韩 慧 王志强 李彩虹 马泽亮 国婷婷 殷廷家

(山东理工大学计算机科学与技术学院，山东 淄博 255049)

辨别羊奶质量检测经常使用的分析方法有感官评价分析法，但经常受到人们主观因素的影响，具有重复性差、成本高等缺点。高效气相色谱法、高效液相色谱法这些传统的检测方法所需仪器设备体积大、价格昂贵、分析时间长，无法达到对羊奶快速、客观、全面的检测。电子舌是模仿人体味觉感知系统而设计的一种新型的现代化智能分析检测设备，它检测简易方便、检测时间短、客观性强、成本低。目前，电子舌已广泛应用于环境[1]、药品[2-3]、食品[4-6]等领域。近年来，国内外专家也投入大量精力研究解决羊奶的质量检测问题。例如金嫘等[7]采用电子鼻检测羊奶中的牛奶掺入；王二丹等[8]利用非线性化学群集成分分析法对掺杂在羊奶中的牛奶和马奶含量进行了定量分析；贾茹等[9]利用电子鼻检测系统结合化学计量法对羊奶中蛋白质掺假进行了识别。但至今尚未有利用电子舌对羊奶掺假进行定性定量分析的相关报道。

本研究拟以掺假羊奶为检测对象，利用自行搭建的电子舌检测系统对6种混入不同比例牛奶的羊奶进行检测分析。本研究采用离散小波变换DWT对响应信号进行特征提取，最后在此基础上，采用主成分分析法对不同掺假比例的羊奶进行定性辨别、采用粒子群优化极限学习机对不同掺假比例的羊奶进行定量预测。旨在为掺假羊奶的定性辨别和定量预测提供新的理论依据及技术支持。

1 材料与方法

1.1 样本制备

新鲜羊奶、新鲜牛奶：购于山东省淄博市本地大型超市，均在保质期之内，并在试验前密封保存，防止其氧化变质。

1.2 电子舌系统

USB6002数据采集卡、自主研发的信号处理模块、传感器阵列、以及配套的上位机组成的电子舌系统如图1所示。首先虚拟仪器软件LabVIEW产生脉冲激励信号，该信号经过数据采集卡进行模数转换，转换后的信号还需要通过信号处理模块中的恒电位电路进行调理，最后才将处理后的信号施加于传感器阵列。传感器表面会发生电化学反应并产生微弱电流响应信号，由于不同传感器吸附分子能力的不同，得出的电信号也不同，从而导致传感器与标准电极之间电势差发生改变。信号调理模块对该信号进行I/V(电流/电压)转换和信号放大及其滤波，之后传送到USB6002数据采集卡进行AD转换，最终送到上位机进行数据预处理和模式识别[10]。

图1 电子舌结构框图与实物图Figure 1 The block diagram and physical diagram of electronic tongue

1.3 试验方法

掺假羊奶样本配制：将牛奶按0%，10%，20%，30%，40%，50%的比例混入羊奶中，配制纯度为100%，90%，80%，70%，60%，50%的掺假羊奶。配置好溶液后，为防止溶液变质，迅速贴好标签放入冰箱0～6 ℃冷藏。检测试验在室温环境下进行。每次测量前后，对8个工作电极都进行电化学清洗和抛光处理。从配置好的待检测溶液中依次量取50 mL掺假羊奶进行检测。每次量取完之后将配置好的溶液密封好再次放入冰箱冷藏。利用上位机控制传感器阵列对配置好的溶液进行重复检测(20次)，每次检测完需对电极阵列进行电化学清洗，确保每个电极表面光如镜面且无残留物，以防止对下次检测结果造成影响。每检测1次，可得到8 000个数据点，最终可得到120×8 000的数据矩阵。

1.4 数据处理与分析

1.4.1 小波分析 在脉冲激励信号的激发下，通过8种特定的贵金属电极获取的响应信号数据融合后，除了包含溶液特征信息，还包含有一些冗余和高频噪声信息，对后期模式识别造成巨大干扰[11]。为了降低系统的处理难度，减少处理时间，应对电子舌的原始数据进行特征提取，因此采用离散小波变换DWT对数据进行压缩和降噪预处理。它是时频的局部化分析，最终达到高频处时间细分，低频处频率细分，在去除高频干扰的同时有效地减少了冗余信息，从而提取出特征点，因此有效地压缩了数据，降低了后期模式识别的复杂度，是一种有效的数据预处理方式。

1.4.2 主成分分析 主成分分析是一种分析简化数据、探索数据结构以及进行数据降维的多元统计分析方法。少数几个能充分反映总体信息的指标从原来的多个指标中被组合出来。少数的几个指标就能充分反映总体信息，保留了重要信息且避开了变量间共线性问题[12]。主成分分析不仅保留了原始变量的主要信息，而且将多个指标问题转换成少数几个综合指标问题，有效地起到降维与简化问题的作用，更容易抓住所研究问题的主要矛盾。主成分分析结果一般通过得分图和载荷因子图表示。主成分得分图中每个点代表1个样品，通过点与点之间的距离来反映样品之间特征差异的大小[13]。

1.4.3 粒子群优化极限学习机

(1) 极限学习机：它(extreme learning machine，ELM)是单隐层前馈神经网络SLFN学习算法的一种，它使用简单、有效。人们所熟悉的BP神经网络学习算法使用前，需要提前对众多的网络训练参数进行设定，而且容易生成局部最优解[14]。极限学习机是有监督的机器学习算法，可用来解决回归、二分类、多分类问题。极限学习机在算法的执行过程中不需要调整网络的输入权值以及隐含层偏置，随机初始化生成输入层和隐含层之间的权重和隐含层节点的阈值。只需要设置网络的隐层节点个数，就能获得唯一的最优解。

虽然在大部分情况下，极限学习机ELM具有良好的性能，但是极限学习机的精度与偏置阈值b、连接权值W、隐含层节点数目密切相关。通过计算输入权值矩阵和隐含层的偏置来获得输出权值矩阵，隐含层节点有时候无效，会导致输入权值矩阵和隐含层偏置为零。这样的话就表明实际运用时，为了达到预期的效果，更多的隐含层节点需要被设置。隐含层节点如果设置过多，网络会更加复杂，ELM的泛化能力会降低，产生拟合现象，造成预测的稳定性不足[15]。

(2) 粒子群：粒子群算法(PSO)是源于对鸟群捕食行为的研究而设计的一种群智能算法。在区域里只有一块食物。鸟群中的鸟儿们并不知道食物的存放在哪里，最佳的解决策略就是通过搜寻当前离食物最近的鸟的周围区域从而获得食物。粒子群算法(PSO)就是用粒子来模拟鸟群中的鸟儿，将每个优化问题当作是D维搜索空间上的一个点，也就是“粒子”。粒子移动的快慢用速度V来表示，粒子移动的方向用位置X表示。每个粒子在搜索空间中搜寻最优值Pbest，并且将个体极值Pbest共享给粒子群里的其他粒子，最优的个体极值称之为整个粒子群的当前全局最优值Gbest，粒子们追随当前的最优粒子在空间中搜索[16]。

(3) 粒子群优化极限学习机：为了解决上文提到的极限学习机的缺点，粒子群优化极限学习机是将粒子群优化和极限学习机结合得到的学习算法。主题思想是极限学习机的输入层权值和隐含层偏置通过粒子群优化算法来进行最优化，以此得到一个最佳网络[17]。也就是说将极限学习机的输入权值和隐含层偏置当作粒子群算法中的粒子。利用极限学习机算法计算输出权值矩阵，从而减少隐含层节点，依靠较少的隐含层节点获得较高的精度[18]。

2 结果与讨论

2.1 小波信号预处理

本研究选用Coiflets、haar、Daubechies、Symlets作为小波基函数，对采集到的响应信号数据进行预处理，并根据响应信号的几何波形特征确定小波压缩层数。压缩重构信号和原始信号之间的相似程度随着压缩层数的增多而递减，如果压缩层数过多，虽然能够对原始数据进行压缩，但也必然会造成了大量特征信息的丢失，对原始信号特征的表达非常不利[19]。本研究综合考虑压缩率以及减小数据分析处理难度，采用MATLAB2014a软件中Coiflets、haar、Symlets等小波函数对采集数据进行多次预处理试验。得到的近似系数重构信号与原始信号进行比较，选择最佳的小波分解层数和小波基函数。通过试验对比，发现选择sym4为小波基函数，原始数据经过6层压缩效果最佳。可以有效地删除无用的高频干扰和冗余信息，保留原始信号有效成分。将8 000个原始数据压缩至67个数据，实现数据的有效预处理，如图2所示。

图2 不同母小波和压缩层数对相似系数的影响Figure 2 Effects of different mother wavelets and compression layers on similarity coefficient

2.2 掺假羊奶定性辨别

经过小波离散变换预处理后，用PCA对数据进行分析。经过20次平行检测后，得到其主成分得分值点分布情况如图3所示。从图3中可以看到，第1主成分的贡献率为72.8%，第2主成分的贡献率为21.1%，累计贡献率为93.9%，基本能够代表样品的整体信息，说明电子舌的原始特征数据通过主成分分析很好地进行了说明；6种纯度的羊奶样品分布在不同的区域，相互没有重叠。说明应用主成分分析法PCA可以将不同浓度的羊奶准确地区分开来，从而进行了有效的辨识。

图3 主成分分析图Figure 3 The principal component analysis

2.3 掺假羊奶定量预测

为实现掺假羊奶的定量预测，采用PSO-ELM方法建立掺假羊奶定量预测模型。选取90个样本作为训练集用于模型的建立以及参数的优化。其中90个样本包含6组不同纯度样本，其中每一组又包含15个相同浓度样本。剩余30组(6组纯度，每种纯度5个)作为预测集，用于模型的验证。

采用网格搜索法优化极限学习机(GS-ELM)、遗传算法优化极限学习机(GA-ELM)与粒子群优化极限学习机(PSO-ELM)进行比较分析，从而对PSO-ELM掺假羊奶的预测模型效果进行验证。分别按式(1)～(3)计算均方根误差(RMSE)、平均绝对误差(MAE)、相关系数(R2)，并对这3种ELM模型进行评价。

(1)

(2)

(3)

式中：

N——样本量。

RMSE、MAE、R2范围在 [0,1]内，并且这3个值可以反映模型的预测性和进度。RMSE、MAE值距离0越近越好，R2距离1越近越好。不同参数优化下的羊奶纯度预测模型如图4所示。

从图4和表1中可以得出，网格搜索法建模集中RMSE为0.022 7、R2为0.896、MAE为0.356，验证集中RMSE为0.028 6、R2为0.862、MAE为0.368，相对于遗传算法及粒子群算法预测效果不好，可能是网格搜索法虽然能够通过逐步搜索寻找出满足精确度的参数组合，但需要不断缩小参数区间且计算量大、效率低所造成的。进一步比较遗传算法及粒子群算法发现，粒子群算法预测效果最好，这是因为遗传算法受适应度函数、初值的影响，而粒子群算法具有速度快、效率高，算法简单等优点。因此相对于网格搜索算法及其遗传算法，PSO粒子群具有更佳的灵活和适应性，可以快速准确地寻找最优的ELM参数组合，因此PSO-ELM羊奶纯度预测模型精度较高。

图4 不同浓度羊奶样本的ELM预测图Figure 4 The ELM prediction of goat milk samples withdifferent concentrations

表1 ELM模型性能指标在不同参数优化方法下的对比Table 1 Performance comparison of PLSR and SVM model based on different parameter optimization methods

3 结论

本研究采用PCA对不同掺假浓度的羊奶进行了识别，不同掺假浓度的羊奶各自落在不同的区域，相互之间隔离比较远，因此电子舌可以将不同掺假浓度的羊奶进行有效的区分。采用粒子群优化极限学习机对不同掺假比例的羊奶进行定性预测，PSO-ELM羊奶掺假比例预测模型具有较高的预测精度。该算法综合了极限学习机ELM和粒子群PSO的优点，具有参数调整简单、泛化性好的优点。试验结果表明，电子舌能够将不同掺假浓度的羊奶粉很好地区别开来。电子舌作为一种新型的现代化智能感官仪器，下一步在牛奶及其羊奶奶粉的品质以品牌区分以及掺假鉴别等方面具有巨大潜力。