基于SVM及BPNN的辣椒紅外光譜分析

李偉星　劉剛　趙興祥　王小龍　汪小華　李會梅

摘要：利用小波變換結合反向傳播網絡（BPNN）和支持向量機（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范圍的紅外光譜經多尺度一維連續小波變換（CWT）和離散小波變換分析，發現第20尺度的連續小波系數，提取該尺度3個區域的系數作為特征參數建立BPNN和SVM 模型。結果表明，BPNN和SVM模型都能很好地區別兩種辣椒。第5尺度的離散小波細節系數建立BPNN和SVM模型分類的正確率分別為93.3%、100%。小波變換結合BPNN和SVM用于傅里葉變換紅外光譜技術中能夠準確識別朝天椒、燈籠椒，為區分不同品種的辣椒提供了快速、有效的方法。

關鍵詞：朝天椒；燈籠椒；人工神經網絡；支持向量機

中圖分類號：O657.33；S641.3 文獻標識碼：A 文章編號：0439-8114（2015）01-0203-03

辣椒（Capsicum annuum L.）包括辣椒和甜椒，又稱番椒、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，具有通經活絡、活血化瘀、驅風散寒、開胃健胃、補肝明目、溫中下氣、抑菌止癢和防腐驅蟲等功效[1，2]，被廣泛應用于醫藥、輕化和食品行業。

區分辣椒常規的化學分析方法，如高效液相色譜法（HPLC）、氣相色譜質譜法（GC-MS）、微衛星DNA標記（SSR）、超臨界CO2萃取法等，這些檢測方法雖然準確，但預處理過程復雜，耗時長，處理過程對人與環境有害[3]。傅里葉變換紅外光譜法具有操作簡單、靈敏度高、用樣少、制樣簡單、重復性好等優點。小波變換是繼傅里葉變換后的一種更為有效的信號處理方法[4]。人工神經網絡（ANN）方法由于對非線性函數可任意逼近而在光譜分析中被廣泛使用。人工神經網絡具有高度智能化的特征與能力，在處理非線性問題上以計算簡單、預測準確的優勢在分析化學中得到了廣泛的應用[5]。支持向量機（SVM）是近年來形成的一種新的模式識別方法，已表現出許多優于其他模式識別的方法。先通過非線性變換將輸入空間變換到一個高維空間，然后在這個高維空間求取最優分類面[6]。

為此，選取兩個品種的辣椒為研究對象，應用傅里葉變換紅外光譜測定法得到FTIR，采用連續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，然后運用BP神經網絡和支持向量機對兩個品種的辣椒進行識別，旨在為同科屬品種的植物提供一種分類方法。

1 材料與方法

1.1 試驗儀器

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16次。

1.2 樣品制備、檢測及數據處理

朝天椒和燈籠椒采自湖南省農業科學院試驗基地。朝天椒30個（編號a1～a30），燈籠椒30個（編號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，壓片測紅外光譜。光譜均扣除溴化鉀背景，光譜數據用Omnic 8.0軟件處理，經過基線校正、5點平滑處理、歸一化。用Matlab 7.1軟件進行支持向量機和BP神經網絡分析。

2 結果與分析

2.1 兩種辣椒果實紅外光譜分析

圖1是兩個品種辣椒的原始光譜圖。3 500～3 200 cm-1范圍強寬峰為O-H與N-H的伸縮振動吸收，2 925 cm-1附近峰為亞甲基中C-H不對稱伸縮振動吸收[7]；2 857 cm-1附近峰為亞甲基中C-H對稱伸縮振動吸收[8]；1 735 cm-1附近吸收峰主要來自脂類C=O伸縮振動[9]；1 635 cm-1附近吸收峰為辣椒堿中C=C雙鍵伸縮振動峰[10]；1 655、1 541 cm-1分別對應蛋白質的酰胺Ⅰ帶和酰胺Ⅱ帶的吸收峰[11]。1 610、1 516 cm-1為苯環的骨架特征伸縮振動吸收峰[12]；1 440～1 330 cm-1范圍的譜峰為蛋白質、纖維素、木質素等受氧、氮原子影響的甲基、亞甲基對稱彎曲振動和CH3剪式振動吸收及C-H彎曲振動吸收，其中1 386 cm-1附近是蛋白質及纖維素的甲基和亞甲基的對稱彎曲振動和甲基的剪式振動吸收[8]；1 156～950 cm-1是多糖的C-O-C伸縮振動吸收峰[13]；900～750 cm-1范圍為糖類異構吸收區，其中895 cm-1附近為纖維素的環振動產生的C-H變形峰[14]。

2.2 傅里葉變換紅外光譜連續小波變換分析

兩種辣椒的傅里葉變換紅外光譜的區別不是特別明顯，直接應用其傅里葉變換紅外光譜鑒別兩種辣椒往往容易造成錯誤的分類。對它們的傅里葉變換紅外光譜進行一維連續小波變換，在不同的分辨率下對其進行有效分析，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”，因為其頻域能量比較集中，通頻帶較窄，頻率混疊影響較小，具有時域對稱和線性相位的特點，能夠保證變換不失真[15]。對兩種辣椒的傅里葉變換紅外光譜中包括指紋區在內的區域（1 750～950 cm-1）進行一維連續小波變換，共進行了30尺度的一維連續小波變換，發現進行到第20個尺度的連續小波變換時的系數已能區別兩種辣椒，變換結果見圖2。

2.3 BP網絡識別結果

BP神經網絡一般由3個神經元層次組成，即輸入層、隱含層和輸出層。在BP網絡的建立過程中，隱含層節點數的選擇是關鍵。隱含層節點數的多少對BP網絡的識別效果影響很大，隱含層節點數一般不大于輸入信號的個數，隱含層節點數過多，網絡易于區分各樣本之間的細微差別，但網絡的復雜程度增加，收斂速度減慢，增加網絡訓練時間，隱含層節點數h可通過公式（1）取整數確定初始值，再逐步增加或減少1～3節點數的方法選取最優值：

h=■或h=■ （1）endprint

式中，p為輸入變量數（即輸入層節點數）；q為輸出變量數（即輸出層節點數，通常為1）[16]。

選取第20尺度連續小波變換系數，第5尺度離散小波變換逼近系數和細節系數各19個變量作為網絡輸入值，輸出層神經元個數為2，隱含層的神經元個數分別設定為1～12之間的整數值，60個樣品，每個品種30個，其中訓練組15個，測試組15個。通過比較分類正確率，最終確定隱含層神經元個數。網絡的輸入向量范圍為[-1，1]，隱含層神經元的傳遞函數采用S型正切函數tansig，輸出模式為0-1，輸出層神經元傳遞函數采用S形對數函數logsig。網絡訓練函數采用trainlm，學習函數為learngdm，最大次數為1 000，訓練目標為0.01，學習速率為0.1。連續小波變換系數（CWTC）、離散小波變換逼近系數（DWTAC）和細節系數（DWTDC）作為網絡輸入變量的正確率隨隱含層節點數變化情況如圖3所示。連續小波變換系數和離散小波變換逼近系數訓練神經網絡最佳隱含層節點數均為7，而離散小波變換細節系數隱含層節點數對網絡識別正確率沒有影響，利用連續小波變換建立的BPNN模型的識別正確率為86.7%，而利用離散小波變換逼近系數和細節系數建立BPNN模型的正確率為93.3%、100.0%。可見離散小波的效果要比連續小波變換的效果好。

2.4 支持向量機結果

支持向量機法的基本思想來源于線性判別的最優分類面，所謂最優分類面就是要求分類面不但能將兩類樣本無錯誤地分開，而且要使分類空隙或分類間隔最大。通過實現最優分類面，一個直接的優點就是可以提高預測能力，降低分類錯誤率[16]。

用Matlab 7.1選用支持向量機4種核函數的線性函數作為核函數，利用離散小波變換細節系數建立支持向量機模型，對60個未知樣品（訓練組30個，測試組30個）預測結果支持向量機識別正確率見表1（表1中“1”代表朝天椒，“0”代表燈籠椒），結果表明，所有的樣品都能識別，識別正確率為100%。

3 小結

利用傅里葉變換紅外光譜技術結合小波變換、反向傳播網絡和支持向量機對朝天椒和燈籠椒進行識別，樣品的紅外光譜經一維連續小波變換，第20尺度系數存在著明顯的差異，選取指紋區1 750～950 cm-1范圍內的紅外光譜進行5尺度離散小波變換，第5尺度小波細節系數存在明顯的差異，利用該系數進行反向傳播網絡和支持向量機識別，其正確率分別為93.3%、100.0%。通過比較發現，離散小波細節系數建立模型比連續小波系數和離散小波近似系數效果好，但兩者的差異不是很大。結果表明，小波變換結合支持向量機和反向傳播網絡應用于傅里葉變換紅外光譜技術中能夠識別朝天椒和燈籠椒，有望發展為鑒別不同品種物種的一種方便快捷的方法。

參考文獻：

[1] 華景清，蔡 健.辣椒的藥用價值[J].中國食物與營養，2004（12）：52-53.

[2] 蔣慕東，王思明.辣椒在中國的傳播及其影響[J].中國農史， 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，張長江.基于FTIR-CWT及ANN分類法的中藥材菟絲子與同科屬金燈藤子的識別方法研究[J].化學學報， 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.基于支持向量機及小波變換的人參紅外光譜分析[J].光譜學與光譜分析，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別[J].光譜學與光譜分析，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： 化學工業出版社，2010.

[13] 康玉秋，郭慶梅， 趙啟韜，等.紅外光譜法對貯藏白花丹參各部位的分析與評價[J].光散射學報，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網絡分類法的傅里葉變換紅外光譜法識別鱗毛蕨科3種植物[J].化學分析，2012，40（3）：371-375.

[16] 陸婉珍.現代近紅外光譜分析技術[M].北京：中國石化出版社， 2006.endprint