基于NACA和LS—SVM的蜂蜜真?zhèn)巫R別

梁秀英

摘要：針對目前蜂蜜摻假嚴(yán)重且傳統(tǒng)檢測方法耗時等問題，研究了基于近紅外光譜

關(guān)鍵詞：蜂蜜；近紅外光譜（NIR）；小生境蟻群算法（NACA法）；偏最小二乘支持向量機（LS-SVM）

中圖分類號：S896.1；TS207.3 文獻標(biāo)識碼：A 文章編號：0439-8114（2014）02-0430-04

Identification of Honey Authenticity based on LS-SVM and NACA

LIANG Xiu-ying

（College of Engineering，Huazhong Agricultural University， Wuhan 430070， China）

Abstract： As honey has become the target of adulteration with cheaper sweeteners and the traditional methods for detecting honey adulteration are time-consuming and inaccurate. A new detection method of honey authenticity based on near infrared spectroscopy（NIR） was developed. The grid method and the ant colony algorithm（NACA） method were compared to optimize partial least squares support vector machine（LS-SVM） model parameters of γ and σ2 with RBF kernel. The results showed that two optimization methods could make the LS-SVM model to achieve 100% correct identify rate， but NACA can get the optimization solution in shorter time than that of the grid method. Using the standard normal variate calibration（SNV） as honey spectral data pretreatment and spectral data compressed by the partial least squares（PLS）， the LS-SVM model is constructed to distinguish between unadulterated honey and adulterated honey samples in the range of 5 303～6 591 cm-1， 7 012～10 001 cm-1 and full spectrum range， respectively. The results showed that the 100 percent identification can be achieved in the range of 5 303～6 591 cm-1 and 7 012～10 001 cm-1.

Key words： honey； near infrared spectroscopy（NIR）； ant colony algorithm（NACA）； partial least squares support vector machine（LS-SVM）

蜂蜜是一種天然營養(yǎng)食品，含有豐富的糖類、蛋白質(zhì)、氨基酸、多種維生素和礦物質(zhì)等營養(yǎng)物質(zhì)，經(jīng)現(xiàn)代醫(yī)學(xué)臨床應(yīng)用證明，服用蜂蜜可促進消化吸收，增進食欲，鎮(zhèn)靜安眠，提高機體的免疫力[1，2]。根據(jù)國際儀器法典、歐盟蜂蜜標(biāo)準(zhǔn)等國際標(biāo)準(zhǔn)規(guī)定，蜂蜜中不允許添加任何物質(zhì)，也不允許從蜂蜜中去除某些成分[3]。然而，近年來由于經(jīng)濟利益的驅(qū)使，在蜂蜜的生產(chǎn)、加工、銷售過程中，往往被加入其他價格低廉的甜味物質(zhì)，如果糖、工業(yè)糖漿等，這些都制約了我國蜂蜜的出口，嚴(yán)重影響了國內(nèi)蜂農(nóng)和消費者的利益。因此研究快速、準(zhǔn)確的方法來鑒別蜂蜜真?zhèn)?，對中國蜂業(yè)的健康發(fā)展具有重要意義。

蜂蜜的主要成分為糖類，其中60%～80%是人體容易吸收的葡萄糖和果糖。在蜂蜜中摻入廉價的果葡糖漿是目前國內(nèi)市場上最常見的蜂蜜摻假手段之一，盡管糖漿與蜂蜜中的葡萄糖、果糖成分類似，且當(dāng)添加量控制在一定范圍內(nèi)時，難以用感官和常規(guī)化學(xué)方法檢出，但在品質(zhì)和營養(yǎng)價值方面與純蜂蜜差異很大。

近紅外光譜（NIR）分析技術(shù)具有快速、非破壞、無污染、可在線測量[3]等優(yōu)點，已廣泛應(yīng)用于醫(yī)藥、食品、農(nóng)業(yè)等領(lǐng)域。

蟻群算法又稱螞蟻算法，是Marco 1992年提出的模擬進化算法，是一種求解組合最優(yōu)化問題的新型通用啟發(fā)式方法，該方法具有正反饋、分布式計算和富于建設(shè)性的啟發(fā)式搜索的特點，目前已被成功應(yīng)用于人工智能、交通等領(lǐng)域。但該算法易出現(xiàn)“早熟”現(xiàn)象，即搜索進行到一定程序后，所有個體所發(fā)現(xiàn)的解都完全一致，不利于發(fā)現(xiàn)更好的解[4]。NACA法具有較強的局部搜索能力，對蟻群算法后期進行局部搜索，可找到更優(yōu)解。

偏最小二乘支持向量機（LS-SVM）是經(jīng)典SVM改進后的算法，在解決小樣本、非線性及高維數(shù)據(jù)上具有許多特有的優(yōu)勢；另外，LS-SVM能較好地解決近紅外光譜建模時出現(xiàn)的過擬合、局部最小點等問題，模型的穩(wěn)健性可得到較大的提高。但采用LS-SVM分析一些復(fù)雜的體系時，需要對LS-SVM的模型參數(shù)進行優(yōu)化[5]。

本試驗基于NIR對蜂蜜用果糖溶液摻假進行了定性分析。比較了NACA法與網(wǎng)格法等優(yōu)化方法，并確定了NACA法為LS-SVM模型參數(shù)的最佳優(yōu)化方法；在不同光譜區(qū)域?qū)ACA法用于LS-SVM建模參數(shù)的優(yōu)化，建立蜂蜜真?zhèn)蔚腖S-SVM識別模型，并確定了最佳建模波段。

1 材料與方法

1.1 光譜采集儀器及方法

試驗用真蜂蜜為華中農(nóng)業(yè)大學(xué)的康思農(nóng)蜂蜜，共3個品種，分別是野菊花、荊條、棗花蜜，共66個樣品。

摻假用果糖溶液為盾皇品牌的調(diào)味糖漿，主要配料為果葡糖漿、純凈水、葡萄糖、添加劑等。由于部分蜂蜜存在結(jié)晶現(xiàn)象，因此在摻入果糖溶液之前先將蜂蜜攪拌均勻并置于45 ℃的水浴中，直至結(jié)晶完全溶化，再冷卻。從溶解晶體后的真蜂蜜中任意取15個樣品，每個樣品都按果糖：蜂蜜（體積比）為1∶9、2∶8、3∶7、4∶6、5∶5的摻假量摻入果葡糖漿，共得到74個摻假樣品。

試驗采用賽默飛世爾科技公司生產(chǎn)的Antaris II傅里葉變換近紅外（FT-NIR）光譜儀。樣品采集方法如下：采用傅里葉透射方式采集蜂蜜光譜，附件為玻璃管，光程為6 mm，掃描譜區(qū)為4 000～10 001 cm-1，分辨率為8 cm-1，掃描次數(shù)為64次。每個樣品測試3次光譜后取平均值，得到140個樣品光譜數(shù)據(jù)。在樣本總集中采用KS法抽取94個樣本作為建模集，剩下46個樣本成為測試集。光譜數(shù)據(jù)處理采用Matlab R2007b編程實現(xiàn)。

1.2 化學(xué)計量學(xué)分析方法

每個樣品采集的光譜數(shù)據(jù)有1 557個變量，各變量之間存在多重相關(guān)性，會使所建模型與訓(xùn)練樣本集產(chǎn)生“過擬合”，使預(yù)測的適應(yīng)性反而大大下降[6]。因此要選擇少而精的變量輸入進行建模。首先采用偏最小二乘法（PLS法）將預(yù)處理后的光譜數(shù)據(jù)進行壓縮，得到相應(yīng)的可表征原始信息的特征向量，然后將特征向量作為LS-SVM的輸入構(gòu)造分類器[3]，LS-SVM的參數(shù)σ2和γ采用NACA法來優(yōu)化。

1.2.1 PLS法 PLS法利用對系統(tǒng)中的數(shù)據(jù)信息進行分解和篩選的方式，提取對因變量的解釋性最強的綜合變量，辨識系統(tǒng)中的信息與噪聲，從而克服變量多重相關(guān)性在系統(tǒng)建模中的不良作用。與主成分法相比，PLS法壓縮成的主成分所含信息更精確地表達了輸入與輸出之間的關(guān)系[7]。

1.2.2 實數(shù)編碼的NACA法 NACA法的基本思路是隨機產(chǎn)生n個螞蟻的初始群體，使螞蟻隨機分布在函數(shù)的可行域上，根據(jù)優(yōu)化函數(shù)計算每個螞蟻的初始信息素，信息素與函數(shù)值呈正比，根據(jù)每個螞蟻的當(dāng)前信息素和全局最優(yōu)信息素求出螞蟻的轉(zhuǎn)移概率，每個螞蟻根據(jù)轉(zhuǎn)移概率的大小來決定是進行局部尋優(yōu)還是全局尋優(yōu)，螞蟻每移動到一個新位置前，都會比較新的位置是否能使信息素（函數(shù)值）增強或減弱，若增強，則移動到新位置，同時向環(huán)境釋放新位置的信息素（與函數(shù)值呈正比），若減弱，則繼續(xù)試探別的方向，根據(jù)轉(zhuǎn)移概率更新每個螞蟻的位置，新位置限制在函數(shù)可行域內(nèi)，螞蟻移動到新位置后就立即更新自己的信息素[4]。

1.2.3 NACA法的LS-SVM分類器優(yōu)化 在LS-SVM中，常用的核函數(shù)有線性內(nèi)核、多項式、徑向基、Sigmoid型。線性內(nèi)核只有在樣本數(shù)據(jù)線性可分的情況下才能得到較好的分類效果，而徑向基函數(shù)可以將非線性樣本數(shù)據(jù)映射到高維特征空間，可處理具有非線性關(guān)系的樣本數(shù)據(jù)；徑向基函數(shù)取值要比多項式內(nèi)核取值簡單；而Sigmoid內(nèi)核在實際應(yīng)用中用得很少[8]。因此，本試驗用徑向基函數(shù)作為LS-SVM的核函數(shù)建立蜂蜜真?zhèn)巫R別模型。確定了核函數(shù)后，對訓(xùn)練效果影響最大的是相關(guān)參數(shù)的選擇，采用徑向基RBF核函數(shù)的LS-SVM的參數(shù)主要有兩個：γ和σ2，其中γ是控制對錯分樣本懲罰程度的可調(diào)參數(shù)，σ2是徑向基核函數(shù)的參數(shù)。本試驗采用實數(shù)編碼的NACA法優(yōu)化γ和σ2，具體計算步驟描述如下。

1）隨機產(chǎn)生螞蟻的初始位置（限制在可行域內(nèi)）。

2）計算每個螞蟻的初始信息素（與目標(biāo)函數(shù)值呈正比）。

5）保存每代最優(yōu)解，在每次迭代過程中，將信息素最大的螞蟻保存下來，返回第一步，進行迭代循環(huán)。

6）得到全局最優(yōu)解。如果迭代次數(shù)滿足開始設(shè)置的要求，則搜索完成，從而得到最佳螞蟻，將最佳螞蟻轉(zhuǎn)換成LS-SVM參數(shù)γ和σ2。

3 結(jié)論

[1] CHEN L Z， XUE X F， YE Z H， et al. Determination of Chinese honey adulterated with high fructose corn syrup by near infrared spectroscopy[J]. Food Chemistry，2001，128（4）：1110-1114.

[2] 楊 燕，聶鵬程，楊海清，等.基于可見-近紅外光譜技術(shù)的蜜源快速識別方法[J].農(nóng)業(yè)工程學(xué)報，2010，26（3）：238-242.

[3] CAJKA T， HAJSLOVA J， PUDIL F， et al. Traceability of honey origin based on volatiles pattern processing by artificial neural networks[J]. Journal of Chromatography A，2009，1216（9）：1458-1462.

[4] 李彥蒼，索娟娟.基于熵的小生境蟻群算法及其應(yīng)用[J].四川大學(xué)學(xué)報（工程科學(xué)版），2007，39（增刊）：229-232.

[5] 程志穎，孔浩輝，張 俊，等.粒子群算法結(jié)合支持向量機回歸法用于近紅外光譜建模[J].分析測試學(xué)報，2010，29（12）：1215-1219.

[6] 褚小立，袁洪福，陸婉珍.近紅外分析中光譜預(yù)處理及波長選擇方法進展與應(yīng)用[J].化學(xué)進展，2004，16（4）：528-542.

[7] 齊小明，張錄達，杜曉林，等.PLS-BP法近紅外光譜定量分析研究[J].光譜學(xué)與光譜分析，2003，23（5）：870-872.

[8] 趙杰文，呼懷平，鄒小波.支持向量機在蘋果分類的近紅外光譜模型中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報，2007，23（4）：149-152.

[9] 虞 科，程翼宇.一種基于最小二乘支持向量機算法的近紅外光譜判別分析方法[J].分析化學(xué)研究簡報，2006，34（4）：561-564.

本試驗基于NIR對蜂蜜用果糖溶液摻假進行了定性分析。比較了NACA法與網(wǎng)格法等優(yōu)化方法，并確定了NACA法為LS-SVM模型參數(shù)的最佳優(yōu)化方法；在不同光譜區(qū)域?qū)ACA法用于LS-SVM建模參數(shù)的優(yōu)化，建立蜂蜜真?zhèn)蔚腖S-SVM識別模型，并確定了最佳建模波段。

1 材料與方法

1.1 光譜采集儀器及方法

試驗用真蜂蜜為華中農(nóng)業(yè)大學(xué)的康思農(nóng)蜂蜜，共3個品種，分別是野菊花、荊條、棗花蜜，共66個樣品。

摻假用果糖溶液為盾皇品牌的調(diào)味糖漿，主要配料為果葡糖漿、純凈水、葡萄糖、添加劑等。由于部分蜂蜜存在結(jié)晶現(xiàn)象，因此在摻入果糖溶液之前先將蜂蜜攪拌均勻并置于45 ℃的水浴中，直至結(jié)晶完全溶化，再冷卻。從溶解晶體后的真蜂蜜中任意取15個樣品，每個樣品都按果糖：蜂蜜（體積比）為1∶9、2∶8、3∶7、4∶6、5∶5的摻假量摻入果葡糖漿，共得到74個摻假樣品。

試驗采用賽默飛世爾科技公司生產(chǎn)的Antaris II傅里葉變換近紅外（FT-NIR）光譜儀。樣品采集方法如下：采用傅里葉透射方式采集蜂蜜光譜，附件為玻璃管，光程為6 mm，掃描譜區(qū)為4 000～10 001 cm-1，分辨率為8 cm-1，掃描次數(shù)為64次。每個樣品測試3次光譜后取平均值，得到140個樣品光譜數(shù)據(jù)。在樣本總集中采用KS法抽取94個樣本作為建模集，剩下46個樣本成為測試集。光譜數(shù)據(jù)處理采用Matlab R2007b編程實現(xiàn)。

1.2 化學(xué)計量學(xué)分析方法

每個樣品采集的光譜數(shù)據(jù)有1 557個變量，各變量之間存在多重相關(guān)性，會使所建模型與訓(xùn)練樣本集產(chǎn)生“過擬合”，使預(yù)測的適應(yīng)性反而大大下降[6]。因此要選擇少而精的變量輸入進行建模。首先采用偏最小二乘法（PLS法）將預(yù)處理后的光譜數(shù)據(jù)進行壓縮，得到相應(yīng)的可表征原始信息的特征向量，然后將特征向量作為LS-SVM的輸入構(gòu)造分類器[3]，LS-SVM的參數(shù)σ2和γ采用NACA法來優(yōu)化。

1.2.1 PLS法 PLS法利用對系統(tǒng)中的數(shù)據(jù)信息進行分解和篩選的方式，提取對因變量的解釋性最強的綜合變量，辨識系統(tǒng)中的信息與噪聲，從而克服變量多重相關(guān)性在系統(tǒng)建模中的不良作用。與主成分法相比，PLS法壓縮成的主成分所含信息更精確地表達了輸入與輸出之間的關(guān)系[7]。

1.2.2 實數(shù)編碼的NACA法 NACA法的基本思路是隨機產(chǎn)生n個螞蟻的初始群體，使螞蟻隨機分布在函數(shù)的可行域上，根據(jù)優(yōu)化函數(shù)計算每個螞蟻的初始信息素，信息素與函數(shù)值呈正比，根據(jù)每個螞蟻的當(dāng)前信息素和全局最優(yōu)信息素求出螞蟻的轉(zhuǎn)移概率，每個螞蟻根據(jù)轉(zhuǎn)移概率的大小來決定是進行局部尋優(yōu)還是全局尋優(yōu)，螞蟻每移動到一個新位置前，都會比較新的位置是否能使信息素（函數(shù)值）增強或減弱，若增強，則移動到新位置，同時向環(huán)境釋放新位置的信息素（與函數(shù)值呈正比），若減弱，則繼續(xù)試探別的方向，根據(jù)轉(zhuǎn)移概率更新每個螞蟻的位置，新位置限制在函數(shù)可行域內(nèi)，螞蟻移動到新位置后就立即更新自己的信息素[4]。

1.2.3 NACA法的LS-SVM分類器優(yōu)化 在LS-SVM中，常用的核函數(shù)有線性內(nèi)核、多項式、徑向基、Sigmoid型。線性內(nèi)核只有在樣本數(shù)據(jù)線性可分的情況下才能得到較好的分類效果，而徑向基函數(shù)可以將非線性樣本數(shù)據(jù)映射到高維特征空間，可處理具有非線性關(guān)系的樣本數(shù)據(jù)；徑向基函數(shù)取值要比多項式內(nèi)核取值簡單；而Sigmoid內(nèi)核在實際應(yīng)用中用得很少[8]。因此，本試驗用徑向基函數(shù)作為LS-SVM的核函數(shù)建立蜂蜜真?zhèn)巫R別模型。確定了核函數(shù)后，對訓(xùn)練效果影響最大的是相關(guān)參數(shù)的選擇，采用徑向基RBF核函數(shù)的LS-SVM的參數(shù)主要有兩個：γ和σ2，其中γ是控制對錯分樣本懲罰程度的可調(diào)參數(shù)，σ2是徑向基核函數(shù)的參數(shù)。本試驗采用實數(shù)編碼的NACA法優(yōu)化γ和σ2，具體計算步驟描述如下。

1）隨機產(chǎn)生螞蟻的初始位置（限制在可行域內(nèi)）。

2）計算每個螞蟻的初始信息素（與目標(biāo)函數(shù)值呈正比）。

5）保存每代最優(yōu)解，在每次迭代過程中，將信息素最大的螞蟻保存下來，返回第一步，進行迭代循環(huán)。

6）得到全局最優(yōu)解。如果迭代次數(shù)滿足開始設(shè)置的要求，則搜索完成，從而得到最佳螞蟻，將最佳螞蟻轉(zhuǎn)換成LS-SVM參數(shù)γ和σ2。

3 結(jié)論

[1] CHEN L Z， XUE X F， YE Z H， et al. Determination of Chinese honey adulterated with high fructose corn syrup by near infrared spectroscopy[J]. Food Chemistry，2001，128（4）：1110-1114.

[2] 楊 燕，聶鵬程，楊海清，等.基于可見-近紅外光譜技術(shù)的蜜源快速識別方法[J].農(nóng)業(yè)工程學(xué)報，2010，26（3）：238-242.

[3] CAJKA T， HAJSLOVA J， PUDIL F， et al. Traceability of honey origin based on volatiles pattern processing by artificial neural networks[J]. Journal of Chromatography A，2009，1216（9）：1458-1462.

[4] 李彥蒼，索娟娟.基于熵的小生境蟻群算法及其應(yīng)用[J].四川大學(xué)學(xué)報（工程科學(xué)版），2007，39（增刊）：229-232.

[5] 程志穎，孔浩輝，張 俊，等.粒子群算法結(jié)合支持向量機回歸法用于近紅外光譜建模[J].分析測試學(xué)報，2010，29（12）：1215-1219.

[6] 褚小立，袁洪福，陸婉珍.近紅外分析中光譜預(yù)處理及波長選擇方法進展與應(yīng)用[J].化學(xué)進展，2004，16（4）：528-542.

[7] 齊小明，張錄達，杜曉林，等.PLS-BP法近紅外光譜定量分析研究[J].光譜學(xué)與光譜分析，2003，23（5）：870-872.

[8] 趙杰文，呼懷平，鄒小波.支持向量機在蘋果分類的近紅外光譜模型中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報，2007，23（4）：149-152.

[9] 虞 科，程翼宇.一種基于最小二乘支持向量機算法的近紅外光譜判別分析方法[J].分析化學(xué)研究簡報，2006，34（4）：561-564.

本試驗基于NIR對蜂蜜用果糖溶液摻假進行了定性分析。比較了NACA法與網(wǎng)格法等優(yōu)化方法，并確定了NACA法為LS-SVM模型參數(shù)的最佳優(yōu)化方法；在不同光譜區(qū)域?qū)ACA法用于LS-SVM建模參數(shù)的優(yōu)化，建立蜂蜜真?zhèn)蔚腖S-SVM識別模型，并確定了最佳建模波段。

1 材料與方法

1.1 光譜采集儀器及方法

試驗用真蜂蜜為華中農(nóng)業(yè)大學(xué)的康思農(nóng)蜂蜜，共3個品種，分別是野菊花、荊條、棗花蜜，共66個樣品。

摻假用果糖溶液為盾皇品牌的調(diào)味糖漿，主要配料為果葡糖漿、純凈水、葡萄糖、添加劑等。由于部分蜂蜜存在結(jié)晶現(xiàn)象，因此在摻入果糖溶液之前先將蜂蜜攪拌均勻并置于45 ℃的水浴中，直至結(jié)晶完全溶化，再冷卻。從溶解晶體后的真蜂蜜中任意取15個樣品，每個樣品都按果糖：蜂蜜（體積比）為1∶9、2∶8、3∶7、4∶6、5∶5的摻假量摻入果葡糖漿，共得到74個摻假樣品。

試驗采用賽默飛世爾科技公司生產(chǎn)的Antaris II傅里葉變換近紅外（FT-NIR）光譜儀。樣品采集方法如下：采用傅里葉透射方式采集蜂蜜光譜，附件為玻璃管，光程為6 mm，掃描譜區(qū)為4 000～10 001 cm-1，分辨率為8 cm-1，掃描次數(shù)為64次。每個樣品測試3次光譜后取平均值，得到140個樣品光譜數(shù)據(jù)。在樣本總集中采用KS法抽取94個樣本作為建模集，剩下46個樣本成為測試集。光譜數(shù)據(jù)處理采用Matlab R2007b編程實現(xiàn)。

1.2 化學(xué)計量學(xué)分析方法

每個樣品采集的光譜數(shù)據(jù)有1 557個變量，各變量之間存在多重相關(guān)性，會使所建模型與訓(xùn)練樣本集產(chǎn)生“過擬合”，使預(yù)測的適應(yīng)性反而大大下降[6]。因此要選擇少而精的變量輸入進行建模。首先采用偏最小二乘法（PLS法）將預(yù)處理后的光譜數(shù)據(jù)進行壓縮，得到相應(yīng)的可表征原始信息的特征向量，然后將特征向量作為LS-SVM的輸入構(gòu)造分類器[3]，LS-SVM的參數(shù)σ2和γ采用NACA法來優(yōu)化。

1.2.1 PLS法 PLS法利用對系統(tǒng)中的數(shù)據(jù)信息進行分解和篩選的方式，提取對因變量的解釋性最強的綜合變量，辨識系統(tǒng)中的信息與噪聲，從而克服變量多重相關(guān)性在系統(tǒng)建模中的不良作用。與主成分法相比，PLS法壓縮成的主成分所含信息更精確地表達了輸入與輸出之間的關(guān)系[7]。

1.2.2 實數(shù)編碼的NACA法 NACA法的基本思路是隨機產(chǎn)生n個螞蟻的初始群體，使螞蟻隨機分布在函數(shù)的可行域上，根據(jù)優(yōu)化函數(shù)計算每個螞蟻的初始信息素，信息素與函數(shù)值呈正比，根據(jù)每個螞蟻的當(dāng)前信息素和全局最優(yōu)信息素求出螞蟻的轉(zhuǎn)移概率，每個螞蟻根據(jù)轉(zhuǎn)移概率的大小來決定是進行局部尋優(yōu)還是全局尋優(yōu)，螞蟻每移動到一個新位置前，都會比較新的位置是否能使信息素（函數(shù)值）增強或減弱，若增強，則移動到新位置，同時向環(huán)境釋放新位置的信息素（與函數(shù)值呈正比），若減弱，則繼續(xù)試探別的方向，根據(jù)轉(zhuǎn)移概率更新每個螞蟻的位置，新位置限制在函數(shù)可行域內(nèi)，螞蟻移動到新位置后就立即更新自己的信息素[4]。

1.2.3 NACA法的LS-SVM分類器優(yōu)化 在LS-SVM中，常用的核函數(shù)有線性內(nèi)核、多項式、徑向基、Sigmoid型。線性內(nèi)核只有在樣本數(shù)據(jù)線性可分的情況下才能得到較好的分類效果，而徑向基函數(shù)可以將非線性樣本數(shù)據(jù)映射到高維特征空間，可處理具有非線性關(guān)系的樣本數(shù)據(jù)；徑向基函數(shù)取值要比多項式內(nèi)核取值簡單；而Sigmoid內(nèi)核在實際應(yīng)用中用得很少[8]。因此，本試驗用徑向基函數(shù)作為LS-SVM的核函數(shù)建立蜂蜜真?zhèn)巫R別模型。確定了核函數(shù)后，對訓(xùn)練效果影響最大的是相關(guān)參數(shù)的選擇，采用徑向基RBF核函數(shù)的LS-SVM的參數(shù)主要有兩個：γ和σ2，其中γ是控制對錯分樣本懲罰程度的可調(diào)參數(shù)，σ2是徑向基核函數(shù)的參數(shù)。本試驗采用實數(shù)編碼的NACA法優(yōu)化γ和σ2，具體計算步驟描述如下。

1）隨機產(chǎn)生螞蟻的初始位置（限制在可行域內(nèi)）。

2）計算每個螞蟻的初始信息素（與目標(biāo)函數(shù)值呈正比）。

5）保存每代最優(yōu)解，在每次迭代過程中，將信息素最大的螞蟻保存下來，返回第一步，進行迭代循環(huán)。

6）得到全局最優(yōu)解。如果迭代次數(shù)滿足開始設(shè)置的要求，則搜索完成，從而得到最佳螞蟻，將最佳螞蟻轉(zhuǎn)換成LS-SVM參數(shù)γ和σ2。

3 結(jié)論

[1] CHEN L Z， XUE X F， YE Z H， et al. Determination of Chinese honey adulterated with high fructose corn syrup by near infrared spectroscopy[J]. Food Chemistry，2001，128（4）：1110-1114.

[2] 楊 燕，聶鵬程，楊海清，等.基于可見-近紅外光譜技術(shù)的蜜源快速識別方法[J].農(nóng)業(yè)工程學(xué)報，2010，26（3）：238-242.

[3] CAJKA T， HAJSLOVA J， PUDIL F， et al. Traceability of honey origin based on volatiles pattern processing by artificial neural networks[J]. Journal of Chromatography A，2009，1216（9）：1458-1462.

[4] 李彥蒼，索娟娟.基于熵的小生境蟻群算法及其應(yīng)用[J].四川大學(xué)學(xué)報（工程科學(xué)版），2007，39（增刊）：229-232.

[5] 程志穎，孔浩輝，張 俊，等.粒子群算法結(jié)合支持向量機回歸法用于近紅外光譜建模[J].分析測試學(xué)報，2010，29（12）：1215-1219.

[6] 褚小立，袁洪福，陸婉珍.近紅外分析中光譜預(yù)處理及波長選擇方法進展與應(yīng)用[J].化學(xué)進展，2004，16（4）：528-542.

[7] 齊小明，張錄達，杜曉林，等.PLS-BP法近紅外光譜定量分析研究[J].光譜學(xué)與光譜分析，2003，23（5）：870-872.

[8] 趙杰文，呼懷平，鄒小波.支持向量機在蘋果分類的近紅外光譜模型中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報，2007，23（4）：149-152.

[9] 虞 科，程翼宇.一種基于最小二乘支持向量機算法的近紅外光譜判別分析方法[J].分析化學(xué)研究簡報，2006，34（4）：561-564.