基于支持向量機(jī)的小麥新鮮度判別研究

王華芳，展海軍

（1.三門峽職業(yè)技術(shù)學(xué)院 生化工程系，河南 三門峽 472000；2.河南工業(yè)大學(xué) 化學(xué)化工學(xué)院，河南 鄭州 450001）

0 前言

小麥新鮮度對于小麥品質(zhì)極其重要，不僅影響小麥的儲存和交易，更影響其后期面制品的質(zhì)量.目前，常見的小麥新鮮度判定技術(shù)主要有愈創(chuàng)木酚法[1]、酸度法[2]、國標(biāo)法[3]、熱分析法[4]等，其原理基本上憑借顏色或者某一個試驗值進(jìn)行人為的判別，判別結(jié)果帶有較大的人為因素，再加上存在判別程序復(fù)雜、時間長、準(zhǔn)確度低等缺點(diǎn)，因此，研究小麥判別技術(shù)，找到一種快速準(zhǔn)確的方法具有重要意義.

支持向量機(jī)（Support Vector Machine，SVM）是20 世紀(jì)90 年代在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新模式識別方法[5].由于該方法具有深厚的理論基礎(chǔ)，在解決小樣本、非線性以及高維模式識別問題上有許多特殊的優(yōu)勢，目前已經(jīng)成為繼神經(jīng)網(wǎng)絡(luò)方法之后模式識別與機(jī)器學(xué)習(xí)領(lǐng)域最為主流的數(shù)據(jù)分類方法.SVM 的一大特點(diǎn)就是利用核函數(shù)將低維線性不可分?jǐn)?shù)據(jù)隱式地映射到高維線性可分空間.在SVM 理論中，采用不同的核函數(shù)將導(dǎo)致不同的SVM 算法，目前常用的核函數(shù)包括徑向基核、線性核、多項式核等.其中徑向基核在實際中使用得最為廣泛，且性能通常優(yōu)于其他核函數(shù)[6]，因此作者選擇徑向基函數(shù)來判別小麥新鮮度.

過氧化氫酶活動度與小麥新鮮度之間存在明顯的關(guān)系，小麥越新鮮，其過氧化氫酶活動度越大，因此可以作為小麥新鮮度判別的切入點(diǎn)進(jìn)行研究.鹽酸聯(lián)苯胺法[7]正是利用此方法區(qū)別小麥新鮮度的.作者采用鹽酸聯(lián)苯胺法和國標(biāo)法取得新陳小麥的各項對應(yīng)指標(biāo)，以判別正確率為判別依據(jù)，利用支持向量機(jī)篩選和判別指標(biāo)，從而實現(xiàn)對未知小麥的新陳預(yù)測.

1 材料和方法

1.1 材料

試驗所用小麥分別由河南省、河北省和山東省糧食儲備庫提供.

三水合乙酸鈉：分析純，洛陽市化學(xué)試劑廠；36%冰乙酸：分析純，派尼化學(xué)試劑廠；牛肝過氧化氫酶：生化試劑，Solarbio 公司；鹽酸聯(lián)苯胺：分析純，遠(yuǎn)航試劑廠；30%雙氧水：分析純，洛陽化學(xué)試劑廠；無水乙醇：天津市天力化學(xué)試劑有限公司；酚酞：洛陽市昊華化學(xué)試劑有限公司；氫氧化鉀：天津市芳晶化學(xué)試劑有限公司.

1.2 主要儀器

DT-1000B 電子天平：金羊天平儀器廠；K96-B快速混勻器：都江堰市醫(yī)療器械廠；TU1810 紫外可見分光光度計：北京普析通用儀器有限責(zé)任公司；水浴恒溫鍋：上海寶磊儀器有限公司；振蕩器：金壇市華峰儀器有限公司；鉆石牌秒表：上海秒表廠；表面皿：鄭州中天實驗儀器有限公司.

1.3 方法

利用鹽酸聯(lián)苯胺法測定不同樣品的吸光度值，記錄樣品在前2 min 的吸光度值.用吸光度值對時間作圖，曲線擬合得到回歸方程，方程的斜率即為該小麥樣品反應(yīng)速率，方程的常數(shù)項則為樣品的初始速率.

參照GB/T 5510—85[8]測定樣品小麥的脂肪酸值.

1.4 數(shù)據(jù)統(tǒng)計分析方法

1.4.1 分類器的選擇

支持向量機(jī)的內(nèi)積函數(shù)以徑向基核函數(shù)應(yīng)用最廣，因此選徑向基核函數(shù)進(jìn)行研究.利用支持向量機(jī)來進(jìn)行小麥新鮮度判別的總體流程見圖1.

圖1 支持向量機(jī)對小麥新鮮度判別的流程

1.4.2 數(shù)據(jù)統(tǒng)計方法

以溶液反應(yīng)0 min 時的吸光度值、每秒的初始速率和反應(yīng)速率，共37 項作為待選判別指標(biāo)進(jìn)行判別研究.引入脂肪酸值，進(jìn)一步研究判別效果.利用SVM 對已獲取的反應(yīng)數(shù)據(jù)進(jìn)行篩選，并檢測SVM 法在小麥新陳度鑒定上的分類性能.

2 結(jié)果分析與討論

2.1 新陳小麥3 類劃分結(jié)果

把所有小麥劃分成3 個等級：儲存0 a 小麥其新鮮度為1；儲存1 a 新鮮度為2；其他小麥新鮮度為3.

2.1.1 單個指標(biāo)判別結(jié)果

以小麥每一項指標(biāo)為依據(jù)進(jìn)行測試，同時在給定參數(shù)候選集合上進(jìn)行5 份交叉驗證選擇，分類結(jié)果如表1 所示.

表1 各維特征單獨(dú)用來進(jìn)行小麥新陳度分類的性能（CCR）

由表1 可知，各項指標(biāo)的判別效果差不多，最好的為第14 個特征（10 s 時的反應(yīng)速率）的結(jié)果，其總的分類正確率為0.815 9；其他指標(biāo)的分類正確率均在[0.787 9，0.815 2]區(qū)間.第14 個特征判別效果之所以好，歸因于新麥酶含量高，酶活大，反應(yīng)速率也大.

2.1.2 多個指標(biāo)判別結(jié)果

依次對組合中各個指標(biāo)進(jìn)行篩選判別，試圖找到最優(yōu)特征組合，提高判別效果，結(jié)果見表2.

表2 各個特征組合的分類正確率（CCR）

從表2 可知，所有指標(biāo)的正判率均大于0.82，比單個指標(biāo)的正判率明顯提高，這說明特征組合的確能夠提高分類性能.當(dāng)組合前25 位指標(biāo)時，正判率最高，為0.857 6.但是當(dāng)組合個數(shù)大于25時，正判率有所下降，可能是判別指標(biāo)越多，存在冗余的可能性越大，在有限樣本下，特征的增加很可能會導(dǎo)致學(xué)習(xí)效果的下降.

考慮到樣品數(shù)據(jù)分類不平衡會影響判別結(jié)果，因此通過設(shè)置不同類別的權(quán)重來進(jìn)一步研究判別效果.假定W1、W2 和W3 分別代表0 a、1 a以及其他這3 類小麥類別的權(quán)重.試驗中共設(shè)置兩組權(quán)重（0.4，0.4，0.2）和（0.4，0.5，0.1），判別效果見表3 和表4.

表3 各個特征組合的分類正確率（CCR）（W1=0.4，W2=0.4，W3=0.2）

表4 各個特征組合的分類正確率（CCR）（W1=0.4，W2=0.5，W3=0.1）

從表3 和表4 可以看出，隨著第二類權(quán)重的增加，其分類正確率相應(yīng)增加，而隨著第三類權(quán)重的減少，其分類正確率相應(yīng)減少.由此而見，通過權(quán)重的調(diào)整可以在一定程度上解決數(shù)據(jù)集的不平衡性問題.

2.2 新陳小麥兩類劃分結(jié)果

把小麥劃分成為兩類：儲存0 a 的小麥其新鮮度定義為0；其他小麥新鮮度為1.與前面試驗類似，考慮到樣本分類不平衡因素，假定W1 和W2分別代表0 a 和其他兩類小麥類別的權(quán)重.通過條件權(quán)重探索判別效果，同時利用SVM 來進(jìn)行5 份交叉驗證.

由表5—表7 可知，隨著新麥權(quán)重從0.5 增長到0.8，新麥正確率逐步增大，各級分類最佳可達(dá)到CCR1=0.955 6，CCR2=0.995 9，CCRall=0.984 1，分類效果較好.

表5 兩類情況下各個特征組合的分類正確率（CCR）（W1=0.5，W2=0.5）

表6 兩類情況下各個特征組合的分類正確率（CCR）（W1=0.6，W2=0.4）

表7 兩類情況下各個特征組合的分類正確率（CCR）(W1=0.8，W2=0.2）

2.3 引入脂肪酸值指標(biāo)的判別結(jié)果

為提高判別效果，引入脂肪酸值.同時選擇37個指標(biāo)中區(qū)分效果較好的第4、第8、第10、第12、第14 個指標(biāo)，即10 s 時的反應(yīng)速率、30 s 時的吸光度值和反應(yīng)速率、40 s 時的初始速率和50 s 時的吸光度值再加上脂肪酸值含量，共6 個指標(biāo)為新陳小麥的區(qū)分指標(biāo)，利用SVM 進(jìn)行判別，結(jié)果如表8 所示.

表8 兩類情況下各個特征的分類正確率（24 個樣品）

表9 兩類情況下各個特征組合的分類正確率（CCR，24 個樣品）

由表8 和表9 可知，脂肪酸值指標(biāo)總體判別效果較差，但加上這個指標(biāo)后，新陳小麥總體正判率有了顯著增長，提高幅度在0.85%～2.5%之間，進(jìn)一步表明增加判別指標(biāo)有助于新陳小麥的判別.但是當(dāng)特征組合增加到10組時，其判別率呈下降趨勢，可能是因為判別指標(biāo)太多限制了判別效果.

3 結(jié)論

無論是將樣品劃分成三類還是兩類，單獨(dú)依據(jù)某一維特征的判別效果都比較低，當(dāng)把各維特征組合后，判別準(zhǔn)確率都大幅度上升，特別是劃分成陳兩類時，總正判別率可達(dá)到97.65%，效果比較好.引入新特征脂肪酸值后，正判率為99.17%，幾乎可以100%地將新陳小麥判別出來.

［1］王毅，冀圣江，司建中.小麥新陳度鑒別方法探討［J］.糧油倉儲科技通訊，2009，25（1）：48-49.

［2］何學(xué)超，郭道林，馮永健，等.小麥新陳快速鑒別方法的研究［J］.糧食儲藏，2006，35（1）：42-45.

［3］GB/T 20571—2006，小麥儲存品質(zhì)判定規(guī)則［S］.

［4］展海軍，范璐，周展明，等.用熱分析技術(shù)評價小麥新鮮度的研究［J］.中國糧油學(xué)報，2003，18（1）:78-80.

［5］Wikipedia.Support vector machine［EB/OL］.（2014-05-18）［2014-06-04］.http://en.wikipedia.org/wiki/Support_vector_machine.

［6］Keerthi S S，Lin C J.Asymptotic behaviors of support vector machines with Gaussian kernel［J］.Neural Computation，2003，15（7）:1667-1689.

［7］王華芳.小麥新鮮度判別技術(shù)的研究［D］.鄭州：河南工業(yè)大學(xué)，2010.

［8］GB/T 5510—85，糧食、油料檢驗 脂肪酸值測定法［S］.