基于介電頻譜的棗果品種鑒別模型的建立

沈靜波，李冬冬，張海紅*，李子文，賈柳君

（寧夏大學農學院，寧夏 銀川 750021）

基于介電頻譜的棗果品種鑒別模型的建立

沈靜波，李冬冬，張海紅*，李子文，賈柳君

（寧夏大學農學院，寧夏 銀川 750021）

利用LCR測試儀在1～1 000 kHz的頻率范圍內，選取55 個頻率點，測定靈武長棗、冬棗和團棗的介電損耗因子?”頻譜和相對介電常數?’頻譜，通過主成分分析（principal component analysis，PCA）法和遺傳算（genetic algorithm，GA）法提取介電頻譜的有效信息，并選取偏最小二乘判別分析（partial least squares discriminant analysis，PLS-DA）、線性判別分析（linear discriminant analysis，LDA）和支持向量機（support vector machine，SVM）3 種方法進行棗果品種的鑒別模型研究。結果表明，頻率和品種對棗果的介電參數均有顯著性影響；用PCA與GA方法提取頻譜有效信息的建模效果要優于原始頻譜的建模效果；SVM法的建模效果要優于PLS-DA與LDA法的建模效果；以介電損耗因子?”建立的PCA-SVM模型優于介電常數?’的GA-SVM模型，其預測集的鑒別準確率為100%。因此，基于介電損耗因子?”頻譜的PCA-SVM模型為棗果品種鑒別的最優模型。

棗果；介電頻譜；品種；鑒別模型

紅棗，又名大棗，富含豐富的維生素、蛋白質、糖、酸、脂肪和礦物元素等對人體有益的營養成分，因此有“果中之王”的美譽[1]。我國目前種植的棗樹品種繁多，同一種植園區的棗樹由于存在品種差異，而棗果在采收時極易出現品種混雜現象。因此，對棗果進行分級分選就顯得十分關鍵，同時將不同品種的棗果進行分級分選也可為棗果的貯藏、運輸和銷售帶來方便，提高企業的經濟效益和棗果產業的經濟價值[2]。然而我國目前在果品分選方面主要仍是以人工檢測和機器分選為主，人工檢測存在效率低、勞動強度大、準確性差等弊端，選棗機雖然可以提高效率、節約勞動力，但其主要是根據棗果的形狀大小、顏色等外觀特性來進行分級分選的，而大多數成熟的棗果都呈深紅色，橢圓狀或長橢圓狀，單純地從外觀形態上來鑒別不同品種的棗果扔存在一定困難[3]，所以現有的分選技術無法滿足棗果產業的市場發展需求。因此建立一種有效的無損檢測方法，快速鑒別棗果品種，解決制約棗果產業發展中的分選問題已成為當務之急。

果品的介電譜（dielectric spectroscopy，DS）檢測技術是一種通過測量和解析果品在不同頻率電磁波刺激下的電信號響應，來獲得果品內部結構信息的物性研究方法[4]。該技術具有檢測速度快、適用范圍廣、設備簡單、電信號較易獲取和非破壞等優點[5-6]，因此引起了國內外研究者的廣泛關注[7-14]。唐燕等[15]基于介電特性進行了獼猴桃和桃果實品種識別的研究，結果顯示，在100 Hz～1.58 kHz的電激勵頻率范圍內，可用D值來區分獼猴桃和桃果實。在100 Hz～6.31 kHz的頻率范圍內，可用θ值和Rs值區分獼猴桃和桃果實。王慧倩等[16]利用介電特性進行了棗果品種的識別研究，結果表明，在224 kHz～4.467 MHz內可用Z值區分靈武長棗、冬棗和皇棗，10 kHz～1.58 MHz內可用Cp值區分靈武長棗、冬棗和梨棗。郭文川等[17]比較研究了不同種類果品的介電特性，結果顯示，損耗角正切可作為果品種類判別指標，對蘋果、梨和稱猴桃的識別率分別為100%、90%和93%，盡管基于介電特性的果品識別研究已獲得一定的成果，但是基于介電頻譜的鑒別模型研究還鮮有報道。

靈武長棗、冬棗和團棗均是寧夏地區的常見鮮食棗果，本實驗擬分析這3 種最常見的棗果的介電頻譜（相對介電常數?’、介電損耗因子?”），研究介電參數隨頻率和品種的變化規律，分析頻率和品種對紅棗介電參數的影響；篩選介電頻譜的有效建模信息，并基于介電頻譜建立棗果品種的鑒別模型，從而為果品品種的快速鑒別提供新方法，為棗果產業的發展提供技術支持。

1 材料與方法

1.1 材料

實驗樣本手摘于寧夏回族自治區靈武市大泉林場紅棗生產基地。篩選外形完好、顏色均一、長短徑一致、八成熟、無病害、無損傷的靈武長棗、冬棗和團棗進行實驗。

1.2 儀器與設備

HIOKI-3532-50型LCR測試儀 日本日置電機株式會社；FYL-YS-280L恒溫冰箱 北京福意電器有限公司。1.3 方法

1.3.1 果實預處理

靈武長棗、冬棗和團棗不同品種的棗果樣本各70 個，裝袋并保存于4 ℃的恒溫冰箱中貯藏備用。每次從冰箱中隨機選取不同品種的棗果各10 個，用紙巾擦拭干凈表面，在室溫（20±1） ℃、相對濕度（70±2）%的條件下放置1 h后測試其介電參數。

1.3.2 LCR測試儀測定介電參數

采用HIOKI-3532-50型LCR（L：電感，C：電容，R：電阻）測試儀，夾持系統及計算機對棗果的介電參數進行測定[18-19]。將棗果放置于平行板電極之間，用1.00 V的正弦波電壓和3.5 N的夾持力對其進行測試。在1～1 000 kHz頻率范圍內測定棗果的并聯等效電容Cp、損耗系數D，參照Soltani[20]、周世平[21]等的研究方法，以等效電容法推算棗果的相對介電常數?’和介電損耗因子?”。每次測定設3 個重復，結果取平均值為該棗果的最終介電參數值。

1.3.3 數據處理及建模

1.3.3.1 樣品集的劃分

選取靈武長棗、冬棗和團棗各70 個，總共210 個樣本，采用Kennard-Stone（K-S）法[22]以大約3∶1的比例將樣本劃分為校正集和預測集，其中校正集樣本150 個（不同品種的棗各50 個），預測集樣本60 個（不同品種的棗各20 個）。

1.3.3.2 有效信息提取

主成分分析（principal component analysis，PCA）法[23]是將原來具有一定關聯的變量重新組合成新的相互無關的變量，并在前幾個主成分中將提取出的特征信息體現出來。因此，該方法可以有效地降低數據維數，消除數據中的重疊無用信息，提高模型的精確度。

遺傳算（genetic algorithm，GA）法是一種以自然選擇和基因進化為原理的搜索算法[24]，在不斷的選擇、交叉、變異過程中，適應度低的個體會被淘汰，而適應度高的則會被保留下來。因此可有效地減少建模的數據量，提高模型的穩定性。

1.3.3.3 模型的建立

偏最小二乘判別分析（partial least squares discriminant analysis，PLS-DA）[25]是先建立樣本集的分類變量，并在分類變量與原始數據間進行PLS分析，建立兩者間的PLS模型，以校正集樣本的PLS模型為標準對預測集樣本進行驗證。

線性判別分析（linear discriminant analysis，LDA）[26]也叫作Fisher線性判別，該方法的原理是將不同類別間的差異最大化，而將同種類間的差異最小化。因此，不同種類的樣品會最大限度地區分開來，從而有效地提高了鑒別模型的準確性和穩定性。

支持向量機（support vector machine，SVM）[27]是近年來應用較廣泛的一種機器學習方法，該方法不僅可以解決線性問題，還可以有效地克服非線性的多元校正問題。因此，在解決樣本量大、維數高、非線性等難題上有較大的優勢。

1.3.3.4 模型的評價

定性分析通常采用正確率來評價模型的鑒別效果，其中正確率越接近100%，則模型的鑒別效果越好[28]。1.4 數據處理

采用軟件SPSS 17.0對頻率、品種與棗果介電參數進行了方差分析處理，用Matlab R2008a軟件和UnscramblerX10.3光譜分析軟件（挪威CAMO公司）對介電損耗因子?”和相對介電常數?’頻譜分別進行了GA和PCA有效信息的篩選，同時用UnscramblerX10.3軟件建立了PLS-DA、LDA和SVM 3 種鑒別模型。

2 結果與分析

2.1 頻率對介電參數影響的方差分析

圖1 頻率對棗果介電損耗因子?’’的影響Fig.1 Effect of frequency on dielectric loss factor ?’’ of jujube fruits

由圖1可以看出，在1～1 000 kHz的頻率范圍內，不同品種棗的介電損耗因子?”都呈先下降后上升再下降最后至平穩的波動趨勢，其中冬棗的介電損耗因子?”最大，與長棗和團棗可以明顯區分開，長棗和團棗在低頻段有部分交叉，但是在第2次下降以后也可以較好地區分開。

由圖2可以看出，不同品種棗的相對介電常數?’總體呈下降趨勢，且冬棗的?’最大，與長棗和團棗可以明顯區分開，長棗和團棗在低頻段出現部分重疊現象，但是大部分頻率均可以較好地將其區分開。果品的介電特性，除了受頻率、損傷、成熟度等影響之外，其形狀、大小、組織成分等因素也可影響果品的介電特性[29]，雖然長棗、冬棗和團棗均屬于棗果，但因其質地、外形、組織成分等的不同，因此其介電特性參數也會隨之產生差異。

圖2 頻率對棗果相對介電常數?’的影響Fig.2 Effect of frequency on relative dielectric constant ?’ of jujube fruits

表1 頻率和品種對棗果介電參數的方差分析Table1 Analysis of variance ofdielectric parameters of jujube fruit as a function of frequency and varieties

為了明確頻率和品種對棗果的介電參數的影響，本實驗利用方差分析法對其進行了研究，結果如表1可知，頻率和品種均對棗果的介電參數有顯著性影響。因此，在不同頻率下利用介電參數建立模型來鑒別棗果品種是可能的。

2.2 有效信息提取

在測定介電頻譜時，由于樣品的長短、厚度等外觀形狀不可能達到完全一致，使得測量過程會受到一定的影響，因此結果中不僅包含有效的頻譜信息，還會摻雜一些重疊的無用信息，為了降低這些無用信息的影響，提高鑒別模型的穩定性和準確度，本實驗利用PCA和GA法提取了不同品種棗果的介電頻譜。

2.2.1 PCA選取有效信息

PCA法是常用的降維和選取有效數據的方法之一，可以在不具備任何相關知識背景的前提下判別未知樣品的歸屬[30]。圖3為基于介電參數不同品種棗果的PCA圖，由圖3可知，冬棗可以明顯地區分開，長棗和團棗的聚合度一般，有一少部分團棗和長棗無法分開，但是所有的長棗均聚合在第3象限，大部分團棗聚合在第2象限，較少的一部分散落在第1、3象限。從?”圖中可以看出，冬棗的聚合度較好，完全聚合在Y軸的右側，長棗和團棗出現少部分混合現象，聚合效果不如冬棗。

對于介電損耗因子?”和相對介電常數?’頻譜，前2 個主成分均可將大部分的棗區分開，但是為了在建模中不丟失有效信息，不影響建模的準確性。本實驗選取累積貢獻率達到99%以上的主成分進行建模，結果見表2。由表2可知，介電損耗因子?”和相對介電常數?’頻譜選擇建模分析的主成分數分別是7和8。

圖3 不同品種棗果介電損耗因子?”（a）和相對介電常數?’（bb）頻譜的PPCCAA圖Fig.3 PC plots for different jujube varieties

表2 前6 個主成分累積貢獻率Table2 Cumulative contribution rates of the fi rst six principal components %

2.2.2 GA選取有效信息

圖4 介電損耗因子?”（a）和相對介電常數?’（b）頻譜篩選次數圖Fig.4 Frequency screening number of dielectric spectra

介電損耗因子?”和相對介電常數?’頻譜通過GA法篩選的有效信息如圖4所示，圖中橫坐標為介電頻譜的各個頻率點，縱坐標為不同頻率點被篩選的次數，其中次數越高表示該頻率點的適應性越強，與品種的關系越緊密。介電損耗因子?”和相對介電常數?’頻譜分別篩選出的有效頻率數分別為14個和18個，見表3。

表3 GA法篩選出的有效頻率數Table3 The number of selected effective frequency by GA

2.3 鑒別模型的建立

2.3.1 基于介電損耗因子?”頻譜3 種棗果的鑒別模型

為了比較研究原始頻譜和提取有效信息后頻譜的建模效果，分別采用PLS-DA、LDA和SVM 3種方法以介電損耗因子?”頻譜建立長棗、冬棗和團棗的鑒別模型，其預測集的判別結果如表4所示。

表4 以介電損耗因子ε’’頻譜建立的鑒別模型Table4 Evaluation of models established based on dielectric loss factor ?’’ spectrum

由表4可知，對比分析原始、GA和PCA 3 種有效信息提取方法，通過GA和PCA法選取的有效頻譜信息的建模效果要優于原始頻譜，并且通過PCA法提取后的頻譜的建模準確率更高，GA法提取的頻率數較少僅為14 個，可能是在提取時遺漏了建模有效信息，所以鑒別模型效果比PCA差。對比分析PLS-DA、LDA和SVM 3 種建模方法可以看出，基于PCA法的PLS-DA和SVM法鑒別模型的正確率均為100%，但是從原始頻譜的建模效果可以看出，SVM法的綜合建模能力更強。因此，基于介電損耗因子?”頻譜建立的長棗、冬棗和團棗的最優鑒別模型為PCA-SVM。

圖5為長棗、冬棗和團棗的校正集和預測集的PCA-SVM模型的判別分析結果，其中將冬棗賦予1，團棗賦予2，長棗賦予3。由圖5可知，無論是校正集還是預測集，基于介電損耗因子?”頻譜的PCA-SVM模型均可將不同品種棗完全區分開，鑒別效果較好，模型可靠性較高，可用來判別棗果的品種。

圖5 基于介電損耗因子?”頻譜的校正集（a）和預測集（bb）的PCA-SVM模型回歸圖Fig.5 Classi fi cation of calibration (a) and prediction (b) sets using PCA-SVM model

2.3.2 基于相對介電常數?’頻譜3 種棗果的鑒別模型

同理，為了比較研究原始頻譜和提取有效信息后頻譜的建模效果，分別采用PLS-DA、LDA和SVM 3 種方法以相對介電常數?’頻譜建立長棗、冬棗和團棗的鑒別模型，其預測集的判別結果如表5所示。

表5 以相對介電常數ε’頻譜建立的鑒別模型Table5 Evaluation of models established based on relative dielectric consttaanntt ε’ spectrum

由表5可知，對比分析原始、GA和PCA 3 種有效信息提取方法，通過GA和PCA法選取的有效頻譜信息的建模效果要優于原始法，并且以GA法提取后的頻譜的建模準確率更高，GA法通過不斷地選擇可以將適應性強的頻率點保留下來，因此有效地降低了數據維數，提高了建模效果。對比分析PLS-DA、LDA和SVM 3 種建模方法可以看出，SVM鑒別模型的正確率最高，其建模效果優于PLS-DA和LDA。因此，基于相對介電常數?’頻譜建立的長棗、冬棗和團棗的最優鑒別模型為GA-SVM。

圖6 基于相對介電常數?’頻譜校正集（a）和預測集（bb）的GA-SVM模型回歸圖Fig.6 Classi fi cation of calibration (a) and prediction (b) sets using GA-SVM model

圖6 為長棗、冬棗和團棗的校正集和預測集的GASVM模型的判別分析結果，其中將冬棗賦予1，團棗賦予2，長棗賦予3。由圖6可知，基于相對介電常數?’頻譜的GA-SVM校正集模型可將不同品種棗完全區分開，鑒別效果較好，但是預測集的長棗和團棗有一小部分出現了混合現象，判別效果不及介電損耗因子?”頻譜的PCA-SVM模型好。因此，棗果品種鑒別的最優模型為基于介電損耗因子?”頻譜的PCA-SVM模型。

3 結 論

本實驗利用靈武長棗、冬棗和團棗的介電損耗因子?”頻譜和相對介電常數?’頻譜，建立了棗果品種的鑒別模型。對比分析了PCA法和GA法有效信息提取的方法，以PCA法選取的介電損耗因子?”和相對介電常數?’的主成分數分別是7和8，以GA優選出有效頻率數分別為14個和18個。

對比分析了介電損耗因子?”和相對介電常數?’的原始頻譜與PCA、GA有效信息提取法的建模效果，表明以PCA和GA法提取有效頻譜信息的建模效果要優于原始法，因此基于介電損耗因子?”和相對介電常數?’頻譜分別優選出了PCA和GA法提取有效信息；對比分析了PLS-DA、LDA和SVM 3 種建模方法，表明SVM的建模效果要優于PLS-DA和LDA法，以介電損耗因子?”和相對介電常數?’頻譜建立的棗果品種的最優鑒別模型分別為PCA-SVM和GA-SVM。

對比分析了介電損耗因子?”的PCA-SVM模型和相對介電常數?’的GA-SVM模型，表明介電損耗因子?”的PCA-SVM模型鑒別效果更優，其預測集的鑒別正確率為100%。因此，以介電損耗因子?”頻譜建立的PCA-SVM模型為棗果品種鑒別的最優模型，基于介電頻譜進行果品品種的鑒別是可行的。

[1] 劉小丹, 徐懷德, 孫田奎, 等. 紅棗微波-熱風聯合干燥工藝優化[J].食品科學, 2013, 34(10)： 98-102. DOI：10.7506/spkx1002-6630-201310021.

[2] 李江波, 趙春江, 陳立平, 等. 基于可見/近紅外光譜譜區有效波長的梨品種鑒別[J]. 農業機械學報, 2013, 44(3)： 153-157. DOI：10.6041/ j.issn.1000-1298.2013.03.028.

[3] 郝勇, 孫旭東, 高榮杰, 等. 基于可見/近紅外光譜與SIMCA和PLSDA的臍橙品種識別[J]. 農業工程學報, 2010, 26(12)： 373-377. DOI：10.3969/j.issn.1002-6819.2010.12.063.

[4] 趙孔雙. 介電譜方法及其應用[M]. 北京： 化學工業出版社, 2008： 83. [5] 王瑞慶, 馮建華, 徐新明, 等. 果蔬電學特性在果蔬處理及品質檢測中的應用[J]. 食品科學, 2012, 33(21)： 340-344.

[6] 范大明, 陳衛, 李春香, 等.食品介電性質的研究進展[J].食品工業科技, 2012, 33(11)： 407-409. DOI：10.13386/ j.issn1002-0306.2012.11.102.

[7] 郭文川, 商亮, 王銘海, 等. 基于介電頻譜的采后蘋果可溶性固形物含量無損檢測[J]. 農業機械學報, 2013, 44(9)： 132-137. DOI：10.6041/j.issn.1000-1298.2013.09.024.

[8] 沈靜波, 張海紅, 馬雪蓮, 等. 基于介電特性的靈武長棗新鮮度預測[J].食品與機械, 2016, 32(1)： 117-120. DOI：10.13652/ j.issn.1003-5788.2016.01.029.

[9] NIGMATULLIN R R, NELSON S O. Recognition of the fractionalkinetics in complex systems： dielectric properties of fresh fruits and vegetables from 0.01 to 1.8 GHz[J]. Signal Processing, 2006, 86(10)： 2744-2759. DOI：10.1016/j.sigpro.2006.02.018.

[10] GIRáLDEZ C M, FITO P J, CHENOLL C, et al. Development of a dielectric spectroscopy technique for the determination of apple (Granny Smith) maturity[J]. Innovative Food Science and Emerging Technologies, 2010, 11(5)： 749-754. DOI：10.1016/j.ifset.2010.08.002.

[11] 馬濤, 李海峰, 張海紅, 等. 櫻桃番茄采后品質變化的介電特性研究[J]. 食品研究與開發, 2013, 34(21)： 107-111. DOI：10.3969/ j.issn.1005-6521.2013.21.031.

[12] 蔡騁, 李永超, 馬惠玲, 等. 基于介電特征選擇的蘋果內部品質無損分級[J]. 農業工程學報, 2013, 29(21)： 279-287. DOI：10.3969/ j.issn.1002-6819.2013.21.035.

[13] 房麗潔, 郭文川. 基于介電譜無損檢測庫爾勒香梨的糖度和硬度[J]. 現代食品科技, 2016, 32(5)： 295-301. DOI：10.13982/ j.mfst.1673-9078.2016.5.044.

[14] WANG H Q, ZHANG H H, ZHANG Z, et al. Non-destructive detection of lingwu long jujube quality by dielectric spectroscopy[J]. Advanced Materials Research, 2015, 1090： 130-135. DOI：10.4028/ www.scientif i c.net/AMR.1090.130.

[15] 唐燕, 張繼澍. 基于介電特性的獼猴桃和桃果實品種識別研究[J].食品科學, 2012, 33(3)： 1-4.

[16] 王慧倩, 張海紅, 周世平, 等. 基于介電特性的棗果品種識別研究[J]. 食品科技, 2014, 39(7)： 304-308. DOI：10.13684/j.cnki. spkj.2014.07.061.

[17] 郭文川, 朱新華, 王轉衛, 等. 基于介電特性的果品種類識別試驗[J].農業機械學報, 2005, 36(7)： 158-160.

[18] 李子文, 張海紅, 馬雪蓮, 等. 靈武長棗的成熟度與其電學特性關系研究[J]. 食品科技, 2015, 40(10)： 286-290. DOI：10.13684/j.cnki. spkj.2015.10.060.

[19] MA X L, ZHANG H H, ZHANG Z, et al. Research on the relationship between freshness and dielectric spectrum of postharvest Ling-Wu Long jujubes[J]. Advanced Materials Research, 2015, 1090： 136-141. DOI：10.4028/www.scientif i c. net/AMR.1090.136.

[20] SOLTANI M, ALIMARDANI R, OMID M. Evaluating banana ripening status from measuring dielectric properties[J]. Journal of Food Engineering, 2011, 105(4)： 625-631. DOI：10.1016/ j.jfoodeng.2011.03.032.

[21] 周世平. 靈武長棗貯藏過程中介電特性與品質變化的相關性研究[D].銀川： 寧夏大學, 2014： 9-14.

[22] 吳靜珠, 王一鳴, 張小超, 等. 近紅外光譜分析中定標集樣品挑選方法研究[J]. 農業機械學報, 2006, 37(4)： 80-101. DOI：10.3969/ j.issn.1000-1298.2006.04.021.

[23] 許育鵬, 褚小立. 近紅外光譜分析中常用的化學計量學方法[M]. 北京： 中國石化出版社, 2007： 128-146.

[24] 陸婉珍. 現代近紅外光譜分析技術[M]. 2版. 北京： 中國石化出版社, 2007： 1.

[25] 程平言. 不同香型、產地、等級白酒數字化分類方法學研究[D]. 無錫： 江南大學, 2013： 12.

[26] RODRIGUEZ R I, DELGADO M F, GARCIA J B, et al. Comparison of several chemometric techniques for the classification of orujo distillate alcoholic samples from Galicia (northwest Spain) according to their certif i ed brand of origin[J]. Analytical and Bioanalytical Chemistry, 2010, 397(6)： 2603-2614. DOI：10.1007/s00216-010-3822-5.

[27] CHANG C C, LIN C J. LIBSVM： a library for support vector machines[J]. ACM Transactions on Internet Systems and Technology, 2011, 2(3)： 1-27.

[28] ELLISON S L R, FEARN T. Characterising the performance of qualitative analytical methods： statistics and terminology[J]. TrAC Trends in Analytical Chemistry, 2005, 24(6)： 468-476. DOI：10.1016/ j.trac.2005.03.007.

[29] NUNES A C, BOHIGAS X, TEJADA J. Dielectric study of milk for frequencies between 1 and 20 GHz[J]. Journal of Food Engineering, 2006, 76(2)： 250-255. DOI：10.1016/j.jfoodeng.2005.04.049.

[30] 劉雪梅, 章海亮. 基于DPLS和LSSVM的梨品種近紅外光譜識別[J]. 農業機械學報, 2012, 43(9)： 160-164. DOI：10.6041/ j.issn.1000-298.2012.09.030.

Model Establishment for Variety Identif i cation of Jujube Fruits Based on Dielectric Spectra

SHEN Jingbo, LI Dongdong, ZHANG Haihong*, LI Ziwen, JIA Liujun
(College of Agriculture, Ningxia University, Yinchuan 750021, China)

The dielectric loss factor ?’’ spectrum and relative dielectric constant ?’ spectrum of jujube fruits from three different varieties, Lingwu Changzao, Dongzao, and Tuanzao, were measured with an LCR meter at 55 selected frequency points in the frequency range of 1-1 000 kHz. Effective information from the dielectric spectra was extracted by principal component analysis (PCA) and genetic algorithm (GA). Models for variety identif i cation of jujube fruits were established using partial least squares discriminant analysis (PLS-DA), linear discriminant analysis (LDA) and support vector machine (SVM), respectively. The results indicated that both the frequency and varieties had a signif i cant inf l uence on the dielectric parameters of jujube fruits. The model built using the effective information extracted by PCA and GA was better than that established the original spectra, and the SVM model was better than the PLS-DA and LDA models. The PCA-SVM model based on dielectric loss factor ?’’ was better than the GA-SVM model based on relative dielectric constant ?’, with the former model giving 100% correct discrimination for prediction set. Therefore, the PCA-SVM model based on dielectric loss factor ?’’ spectrum was optimal for variety identif i cation of jujube fruits.

jujube fruit; dielectric spectrum; variety; identif i cation model

10.7506/spkx1002-6630-201703012

TS255.7

A

1002-6630（2017）03-0069-06

沈靜波, 李冬冬, 張海紅, 等. 基于介電頻譜的棗果品種鑒別模型的建立[J]. 食品科學, 2017, 38(3)： 69-74. DOI：10.7506/ spkx1002-6630-201703012. http：//www.spkx.net.cn

SHEN Jingbo, LI Dongdong, ZHANG Haihong, et al. Model establishment for variety identif i cation of jujube fruits based on dielectric spectra[J]. Food Science, 2017, 38(3)： 69-74. (in Chinese with English abstract)

10.7506/spkx1002-6630-201703012. http：//www.spkx.net.cn

2016-04-04

國家自然科學基金地區科學基金項目（31160346）

沈靜波（1993—），女，碩士研究生，研究方向為農產品無損檢測。E-mail：1375139300@qq.com

*通信作者：張海紅（1967—），女，教授，碩士，研究方向為農產品無損檢測。E-mail：nxdwjyxx@126.com