[发明专利]一种拉曼光谱典型相关分析融合的食用油种类快速鉴别方法

权利要求书

1.一种拉曼光谱典型相关分析融合的食用油种类快速鉴别方法，其特征在于，包括：

步骤一、样品选取：选取待鉴别的未知种类的食用油样品；

步骤二、一次光谱采集：采集未知种类的食用油样品在1050～1350cm^-1范围的拉曼光谱图，得到一次拉曼光谱图；

一次光谱采集的条件如下：

将食用油样品置于流通池中，设置食用油样品的温度为60±5℃，湿度为30±5％RH，食用油样品的流速为0.8～1cm/s；

设置拉曼光谱仪的分辨率为4cm^-1，激光功率为220mW，积分时间为5S，且光谱采集探头的入射方向与食用油样品的流向构成一45°的入射角；

每个食用油样品取三次测量的平均值作为最终采集的一次拉曼光谱图；

步骤三、二次光谱采集：采集未知种类的食用油样品在1400～1700cm^-1范围的拉曼光谱图，得到二次拉曼光谱图；

二次光谱采集的条件如下：

将食用油样品置于流通池中，设置食用油样品的温度为60±5℃，湿度为30±5％RH，食用油样品的流速为0.2～0.4cm/s；

设置拉曼光谱仪的分辨率为8cm^-1，激光功率为440mW，积分时间为10S，且光谱采集探头的入射方向与食用油样品的流向构成一45°的入射角；

每个食用油样品取三次测量的平均值作为最终采集的二次拉曼光谱图；

步骤四、光谱特征提取：分别对采集得到的一次拉曼光谱图和二次拉曼光谱图进行特征提取，得到一次拉曼特征变量和二次拉曼特征变量；

步骤五、典型相关分析融合：将一次拉曼特征变量和二次拉曼特征变量进行典型相关分析融合，得到融合拉曼光谱变量；

步骤六、种类鉴别：根据步骤五中得到的未知种类的食用油样品的融合拉曼光谱变量，采用优化定性模型对所述未知种类的食用油样品进行种类鉴别；

所述步骤六中优化定性模型的建立方法如下：

收集若干不同已知种类的食用油样品，所述不同已知种类的食用油样品包括：大豆油、花生油、菜籽油、茶籽油、稻米油、玉米油、葵花籽油、橄榄油；

采集若干不同已知种类的食用油样品的一次拉曼光谱图和二次拉曼光谱图，一次拉曼光谱图采集条件如步骤二中所述，二次拉曼光谱图采集条件如步骤三中所述；

分别对采集的若干不同已知种类的食用油样品的一次拉曼光谱图和二次拉曼光谱图进行特征提取，得到若干不同已知种类的食用油样品的一次拉曼特征变量和二次拉曼特征变量，光谱特征提取方法如步骤四中所述；

将若干不同已知种类的食用油样品的一次拉曼特征变量和二次拉曼特征变量进行典型相关分析融合，得到若干不同已知种类的食用油样品的融合拉曼光谱变量，典型相关分析融合的方法如步骤五中所述；

将若干不同已知种类的食用油样品的融合拉曼光谱变量作为定性模型的输入变量，通过多核学习支持向量机分类方法建立若干不同已知种类的食用油样品的定性模型，并采用粒子群优化算法对定性模型中的参数进行优化，得到优化定性模型；

将若干不同已知种类的食用油样品的融合拉曼光谱变量作为定性模型的输入变量，通过多核学习支持向量机分类方法将融合拉曼光谱变量的数据按特征维数分为10组，这10组均利用高斯核建立单核支持向量机定性模型；并采用粒子群优化算法对定性模型中的惩罚因子矩阵[C]和核函数参数矩阵[g]进行优化，[C]和[g]均是10x8的矩阵，优化时设置种群粒子数为25，每个粒子维数为2，迭代进化次数为150，学习因子初始值设定为C1＝1，C2＝2，得到10组参数([C]，[g])，并对这10组参数([C]，[g])进行加权投票，从而得到优化定性模型；

经优化，

当[C]等于

[g]等于

且权重为[0.0235，0.0582，0.1417，0.1329，0.0622，0.0381，0.0940，0.1248，0.1193，0.0874]时，得到优化定性模型。

2.如权利要求1所述的拉曼光谱典型相关分析融合的食用油种类快速鉴别方法，其特征在于，所述步骤一中选取的未知种类的食用油样品为大豆油、花生油、菜籽油、茶籽油、稻米油、玉米油、葵花籽油、橄榄油中的任意一种。