基于神经网络的红葡萄酒中酒精含量、ph值和残糖量的测定

基于神经网络的红葡萄酒中酒精含量、ph值和残糖量的测定

基于fps-pcr的近红外光谱分析技术酒质分析和检测在酒业的生酒过程中非常重要。现在使用的一些经典方法是简单的，但精度相对较低。例如，花色素和含糊剂的测量需要很长时间，并且需要测试结果。此外,酒不是一系列独立的化合物,而是一些彼此相关化合物的混合物,例如酒的颜色和酸度及游离SO2有很大的关系。所以在酿酒工业和分析检测中非常需要一种快速、简便的酒质量控制的方法。近红外光谱分析技术是光谱测量技术与化学计量学的有机结合,被誉为分析的巨人。它具有快速、可靠、无破坏性、可在线实时检测等特点,已经成为食品、农业等领域的一种重要检测方法。独立分量分析(independentcomponentanalysis,ICA)是近年发展起来的一种全新的数据分析工具,是解决盲源分离问题的一种有效方法。ICA方法已经在生物医学信号处理、语音信号处理、图像处理以及光谱数据分析等方面得到了应用。人工神经网络模仿人脑处理信息,具有分布并行处理、非线性映射、自适应学习和稳健等特性,对处理灰色、黑色体系与非线性体系的信息有着突出的优点。本文首先用离散小波变换对44个红酒样品的红外光谱数据进行有效压缩,然后用FastICA算法对其进行分解,提取独立成分和相应的混合系数矩阵,最后用BP神经网络建立红酒中酒精含量、pH值以及残糖量三个主要品质参数的检测模型。结果表明,校正样品集的红外模型预测值与参考值的相关系数都达到0.95以上,所建模型具有实用价值。通过比较,用ICA-NNR所建模型在相关系数与均方根误差两个指标上均优于PCR和PCA-NNR方法。1牛顿迭代算法ICA理论及分离算法的关键在于如何度量分离结果的独立性,本文将应用一种基于负熵的独立性判决准则的FastICA算法对光谱数据进行处理,该算法采用牛顿迭代算法,收敛速度快。它依据负熵判据来寻找分离矩阵W以实现独立分量的提取。使最大,其中J(y)为y的负熵;G(·)为一种非线性、非二次的函数。由牛顿迭代可得如下定点ICA算法式中g(·)是G(·)导数,w+为某一次牛顿迭代的结果;w*为w+归一化后的值。每次提取一个分量之后,需要从中减去该独立分量,直到所有分量都被提取出来,方法如下式中wk+1是第k+1次牛顿迭代的结果(假设已经估计k个分量)。2分的谱图和加根据Beer-Lambert定律,对于IR光谱数据矩阵A,可建模为各成分的光谱信号与其贡献度乘积的加和其中,I是独立成分矩阵,在理想的分解状态下相当于纯物质的光谱矩阵,M是混合矩阵,它与纯物质在混合样品中的浓度有关。本文将ICA算法与神经网络相结合,用于红酒的红外光谱解析,如图1所示。3试验数据和结果3.1红外光谱和ir谱图数据为UniversityofCopenhagen提供的红酒样品红外光谱数据以及相应的酒精含量(单位:vol%)、pH值以及残糖量(单位:g·L-1)。总共有来自不同地区、同一种类葡萄所酿制的44个红酒样品,经福斯公司的葡萄酒扫描分析器(WineScanTMFT120Basic,FOSSAnalytical)在波数5011~929cm-1范围内扫描得到红外光谱,采样间隔为4cm-1,每个样本光谱含有1056个数据点。在建模之前将样品划分为校正样品集和预测样品集,各取总样品数的1/2。图2为某一红酒样品的IR谱图。在1545~1710cm-1(a)和2968~3620cm-1(b)波段出现了较大的噪声,该噪声的产生与水的吸收带有关。在预测过程中,以均方根误差(RMSEP)和相关系数(r)的大小作为模型预测准确度的评价。RMSEP的数值越小,r越大,模型的预测准确度越高。其中RMSEP的定义如下其中ỹi为yi的预测值。3.2被测含量校正模型的各参数之间的关系采用3层BP神经网络,传递函数分别为Tansig和Purelin函数,优化学习算法选用Levevberg-Marquardt算法。对酒精含量、pH值以及残糖量分别建立校正模型。首先,通过分析被测含量校正模型的RMSEP值与隐层神经元数Nods之间的关系,确定了酒精含量、pH值以及残糖量的定量分析模型中Nods的取值分别为Nods=6,7,7。其次,网络的输入为经FastICA算法分解得到的混合系数矩阵,因此ICA的分量数ICs不仅关系到算法的精确度,而且与网络的运行速度以及所建模型的精度有关。本文采用不同的分量数选取来得到最优的数值。分析三种被测含量校正模型的RMSEP,r与分量数ICs之间的关系,综合考虑模型的性能和计算量,确定了酒精含量、pH值以及残糖量的定量分析模型中的ICs值分别为ICs=4,5,4。网络的输出层节点数取为1。3.3模型建立的结果及分析本文采用ICA-NNR方法,选取上述网络结构,分别建立了红酒中的酒精含量、pH值以及残糖量的定量分析模型。校正集样品的预测值与所提供参考值之间的相关性分析见图3。可以看出,校正模型的相关系数r都在0.95以上,pH值和残糖量的测定可达到0.98和0.99,校正模型的均方根误差也都比较小,这都充分地说明了该模型的线性特征很好。下面用建立起来的定量模型对预测集中未知样品进行了预测分析。用IR结合ICA-NNR方法所得到的数据与所提供参考值吻合很好,如表1所示。可见,预测样品集中的22个样品IR方法测定值与参考值相比,酒精含量、pH值以及残糖量的最大相对偏差均小于4%。由于BP神经网络的自组织、自学习性对样品中随机误差的校正,预测精度得到了显著提高,此外模型的稳定性也会有所增强。下面用现行常用的PCR方法,以及PCA分解结合神经网络回归(PCA-NNR)方法分别建立红酒主要品质参数的校正模型,并与本文所用方法作比较。模型主要参数和评价指标的比较结果见表2。其中PCA-NNR方法所用的神经网络结构与ICA-NNR方法是一样的。比较PCR与PCA-ANN方法,前者是线性的,后者则是非线性的。对酒精含量和残糖量的测定,PCA-ANN要优于PCR,而对于pH值的测定则是后一方法更好,说明pH值与红酒光谱之间关系更偏于线性。此外,ICA-NNR方法所建模型在RMSEP和r两个指标上均优于PCR和PCA-NNR方法。4建立了ica-nnr模型应用红外光谱技术对红酒中酒精含量、pH值以及残糖量进行了预测,采用BP神经网络与FastICA算法相结合的方法,选择网络最佳参数,建立了ICA-NNR模型。预测结果的相关系数和均方根误差都达到了较好的效果,是对传