三维荧光光谱融合小波包分解+FDA及支持向量机识别紫苏

作者：任永杰; 殷勇^*; 于慧春; 袁云霞

来源：食品科学, 2023, 1-9.

• 紫苏
• 三维荧光
• 小波包分解
• Fisher判别分析
• BP神经网络
• 支持向量机

为实现紫苏品种的快速鉴别，避免以次充好，选取四个品种的紫苏采集三维荧光数据，提出了一种基于小波包分解融合Fisher判别分析(Fisher Discriminant Analysis，FDA)的荧光数据特征选择策略，并实施了四种紫苏的有效鉴别。首先，对三维荧光数据进行预处理，采用Delaunay三角形内插值法去除瑞利散射和拉曼散射，以消除它们的不利影响；运用Savitzky-Golar（SG）卷积平滑对数据进行平滑处理，以减少噪声的干扰。同时，对三维荧光数据进行初步筛选，去除了荧光强度小于0.01 a.u.的发射波长。然后，对各激发波长对应的发射光谱进行3层sym4小波包分解，计算得到最低频段的小波包能量值，作为各激发波长光谱数据表征量。接着，再利用FDA对小波包能量进行判别分析，将其所包含的差异性信息进行融合，得到FDA生成的新变量，并选取累计判别能力达到99%的前3个FD变量作为不同品种差异性信息的表征变量，提出三维荧光数据的表征策略。最后，利用BP神经网络(Back Propagation Neural Network，BPNN)和支持向量机(Support Vector Machine，SVM)两种模式识别算法对表征变量进行分析，得到FDA+BPNN和FDA+SVM两种鉴别结果。FDA+BPNN的训练集正确率为97.5%，测试集正确率为95%；FDA+SVM的训练集和测试集的正确率均达到了98.33%。结果表明，三维荧光光谱技术结合小波包分解、FDA和SVM算法基本上能够实现紫苏品种的鉴别。这为后续有关紫苏的进一步检测研究（如某些有效成分的定量检测）奠定了基础。

• 单位
  河南科技大学; 食品与生物工程学院