李慶波， 畢智棋， 石冬冬

1. 北京航空航天大學(xué)儀器科學(xué)與光電工程學(xué)院， 精密光機(jī)電一體化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100191 2. 中國(guó)農(nóng)業(yè)科學(xué)院飼料研究所， 北京 100081

引 言

隨著國(guó)內(nèi)養(yǎng)殖業(yè)機(jī)械化、 專(zhuān)業(yè)化程度的發(fā)展， 養(yǎng)殖規(guī)模飛速擴(kuò)大， 中國(guó)魚(yú)粉市場(chǎng)不僅對(duì)魚(yú)粉的需求量越來(lái)越多， 也對(duì)魚(yú)粉的品質(zhì)提出了更高的要求。 而中國(guó)的飼料企業(yè)如何選擇品質(zhì)好， 質(zhì)量高的魚(yú)粉是現(xiàn)在面臨的困難與考驗(yàn)[1]。 魚(yú)粉質(zhì)量差異決定了飼養(yǎng)物能否獲得充足營(yíng)養(yǎng)， 魚(yú)粉產(chǎn)地眾多， 品質(zhì)參差不齊， 有不法商家以次充好， 用劣質(zhì)進(jìn)口魚(yú)粉或國(guó)產(chǎn)魚(yú)粉冒充優(yōu)質(zhì)進(jìn)口魚(yú)粉， 來(lái)獲取更大的利潤(rùn)[2]。 為了避免這種危害市場(chǎng)秩序的行為需要對(duì)魚(yú)粉產(chǎn)地進(jìn)行溯源研究。

近紅外光譜能夠反映物質(zhì)化學(xué)組成成分的性質(zhì)和含量[3-4]， 因此采用近紅外光譜技術(shù)對(duì)魚(yú)粉產(chǎn)地進(jìn)行溯源識(shí)別。 2015年， 宋濤[5]等基于近紅外光譜技術(shù)對(duì)市場(chǎng)上常見(jiàn)的淡水魚(yú)粉、 進(jìn)口魚(yú)粉和國(guó)產(chǎn)魚(yú)粉三類(lèi)商品化的魚(yú)粉樣品進(jìn)行自動(dòng)化判別實(shí)驗(yàn)。 通過(guò)分析魚(yú)粉樣品光譜之間的差異, 采用主成分分析法建立魚(yú)粉種類(lèi)定性判別的分類(lèi)模型。 Cozzolino D[6]等采用改進(jìn)的偏最小二乘回歸方法建立近紅外光譜校準(zhǔn)模型， 預(yù)測(cè)決定魚(yú)粉質(zhì)量的化學(xué)成分。 目前國(guó)內(nèi)外關(guān)于魚(yú)粉產(chǎn)地溯源文獻(xiàn)較少， 主要集中于進(jìn)口魚(yú)粉、 國(guó)產(chǎn)魚(yú)粉的大類(lèi)判別或蛋白質(zhì)、 水分、 鹽等魚(yú)粉化學(xué)成分含量的定量檢測(cè)， 其實(shí)這種劃分十分粗糙, 原產(chǎn)地不同的進(jìn)口魚(yú)粉之間差異極大, 而即使是國(guó)產(chǎn)魚(yú)粉, 原產(chǎn)地不同時(shí)其質(zhì)量差異也十分顯著。 由于采集大量原產(chǎn)地明確且沒(méi)有摻雜的進(jìn)口魚(yú)粉比較難, 本研究首先以產(chǎn)地來(lái)源明確的國(guó)產(chǎn)魚(yú)粉為實(shí)驗(yàn)對(duì)象, 對(duì)魚(yú)粉產(chǎn)地溯源進(jìn)行了研究。 采用灰狼算法[7-9]優(yōu)化的支持向量機(jī)建立預(yù)測(cè)模型對(duì)國(guó)產(chǎn)魚(yú)粉進(jìn)行更詳細(xì)的產(chǎn)地區(qū)分。 采用支持向量機(jī)比偏最小二乘回歸和主成分分析法等更適用于魚(yú)粉的定性分析。 灰狼算法尋找支持向量機(jī)的關(guān)鍵參數(shù)具有速度快， 精確度高的優(yōu)點(diǎn)， 使魚(yú)粉產(chǎn)地溯源結(jié)果更加準(zhǔn)確。 建立灰狼優(yōu)化算法的支持向量機(jī)預(yù)測(cè)模型對(duì)魚(yú)粉產(chǎn)地進(jìn)行溯源， 防止使用低質(zhì)量產(chǎn)地的魚(yú)粉冒充高質(zhì)量產(chǎn)地的魚(yú)粉， 對(duì)魚(yú)粉產(chǎn)業(yè)規(guī)范化及飼養(yǎng)行業(yè)穩(wěn)定發(fā)展都具有推動(dòng)作用和意義。

1 實(shí)驗(yàn)部分

1.1 樣本

共采集144份國(guó)產(chǎn)魚(yú)粉， 其中產(chǎn)地為遼寧大連58份、 山東威海46份、 山東榮成30份， 浙江溫嶺10份， 隨機(jī)選取每種樣品的70%作為建模訓(xùn)練樣本集， 30%作為測(cè)試樣品集(表1)。

表1 魚(yú)粉樣品測(cè)試訓(xùn)練分組情況

1.2 儀器設(shè)備

實(shí)驗(yàn)采用德國(guó)布魯克公司的MATRIX-I型近紅外光譜儀。 首先預(yù)熱儀器半小時(shí)， 以保證儀器運(yùn)行的穩(wěn)定性； 其次， 設(shè)置實(shí)驗(yàn)參數(shù)為： 反射模式下光譜采集間隔為1 nm、 掃描波段為3 700～12 500 cm-1、 掃描次數(shù)64， 每個(gè)樣本掃描兩次。 所有實(shí)驗(yàn)均采取相同的掃描方法， 并且在相同的實(shí)驗(yàn)參數(shù)下進(jìn)行。

1.3 光譜預(yù)處理

由于采集到的近紅外光譜存在基線漂移和高頻噪聲， 需要對(duì)儀器采集獲得的原始光譜數(shù)據(jù)采取預(yù)處理改善。 采用多元散射校正對(duì)光譜進(jìn)行基線校正， 采用小波變換對(duì)基線校正后的光譜進(jìn)行平滑去噪， 消除高頻噪聲。

1.4 建模方法

1.4.1 支持向量機(jī)

支持向量機(jī)[10]的原理是將高維數(shù)據(jù)映射為高維空間的點(diǎn)， 然后尋到一個(gè)超平面使高維數(shù)據(jù)分為兩類(lèi)且兩類(lèi)不同種類(lèi)數(shù)據(jù)的間隔最大化。 而高維數(shù)據(jù)具有線性可分性則可以在該維度分類(lèi)， 若具有線性不可分性則需要借助核函數(shù)將數(shù)據(jù)映射到更高維的空間分類(lèi)。

首先將需要分類(lèi)的數(shù)據(jù)以及數(shù)據(jù)的標(biāo)簽輸入分類(lèi)器， 構(gòu)成特征空間。 設(shè)置數(shù)據(jù)與超平面的距離， 引入拉格朗日函數(shù)尋找最佳分類(lèi)的超平面, 借助核函數(shù)簡(jiǎn)化內(nèi)積運(yùn)算。

采用高斯徑向基核函數(shù)式(1)

(1)

得到RBF-SVM分類(lèi)模型式(2)

(2)

1.4.2 灰狼算法

傳統(tǒng)的尋找最佳參數(shù)方法是采用網(wǎng)格搜索法， 對(duì)懲罰因子和核函數(shù)半徑等需要選擇的參數(shù)在一個(gè)設(shè)置好范圍內(nèi)采取遍歷取值的方法， 經(jīng)過(guò)參數(shù)組合對(duì)比得出最優(yōu)結(jié)果。 遍歷取值搜索參數(shù)用時(shí)長(zhǎng)， 精度由步長(zhǎng)取值決定， 計(jì)算繁瑣。 灰狼算法對(duì)最佳參數(shù)選擇進(jìn)行了優(yōu)化， 根據(jù)狼群捕食方式將捕食過(guò)程用數(shù)學(xué)方法表達(dá)出來(lái)。 首先是搜索獵物對(duì)獵物進(jìn)行包圍階段， 狼群在獵物附近的空間范圍內(nèi)隨機(jī)活動(dòng)。 隨機(jī)產(chǎn)生若干組參數(shù)， 選出三條適應(yīng)度最好的狼即α狼、β狼、δ狼， 通過(guò)這三頭狼進(jìn)行目標(biāo)參數(shù)預(yù)估， 進(jìn)行多次迭代移動(dòng)。

(3)

(4)

式(3)和式(4)中D為狼朝獵物移動(dòng)的距離，X為狼所處的位置，t為迭代次數(shù)，A和C是系數(shù)向量負(fù)責(zé)提供狼群移動(dòng)的距離和方向，XP為獵物位置， 式(3)和式(4)是狼移動(dòng)向量移動(dòng)到下一代狼的位置。A和C根據(jù)式(5)和式(6)進(jìn)行變化

(5)

(6)

式中a為由2線性衰減到0的向量，r1,r2為0到1之間的隨機(jī)向量。 通過(guò)隨機(jī)向量r1,r2， 更新后的狼到達(dá)獵物周?chē)欢ǚ秶鷥?nèi)的隨機(jī)位置。 將頭三匹狼對(duì)獵物包圍之后其他狼朝頭狼們靠近。 公式如式(7)—式(13)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

式(7)、 式(8)和式(9)分別代表ω狼朝適應(yīng)度最好的三頭狼移動(dòng)距離, 式(10)， 式(11)和式(12)是ω狼向其他三頭狼靠近的前進(jìn)方向和距離， 式(13)為ω狼最終的位置。 最后當(dāng)滿足限制條件時(shí)對(duì)獵物發(fā)出攻擊， 最終α狼的位置就是目標(biāo)參數(shù)的位置。

2 結(jié)果與討論

2.1 魚(yú)粉樣本的光譜特征曲線

圖1為不同產(chǎn)地魚(yú)粉的原始近紅外光譜曲線， 需經(jīng)預(yù)處理后， 再對(duì)產(chǎn)地進(jìn)行判別, 圖2為多元散射校正后光譜曲線， 經(jīng)校正后消除基線漂移。 圖3為小波變換前后光譜曲線對(duì)比圖， 其中以波數(shù)為橫坐標(biāo)， 范圍為3 700～12 500 cm-1， 光譜漫反射率為縱坐標(biāo)。 通過(guò)小波變換后， 在對(duì)光譜曲線平滑去噪的同時(shí)并沒(méi)有因此丟失原來(lái)信號(hào)的輪廓細(xì)節(jié)， 并達(dá)到了消除高頻噪聲的目的。

圖1 魚(yú)粉樣品的原始近紅外光譜

圖2 多元散射校正后魚(yú)粉樣品的近紅外光譜圖

圖3 近紅外光譜小波變換前后對(duì)比

2.2 基于灰狼算法和支持向量機(jī)建立魚(yú)粉產(chǎn)地預(yù)測(cè)模型

對(duì)四個(gè)產(chǎn)地魚(yú)粉光譜隨機(jī)選取每個(gè)產(chǎn)地樣品的70%作為建模訓(xùn)練樣本集， 30%作為測(cè)試樣品集進(jìn)行十次平行實(shí)驗(yàn)， 采用灰狼算法的支持向量機(jī)得到分類(lèi)結(jié)果與相同條件下使用網(wǎng)格搜索法尋找懲罰因子和核半徑函數(shù)的支持向量機(jī)， 結(jié)果分別見(jiàn)表2和表3。

表2 GWO-SVM國(guó)產(chǎn)、 進(jìn)口魚(yú)粉產(chǎn)地識(shí)別結(jié)果

表3 網(wǎng)格搜索法SVM國(guó)產(chǎn)、 進(jìn)口魚(yú)粉產(chǎn)地識(shí)別結(jié)果

經(jīng)過(guò)十組平行實(shí)驗(yàn)后， GWO-SVM識(shí)別魚(yú)粉產(chǎn)地為山東榮成、 山東威海、 遼寧大連的識(shí)別正確率相比網(wǎng)格搜索法分別提高13.33%， 5.71%和1.11%， GWO-SVM平均用時(shí)大幅縮減。 在魚(yú)粉產(chǎn)地進(jìn)行多分類(lèi)溯源時(shí)， 使用灰狼算法改進(jìn)SVM相對(duì)于網(wǎng)格搜索法提高了識(shí)別的準(zhǔn)確度， 用時(shí)明顯縮短。

3 結(jié) 論

魚(yú)粉的產(chǎn)地不同導(dǎo)致各產(chǎn)地的魚(yú)粉所含有機(jī)物含量和組成不同， 導(dǎo)致各近紅外光譜存在一定差異， 通過(guò)多元散射校正和小波變換對(duì)光譜進(jìn)行預(yù)處理， 采用灰狼優(yōu)化算法尋找支持向量機(jī)最佳懲罰因子和核函數(shù)半徑， 能夠?qū)︳~(yú)粉產(chǎn)地正確分類(lèi)。 灰狼優(yōu)化算法相對(duì)與網(wǎng)格搜索法提高了搜索速度和準(zhǔn)確度， 對(duì)產(chǎn)地分類(lèi)的正確率均達(dá)到95%以上。 試驗(yàn)結(jié)果表明， 采用近紅外光譜技術(shù)可以快速準(zhǔn)確的對(duì)魚(yú)粉進(jìn)行產(chǎn)地溯源。 所采用的灰狼算法結(jié)合支持向量機(jī)預(yù)測(cè)模型能夠獲得很好的分類(lèi)結(jié)果， 為魚(yú)粉產(chǎn)地溯源提供了有效的方法和依據(jù)。