近紅外光譜圖。
[0007] 優(yōu)選的，所述步驟Ξ中對(duì)采集的未知種類的食用油樣品的近紅外光譜圖依次進(jìn)行 標(biāo)準(zhǔn)正態(tài)變量變化和去趨勢(shì)技術(shù)聯(lián)用算法預(yù)處理，得到未知種類的食用油樣品的預(yù)處理光 譜圖。
[000引優(yōu)選的，所述棟桐酸定量模型、油酸定量模型、亞油酸定量模型的建立方法如下： 收集若干不同已知種類的食用油樣品，所述不同已知種類的食用油樣品包括:茶巧油、葵花 油、大豆油、菜巧油和花生油;采集若干不同已知種類的食用油樣品的近紅外光譜圖，光譜 采集方法如步驟二中所述，并對(duì)若干不同已知種類的食用油樣品的近紅外光譜圖依次進(jìn)行 標(biāo)準(zhǔn)正態(tài)變量變化和去趨勢(shì)技術(shù)聯(lián)用算法預(yù)處理，得到若干不同已知種類的食用油樣品的 預(yù)處理光譜圖；實(shí)驗(yàn)測(cè)定若干不同已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸 含量;采用偏最小二乘回歸方法分別建立不同已知種類的食用油樣品的預(yù)處理光譜圖與其 棟桐酸含量、油酸含量、亞油酸含量的定量模型，得到棟桐酸定量模型、油酸定量模型、亞油 酸定量模型;其中，要求棟桐酸定量模型、油酸定量模型和亞油酸定量模型的均方根誤差均 < 10%，相關(guān)系數(shù)均>95%。
[0009] 優(yōu)選的，實(shí)驗(yàn)測(cè)定若干不同已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油 酸含量的方法如下：按照國(guó)家標(biāo)準(zhǔn)GB/T 17376-2008規(guī)定的甲醋化方法對(duì)已知種類的食用 油樣品進(jìn)行預(yù)處理，預(yù)處理后靜置24小時(shí)，并取出已處理已知種類的食用油樣品的上層清 液化L移至氣相色譜儀中，待運(yùn)行65~75分鐘后得到氣相色譜圖，最終根據(jù)氣相色譜圖計(jì)算 得到不同已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量。
[0010] 優(yōu)選的，所述步驟五中優(yōu)化定性模型的建立方法如下：收集若干不同已知種類的 食用油樣品，所述不同已知種類的食用油樣品包括:茶巧油、葵花油、大豆油、菜巧油和花生 油;實(shí)驗(yàn)測(cè)定若干不同已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量;將若 干不同已知種類的食用油樣品中的棟桐酸含量、油酸含量、亞油酸含量作為定性模型的輸 入變量，通過支持向量機(jī)分類方法建立不同已知種類的食用油樣品的定性模型，并采用粒 子群優(yōu)化算法對(duì)定性模型中的懲罰因子C和核函數(shù)參數(shù)g進(jìn)行優(yōu)化，得到優(yōu)化定性模型。
[0011] 優(yōu)選的，采用粒子群優(yōu)化算法對(duì)定性模型中的懲罰因子C和核函數(shù)參數(shù)g進(jìn)行優(yōu)化 時(shí)，設(shè)置懲罰因子C和核函數(shù)參數(shù)g的范圍均為~2^，設(shè)置交互驗(yàn)證參數(shù)V的范圍為2~8。
[0012] 本發(fā)明與現(xiàn)有技術(shù)相比，其有益效果是:本發(fā)明提供的近紅外光譜法快速鑒別食 用油種類的方法，通過建立的棟桐酸定量模型、油酸定量模型和亞油酸定量模型，可對(duì)未知 種類的食用油樣品中的棟桐酸含量、油酸含量、亞油酸含量進(jìn)行快速預(yù)測(cè);通過優(yōu)化定標(biāo)模 型，可對(duì)已知棟桐酸含量、油酸含量、亞油酸含量的未知種類的食用油樣品進(jìn)行種類鑒別； 該近紅外光譜法快速鑒別食用油種類的方法，安全快速、檢測(cè)便捷，鑒別準(zhǔn)確率高，具有較 強(qiáng)的實(shí)用價(jià)值和推廣價(jià)值。
【附圖說明】
[OOK]圖1是本發(fā)明所述近紅夕恍譜法快速鑒別食用油種類的方法的流程示意圖； 圖2是本發(fā)明所述食用油樣品的近紅外光譜圖； 圖3是本發(fā)明所述食用油樣品的預(yù)處理光譜圖； 圖4是本發(fā)明所述粒子群優(yōu)化算法尋優(yōu)結(jié)果圖； 圖5是本發(fā)明所述食用油預(yù)測(cè)集樣品的預(yù)測(cè)鑒別結(jié)果圖。
【具體實(shí)施方式】
[0014]下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說明，W令本領(lǐng)域技術(shù)人員參照說明書文 字能夠據(jù)W實(shí)施。
[001引如圖1所示，本發(fā)明提供了一種近紅夕恍譜法快速鑒別食用油種類的方法，包括如 下步驟： 步驟一、樣品選取:選取待鑒別的未知種類的食用油樣品，選取的未知種類的食用油樣 品為茶巧油、葵花油、大豆油、菜巧油、花生油中的任意一種； 步驟二、光譜采集:采集步驟一中選取的未知種類的食用油樣品的近紅外光譜圖，光譜 采集條件如下:食用油樣品的采集溫度為60±2°C，近紅外光譜測(cè)定范圍為1350~1800 nm， 掃描次數(shù)32次，分辨率為3.5cnfi，測(cè)量方式為透射，每個(gè)食用油樣品取Ξ次測(cè)量的平均值作 為最終采集的近紅外光譜圖； 步驟Ξ、光譜預(yù)處理:對(duì)步驟二中采集的未知種類的食用油樣品的近紅外光譜圖依次 進(jìn)行標(biāo)準(zhǔn)正態(tài)變量變化和去趨勢(shì)技術(shù)聯(lián)用算法預(yù)處理，得到未知種類的食用油樣品的預(yù)處 理光譜圖； 步驟四、含量預(yù)測(cè):根據(jù)步驟Ξ中得到的未知種類的食用油樣品的預(yù)處理光譜圖，依次 采用棟桐酸定量模型、油酸定量模型、亞油酸定量模型分別預(yù)測(cè)所述未知種類的食用油樣 品的棟桐酸含量、油酸含量、亞油酸含量； 其中，所述棟桐酸定量模型、油酸定量模型、亞油酸定量模型的建立方法如下:收集若 干不同已知種類的食用油樣品，所述不同已知種類的食用油樣品包括:茶巧油、葵花油、大 豆油、菜巧油和花生油;采集若干不同已知種類的食用油樣品的近紅外光譜圖，光譜采集方 法如步驟二中所述，并對(duì)若干不同已知種類的食用油樣品的近紅外光譜圖依次進(jìn)行標(biāo)準(zhǔn)正 態(tài)變量變化和去趨勢(shì)技術(shù)聯(lián)用算法預(yù)處理，得到若干不同已知種類的食用油樣品的預(yù)處理 光譜圖；實(shí)驗(yàn)測(cè)定若干不同已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量； 采用偏最小二乘回歸方法分別建立不同已知種類的食用油樣品的預(yù)處理光譜圖與其棟桐 酸含量、油酸含量、亞油酸含量的定量模型，得到棟桐酸定量模型、油酸定量模型、亞油酸定 量模型；要求棟桐酸定量模型、油酸定量模型和亞油酸定量模型的均方根誤差均^ 10%，相 關(guān)系數(shù)均> 95%; 步驟五、種類鑒別:根據(jù)步驟四中得到的所述未知種類的食用油樣品的棟桐酸含量、油 酸含量、亞油酸含量，采用優(yōu)化定性模型對(duì)所述未知種類的食用油樣品進(jìn)行種類鑒別； 其中，優(yōu)化定性模型的建立方法如下:收集若干不同已知種類的食用油樣品，所述不同 已知種類的食用油樣品包括:茶巧油、葵花油、大豆油、菜巧油和花生油;實(shí)驗(yàn)測(cè)定若干不同 已知種類的食用油樣品的棟桐酸含量、油酸含量、亞油酸含量;將若干不同已知種類的食用 油樣品中的棟桐酸含量、油酸含量、亞油酸含量作為定性模型的輸入變量，通過支持向量機(jī) 分類方法建立不同已知種類的食用油樣品的定性模型，并采用粒子群優(yōu)化算法對(duì)定性模型 中的懲罰因子C和核函數(shù)參數(shù)g進(jìn)行優(yōu)化，得到優(yōu)化定性模型;采用粒子群優(yōu)化算法對(duì)定性 模型中的懲罰因子C和核函數(shù)參數(shù)g進(jìn)行優(yōu)化時(shí)，設(shè)置懲罰因子C和核函數(shù)參數(shù)g的范圍均為 2-W~2^，設(shè)置交互驗(yàn)證參數(shù)V的范圍為2~8。
[0016]實(shí)施例： 1、實(shí)驗(yàn)樣品 收集茶巧油、葵花油、大豆油、菜巧油和花生油五類食用油樣品共133份，采用SPXY算法 按3:1的比例選取食用油校正集樣品100份和食用油預(yù)測(cè)集樣品33份，其中食用油校正集樣 品用于定量模型和定性模型的建立，食用油預(yù)測(cè)集樣品用于定量模型和定性模型的性能驗(yàn) 證;其中，五類食用油樣品的預(yù)測(cè)集樣品和校正集樣品的數(shù)量分布如下表1。
[0017]表1 ' 2、實(shí)驗(yàn)測(cè)試胃 '
' ' ' 2.1光譜采集 采用近紅外光譜儀器采集133份食用油樣品的近紅外光譜圖，光譜采集條件如下:采集 溫度為60±2°C，近紅外光譜測(cè)定范圍為1350~1800皿，掃描次數(shù)32次，分辨率為3.5cnfi， 測(cè)量方式為透射，每個(gè)食用油樣品取Ξ次測(cè)量的平均值作為最終采集的近紅外光譜圖，133 份食用油樣品的近紅外光譜圖如圖2所示。
[001引 2.2含量測(cè)定 實(shí)驗(yàn)測(cè)定133份食用油樣品的棟桐酸含量、油酸含量、亞油酸含量;其中，實(shí)驗(yàn)測(cè)定方法 如下：按照國(guó)家標(biāo)準(zhǔn)GB/T 17376-2008規(guī)定的甲醋化方法對(duì)食用油樣品進(jìn)行預(yù)處理，預(yù)處理 后靜置24小時(shí)，并取出已處理食用油樣品的上層清液化L移至氣相色譜儀中，待運(yùn)行65~75 分鐘后得到氣相色譜圖，最終根據(jù)氣相色譜圖計(jì)算得到133份食用油樣品的棟桐酸含量、油 酸含量、亞油酸含量。
[0019] 3、光譜預(yù)處理 通過大量實(shí)驗(yàn)研究發(fā)現(xiàn)，在建模前對(duì)光譜進(jìn)行不同的預(yù)處理，對(duì)模型性能產(chǎn)生的影響 也大不相同，因此預(yù)處理方法選取決定了模型的預(yù)測(cè)性能和適用范圍；采用標(biāo)準(zhǔn)正態(tài)變量 變化和去趨勢(shì)技術(shù)聯(lián)用算法可用來消除光譜的基線漂移及光程的影響從而達(dá)到簡(jiǎn)化模型 提高其預(yù)測(cè)能力的目的；圖3為133份食用油樣品的預(yù)處理光譜圖。
[0020] 4、定量模型的建立 采用偏最小二乘回歸方法分別建立食用油樣品的預(yù)處理光譜圖與其棟桐酸含量、油酸 含量、亞油酸含量的定量模型，得到棟桐酸定量模型、油酸定量模型、亞油酸定量模型;模型 評(píng)價(jià)指標(biāo)如下表2所示。
[0021] 表2
5、定性模型的建立 將100份食用油校正集樣品的棟桐酸含量、油酸含量、亞油酸含量作為定性模型的輸入 變量，通過支持向量機(jī)分類方法建立食用油校正集樣品的定性模型，并采用粒子群優(yōu)化算 法對(duì)定性模型中的懲罰因子C和核函數(shù)參數(shù)g進(jìn)行優(yōu)化，得到優(yōu)化定性模型;其中，采用粒子 群優(yōu)化算法對(duì)懲罰因子C和核函數(shù)參數(shù)g進(jìn)行優(yōu)化時(shí)，參數(shù)設(shè)置如下：最大進(jìn)化代數(shù)設(shè)為 100,初始種群數(shù)目設(shè)為20,學(xué)習(xí)因子初始值設(shè)定為C1=1.5，C2=1.7,進(jìn)化速度初始值設(shè)為 0.6，進(jìn)化速度更新彈性系數(shù)初始值設(shè)為1，種群更新速度彈性系數(shù)初始值設(shè)為1，交互驗(yàn)證 參數(shù)V設(shè)為5,懲罰因子C和核函數(shù)參數(shù)g的范圍均設(shè)為2-W~21%優(yōu)化得到當(dāng)懲罰因子C= 204.7351且核函數(shù)參數(shù)g=23.7421時(shí)，優(yōu)化定性模型對(duì)食用油校正集樣品的鑒別準(zhǔn)確率為 100%;其中，粒子群優(yōu)化算法尋優(yōu)結(jié)果圖如圖4所示。
[0022] 6、優(yōu)化定性模型的驗(yàn)證 將33份食用油預(yù)測(cè)集樣品的棟桐酸含量、油酸含量、亞油酸含量作為優(yōu)化定性模型的 輸入變量，采用當(dāng)懲罰因子C=204.7351且核函數(shù)參數(shù)g=23.7421時(shí)的優(yōu)化定性模型對(duì)33份 食用油預(yù)測(cè)集樣品的種類進(jìn)行預(yù)測(cè)鑒別，并將預(yù)測(cè)結(jié)果與33份食用油預(yù)測(cè)集樣品的真實(shí)種 類類別進(jìn)行一一比對(duì)，得到優(yōu)化定性模型對(duì)食用油預(yù)測(cè)集樣品的種類鑒別準(zhǔn)確率為100%; 其中，33份食用油預(yù)測(cè)集樣品的預(yù)測(cè)鑒別結(jié)果圖如圖5所示。
[0023] 盡管本發(fā)明的實(shí)施方案已公開如上，但其并不僅限于說明書和實(shí)施方式中所列運(yùn) 用，它完全可W被適用于各種適合本發(fā)明的領(lǐng)域，對(duì)于熟悉本領(lǐng)域的人員而言，可容易地實(shí) 現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于 特定的細(xì)節(jié)和運(yùn)里示出與描述的圖例。
【主權(quán)項(xiàng)】
1. 一種近紅外光譜法快速鑒別食用油種類的方法，其特征在于，包括如下步驟： 步驟一、樣品選取:選取待鑒別的未知種類的食用油樣品； 步驟二、光譜采集:采集步驟一中選取的未知種類的食用油樣品的近紅外光譜圖； 步驟三、光譜預(yù)處理:對(duì)步驟二中采集的未知種類的食用油樣品的近紅外光譜圖進(jìn)行 預(yù)處理，得到未知種類的食用油樣品的預(yù)處理光譜圖； 步驟四、含量預(yù)測(cè):根據(jù)步驟三中得到的未知種類的食用油樣品的預(yù)處理光譜圖，依次 采用棕櫚酸定量模型、油酸定量模型、亞油酸定量模型分別預(yù)測(cè)所述未知種類的食用油樣 品的棕櫚酸含量、油酸含量、亞油酸含量； 步驟五、種類鑒別:根據(jù)步驟四中得到的所述未知種類的食用油樣品的棕櫚酸含量、油 酸含量、亞油酸含量，采用優(yōu)化定性模型對(duì)所述未知種類的食用油樣品進(jìn)行種類鑒別。2. 如權(quán)利要求1所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，所述步 驟一中選取的未知種類的食用油樣品為茶籽油、葵花油、大豆油、菜籽油、花生油中的任意 一種。3. 如權(quán)利要求1所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，所述步 驟二中的光譜采集條件如下：食用油樣品的采集溫度為60±2°C，近紅外光譜測(cè)定范圍為 1350~1800 nm，掃描次數(shù)32次，分辨率為3.5CHT1，測(cè)量方式為透射，每個(gè)食用油樣品取三次 測(cè)量的平均值作為最終采集的近紅外光譜圖。4. 如權(quán)利要求1所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，所述步 驟三中對(duì)采集的未知種類的食用油樣品的近紅外光譜圖依次進(jìn)行標(biāo)準(zhǔn)正態(tài)變量變化和去 趨勢(shì)技術(shù)聯(lián)用算法預(yù)處理，得到未知種類的食用油樣品的預(yù)處理光譜圖。5. 如權(quán)利要求1所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，所述棕 櫚酸定量模型、油酸定量模型、亞油酸定量模型的建立方法如下： 收集若干不同已知種類的食用油樣品，所述不同已知種類的食用油樣品包括:茶籽油、 葵花油、大豆油、菜籽油和花生油； 采集若干不同已知種類的食用油樣品的近紅外光譜圖，光譜采集方法如步驟二中所 述，并對(duì)若干不同已知種類的食用油樣品的近紅外光譜圖依次進(jìn)行標(biāo)準(zhǔn)正態(tài)變量變化和去 趨勢(shì)技術(shù)聯(lián)用算法預(yù)處理，得到若干不同已知種類的食用油樣品的預(yù)處理光譜圖； 實(shí)驗(yàn)測(cè)定若干不同已知種類的食用油樣品的棕櫚酸含量、油酸含量、亞油酸含量； 采用偏最小二乘回歸方法分別建立不同已知種類的食用油樣品的預(yù)處理光譜圖與其 棕櫚酸含量、油酸含量、亞油酸含量的定量模型，得到棕櫚酸定量模型、油酸定量模型、亞油 酸定量模型;其中，要求棕櫚酸定量模型、油酸定量模型和亞油酸定量模型的均方根誤差均 < 10%，相關(guān)系數(shù)均2 95%。6. 如權(quán)利要求5所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，實(shí)驗(yàn)測(cè) 定若干不同已知種類的食用油樣品的棕櫚酸含量、油酸含量、亞油酸含量的方法如下:按照 國(guó)家標(biāo)準(zhǔn)GB/T 17376-2008規(guī)定的甲酯化方法對(duì)已知種類的食用油樣品進(jìn)行預(yù)處理，預(yù)處 理后靜置24小時(shí)，并取出已處理已知種類的食用油樣品的上層清液lyL移至氣相色譜儀中， 待運(yùn)行65~75分鐘后得到氣相色譜圖，最終根據(jù)氣相色譜圖計(jì)算得到不同已知種類的食用 油樣品的棕櫚酸含量、油酸含量、亞油酸含量。7. 如權(quán)利要求1所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，所述步 驟五中優(yōu)化定性模型的建立方法如下： 收集若干不同已知種類的食用油樣品，所述不同已知種類的食用油樣品包括:茶籽油、 葵花油、大豆油、菜籽油和花生油； 實(shí)驗(yàn)測(cè)定若干不同已知種類的食用油樣品的棕櫚酸含量、油酸含量、亞油酸含量； 將若干不同已知種類的食用油樣品中的棕櫚酸含量、油酸含量、亞油酸含量作為定性 模型的輸入變量，通過支持向量機(jī)分類方法建立不同已知種類的食用油樣品的定性模型， 并采用粒子群優(yōu)化算法對(duì)定性模型中的懲罰因子C和核函數(shù)參數(shù)g進(jìn)行優(yōu)化，得到優(yōu)化定性 模型。8.如權(quán)利要求7所述的近紅外光譜法快速鑒別食用油種類的方法，其特征在于，采用粒 子群優(yōu)化算法對(duì)定性模型中的懲罰因子C和核函數(shù)參數(shù)g進(jìn)行優(yōu)化時(shí)，設(shè)置懲罰因子C和核 函數(shù)參數(shù)g的范圍均為2#~21()，設(shè)置交互驗(yàn)證參數(shù)V的范圍為2~8。
【文檔編號(hào)】G01N21/359GK105823752SQ201610162211
【公開日】2016年8月3日
【申請(qǐng)日】2016年3月22日
【發(fā)明人】鄭曉, 彭博, 何東平, 涂斌, 陳志 , 吳雙
【申請(qǐng)人】武漢輕工大學(xué)