基于新誤差函數(shù)的豆油脂光譜BP模式識(shí)別研究

關(guān)勇

（大慶石化工程有限公司，黑龍江大慶163317）

近紅外光譜能夠攜帶物質(zhì)內(nèi)部O—H、C—H等基團(tuán)的振動(dòng)信息，結(jié)合現(xiàn)代數(shù)據(jù)處理方法可以快速、高效、無(wú)損實(shí)現(xiàn)對(duì)物質(zhì)的檢測(cè)。2002年劉荔荔等利用近紅外漫反射光譜采用模式識(shí)別法中的聚類分析和判別分析方法實(shí)現(xiàn)了丹參種類識(shí)別[1]。2004年研究了紅外FTIR光譜技術(shù)與化學(xué)計(jì)量方法（模式識(shí)別技術(shù)）相結(jié)合對(duì)良、惡性組織進(jìn)行鑒別診斷[2]，利用經(jīng)過(guò)預(yù)處理的熒光光譜數(shù)據(jù)作為模式樣本實(shí)時(shí)判斷混合氣體的組分[3]。2005年清華大學(xué)劉沭華采用近紅外漫反射光譜法獲得了來(lái)自不同產(chǎn)地的中藥材的紅外光譜，結(jié)合近鄰法和多類支持向量機(jī)等模式識(shí)別技術(shù)對(duì)白芷和丹參參樣本進(jìn)行了產(chǎn)域鑒別[4]。瞿海斌等于2006年采用近紅外光譜漫反射光譜技術(shù)和模式識(shí)別技術(shù)，研究了快速鑒別阿膠真?zhèn)畏椒╗5]。2008年應(yīng)用近紅外光譜分析技術(shù)實(shí)現(xiàn)了準(zhǔn)確、快速、低廉地追溯茶葉的產(chǎn)地[6]。

2009年蘇謙提出了采用近紅外光譜和仿生模式識(shí)別方法建立玉米品種的鑒別模型實(shí)現(xiàn)快速鑒別玉米品種的方法[7]。陳燕清2011年提出了應(yīng)用同步熒光光譜技術(shù)無(wú)損快速鑒別料酒品牌的方法[8]。十年間對(duì)國(guó)內(nèi)對(duì)近紅外光譜的模式識(shí)別研究成果不是很多。本文采集合格食用油、地溝油近紅外透射光譜，通過(guò)神經(jīng)網(wǎng)絡(luò)識(shí)別，有實(shí)際應(yīng)用價(jià)值。

1 材料與設(shè)備

九三豆油、金龍魚(yú)豆油、福臨門豆油、龍江福豆油（一、二、三、四級(jí)）購(gòu)自超市；垃圾精煉油來(lái)自工商現(xiàn)場(chǎng)執(zhí)法；樣品包括2個(gè)品種，每種樣品收集80個(gè)，共160個(gè)樣品。

采用WQF-400N付里葉變換近紅外光譜分析儀，光源電壓：5 V，在10 000 cm-1～3 500 cm-1光譜范圍內(nèi)以8 cm-1分辨率掃描32次，本底掃描64次，液體池采用2 mm的石英比色皿。

2 結(jié)果與分析

2.1 光譜數(shù)據(jù)采集

冬季室溫20℃～22℃，相對(duì)濕度30%，付里葉變換近紅外光譜分析儀開(kāi)機(jī)預(yù)熱20 min，油樣近紅外光譜的采集用透射方式掃描，每個(gè)樣品檢測(cè)3次后取平均值，其掃描光譜如圖1所示。

圖中橫坐標(biāo)是波長(zhǎng)，范圍是4000cm-1～10000cm-1，縱坐標(biāo)為光譜透射率。為了便于觀察，上圖中截取了了每種油脂的10條典型譜圖，其界定了該類油脂的上界和下界。圖1中上面10條為地溝油光譜，下面為合格食用油光譜。

圖1 4種油脂近紅外透射光譜圖Fig.1 Near-infrared transmission spectra of four kinds oil

2.2 光譜數(shù)據(jù)預(yù)處理

WQF-400N付里葉變換近紅外光譜分析儀自帶分析軟件，應(yīng)用該軟件對(duì)光譜數(shù)據(jù)預(yù)處理，以減弱各種非目標(biāo)因素對(duì)光譜信息的影響。采用卷積平滑去除儀器高頻隨機(jī)噪聲，平滑窗口為9；基線校正扣除儀器背景或漂移對(duì)信號(hào)的影響。

2.3 光譜數(shù)據(jù)主成分分析

利用主成分回歸方法將原始光譜數(shù)據(jù)的特征值抽取重新線性組合，以達(dá)到降維的目的。所得主成分相互垂直，這樣在不減少光譜信息的情況下消除共線性，以減少神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元。利用SPSS11.0提取主成分，默認(rèn)特征根數(shù)量值，提取的主成分?jǐn)?shù)量是5個(gè)，累積貢獻(xiàn)率達(dá)到82.33%。累積貢獻(xiàn)率反映了主成分對(duì)原始數(shù)據(jù)信息的表達(dá)能力，考慮到用這5個(gè)主成分代替原始光譜數(shù)據(jù)會(huì)損失較多信息量，為了提高系統(tǒng)辨識(shí)精度，修改特征根數(shù)量值，以及迭代次數(shù)100，再次計(jì)算得到8個(gè)主成分，其累積貢獻(xiàn)率已經(jīng)達(dá)到99.62%（如表1所示），說(shuō)明這8個(gè)變量很好的表征了原數(shù)據(jù)的信息。這樣紅外透射光譜數(shù)據(jù)得到了最大程度不失真簡(jiǎn)化。

表1 主成分及其累積貢獻(xiàn)率Table 1 Principal component and its reliabilities

2.4 豆油BP模式識(shí)別

人工神經(jīng)網(wǎng)絡(luò)是由人工建立的以有向圖為拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)系統(tǒng)，通過(guò)對(duì)連續(xù)或斷續(xù)的輸入作狀態(tài)響應(yīng)而進(jìn)行信息處理。目前，利用人工神經(jīng)網(wǎng)絡(luò)建立光譜數(shù)據(jù)模型在醫(yī)藥、化工、農(nóng)產(chǎn)品等方面都得到了廣泛應(yīng)用，并且取得了良好效果。神經(jīng)網(wǎng)絡(luò)對(duì)于對(duì)因果關(guān)系不明確、知識(shí)背景不清楚、推量規(guī)則不確定的問(wèn)題求解具獨(dú)到之處。

BP神經(jīng)網(wǎng)絡(luò)是由大量的具有非線性映射能力的神經(jīng)元組成的前饋分層網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)信息分布存儲(chǔ)于神經(jīng)元的權(quán)重中，使網(wǎng)絡(luò)具有很高的容錯(cuò)性和魯棒性。本研究中神經(jīng)網(wǎng)絡(luò)模型采用BP算法。

設(shè)計(jì)三層結(jié)構(gòu)BP網(wǎng)絡(luò)。輸入向量X=（x1，x2，…，xn）；隱含層輸出向量 Y=（y1，y2，…，ym）；輸出層輸出向量O=（o1，o2，…，ol）；期望輸出向量d=（d1，d2，…，dl）；輸入層到隱含層之間的權(quán)值矩陣用V表示，V=（V1，V2，…，Vm）；隱含層到輸出層之間的權(quán)值矩陣用W表示，W=（W1，W2，…，Wl），則網(wǎng)絡(luò)輸出誤差E、權(quán)值變化率如下公式（1）（2）定義，其中η為學(xué)習(xí)速率。

所有160組主成分?jǐn)?shù)據(jù)中隨機(jī)抽取130組數(shù)據(jù)作為訓(xùn)練集，剩下30組作為校驗(yàn)集合。設(shè)計(jì)三層BP網(wǎng)絡(luò)模型，輸入層、隱含層和輸出層。在主成分分析基礎(chǔ)上，把前8個(gè)主成分作為BP網(wǎng)絡(luò)輸入節(jié)點(diǎn)。輸出層節(jié)點(diǎn)1個(gè)（輸出數(shù)值0、1分別表示合格油、垃圾精煉油）。BP神經(jīng)網(wǎng)絡(luò)中，隱含層節(jié)點(diǎn)數(shù)的選擇對(duì)網(wǎng)絡(luò)的性能影響很大。若隱含層節(jié)點(diǎn)數(shù)過(guò)少，則局部極小值多，不能達(dá)到網(wǎng)絡(luò)訓(xùn)練的效果；若隱含節(jié)點(diǎn)數(shù)過(guò)多，網(wǎng)絡(luò)擬合函數(shù)復(fù)雜，容易過(guò)擬合，使得網(wǎng)絡(luò)泛化能力變差。根據(jù)公式：

式中：m為輸入節(jié)點(diǎn)數(shù)，n為輸出節(jié)點(diǎn)數(shù)，為隱含層節(jié)點(diǎn)數(shù)，a為1～10之間的常數(shù)。

計(jì)算出4≤n1≤13，另外理論上隱含層節(jié)點(diǎn)數(shù)不大于輸入層節(jié)點(diǎn)數(shù)，確定隱含層節(jié)點(diǎn)數(shù)范圍4≤n1≤8，分別采用4、5、6、7、8作為隱含層節(jié)點(diǎn)個(gè)數(shù)，多次訓(xùn)練結(jié)果表明隱含層節(jié)點(diǎn)數(shù)為8的時(shí)候，模型預(yù)測(cè)效果最好。各層的激活函數(shù)均采用S型函數(shù)，目標(biāo)誤差為0.01，最大迭代次數(shù)為1 000次。訓(xùn)練結(jié)果見(jiàn)文章[9]，合格油、精煉垃圾油和變質(zhì)合格油相對(duì)偏差均控制在4%以內(nèi)，煎炸油相對(duì)偏差較大15.74%以內(nèi)，可以有效識(shí)別未知油脂種類。為了進(jìn)一步提高辨識(shí)精度，設(shè)定目標(biāo)誤差為0.000 1，多次出現(xiàn)達(dá)到最大迭代次數(shù)訓(xùn)練停滯，而網(wǎng)絡(luò)未收斂。加大了訓(xùn)練次數(shù)，仍然不能有效收斂網(wǎng)絡(luò)，而且增加了訓(xùn)練時(shí)間到1分多鐘。這是因?yàn)锽P學(xué)習(xí)過(guò)程是基于梯度下降法來(lái)實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)連接權(quán)的修正，使得網(wǎng)絡(luò)誤差最小。誤差減小是按照負(fù)梯度方向進(jìn)行的，屬于線性搜索方法，而傳統(tǒng)誤差函數(shù)是二次函數(shù)，通常有很多個(gè)極小點(diǎn)，導(dǎo)致網(wǎng)絡(luò)或收斂遲緩、停滯，或過(guò)早收斂。顯然采用傳統(tǒng)BP網(wǎng)絡(luò)不能滿足系統(tǒng)辨識(shí)精度要求。

文中構(gòu)造新的誤差函數(shù)：

式中：α =exp（-|ΔE|/E）為誤差相對(duì)變化率，β 為隱含層飽和程度系數(shù)。EO是經(jīng)典誤差函數(shù)；EA是誤差加速函數(shù)；ES是隱層飽和加速函數(shù)。

在網(wǎng)絡(luò)訓(xùn)練初期ΔE=0，α=1，對(duì)于S型激勵(lì)函數(shù)，其平均值為0.5，Enew=EO+ES。當(dāng)隱層輸出接近0.5時(shí)，ES達(dá)到極小。當(dāng)隱含層輸出偏離0.5，接近1或0時(shí)，隱層輸出將進(jìn)入兩個(gè)飽和區(qū)域，ES作用增強(qiáng)，意味著從輸入信號(hào)到誤差信號(hào)傳遞的有效性都會(huì)受到影響，即隱含層由于神經(jīng)元飽和而失去作用。而β的引入，當(dāng)EO較大時(shí)，使ES達(dá)到極小，從而降低隱含層飽和度避免進(jìn)入局部極小誤區(qū)；當(dāng)網(wǎng)絡(luò)訓(xùn)練次數(shù)增多，α→0，EO較小時(shí)，EA部分作用凸顯，自適應(yīng)的增大β達(dá)到增強(qiáng)ES效果，從而達(dá)到避免震蕩，加快網(wǎng)絡(luò)收斂速度效果。

采用新的誤差函數(shù)訓(xùn)練BP網(wǎng)絡(luò)，對(duì)輸出值歸一化處理，130個(gè)訓(xùn)練集樣本的擬合殘差為2.249×10-6，對(duì)30組校驗(yàn)集合預(yù)測(cè)，結(jié)果如下表2。

表2 BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Table 2 Prediction results by BP net

可以看到，未知樣本種類識(shí)別正確率為100%有效識(shí)別，其中合格油相對(duì)偏差控制在0.4%以內(nèi)，地溝油相對(duì)偏差1.0%以內(nèi)，辨識(shí)精度稍差。地溝油辨識(shí)相對(duì)偏差較大，主要原因是地溝油成分復(fù)雜，組成成分相對(duì)不固定，將迭代次數(shù)增至5 000次，對(duì)地溝油辨識(shí)精度沒(méi)有太大貢獻(xiàn)。

3 結(jié)論

本研究利用新的誤差函數(shù)基于近紅外透射光譜實(shí)現(xiàn)了豆油脂和地溝油的高精度模式識(shí)別。文中采集了合格油、精煉垃圾油2類油脂的透射光譜，對(duì)光譜數(shù)據(jù)依次作出卷積平滑、基線校正預(yù)處理，抽取出8個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元，建立三層BP神經(jīng)網(wǎng)絡(luò)模型，識(shí)別效果與沒(méi)有使用新誤差函數(shù)對(duì)比，提高到合格油相對(duì)偏差控制在0.4%以內(nèi)，地溝油相對(duì)偏差1.0%以內(nèi)，模型對(duì)未知豆油脂類別預(yù)測(cè)正確率為100%。說(shuō)明近紅外光譜結(jié)合BP神經(jīng)網(wǎng)絡(luò)辨別分析方法能夠有效地檢測(cè)和辨別未知豆油脂。本研究的重要意義在于為豆油脂食品安全檢測(cè)提供簡(jiǎn)單、高效、準(zhǔn)確方法。

[1]劉荔荔,李力,邢旺興,等.不同種丹參藥材的近紅外漫反射光譜模式識(shí)別法鑒別[J].藥學(xué)服務(wù)與研究,2002,2(1):23-26

[2]李慶波,楊麗敏,凌曉鋒,等.SIMCA法在中紅外癌癥檢測(cè)技術(shù)中的應(yīng)用[J].光譜學(xué)與光譜分析,2004,24(4):414-418

[3]申金媛,韓應(yīng)哲,常勝江,等.非線性熒光光譜的神經(jīng)網(wǎng)絡(luò)分析及其應(yīng)[J].用光學(xué)學(xué)報(bào),2004,24(7):1000-1003

[4]劉沭華,張學(xué)工,周群,等.近紅外漫反射光譜法和模式識(shí)別技術(shù)鑒別中藥材產(chǎn)地[J].光譜學(xué)與光譜分析,2005,25(6):878-881

[5]瞿海斌,楊海雷,程翼宇.近紅外漫反射光譜法快速無(wú)損鑒別阿膠真?zhèn)蝃J].光譜學(xué)與光譜分析,2006,26(1):60-62

[6]占茉莉,李勇,魏益民,等.應(yīng)用FT-IR光譜指紋分析和模式識(shí)別技術(shù)溯源茶葉產(chǎn)地的研究[J].核農(nóng)學(xué)報(bào),2008,22(6):829-833,829-833,850

[7]蘇謙,鄔文錦,王紅武,等.基于近紅外光譜和仿生模式識(shí)別玉米品種快速鑒別方法[J].光譜學(xué)與光譜分析,2009,29(9):2413-2416

[8]陳燕清,顏流水,倪永年.基于料酒的三維同步熒光光譜模式識(shí)別研究[J].分析實(shí)驗(yàn)室,2011,30(4):10-15

[9]趙肖宇,關(guān)勇,尚廷義,等.應(yīng)用近紅外透射光譜和人工神經(jīng)網(wǎng)絡(luò)的豆油脂良莠鑒別[J].浙江農(nóng)業(yè)學(xué)報(bào),2011,23(4):825-828