论文部分内容阅读
食用油的质量与人们的生活品质和身体健康息息相关,商品食用植物油质量问题备受人们关注。近年来,食用油以次充好的现象还常有发生,甚至“地沟油”也重返食用油市场。导致食用油安全问题的原因众多,其中一个重要原因是食用油鉴别方法还不健全,缺乏有力的市场监管工具。本文通过研究食用植物油特征信息与信息处理方法的适配关系,探索将油脂甘油三酸酯组成成分的色谱信息与多标记学习技术相结合的食用植物油检测的新方法。主要研究内容包括:(1)采用高效液相色谱法对油脂分离,获得甘油三酸酯组成成分色谱信息;提取油脂种类特征信息,获得各个油样的特征向量。(2)对k NN算法和SVM算法在食用植物油检测中的应用进行研究,分析其检测效果及不足。(3)基于多标记排序支持向量机(Rank-SVM)算法的分类器设计,并通过实验测试其弱分类器数目T和测试样本占实验样本的比率rate对分类结果的影响。(4)通过实验,对比分析采用多标记Rank-SVM算法的检测方法与采用已在食用植物油检测中有所应用的Ada Boost.RMH算法和ML-LVQ算法的检测方法的检测效果。通过对8种食用植物油及其混合油总计397份样本的测试实验结果表明,多标记学习Rank-SVM算法能有效的应用于食用植物油的检测;在多标记Rank-SVM分类系统中弱分类器数量对分类精度的影响较为显著;基于Rank-SVM算法的检测方法在多个评价指标上表现的优于基于Ada Boost.RMH算法、ML-LVQ算法和SVM算法的检测方法,其平均测试准确率是97.22%,平均测试时间为72.74s。基于ML-LVQ算法与基于Rank-SVM算法的方法的检测效果较为接近,平均测试准确率为95.86%。本文将多标记学习分类方法中的排序支持向量机应用在食用植物油检测中,为规范我国食用油市场,保护消费者的身体健康和利益做出有益的探索。