第35卷，第7期 2015年7月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol. 35 ,No. 7 -pp1870-1874
July，2015
基于ELM和可见/近红外光谱的鲜枣动态分类检测
杨二，张淑娟*，何勇“
1.山西农业大学工学院，山西太谷030801
2.浙江大学生物系统工程和食品科学学院，新江杭州310058
摘要枣营养丰富且品种繁多，不同品种的内外部品质与市场价格均存在差异，为了实现鲜枣品种分类的快速无损检测，以产自同一地区的板枣、鸡心枣和相枣为研究对象，动态采集光谱数据。采用移动平滑(movingsmoothing）与多元散射校正（multiplicativescattercorrection，MSC）相结合的方法预处理光谱数据，对预处理后的光谱数据采用连续投影算法（successiveprojectionsalgorithm，SPA)提取出11个特征波长分别为：980，1860，1341，1386，2096，1831，1910，1628，441，768，601nm，其重要程度依次递减。以所提取的特征波长作为输入变量，建立极限学习机（extremelearningmachine，ELM)分类模型，进行预测判别，并与偏最小二乘判别分析（partialleast squaresdiscriminantanalysis，PLS-DA）和最小二乘支持向量机(least squares supportvectormachines，LS-SVM）方法进行比较。结果表明；SPA-ELM方法所建校正模型的决定系数R=0.97238，校正均方根误差RMESC=0.018724，SPA-ELM方法与SPA-PLS-DA和SPA-LS-SVM方法判别准确率均为1O0，说明ELM是一种有效的分类判别方法。该研究为鲜枣晶种分类检测提供了新的理论基础。
关键词鲜枣；分类检测；连续投影算法；极限学习机
中图分类号：S123；S665
引言
文献标识码：A
枣富含维生系和多种人体必需氨基酸，具有很高的营养
DOI: 10, 3964 /j. issn. 1000-0593 (2015 )07-1870-05
（ELM)算法对普洱茶茶多酚含量进行检测，所建模型预测集均方根误差和预测集相关系数分别为1.6686和0.9705。孙俊等7利用高光谱技术结合ELM算法对生菜叶片氮素水平进行判别，其正确识别率为100%。然而ELM算法在水果分
价值和食用价值。我国是枣的最大生产国，枣的品种很多，品种间的内、外品质都有不同：市场价格也有较大差别。对鲜枣按品质进行分级分选是枣产后处理环节中必不可少的，对零产品藏及在销售过程中“接质论价，，有者重要的意义。如何建立一套快速有效地鲜枣品种分类判别方法，成为了一个急需解决的问题
近红外光谱技术以其简单、快速、不破坏样品等优势，已被广泛的应用于农业、食品工业等领域[1-3]。胡耀华等[4] 利用近红外光谱技术进行了冬枣和梨枣的品种鉴别、完好枣和裂果的鉴别，鉴别正确率均达到100%。张淑婿等5利用近红外光谱技术对冬枣、壶瓶枣、金昌枣的晶种鉴别、可落性固形物的含量建立BP神经网络模型预测，鉴别准确率达到100%，可溶性固形物含量预测值与真实值偏差小于 10%。张海东等4利用近红外光谱技术结合极限学习机
收稿日期：2015-01-06，修订日期：2015-04-12
类判别方面还未见应用。
以产自同一地区的三种鲜枣（板枣、相枣、鸡心枣)为研究对象，动态采集其可见/近红外光谱数据。对采集的光谱数据进行移动平滑（movingsmoothing）和多元散射校正(MSC)预处理，之后对预处理过后的全波段光谱数据采用连续投影法SPA)进行数据的降维处理，再基于ELM建立分类模型，进行预测判别，并与偏最小二乘法判别分析（PLS DA)和最小二乘支持向量机(LS-SVM)方法所建模型预测判别效果进行比较。
实验部分 1
1.1材料
鲜枣样品采摘自山西运城的枣园，选取当地广泛种植的
基金项目：国家自然科学基金项目(31271973)和山西省自然科学基金项目(2012011030-3)资助作者简介：杨一，1989年生，山西农业大学工学院硕士研究生
e-mail : xingyi_11@ 163, com
e-mail : zsujuan@ 263, net
*通讯联系人