近红外光谱法对食用植物油品种的快速鉴别

学习函数ＬＥＡＲＮＧＯＭ，设定最小均方误差为０．００１，训练次数为５００，进行网络的训练。所设计的用于鉴别不同品种植物油的ＢＰ神经网络，训练仅达８步就达到设定的误差要求。将１７个验证集样品作为测试集输入模型，得到检验结果，见表３。

上述结果表明，模型对于不同种类的植物油的鉴别率为１００％，即：用ＢＰ人工神经网络法可以准确识别植物油的品种。

３结论

通过试验获得了４个品种７７个植物油样品的光谱特征曲线，结果表明系统聚类法和主成分分析法都不能实现４个品种植物油的准确分类。系统聚类法只能辨别出４个品种植物油中的花生油和大豆油，主成分分析法也只能辨别出花生油和大豆油，而玉米油和芝麻油中间有交集，无法有效判别，因此系统聚类法和主成分分析方法的鉴别率均为３１．２％。而采用主成分分析结合ＢＰ人工神经网络法建立的植物油品种鉴别定性判别模型的鉴别率达到１００％。说明ＢＰ人工神经网络法可提取食用植物油近红外光谱信息中的微弱差异，表明了本研究提出的主成分分析结合人工神经网络方法用于鉴别常用植物油品种是有效的，为植物油品种的快速准确无损检测提供了一种有效的方法。

参考文献：

［１］ 陆婉珍，袁洪福，徐广通． 现代近红外光谱分析技术［Ｍ］． 北京： 中国石化出版社，２００６．

［２］ 严衍禄，赵龙莲，韩东海，等． 近红外光谱分析基础与应用［Ｍ］． 北京：中国轻工业出版社，２００５．

［３］ 柴玉华，潭克竹． 基于近红外分析技术检测大豆脂肪酸含量的研究［Ｊ］． 农业工程学报，２００７，２３（１）：２３８－２４１．

［４］ 王云，徐可欣，常敏． 近红外光谱技术检测牛奶中脂肪及蛋白质含量校正模型的建立［Ｊ］． 光学仪器，２００６，２８（３）：３－７．

［５］ 陈全胜，赵杰文，张海东，等． 基于支持向量机的近红外光谱鉴别茶叶的真伪［Ｊ］． 光学学报，２００６，２６（６）：９３３－９３７．

［6］ 陈永明，林萍，何勇． 基于遗传算法的近红外光谱橄榄油产地鉴别方法研究［Ｊ］． 光谱学与光谱分析，２００９，２９（３）：６７１－６７３．

推荐访问:鉴别 品种 快速 食用植物油 光谱法