基于支持向量機(jī)對云南常見野生食用牛肝菌中紅外光譜的種類鑒別

胡翼然，李杰慶，劉鴻高，范茂攀,*，王元忠

（1.云南農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，云南 昆明 650201；2.云南農(nóng)業(yè)大學(xué)農(nóng)學(xué)與生物技術(shù)學(xué)院，云南 昆明 650201；3.云南省農(nóng)業(yè)科學(xué)院藥用植物研究所，云南 昆明 650200）

牛肝菌（Boletaceae）是一種大型真菌，富含多糖、蛋白質(zhì)、氨基酸、維生素、礦物質(zhì)、膳食纖維等營養(yǎng)物質(zhì)[1]，且有抗癌、抗氧化、抗腫瘤、抗疲勞等治療功效[2]，受廣大消費(fèi)者的喜愛。云南省地處低緯，海拔高差大、干濕季分明、光熱資源充足，為野生牛肝菌生長發(fā)育提供了適宜的生長環(huán)境[3]。云南省野生牛肝菌種類豐富，已知種類約有244 種，可食用種類占59%（144 種）[4]。在可食用野生牛肝菌中，部分野生牛肝菌具有毒性，如食用加工方法不當(dāng)，易導(dǎo)致食物中毒[5]，如華麗牛肝菌[6]、小美牛肝菌[7]、絨柄牛肝菌[6]等。新鮮野生牛肝菌外貌相似，即使是有經(jīng)驗(yàn)的專家學(xué)者，也很難快速、準(zhǔn)確識別其種類，同時(shí)野生食用菌不易保存，常被制成干片銷售，進(jìn)一步增加了辨識難度。目前，國內(nèi)外野生牛肝菌混雜現(xiàn)象屢屢發(fā)生[8-9]，嚴(yán)重威脅消費(fèi)者的身體健康，急需一種準(zhǔn)確、快速、廉價(jià)的常見野生食用牛肝菌種類鑒別技術(shù)。

傳統(tǒng)鑒別方法如對形態(tài)特征法、動物檢驗(yàn)法等，此類方法操作簡單、準(zhǔn)確性低、主觀因素影響大，鑒別能力不足[10]。傳統(tǒng)化學(xué)檢測方法如紫外光譜法[11]、高效液相色譜法[12]、電感耦合等離子體-原子發(fā)射光譜法[13]、電子鼻技術(shù)[14]等，上述方法耗時(shí)、費(fèi)用昂貴、操作難度大，不能實(shí)現(xiàn)快速、廉價(jià)的種類鑒別。傅里葉變換中紅外光譜法具有操作簡單、速度快捷、成本低廉的特點(diǎn)，近年來，化學(xué)指紋圖譜結(jié)合數(shù)理統(tǒng)計(jì)學(xué)廣泛應(yīng)用于種類鑒別研究[15-17]。

雖然傅里葉變換中紅外光譜表征樣品的化學(xué)信息全面，但其中存在大量干擾信息和無效信息，反而會導(dǎo)致模型分類性能下降，故研究不同信息挖掘方法對野生牛肝菌種類鑒別具有重要意義。目前，對牛肝菌光譜信息挖掘主要集中在不同預(yù)處理方法對模型分類效果的影響[18-19]。因此，本實(shí)驗(yàn)采用預(yù)處理及不同特征變量提取方法（主成分、變量重要性、變量投影重要性），挖掘中紅外光譜有效信息，結(jié)合支持向量機(jī)（support vector machine，SVM）建立判別模型，比較模型分類效果，探索野生牛肝菌種類鑒別方法，為野生食用菌鑒別和質(zhì)量控制提供參考依據(jù)。

1 材料與方法

1.1 材料與試劑

8 種827 個(gè)云南常見野生牛肝菌樣本：于2011—2014年采買于云南省，經(jīng)云南農(nóng)業(yè)大學(xué)劉鴻高教授鑒定為華麗牛肝菌、灰褐牛肝菌、栗色牛肝菌、美味牛肝菌、絨柄牛肝菌、雙色牛肝菌、小美牛肝菌和皺蓋疣柄牛肝菌（圖1、表1）。

溴化鉀（分析純） 天津風(fēng)船化工科技有限公司。

圖1 牛肝菌樣品圖Fig. 1 Pictures of boletus samples

表1 牛肝菌種類信息Table 1 Information about boletus samples tested in this study

1.2 儀器與設(shè)備

Frontier傅里葉變換中紅外光譜儀 美國Perkin Elmer公司；FW-100型高速粉碎機(jī) 浙江華鑫儀器廠；YP-2型壓片機(jī) 上海山岳科學(xué)儀器有限公司；80 目標(biāo)準(zhǔn)篩盤 浙江紹興市道墟五四儀器廠；AR1140型電子分析天平 上海升隆電子科技有限公司。

1.3 方法

1.3.1 樣品前處理

樣品前處理模擬干片的制備，樣品采集后去除土樣等雜質(zhì)，用純凈水清洗干凈，置于50 ℃烘箱烘干至質(zhì)量恒定，研磨成粉過80 目標(biāo)準(zhǔn)篩盤，分別儲存于自封袋中，保存于避光處。

1.3.2 傅里葉變換中紅外光譜采集

?。?.5±0.2）mg野生牛肝菌樣品和（150±20）mg KBr粉末在研缽中磨細(xì)混勻，再將細(xì)粉倒入磨具中壓成薄片。先掃描溴化鉀空白片作為基線，再掃描各樣品片。掃描波數(shù)范圍4 000～400 cm-1，分辨率4 cm-1，信號累計(jì)掃描次數(shù)16 次，每個(gè)樣本重復(fù)掃描3 次，取平均光譜。

1.3.3 SVM算法

SVM是一種基于非線性映射的二分類監(jiān)督學(xué)習(xí)方法，利用核函數(shù)將向量投影到高維特征空間，建立最優(yōu)超平面，對樣本分類。本研究在Matlab中使用LIBSVM包構(gòu)建SVM，核函數(shù)為徑向基函數(shù)，利用網(wǎng)格搜索算法（grid search，GS）尋找最優(yōu)參數(shù)組合懲罰因子（C）和核參數(shù)（g），交叉驗(yàn)證次數(shù)k設(shè)置為10；懲罰參數(shù)步進(jìn)距離、核參數(shù)步進(jìn)距離、步進(jìn)間隔距離均設(shè)置為0.5。該算法是基于一對多全分區(qū)的二叉樹支持向量機(jī)，算法原理如圖2所示，該算法分類速度和正確率高。

圖2 基于字母順序排列的SVM流程圖Fig. 2 Flow chart of SVM classification in the alphabetical order

C是懲罰因子，代表SVM算法對異常點(diǎn)的重視程度，影響模型的分類精度。C越大訓(xùn)練集誤差越小，C過大容易導(dǎo)致過擬合；C越小訓(xùn)練集誤差越大，C過小容易欠擬合；C過大或過小都會導(dǎo)致模型泛化能力減弱。g是核函數(shù)半徑，代表數(shù)據(jù)映射到高維特征空間后的分布，影響模型的分類訓(xùn)練速度。g越大，支持向量越少，速度越快；g越小，支持向量越多，速度越慢。利用GS尋找最優(yōu)參數(shù)C和g，GS是窮舉搜索，建立一個(gè)三維坐標(biāo)系，將待搜索參數(shù)C和g依次排列于X軸（log2C）和Y軸（log2g），形成帶網(wǎng)格的坐標(biāo)系，坐標(biāo)系上每一個(gè)點(diǎn)代表一種參數(shù)組合，將不同參數(shù)組合的交叉驗(yàn)證精確度依次排列于Z軸，最終選取交叉驗(yàn)證精度最高的（C、g）組合[20]。當(dāng)C的范圍在[2-2, 24]且g的范圍在[2-4, 24]之間，模型擬合度高。

1.4 數(shù)據(jù)挖掘方法

1.4.1 預(yù)處理方法

中紅外光譜數(shù)據(jù)中重疊的譜帶和各種噪聲信號，會降低模型的識別能力。對光譜數(shù)據(jù)進(jìn)行預(yù)處理可以減少干擾信息和噪音同時(shí)提高模型的適應(yīng)性，增強(qiáng)模型的預(yù)測能力。本實(shí)驗(yàn)采用多元散射校正（multiplicative scatter correction，MSC）結(jié)合多項(xiàng)式平滑法對光譜數(shù)據(jù)進(jìn)行預(yù)處理。MSC能有效去除紅外光譜中散射和粒徑的乘性干擾[21]。多項(xiàng)式平滑法是SG平滑與導(dǎo)數(shù)處理的結(jié)合，可以消除光譜中的高頻噪音及位移變化，通過平滑點(diǎn)數(shù)、導(dǎo)數(shù)階數(shù)、多項(xiàng)式次數(shù)3 個(gè)參數(shù)調(diào)節(jié)。平滑能夠衰減噪聲信號，保持光譜數(shù)據(jù)特征信息。導(dǎo)數(shù)處理可以消除基線漂移，加強(qiáng)光譜特征，但也會放大噪音信號。本實(shí)驗(yàn)的平滑點(diǎn)數(shù)為15，導(dǎo)數(shù)階數(shù)為1（1D），多項(xiàng)式次數(shù)為2。

為避免樣本之間的量綱影響，利用歸一化把數(shù)據(jù)映射在[-1, 1]之間，從而加快模型收斂速度，增強(qiáng)模型精度[22]。利用Kennard-Stone（K-S）算法將數(shù)據(jù)集（827）分為70%的訓(xùn)練集（549）和30%的測試集（278），K-S算法通過計(jì)算樣品間歐氏距離，對樣本從遠(yuǎn)到近依次排序，從而保證選取樣本代表性強(qiáng)同時(shí)避免隨機(jī)選擇的不可重復(fù)性[23]。

1.4.2 提取特征變量方法

主成分（principal component，PC）通過偏最小二乘回歸算法將數(shù)據(jù)降維成互不線性相關(guān)的多組PC，特征值代表PC能解釋原始數(shù)據(jù)的方差大小，特征值越大能解釋的方差越多。提取特征值大于1的PC為特征變量[24]。

特征重要性（feature importance，F(xiàn)I），通過隨機(jī)森林算法得到各變量的FI，根據(jù)FI依次排列變量，用10折交叉驗(yàn)證對波長點(diǎn)進(jìn)行迭代篩選，提取有效變量作為特征變量[25]。

變量投影重要性指標(biāo)（variable importance in projection，VIP）值表示自變量對模型擬合程度的重要性，VIP值越高波長點(diǎn)對標(biāo)簽的解釋能力越強(qiáng)[26]，提取VIP大于1的波長點(diǎn)為特征變量。

2 結(jié)果與分析

2.1 中紅外光譜分析

從圖3a可以看出，原始光譜（raw extracted spectra，RAW）中有6 處明顯的光譜峰。3 200～3 600 cm-1之間是羥基伸縮振動區(qū)，3 386 cm-1附近是O—H和N—H的伸縮振動。2 932 cm-1與N—H、CH2和CH3的伸縮振動有關(guān)。1 645 cm-1是酰胺I帶和的C＝O伸縮振動，可能與蛋白質(zhì)有關(guān)。1 645 cm-1附近可能是亞硝基的N＝O伸縮振動和酰胺II帶C—N、N—H的伸縮振動，可能與蛋白質(zhì)和殼聚糖有關(guān)。1 411 cm-1附近是C—H和O—H的彎曲振動有關(guān)，可能與多糖有關(guān)。在900～1 200 cm-1附近之間是多糖區(qū)域，1 080 cm-1與醚、酯等含氧化合物的C—O伸縮振動有關(guān)，可能與β-葡聚糖有關(guān)；1 022 cm-1附近與醇、酚的C—O伸縮振動有關(guān)。900 cm-1以下是指紋圖譜區(qū)，可能與多糖結(jié)構(gòu)有關(guān)[27-28]。圖2b為8 種野生牛肝菌經(jīng)MSC＋SG＋1D處理后的中紅外平均光譜圖，有18 處明顯的光譜峰，集中在3 569、3 348、3 213、3 102、2 952、2 891、1 682、1 562、1 476、1 336、1 269、1 177、1 095、1 042、902、816、734、628 cm-1附近?？赡茉蚴墙?jīng)MSC＋SG＋1D預(yù)處理后，中紅外圖譜的乘性干擾、噪音及無效信息被大幅去除，光譜特征被加強(qiáng)。

圖3 8 種牛肝菌平均光譜圖Fig. 3 Average mid-infrared spectra of Boletus samples from eight species

比較圖3中8 種野生牛肝菌的中紅外平均光譜圖。8 種野生牛肝菌均有相似的峰形、峰數(shù)、峰位，表明這8 種野生牛肝菌有相似的化學(xué)成分。華麗牛肝菌和小美牛肝菌相較于其他牛肝菌吸光度更高，其余6 種野生牛肝菌的吸光度有微小差異，表明這8 種野生牛肝菌的化學(xué)成分含量不同。利用中紅外光譜圖對8 種野生牛肝菌進(jìn)行可視化分析，可以看出不同種類野生牛肝菌存在差異，因此需進(jìn)一步結(jié)合數(shù)理統(tǒng)計(jì)學(xué)鑒別種類。

2.2 預(yù)處理對模型分類效果的影響

RAW模型是由827 個(gè)樣品×1 867 個(gè)變量組成的數(shù)據(jù)矩陣，如圖4a1所示，基于GS選出原始中紅外光譜最優(yōu)參數(shù)組合（C=2.62×105，g=3.81×10-6），分類結(jié)果如圖4a2所示，有3 個(gè)樣品分類錯(cuò)誤，其中1 個(gè)栗色牛肝菌被分類為美味牛肝菌，2 個(gè)雙色牛肝菌分別被分類為栗色牛肝菌和美味牛肝菌。原始數(shù)據(jù)經(jīng)MSC＋SG＋1D處理后，形成由827 個(gè)樣品×1 839 個(gè)變量組成的數(shù)據(jù)矩陣，如圖4b1所示，基于GS選出最優(yōu)參數(shù)組合（C=90.5，g=3.45×10-4），分類結(jié)果如圖4b2所示，有1 個(gè)分類錯(cuò)誤，其中1 個(gè)栗色牛肝菌被分類為小美牛肝菌。研究表明，原始數(shù)據(jù)結(jié)合SVM建立判別模型，CRAW大于24，gRAW小于2-4，模型過擬合風(fēng)險(xiǎn)大，經(jīng)預(yù)處理后去建立模型，CMSC＋SG＋1D小于CRAW，gMSC＋SG＋1D小于gRAW，模型擬合能力增加，但CMSC＋SG＋1D大于24，gMSC＋SG＋1D小于2-4，過擬合風(fēng)險(xiǎn)依然大。根據(jù)模型的混淆矩陣，可以計(jì)算出靈敏度、特異性參數(shù)（表2），從保護(hù)消費(fèi)者身體健康的角度，不允許有毒牛肝菌錯(cuò)分類為無毒牛肝菌，即鑒別野生牛肝菌種類要有高靈敏度，本實(shí)驗(yàn)根據(jù)靈敏度判斷模型分類性能，靈敏度越高模型分類性能越高。

圖4 參數(shù)選擇圖和SVM分類結(jié)果Fig. 4 Parameter selection and SVM classification results

預(yù)處理后的光譜效果較好，評價(jià)SVM模型性能的測試集分類結(jié)果如表2所示。與RAW相比，基于MSC＋SG＋1D預(yù)處理后光譜建立的模型相比，模型過擬合風(fēng)險(xiǎn)降低，分類精度更加準(zhǔn)確，研究結(jié)果證實(shí)了粉末樣品存在噪音和干擾因子，影響模型的分類性能。該預(yù)處理方法可去除干擾因子及增強(qiáng)光譜特征，但模型擬合度不理想，需進(jìn)一步深入挖掘光譜信息。

表2 不同數(shù)據(jù)集SVM模型參數(shù)值Table 2 Parameters of SVM models established by different data mining methods

2.3 不同特征變量對模型分類效果的影響

圖5 特征變量提取方法Fig. 5 Comparison of feature variable extraction methods

圖6 參數(shù)選擇圖和SVM分類結(jié)果圖Fig. 6 Parameter selection and SVM classification results

RAW-PC模型是由827 個(gè)樣品×10 個(gè)變量形成的數(shù)據(jù)矩陣，如圖5a1所示，挖掘原始數(shù)據(jù)信息，總的提取了628 個(gè)PC，前10 個(gè)PC大于1，篩選前10 個(gè)PC為特征變量，如圖6a1所示，基于GS選出最優(yōu)參數(shù)組合（C=2，g=0.176），圖6a2有15 個(gè)樣品分類錯(cuò)誤，其中2 個(gè)華麗牛肝菌分別被錯(cuò)誤分類到灰褐牛肝菌和小美牛肝菌，3 個(gè)灰褐牛肝菌被錯(cuò)誤分類為絨柄牛肝菌，2 個(gè)絨柄牛肝菌被錯(cuò)誤分類為栗色牛肝菌，3 個(gè)雙色牛肝菌被錯(cuò)誤分類為1 個(gè)栗色牛肝菌和2 個(gè)美味牛肝菌，1 個(gè)小美牛肝菌被錯(cuò)誤分類為華麗牛肝菌，1 個(gè)皺蓋疣柄牛肝菌被錯(cuò)誤分類為美味牛肝菌。RAW-PC模型擬合程度高，分類性能弱，可用于野生牛肝菌種類鑒別。

RAW-FI模型是由827 個(gè)樣品×157 個(gè)變量形成的數(shù)據(jù)矩陣，如圖5b1所示，挖掘原始數(shù)據(jù)信息，區(qū)域I 1 867～157，錯(cuò)誤率不斷降低，代表負(fù)面信息被去除；區(qū)域II 157～97，錯(cuò)誤率在同一水平上下浮動，代表無效信息被去除；區(qū)域III 157～97，錯(cuò)誤率大幅上升，代表有效信息被去除；提取特征重要性最高的前157 個(gè)變量建立模型。如圖6b1所示，基于GS選出最優(yōu)參數(shù)組合（C=9.27×104，g=3.45×10-4）分類結(jié)果如圖6b2所示，有7 個(gè)分類錯(cuò)誤，其中1 個(gè)華麗牛肝菌被錯(cuò)誤分類為灰褐牛肝菌，3 個(gè)灰褐牛肝菌被錯(cuò)誤分類為2 個(gè)栗色牛肝菌和1 個(gè)雙色牛肝菌，2 個(gè)栗色牛肝菌被錯(cuò)誤分類為1 個(gè)灰褐牛肝菌和1 個(gè)絨柄牛肝菌，1 個(gè)雙色牛肝菌被錯(cuò)誤分類為栗色牛肝菌。RAW-FI模型的擬合程度低，過擬合風(fēng)險(xiǎn)大，不適結(jié)合SVM用于野生牛肝菌種類鑒別。

RAW-VIP模型是由827 個(gè)樣品×641 個(gè)變量形成的數(shù)據(jù)矩陣，如圖5c1所示，挖掘原始數(shù)據(jù)信息，按VIP排列，前641 個(gè)VIP大于1，篩選前641 個(gè)VIP為特征變量，如圖6c1所示，基于GS選出最優(yōu)參數(shù)組合（C=4.63×104，g=6.1×10-5），圖6c2有5 個(gè)樣品分類錯(cuò)誤，其中1 個(gè)華麗牛肝菌分別被錯(cuò)誤分類到灰褐牛肝菌，1 個(gè)栗色牛肝菌被錯(cuò)誤分類為華麗牛肝菌，3 個(gè)雙色牛肝菌被錯(cuò)誤分類為2 個(gè)栗色牛肝菌和1 個(gè)絨柄牛肝菌。RAW-VIP模型擬合程度低，分類性能弱，不適結(jié)合SVM用于野生牛肝菌種類鑒別。

提取特征變量挖掘光譜信息后模型擬合度變好（表2）。與RAW相比，基于提取特征變量建立光譜的模型與RAW光譜建立的模型相比，模型過擬合風(fēng)險(xiǎn)均降低，分類精度均更加準(zhǔn)確，研究結(jié)果證實(shí)了光譜信息中存在大量無效信息，混淆了算法對有效特征的識別，減弱了模型的分類性能。實(shí)驗(yàn)中3 種提取特征變量方法均不同程度去除了非有效信息，增加了模型擬合度，但效果不理想。模型RAW-FI、RAW-VIP過擬合風(fēng)險(xiǎn)大，原因是這兩種方法基于波長點(diǎn)挖掘數(shù)據(jù)，可能將噪音等負(fù)面信息誤判為特征變量；模型RAW-FI、RAW-VIP過擬合風(fēng)險(xiǎn)小，原因是該方法基于波長整體挖掘數(shù)據(jù)，可能減弱了負(fù)面信息和有效信息的影響，導(dǎo)致相較于其他模型擬合度高，分類性能弱。需進(jìn)一步深入挖掘光譜信息。

2.4 預(yù)處理組合不同特征變量對模型分類效果的影響

圖7 參數(shù)選擇圖和SVM分類結(jié)果圖Fig. 7 Parameter selection and SVM classification results

MSC＋SG＋1D-PC模型是由827 個(gè)樣品×39 個(gè)變量形成的數(shù)據(jù)矩陣，如圖7a1所示，基于GS選出最優(yōu)參數(shù)組合（C=2.83，g=0.354）。如圖5a2所示，預(yù)處理與PC組合挖掘數(shù)據(jù)信息，總的提取了137 個(gè)PC，提取前32 個(gè)PC為特征變量。分類結(jié)果如圖7a2所示，有3 個(gè)分類錯(cuò)誤，其中1 個(gè)灰褐牛肝菌被錯(cuò)誤分類為栗色牛肝菌，1 個(gè)美味牛肝菌被錯(cuò)誤分類為皺蓋疣柄牛肝菌，1 個(gè)雙色牛肝菌被錯(cuò)誤分類為小美牛肝菌。MSC＋SG＋1D-PC模型的擬合程度高，分類性能強(qiáng)，可用于野生牛肝菌種類鑒別。

MSC＋SG＋1D-FI模型是由827 個(gè)樣品×959 個(gè)變量形成的數(shù)據(jù)矩陣，如圖7b1所示，基于GS選出最優(yōu)參數(shù)組合（C=4，g=1.56×10-2），如圖5b2所示，預(yù)處理與FI組合挖掘數(shù)據(jù)信息，提取FI最高的前959 個(gè)變量是最優(yōu)變量。分類結(jié)果如圖7b2所示，有2 個(gè)分類錯(cuò)誤，其中1 個(gè)灰褐牛肝菌被錯(cuò)誤分類為雙色牛肝菌，1 個(gè)雙色牛肝菌被錯(cuò)誤分類為小美牛肝菌。MSC＋SG＋1D-FI模型的擬合程度高，分類性能強(qiáng)，可用于野生牛肝菌種類鑒別。

MSC＋SG＋1D-VIP模型是由827 個(gè)樣品×780 個(gè)變量形成的數(shù)據(jù)矩陣，如圖7c1所示，基于GS選出最優(yōu)參數(shù)組合（C=256，g=2.44×10-4），如圖5c2所示，預(yù)處理與VIP組合挖掘數(shù)據(jù)信息，提取VIP大于1的前780 個(gè)變量。分類結(jié)果如圖7c2所示，有1 個(gè)分類錯(cuò)誤，1 個(gè)雙色牛肝菌被錯(cuò)誤分類為小美牛肝菌。MSC＋SG＋1D-FI模型的擬合程度相較于RAW-VIP有了顯著提高，但不適結(jié)合SVM用于野生牛肝菌種類鑒別。

預(yù)處理組合特征變量方法挖掘數(shù)據(jù)后的分類效果較好（表2）。與RAW、MSC＋SG＋1D、RAW-PC、RAWFI、RAW-VIP相比，基于預(yù)處理組合特征變量方法建立光譜的模型，模型擬合度高、分類性能好，研究結(jié)果證實(shí)了預(yù)處理與特征變量組合方法可以大幅減少非有效信息，增強(qiáng)有效信息，起協(xié)同作用達(dá)到準(zhǔn)確鑒別的目的。

2.5 建模方法對比分析

為驗(yàn)證數(shù)據(jù)挖掘方法的可靠性和泛用性，相同條件結(jié)合偏最小二乘判別算法（partial least squaresdiscrimination algorithm，PLS-DA）建立判別模型。如表3所示，各PLS-DA模型交叉驗(yàn)證均方根誤差（root mean square error of cross validation，RMSECV）大于預(yù)測均方根誤差（root mean square error of prediction，RMSEP）且數(shù)值均較小，表明模型擬合良好[29]。特征變量FI與預(yù)處理組合的方法，模型擬合度高，分類性能最優(yōu)。

表3 不同數(shù)據(jù)集PLS-DA模型參數(shù)值Table 3 Parameters of PLS-DA models established by different data mining methods

對比表2和表3分析不同算法的模型參數(shù)。PLS-DA模型靈敏度在59.8%～93.0%之間，SVM模型靈敏度在92.2%～99.3%之間，研究表明，SVM算法的分類能力優(yōu)于PLS-DA。但Wang Yuanyuan等[30]對靈芝的中紅外光譜鑒別研究中有相反的結(jié)論，PLS-DA模型分類性能優(yōu)于SVM模型，原因可能是其樣本量少（120），本研究中樣本量更大（827），研究表明，SVM模型更適用于大樣本種類鑒別。預(yù)處理與特征變量組合方法挖掘光譜信息能力最強(qiáng)，對模型分類效果提升最大，研究表明，該方法適用范圍廣。

3 結(jié) 論

采用傅里葉變換中紅外光譜法測定8 種827 個(gè)野生牛肝菌子實(shí)體的紅外光譜，分析牛肝菌的化學(xué)信息。采用預(yù)處理、提取特征變量（PC、FI、VIP）及兩者組合等方法挖掘樣品光譜信息，提高模型分類效果，結(jié)果表明：預(yù)處理組合特征變量對模型信息挖掘能力最強(qiáng)，結(jié)合SVM建立判別模型，模型擬合好，分類精度高，實(shí)現(xiàn)了8 種野生牛肝菌的準(zhǔn)確、快速鑒別，可以為野生牛肝菌種類鑒別的提供參考。