領(lǐng)學(xué)術(shù)科研之先，創(chuàng)食品科技之新
—— 中國食品雜志社
為實(shí)現(xiàn)紫蘇品種的快速鑒別，避免以次充好，選取4 個(gè)品種的紫蘇采集三維熒光數(shù)據(jù)，提出了一種基于小波包分解融合Fisher判別分析（Fisher discriminant analysis，F(xiàn)DA）的熒光數(shù)據(jù)特征選擇策略，并實(shí)施了4 種紫蘇的有效鑒別。首先，對(duì)三維熒光數(shù)據(jù)進(jìn)行預(yù)處理，采用Delaunay三角形內(nèi)插值法去除瑞利散射和拉曼散射，以消除它們的不利影響；運(yùn)用Savitzky-Golar卷積平滑對(duì)數(shù)據(jù)進(jìn)行平滑處理，以減少噪聲的干擾。同時(shí)，對(duì)三維熒光數(shù)據(jù)進(jìn)行初步篩選，去除了熒光強(qiáng)度小于0.01的發(fā)射波長。然后，對(duì)各激發(fā)波長對(duì)應(yīng)的發(fā)射光譜進(jìn)行3 層sym4小波包分解，計(jì)算得到最低頻段的小波包能量值，作為各激發(fā)波長光譜數(shù)據(jù)表征量。接著，再利用FDA對(duì)小波包能量進(jìn)行判別分析，將其所包含的差異性信息進(jìn)行融合，得到FDA生成的新變量，并選取累計(jì)判別能力達(dá)到99%的前3 個(gè)FD變量作為不同品種差異性信息的表征變量，提出三維熒光數(shù)據(jù)的表征策略。最后，利用BP神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）和支持向量機(jī)（support vector machine，SVM）兩種模式識(shí)別算法對(duì)表征變量進(jìn)行分析，得到FDA＋BPNN和FDA＋SVM兩種鑒別結(jié)果。FDA＋BPNN的訓(xùn)練集正確率為97.5%，測試集正確率為95%；FDA＋SVM的訓(xùn)練集和測試集的正確率均達(dá)到98.33%。結(jié)果表明，三維熒光光譜技術(shù)結(jié)合小波包分解、FDA和SVM算法基本上能夠?qū)崿F(xiàn)紫蘇品種的鑒別。這為后續(xù)有關(guān)紫蘇的進(jìn)一步檢測研究（如某些有效成分的定量檢測）提供了研究基礎(chǔ)。
2023年第44卷 2022年第43卷 2021年第42卷 2020年第41卷 2019年第40卷 2018年第39卷 2017年第38卷 2016年第37卷 2015年第36卷 2014年第35卷 2013年第34卷 2012年第33卷 2011年第32卷 2010年第31卷 2009年第30卷 2008年第29卷 2007年第28卷 2006年第27卷 2005年第26卷 2004年第25卷 2003年第24卷 2002年第23卷 2001年第22卷 2000年第21卷 1999年第20卷 1998年第19卷 1997年第18卷 1996年第17卷 1995年第16卷 1994年第15卷 1993年第14卷 1992年第13卷 1991年第12卷 1990年第11卷 1989年第10卷 1988年第09卷 1987年第08卷 1986年第07卷 1985年第06卷 1984年第05卷 1983年第04卷 1982年第03卷 1981年第02卷 1980年第01卷
電話: 010-87293157
地址: 北京市豐臺(tái)區(qū)洋橋70號(hào)
版權(quán)所有 @ 2023 中國食品雜志社 京公網(wǎng)安備11010602060050號(hào) 京ICP備14033398號(hào)-2
