李偉星　劉剛　趙興祥　王小龍　汪小華　李會(huì)梅

摘要：利用小波變換結(jié)合反向傳播網(wǎng)絡(luò)（BPNN）和支持向量機(jī)（SVM）研究了朝天椒和燈籠椒的傅里葉變換紅外（FTIR）光譜，樣品1 750～950 cm-1范圍的紅外光譜經(jīng)多尺度一維連續(xù)小波變換（CWT）和離散小波變換分析，發(fā)現(xiàn)第20尺度的連續(xù)小波系數(shù)，提取該尺度3個(gè)區(qū)域的系數(shù)作為特征參數(shù)建立BPNN和SVM 模型。結(jié)果表明，BPNN和SVM模型都能很好地區(qū)別兩種辣椒。第5尺度的離散小波細(xì)節(jié)系數(shù)建立BPNN和SVM模型分類(lèi)的正確率分別為93.3%、100%。小波變換結(jié)合BPNN和SVM用于傅里葉變換紅外光譜技術(shù)中能夠準(zhǔn)確識(shí)別朝天椒、燈籠椒，為區(qū)分不同品種的辣椒提供了快速、有效的方法。

關(guān)鍵詞：朝天椒；燈籠椒；人工神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)

中圖分類(lèi)號(hào)：O657.33；S641.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2015）01-0203-03

辣椒（Capsicum annuum L.）包括辣椒和甜椒，又稱(chēng)番椒、海椒、辣子、辣角、秦椒等，是茄科辣椒屬一年或多年生植物。辣椒中維生素C的含量在蔬菜中居第一位，具有通經(jīng)活絡(luò)、活血化瘀、驅(qū)風(fēng)散寒、開(kāi)胃健胃、補(bǔ)肝明目、溫中下氣、抑菌止癢和防腐驅(qū)蟲(chóng)等功效[1，2]，被廣泛應(yīng)用于醫(yī)藥、輕化和食品行業(yè)。

區(qū)分辣椒常規(guī)的化學(xué)分析方法，如高效液相色譜法（HPLC）、氣相色譜質(zhì)譜法（GC-MS）、微衛(wèi)星DNA標(biāo)記（SSR）、超臨界CO2萃取法等，這些檢測(cè)方法雖然準(zhǔn)確，但預(yù)處理過(guò)程復(fù)雜，耗時(shí)長(zhǎng)，處理過(guò)程對(duì)人與環(huán)境有害[3]。傅里葉變換紅外光譜法具有操作簡(jiǎn)單、靈敏度高、用樣少、制樣簡(jiǎn)單、重復(fù)性好等優(yōu)點(diǎn)。小波變換是繼傅里葉變換后的一種更為有效的信號(hào)處理方法[4]。人工神經(jīng)網(wǎng)絡(luò)（ANN）方法由于對(duì)非線(xiàn)性函數(shù)可任意逼近而在光譜分析中被廣泛使用。人工神經(jīng)網(wǎng)絡(luò)具有高度智能化的特征與能力，在處理非線(xiàn)性問(wèn)題上以計(jì)算簡(jiǎn)單、預(yù)測(cè)準(zhǔn)確的優(yōu)勢(shì)在分析化學(xué)中得到了廣泛的應(yīng)用[5]。支持向量機(jī)（SVM）是近年來(lái)形成的一種新的模式識(shí)別方法，已表現(xiàn)出許多優(yōu)于其他模式識(shí)別的方法。先通過(guò)非線(xiàn)性變換將輸入空間變換到一個(gè)高維空間，然后在這個(gè)高維空間求取最優(yōu)分類(lèi)面[6]。

為此，選取兩個(gè)品種的辣椒為研究對(duì)象，應(yīng)用傅里葉變換紅外光譜測(cè)定法得到FTIR，采用連續(xù)和離散小波多分辨率分析方法提取樣品的紅外光譜特征量，然后運(yùn)用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對(duì)兩個(gè)品種的辣椒進(jìn)行識(shí)別，旨在為同科屬品種的植物提供一種分類(lèi)方法。

1 材料與方法

1.1 試驗(yàn)儀器

紅外光譜儀為PerkinElmer公司的Frontier傅里葉變換紅外光譜儀，掃描范圍4 000～400 cm-1，分辨率4 cm-1，掃描次數(shù)16次。

1.2 樣品制備、檢測(cè)及數(shù)據(jù)處理

朝天椒和燈籠椒采自湖南省農(nóng)業(yè)科學(xué)院試驗(yàn)基地。朝天椒30個(gè)（編號(hào)a1～a30），燈籠椒30個(gè)（編號(hào)b1～b30）。樣品清洗后晾干，取相同部位研磨成粉末，加入溴化鉀研磨均勻，壓片測(cè)紅外光譜。光譜均扣除溴化鉀背景，光譜數(shù)據(jù)用Omnic 8.0軟件處理，經(jīng)過(guò)基線(xiàn)校正、5點(diǎn)平滑處理、歸一化。用Matlab 7.1軟件進(jìn)行支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)分析。

2 結(jié)果與分析

2.1 兩種辣椒果實(shí)紅外光譜分析

圖1是兩個(gè)品種辣椒的原始光譜圖。3 500～3 200 cm-1范圍強(qiáng)寬峰為O-H與N-H的伸縮振動(dòng)吸收，2 925 cm-1附近峰為亞甲基中C-H不對(duì)稱(chēng)伸縮振動(dòng)吸收[7]；2 857 cm-1附近峰為亞甲基中C-H對(duì)稱(chēng)伸縮振動(dòng)吸收[8]；1 735 cm-1附近吸收峰主要來(lái)自脂類(lèi)C=O伸縮振動(dòng)[9]；1 635 cm-1附近吸收峰為辣椒堿中C=C雙鍵伸縮振動(dòng)峰[10]；1 655、1 541 cm-1分別對(duì)應(yīng)蛋白質(zhì)的酰胺Ⅰ帶和酰胺Ⅱ帶的吸收峰[11]。1 610、1 516 cm-1為苯環(huán)的骨架特征伸縮振動(dòng)吸收峰[12]；1 440～1 330 cm-1范圍的譜峰為蛋白質(zhì)、纖維素、木質(zhì)素等受氧、氮原子影響的甲基、亞甲基對(duì)稱(chēng)彎曲振動(dòng)和CH3剪式振動(dòng)吸收及C-H彎曲振動(dòng)吸收，其中1 386 cm-1附近是蛋白質(zhì)及纖維素的甲基和亞甲基的對(duì)稱(chēng)彎曲振動(dòng)和甲基的剪式振動(dòng)吸收[8]；1 156～950 cm-1是多糖的C-O-C伸縮振動(dòng)吸收峰[13]；900～750 cm-1范圍為糖類(lèi)異構(gòu)吸收區(qū)，其中895 cm-1附近為纖維素的環(huán)振動(dòng)產(chǎn)生的C-H變形峰[14]。

2.2 傅里葉變換紅外光譜連續(xù)小波變換分析

兩種辣椒的傅里葉變換紅外光譜的區(qū)別不是特別明顯，直接應(yīng)用其傅里葉變換紅外光譜鑒別兩種辣椒往往容易造成錯(cuò)誤的分類(lèi)。對(duì)它們的傅里葉變換紅外光譜進(jìn)行一維連續(xù)小波變換，在不同的分辨率下對(duì)其進(jìn)行有效分析，能夠放大它們之間的差別以有效鑒別兩種辣椒。選擇各向異性的Morlet小波作為“分析小波”，因?yàn)槠漕l域能量比較集中，通頻帶較窄，頻率混疊影響較小，具有時(shí)域?qū)ΨQ(chēng)和線(xiàn)性相位的特點(diǎn)，能夠保證變換不失真[15]。對(duì)兩種辣椒的傅里葉變換紅外光譜中包括指紋區(qū)在內(nèi)的區(qū)域（1 750～950 cm-1）進(jìn)行一維連續(xù)小波變換，共進(jìn)行了30尺度的一維連續(xù)小波變換，發(fā)現(xiàn)進(jìn)行到第20個(gè)尺度的連續(xù)小波變換時(shí)的系數(shù)已能區(qū)別兩種辣椒，變換結(jié)果見(jiàn)圖2。

2.3 BP網(wǎng)絡(luò)識(shí)別結(jié)果

BP神經(jīng)網(wǎng)絡(luò)一般由3個(gè)神經(jīng)元層次組成，即輸入層、隱含層和輸出層。在BP網(wǎng)絡(luò)的建立過(guò)程中，隱含層節(jié)點(diǎn)數(shù)的選擇是關(guān)鍵。隱含層節(jié)點(diǎn)數(shù)的多少對(duì)BP網(wǎng)絡(luò)的識(shí)別效果影響很大，隱含層節(jié)點(diǎn)數(shù)一般不大于輸入信號(hào)的個(gè)數(shù)，隱含層節(jié)點(diǎn)數(shù)過(guò)多，網(wǎng)絡(luò)易于區(qū)分各樣本之間的細(xì)微差別，但網(wǎng)絡(luò)的復(fù)雜程度增加，收斂速度減慢，增加網(wǎng)絡(luò)訓(xùn)練時(shí)間，隱含層節(jié)點(diǎn)數(shù)h可通過(guò)公式（1）取整數(shù)確定初始值，再逐步增加或減少1～3節(jié)點(diǎn)數(shù)的方法選取最優(yōu)值：

h=■或h=■ （1）endprint

式中，p為輸入變量數(shù)（即輸入層節(jié)點(diǎn)數(shù)）；q為輸出變量數(shù)（即輸出層節(jié)點(diǎn)數(shù)，通常為1）[16]。

選取第20尺度連續(xù)小波變換系數(shù)，第5尺度離散小波變換逼近系數(shù)和細(xì)節(jié)系數(shù)各19個(gè)變量作為網(wǎng)絡(luò)輸入值，輸出層神經(jīng)元個(gè)數(shù)為2，隱含層的神經(jīng)元個(gè)數(shù)分別設(shè)定為1～12之間的整數(shù)值，60個(gè)樣品，每個(gè)品種30個(gè)，其中訓(xùn)練組15個(gè)，測(cè)試組15個(gè)。通過(guò)比較分類(lèi)正確率，最終確定隱含層神經(jīng)元個(gè)數(shù)。網(wǎng)絡(luò)的輸入向量范圍為[-1，1]，隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig，輸出模式為0-1，輸出層神經(jīng)元傳遞函數(shù)采用S形對(duì)數(shù)函數(shù)logsig。網(wǎng)絡(luò)訓(xùn)練函數(shù)采用trainlm，學(xué)習(xí)函數(shù)為learngdm，最大次數(shù)為1 000，訓(xùn)練目標(biāo)為0.01，學(xué)習(xí)速率為0.1。連續(xù)小波變換系數(shù)（CWTC）、離散小波變換逼近系數(shù)（DWTAC）和細(xì)節(jié)系數(shù)（DWTDC）作為網(wǎng)絡(luò)輸入變量的正確率隨隱含層節(jié)點(diǎn)數(shù)變化情況如圖3所示。連續(xù)小波變換系數(shù)和離散小波變換逼近系數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)最佳隱含層節(jié)點(diǎn)數(shù)均為7，而離散小波變換細(xì)節(jié)系數(shù)隱含層節(jié)點(diǎn)數(shù)對(duì)網(wǎng)絡(luò)識(shí)別正確率沒(méi)有影響，利用連續(xù)小波變換建立的BPNN模型的識(shí)別正確率為86.7%，而利用離散小波變換逼近系數(shù)和細(xì)節(jié)系數(shù)建立BPNN模型的正確率為93.3%、100.0%?？梢?jiàn)離散小波的效果要比連續(xù)小波變換的效果好。

2.4 支持向量機(jī)結(jié)果

支持向量機(jī)法的基本思想來(lái)源于線(xiàn)性判別的最優(yōu)分類(lèi)面，所謂最優(yōu)分類(lèi)面就是要求分類(lèi)面不但能將兩類(lèi)樣本無(wú)錯(cuò)誤地分開(kāi)，而且要使分類(lèi)空隙或分類(lèi)間隔最大。通過(guò)實(shí)現(xiàn)最優(yōu)分類(lèi)面，一個(gè)直接的優(yōu)點(diǎn)就是可以提高預(yù)測(cè)能力，降低分類(lèi)錯(cuò)誤率[16]。

用Matlab 7.1選用支持向量機(jī)4種核函數(shù)的線(xiàn)性函數(shù)作為核函數(shù)，利用離散小波變換細(xì)節(jié)系數(shù)建立支持向量機(jī)模型，對(duì)60個(gè)未知樣品（訓(xùn)練組30個(gè)，測(cè)試組30個(gè)）預(yù)測(cè)結(jié)果支持向量機(jī)識(shí)別正確率見(jiàn)表1（表1中“1”代表朝天椒，“0”代表燈籠椒），結(jié)果表明，所有的樣品都能識(shí)別，識(shí)別正確率為100%。

3 小結(jié)

利用傅里葉變換紅外光譜技術(shù)結(jié)合小波變換、反向傳播網(wǎng)絡(luò)和支持向量機(jī)對(duì)朝天椒和燈籠椒進(jìn)行識(shí)別，樣品的紅外光譜經(jīng)一維連續(xù)小波變換，第20尺度系數(shù)存在著明顯的差異，選取指紋區(qū)1 750～950 cm-1范圍內(nèi)的紅外光譜進(jìn)行5尺度離散小波變換，第5尺度小波細(xì)節(jié)系數(shù)存在明顯的差異，利用該系數(shù)進(jìn)行反向傳播網(wǎng)絡(luò)和支持向量機(jī)識(shí)別，其正確率分別為93.3%、100.0%。通過(guò)比較發(fā)現(xiàn)，離散小波細(xì)節(jié)系數(shù)建立模型比連續(xù)小波系數(shù)和離散小波近似系數(shù)效果好，但兩者的差異不是很大。結(jié)果表明，小波變換結(jié)合支持向量機(jī)和反向傳播網(wǎng)絡(luò)應(yīng)用于傅里葉變換紅外光譜技術(shù)中能夠識(shí)別朝天椒和燈籠椒，有望發(fā)展為鑒別不同品種物種的一種方便快捷的方法。

參考文獻(xiàn)：

[1] 華景清，蔡 健.辣椒的藥用價(jià)值[J].中國(guó)食物與營(yíng)養(yǎng)，2004（12）：52-53.

[2] 蔣慕東，王思明.辣椒在中國(guó)的傳播及其影響[J].中國(guó)農(nóng)史， 2005（2）：17-27.

[3] WU Y H， DU Y P， ZHENG Y， et al. Study on difference between epidermis， phloem and xylem of Radix ginseng with near-infrared and infrared spectroscopy coupled with principal component analysis[J]. Vibrational Spectroscopy， 2011， 55（2）： 201-206.

[4] 程存歸，田玉梅，張長(zhǎng)江.基于FTIR-CWT及ANN分類(lèi)法的中藥材菟絲子與同科屬金燈藤子的識(shí)別方法研究[J].化學(xué)學(xué)報(bào)， 2008，66（7）：793-798.

[5] CHENG C G， LIU L， CAO W Q， et al. Classification of two species of Bidens based on discrete stationary wavelet transform exraction of FTIR spectra combined with probability neural network[J]. Vibrational Spectroscopy， 2010， 54（1）： 50-55.

[6] 金向軍，張 勇，趙 冰，等.基于支持向量機(jī)及小波變換的人參紅外光譜分析[J].光譜學(xué)與光譜分析，2009，29（3）：656-660.

[7] YANG H， IRUDAYARAJ J， PARADKAR M M. Discriminant analysis of edible oils and fats by FTIR， FT-NIR and FT-Raman spectroscopy[J]. Food Chemistry， 2005， 93（1）：25-32.

[8] SCHULZ H， BARANSKA M. Identification and quantification of valuable plant substances by IR and Raman spectroscopy[J]. Vibrational Spectroscopy， 2007， 43（1）：13-25.

[9] KADAMNE J V， CASTRODALE C L， PROCTOR A. Measurement of conjugated linoleic acid（CLA） in CLA-Rich potato chips by ATR-FTIR spectroscopy[J]. Journal Agricultural and of Food Chemistry，2011，59（6）：2190-2196.

[10] 張瑋瑋，劉玲玲，孫素琴，等.食用天然辣椒紅色素中摻雜蘇丹紅的紅外光譜快速識(shí)別[J].光譜學(xué)與光譜分析，2012，32（4）：958-961.

[11] WU D， HE Y， FENG S J， et al. Study on infrared spectroscopy technique for fast measurement of protein content in milk powder based on LS-SVM[J]. Journal of Food Engineering， 2008， 84（1）：124-131.

[12] 孫素琴，周 群，陳建波.中藥紅外光譜分析與鑒定[M].北京： 化學(xué)工業(yè)出版社，2010.

[13] 康玉秋，郭慶梅， 趙啟韜，等.紅外光譜法對(duì)貯藏白花丹參各部位的分析與評(píng)價(jià)[J].光散射學(xué)報(bào)，2011，23（4）：387-395.

[14] DIGHTON J， MASCARENHAS M， ARBUCKLE-KEIL G A. Changing resources： assessment of leaf litter carbohydrate resource change at a microbial scale of resolution[J]. Soil Biology and Biochemistry，2001，33（10）：1429-1432.

[15] 余 鵬，徐 銳，程存歸.離散小波特征提取及人工神經(jīng)網(wǎng)絡(luò)分類(lèi)法的傅里葉變換紅外光譜法識(shí)別鱗毛蕨科3種植物[J].化學(xué)分析，2012，40（3）：371-375.

[16] 陸婉珍.現(xiàn)代近紅外光譜分析技術(shù)[M].北京：中國(guó)石化出版社， 2006.endprint