第34卷，第1期 2014年1月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
汽车自动变速箱油的近红外光谱识别研究蒋璐璐，骆美富，张瑜，余心杰”，孔汶汶3，刘飞3
1.浙江经济职业技术学院，浙江杭州310018 2.浙江大学宁波理工学院，新江宁波315100
3.浙江大学生物系统工程与食品科学学院，江杭州310058
Vol.34,No.1-pp64-68
January，2014
摘要利用自编码网络（autoencodernetwork，AN）流形学习和稀疏表示（sparserepresentation，SR）方法对汽车变速箱油进行近红外光谱晶种识别研究。以壳牌、美孚、嘉实多、上海大众和上海通用五种变速箱油为对象，利用AN方法对600～1800nm近红外光谱数据进行非线性降维，获取10个特征变量。每种变速箱油选取30个样本（共150个样本）作为训练样本，每种30个样本（其150个样本）作为测试样本。所有训练样本的特征变量组成了稀疏表示方法的整体训练样本矩阵，将变速箱油品种分类识别间题转化为一个求解待识别测试样本对于整体训练样本矩阵的稀疏表示间题，通过求解L-1范数意义下的最优化间题来实现。经过主成分分析（principal component analysis，PCA）和AN降维后，分别利用线性判断分析法（lineardiscrimi-nant analysis，LDA）、偏最小二乘支持向量机法（least squares-supportvector machine，LS-SVM）和本文提出的稀疏表示分类算法进行分类比较。结果表明，结合自编码网络和稀疏表示方法对五种汽车变速箱油品种
的平均识别准确率达97.33%，为汽车变速箱油品种近红外光谱快速准确识别提供了有效的新途径关键词变速箱油；近红外光谱；稀疏表示；流形学习；识别
中图分类号：0657.3
3文献标识码：A
引言
DOI : 10. 3964 /j. issn. 1000-0593 (2014 )01-0064-05
代表的信息通常具备一定的稀疏特性，因此，可尝试利用稀疏表示理论进行近红外光谱信号分类的研究。另外，近红外光谱测量中各类外部环境因素可能会导致光谱测量偏离
随着汽车变速箱技术的快速发展，目前市场上出现的变速箱油品牌多，品质优劣参差不齐、真假难辨，驱需一种针对汽车变速箱油的快速准确检测识别方法。近红外光谱(NIR)分析技术作为一种高新分析技术-31，具有检测速度快、准确性高等优势，利用近红外光谱技术进行变速箱油晶种的识别检测研究可为汽车变速箱油品种快速准确识别提供一种有效的新途径，
利用近红外光谱技术进行被测物识别检测的关键是光谱信号的分类问题。当前，各类常规基于近红外光谱技术的分类识别方法如BP神经网络、支持向量机等4.5]，在分类器参数优化、学习训练等方面存在步骤繁琐、复杂等缺点。稀疏表示-是信号处理领域近年来出现的一种新理论，国内外学者已将其成功应用于人脸识别、农业害虫分类、癌症基因表达数据分类等方面9-11]。近红外光谱信号因其本身及其所
收稿日期：2013-08-29，修订日期：2013-11-18
Beer-Lambert定律[12]。近红外光谱数据与待测理化性质之间兼具线性与非线性关系，常规的线性降维方法无法对非线性高维数据进行有效降维，高维近红外光谱数据在建模过程中需要采用非线性降维方法来解决模型的非性线问题。自编码网络是2006年Hinton和Salakhutdinov提出的一种流形学习非线性降维算法，该方法利用多层双向神经网络对高维数据进行降维(13]，能解决高维数据的非线性降维问题。
本文采用AN流形学习和稀疏表示研究近红外光谱信号
分类方法一AN-SR，即先用AN对近红外光谱进行非线性降维，再利用SR实现近红外光谱信号的分类识别。将AN-SR 方法与常用的线性判别分析(LDA)及偏最小二乘支持向量机(LS-SVM)方法对汽车变速箱油品种识别的结果进行了比较。
基金项目：国家（863计划)课题项目（2011AA100705），国家自然科学基金项目（31201446），浙江省自然科学基金项目（LQ12C20006），浙江
省教育厅科研项目（Y201122038，Y201226073)和宁波市自然科学基金项目（2013A610170)资助
作者简介：蒋璐璐，女，1973年生，渐江经济职业技术学院副教授
*通讯联系人e-mail：fli@ zju.edu.en
e-mail : abbyu111@ sina. com