傅里叶变换近红外光谱结合RVM与新聚类算法鉴别灵芝孢子油多样掺假类别

食品掺假种类众多,手段隐蔽,成为食品安全检测一个重要难题。为摆脱传统模型识别食品中是否存在新掺假类别的局限性,实验以纯净的灵芝孢子油和掺杂不同比例花生油、玉米油、薏仁油、地沟油的五种类别为研究对象,采用傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy,FT-NIR)收集12 400~4 000cm^(-1)范围内的近红外光谱。假设掺杂地沟油为新掺假类别,利用前四种类别的校正集样本构建相关向量机(RVM)多分类器,分别对建模的预测集样本和掺杂地沟油样本进行判别,并借助新聚类算法对判别为纯净的灵芝孢子油的样本做进一步分析验证。研究表明,RVM分类器对于建模的预测集样本判别准确率高达93.75%,说明模型有较强的判别能力,但由于模型局限性,掺杂地沟油样品被误判为纯净的灵芝孢子油;在新聚类算法的决策图上,纯净灵芝孢子油校正集和预测集混合样本的聚类中心数为1,而纯净灵芝孢子油校正集和掺杂了地沟油混合样本聚类中心数为2,直观验证判别结果的准确性。结果表明利用FT-NIR技术结合RVM分类器与新聚类算法对于灵芝孢子油掺假能够有效识别,并且能够定性识别新型掺假类型,为解决食品掺假多样化问题提供一种新思路。

结构自适应滤波技术的研究概述

自适应滤波技术是信号处理学科的一个重要分支,结构自适应滤波又是其进入21世纪后新兴的研究方向。以研究结构自适应滤波技术为目的,主要描述结构自适应滤波技术的算法与性能,从传统的结构自适应滤波算法的原理出发,采用算法对比分析的方式,分析了分段滤波(SF)算法、梯度下降(GD)算法以及分数抽头(FT)算法的优缺点,并结合已有文献给出了可行的新型分数抽头(FT)算法,通过应用实例对比说明新型分数抽头(FT)算法具有更好的稳定性、收敛速度以及信噪比。