论文部分内容阅读
本文通过拉曼光谱技术,利用波长范围为350-1000nm的拉曼光谱仪对150个白酒样本进行光谱数据信息采集。其中,白酒样本选取XX牌酒精度为43%、53%、56%的白酒。以分类正确率为评价指标,分析对比多种检测模型,选择出SPA-BP神经网络(Successive Projection Algorithm-Back Propagation Neural Network)模型作为白 酒酒精度检测模型。并结合 MATLAB 的图形用户界面(GUI)工具,设计了鉴别白酒酒精度的检测平台,实现了对白酒酒精度在线快速无损的智能检测。本文的主要研究成果如下:(1)对3种不同酒精度的白酒样本进行拉曼光谱数据信息采集,分别采用小波变换(Wavelet Transform,WT)、标准正态变量变换(Standardized Normal Variate,SNV)、多元散射校正(Multiple Scattering Correction,MSC)、S-G 卷积平滑法(Savitzky Golay Smoothing,SGs)方法对原始白酒拉曼光谱数据信息进行预处理。将所有样本数据作为训练集,通过建立偏最小二乘判别分析(Partial Least Squares-Discriminant Analysis,PLS-DA)模型,对比得出 SNV 预处理方法的处理效果最好。其中,相关指数R2为0.9364,均方根误差RMSEc为0.1343。(2)利用基于节点 X-Y 距离的样本集划分(Sample set partitioning based on joint x-y distance,SPXY)方法,分别对酒精度为43%白酒样本(分类号为1)、53%白酒样本(分类号为2)、56%白酒样本(分类号为3),按照3:1划分训练集和预测集。其中,114个样本作为训练集用于分类模型的建立,36个样本作为预测集用于分类模型的验证。使用主成分分析(Principal Component Analysis,PCA)和连续投影算法(Successive Projection Algorithm,SPA)对预处理后的数据进行降维工作。其中,SPA算法提取的白酒拉曼光谱数据特征波长数为10,PCA算法将白酒拉曼光谱数据维度降低为8。(3)建立全光谱、PCA、SPA的K最近邻分类算法(KNearest Neighbor,KNN)分类模型,结果表明SPA-KNN可以代表全光谱数据建立分类模型,其训练集和预测集正确率分别是83.33%、80.56%;建立PCA、SPA的BP神经网络分类模型,结果表明SPA-BP神经网络分类模型正确率优于PCA-BP神经网络分类模型正确率,其训练集和预测集正确率分别为93.86%、94.44%。通过对比SPA-KNN和SPA-BP神经网络分类模型的正确率,得出SPA-BP神经网络模型优于SPA-KNN模型,因此将SPA-BP神经网络模型应用于白酒酒精度检测平台的设计。(4)利用MATLAB GUI设计了一款白酒酒精度在线检测平台,包括原始数据、数据预处理、数据降维、检测模型建立、新样本预测五个模块,通过运行界面相关功能,实现了白酒酒精度的在线检测,并通过实验验证了该检测平台的有效性。