近紅外光譜與自組織競爭神經(jīng)網(wǎng)絡(luò)聯(lián)用快速鑒別牛乳與復(fù)原乳

榮菡，甘露菁

（北京理工大學(xué)珠海學(xué)院材料與環(huán)境學(xué)院，珠海廣東519088）

0 引 言

鮮牛乳富含蛋白質(zhì)、脂肪、乳糖，以及各種維生素和礦物質(zhì)，營養(yǎng)價值較高，被譽為“白色理想食品”。目前在我國乳品市場中，一些奶農(nóng)或奶站為謀取利潤在牛乳中加入復(fù)原乳、乳清粉，甚至加入植物奶油、粉末油脂、糊精等非乳物質(zhì)，勾兌出與牛乳成分相似的假乳。

近紅外光譜技術(shù)是基于近紅外光譜信號量豐富、測量形式多樣化的特點，對所包含物質(zhì)信息對檢測物進行定性和定量分析的一種技術(shù)，具有操作便捷、無損檢測、綠色環(huán)保、分析準確等優(yōu)勢，目前已廣泛用于食品及農(nóng)產(chǎn)品、生物醫(yī)藥、石油化工等領(lǐng)域。

自組織競爭神經(jīng)網(wǎng)絡(luò)是一類無教師學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，其無需期望輸出，根據(jù)數(shù)據(jù)樣本進行學(xué)習(xí)并調(diào)整自身的權(quán)重以達到訓(xùn)練的目的。它在工程、船舶雷達、遙感圖像、環(huán)境氣體等領(lǐng)域有相關(guān)研究[1-4]，在食品定性模式識別研究中應(yīng)用較少。

國內(nèi)外有關(guān)近紅外光譜技術(shù)應(yīng)用于牛乳摻假的研究多采用與化學(xué)計量學(xué)方法聯(lián)用，通過不同的聚類算法建立定性判別模型[5-7]，而與自組織競爭神經(jīng)網(wǎng)絡(luò)聯(lián)用，應(yīng)用于食品摻偽研究，特別是牛乳摻偽鑒別方面并不多見。本方法能夠?qū)崿F(xiàn)相似度較高的鮮牛乳與復(fù)原乳的定性判別，為牛乳的品質(zhì)指標(biāo)的快速評價，提供一種新方法；為牛乳生產(chǎn)企業(yè)在線控制產(chǎn)品質(zhì)量提供一定的技術(shù)支持。

1 實 驗

1.1 儀器與試劑

傅里葉變換拓展近紅外光譜儀及近紅外光纖探頭（美國，Thermo Nicole公司）；OMNIC7.0、TQ7.0、Matlab2017a軟件；生鮮乳，廠家從奶源產(chǎn)地提供；奶粉，市售。

1.2 實驗方法

從不同來源的生鮮乳奶源產(chǎn)地取樣，每天下午定時采樣，采集后放入4℃便攜冰箱中冷藏運回，立即進行光譜采集。

1.2.1 配制復(fù)原乳

復(fù)原乳樣品由市場購得的四種不同品牌的奶粉兌水，按奶粉的含量配制成濃度梯度范圍在1%～100%之間的復(fù)原乳。

1.2.2 采集譜圖

采集全部樣品共540個，分為訓(xùn)練校正集500個，預(yù)測集40個。

石英杯裝約占容積1/4的樣品，置于光纖架上掃描近紅外光譜。每個樣品采集6次譜圖，取其平均光譜圖參與建模，掃描條件為：掃描范圍4 200～10 000 cm-1，掃描次數(shù)為72次，分辨率為8 cm-1。

樣品譜圖如圖1所示。從譜圖可知，鮮乳與復(fù)原乳譜圖形狀曲線及其相似，譜圖無明顯差異，因此難以用常規(guī)理化檢驗的方法對其加以區(qū)分。

圖1 鮮乳和復(fù)原乳的近紅外譜圖

1.3 構(gòu)建自組織競爭神經(jīng)網(wǎng)絡(luò)的模式識別模型

采用光譜分析軟件OMNIC7.0將訓(xùn)練集光譜轉(zhuǎn)換成數(shù)據(jù)，用偏最小二乘法（PLS）對原始數(shù)據(jù)壓縮，提取主成分。取前4個主成分的96個吸收峰值作為網(wǎng)絡(luò)的輸入向量。并采用預(yù)測集樣品對模型進行驗證。

2 結(jié)果與討論

2.1 偏最小二乘法（PLS）提取主成分

樣品全波長段的光譜量巨大，信息繁雜冗余，因此需使用光譜分析軟件OMNIC7.0和TQ 7.0軟件對樣品數(shù)據(jù)進行壓縮，采用偏最小二乘法（PLS）確定能夠代表樣品信息的最適主成分因子數(shù)。

樣品光譜數(shù)據(jù)經(jīng)過PLS法壓縮后主成分得分如表1所示。由表可知，當(dāng)提取4個主成分時，累計貢獻率信度得分達99.562%，幾乎可涵蓋樣品所有信息。

本實驗取前4個主成分的96個吸收峰值作為網(wǎng)絡(luò)的輸入向量。

2.2 優(yōu)化學(xué)習(xí)速率

根據(jù)樣本量，基于網(wǎng)絡(luò)穩(wěn)定性考慮，按學(xué)習(xí)速率從小到大的順序分別取0.01、0.05、0.1做網(wǎng)絡(luò)穩(wěn)定性優(yōu)化實驗，實驗發(fā)現(xiàn)，當(dāng)學(xué)習(xí)速率0.01時，學(xué)習(xí)速率過小，無法包含所有的樣品信息；當(dāng)學(xué)習(xí)速率0.1時，樣本數(shù)據(jù)訓(xùn)練容易過度，無法代表有效的樣品信息。當(dāng)學(xué)習(xí)速率0.05時，此時網(wǎng)絡(luò)性能最好，預(yù)測誤差達到最小。因此本實驗在對網(wǎng)絡(luò)進行訓(xùn)練時，學(xué)習(xí)速率取0.05。

表1 經(jīng)偏最小二乘法處理后主成分貢獻率信度得分情況

2.3 訓(xùn)練步數(shù)

訓(xùn)練步數(shù)是神經(jīng)網(wǎng)絡(luò)的重要參數(shù)，訓(xùn)練次數(shù)過多會造成網(wǎng)絡(luò)的過擬合，訓(xùn)練次數(shù)過少則使網(wǎng)絡(luò)難以收斂，達不到訓(xùn)練要求。樣品數(shù)據(jù)經(jīng)PLS法壓縮主成分后，用Matlab2017a軟件對網(wǎng)絡(luò)進行訓(xùn)練，實驗表明，當(dāng)網(wǎng)絡(luò)訓(xùn)練200步左右即可完成鮮乳和復(fù)原乳的模式識別訓(xùn)練，如圖2所示。

圖2 網(wǎng)絡(luò)訓(xùn)練過程

2.4 自組織競爭神經(jīng)網(wǎng)絡(luò)模型對預(yù)測集的預(yù)測結(jié)果

表2是自組織競爭神經(jīng)網(wǎng)絡(luò)模型對40個預(yù)測集樣品的模式識別結(jié)果，以1、2分別代表復(fù)原乳樣品和鮮乳作為目標(biāo)輸出，模型預(yù)測識別率為100%。

3 結(jié) 論

3.1 自組織競爭神經(jīng)網(wǎng)絡(luò)模型適用性總結(jié)

本實驗以不同奶源基地的鮮牛乳為基礎(chǔ)構(gòu)建牛乳真?zhèn)文Ｐ停c單一奶源數(shù)據(jù)建模相比，模型包容性更好，且對來自不同奶源基地的鮮乳均能正確識別，預(yù)測結(jié)果準確。充分證明采用自組織競爭神經(jīng)網(wǎng)絡(luò)，即使在樣本數(shù)量不大的情況下，仍能調(diào)整自身權(quán)重以達成訓(xùn)練，在逼近能力、分類能力方面優(yōu)勢明顯。

3.2 近紅外光譜技術(shù)對牛乳真?zhèn)芜M行模式識別需考慮檢測限

在牛乳真?zhèn)蔚蔫b別中，基于近紅外光譜與自組織映射神經(jīng)網(wǎng)絡(luò)聯(lián)用，經(jīng)偏最小二乘法（PLS）處理后，提取4個主成分，使用96個吸收峰數(shù)據(jù)輸入網(wǎng)絡(luò)，網(wǎng)絡(luò)學(xué)習(xí)速率為0.05，訓(xùn)練步數(shù)200步時，所建模型性能穩(wěn)定，預(yù)測精度良好，在復(fù)原乳含量濃度的梯度范圍在1%～100%之間，對預(yù)測集樣品識別準確率達100%。

近紅外光譜技術(shù)與非線性模式識別的神經(jīng)網(wǎng)絡(luò)聯(lián)用時，預(yù)測結(jié)果良好，但仍需考慮技術(shù)檢測限的限制，當(dāng)摻假物濃度含量高于近紅外光譜檢出限時方能取得較好效果。

3.3 作為輸入向量的敏感吸收峰的選擇是建立模式識別模型的關(guān)鍵

經(jīng)PLS法提取的可代表樣品信息的前幾個主成分，網(wǎng)絡(luò)輸入向量必須選擇敏感吸收峰數(shù)據(jù)予以建模，這樣才能充分反映樣品光譜信息與樣品組成或性質(zhì)間的相關(guān)關(guān)系。筆者研究近紅外光譜技術(shù)與自組織競爭神經(jīng)網(wǎng)絡(luò)聯(lián)用，在鮮乳和摻假乳鑒別研究中發(fā)現(xiàn)[8-9]，選擇敏感吸收峰數(shù)據(jù)作為網(wǎng)絡(luò)的輸入向量是構(gòu)建模型關(guān)系到預(yù)測準確率的關(guān)鍵因素，在本研究中之所以采用96個吸收峰數(shù)據(jù)予以建模，這是因為鮮乳與復(fù)原乳組成成分已并無大異，需要足夠數(shù)量的吸收峰數(shù)據(jù)作為網(wǎng)絡(luò)的輸入向量才能較好反映兩者的差異性。

表2 模式識別模型對預(yù)測集樣品的預(yù)測結(jié)果