基于KPCA与KLPP及Wilks统计量的留兰香三维荧光数据特征提取与鉴别分析

• Published in: 农业工程学报 Vol. 40; no. 19; pp. 272 - 280
• Main Authors: 殷勇, 徐非凡, 于慧春, 袁云霞
• Format: Journal Article
• Language: Chinese
• Published: 河南科技大学食品与生物工程学院,洛阳 471000 01.10.2024
• Subjects: 留兰香; fluorescence spectrum; discriminant analysis; 判别分析; 模型; 核主成分分析; model; 荧光光谱; spearmint; kernel principal component analysis
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202405074

TS207.3; 为实现留兰香产地的快速鉴别,该研究提出了一种核主成分分析(kernel principal component analysis,KPCA)与核局部保持投影(kernel locality preserving projections,KLPP)及Wilks Λ统计量序贯融合的特征波长提取策略,在此基础上鉴别 5个产地的留兰香.首先,在采集 5个产地 300个留兰香样本的三维荧光数据后,运用三角形内插值法去除原始光谱中的瑞利散射和拉曼散射,并运用SG(Savitzky-Golay)对数据进行平滑预处理.然后,对预处理后的荧光光谱数据分别利用KPCA、KPCA+KLPP、KPCA+Wilks Λ统计量、KPCA+KLPP+Wilks Λ统计量 4种方法提取特征激发波长和特征发射波长.接着,按特征激发波长从小到大顺序将其对应的特征发射波长光谱值首尾相连转换成行向量;4种方法从 300个样本中各得到 1个 300行的特征波长光谱值矩阵.再者,运用Fisher判别分析(fisher discriminant analysis,FDA)对特征波长光谱值矩阵进行数据可分性融合,生成可分性FD(fisher discriminant)变量.选取前 4个累计判别能力达到 99%的FD变量作为鉴别模型的输入向量.最后,用支持向量机(support vector machine,SVM)算法分析 4个FD变量,分别得到对应于 4种特征提取波长方法的FDA+SVM鉴别结果,其正确率分别为 92.00%、96.00%、94.67%、100%.结果表明,所提出的KPCA+KLPP+Wilks Λ统计量序贯融合的特征波长提取策略能够有效减少三维荧光光谱数据的冗余,并能表征原始荧光数据的信息特征,实现了 5种留兰香产地的正确鉴别.该研究可为后续利用三维荧光光谱开展留兰香重要组分量化分析提供一定的基础.