基于NIRS技术和PCA-SVM算法快速鉴别国产和进口啤酒花

目的 利用近红外漫反射光谱（near-infrared reflectance spectroscopy,NIRS）法,结合主成分分析（principal component analysis,PCA）和支持向量机（support vector machine,SVM）联用算法,建立PCA-SVM的NIR模式识别模型,用于国产和进口啤酒花的快速鉴别。方法 收集上述不同产地的啤酒花样品,制备成均匀粉末,在4 000～12 500 cm^-1光谱区,采集各样品粉末的NIR光谱,选取特征谱段9 000～4 100 cm^-1为建模谱段,分别采用不同光谱预处理方法进行预处理并分别进行PCA降维。根据2维主成分平面散点图,优选最佳预处理方法。利用最佳预处理方法处理后的光谱PCA降维数据,建立SVM模式识别模型,SVM模型参数采用网格搜索法、遗传算法（GA）、粒子群优化法（PSO）进行寻优。对比不同主成分数所建PCA-SVM模型的预测准确率,确定最佳的主成分数,最终建立PCA-SVM的NIR快速鉴别模型。结果 在6500～5400 cm^-1谱段,以一阶导数法（first derivative,FD）为最佳光谱预处理方法,PCA提取的光谱前8个主成分为最佳主成分,并经网格搜索法确定最佳SVM内部参数：惩罚因子c=2,核函数参数g=1,建立啤酒花PCA-SVM鉴别模型,该模型五折交叉验证准确率达97.37%,对校正集和测试集样品预测准确率均分别为97.37%和97.44%。结论 啤酒花NIRS光谱,进行PCA-SVM算法建模,模型预测准确率高、性能佳,可用于啤酒花样品的快速、无损鉴别。