程龙 靳涛 刘凤莲

摘 要：目的：提出一种基于主成分分析和粒子群优化——支持向量机算法的鸡精调味料风味质量模型。方法：以6种鸡精调味料风味感官数据为研究对象，对鸡精调味料的风味成分进行主成分分析，降低数据维数;利用粒子群优化算法获取支持向量机的最佳参数，并用支持向量机完成对鸡精调味料风味数据的训练和分类。结果：本文提出的模型与其他传统模型相比，具有较高的准确度，且实用价值高。

关键词：鸡精调味料;PCA;PSO-SVM算法;支持向量机;质量控制模型

随着人们生活水平的不断提高，人们对美食的要求也越来越高。鸡精调味料作为一种重要的食品调味料，其风味质量很大程度上决定了食品的口感[1]。传统方法一般采用仪器分析和人工评吸的方式进行风味质量控制。但仪器分析获得的数据只能用来建立鸡精调味料成分的风味数据库，人工评吸的方式受品评人员的经验限制，且主观性强，费用高，不利于大批量数据的感官评测。

主成分分析（Principal Component Analysis，PCA）是多元统计中的一种数据挖掘技术。其主要用来将数据降维，在不丢失主要成分信息的前提下，选择较少的变量来替代原有的变量，以达到数据冗余的目的，加快运算速度。支持向量机（Support Vector Machine，SVM）是一种基于小样本的模式识别算法，它不仅能够克服传统神经网络对样本大容量的要求，还能够有效解决维数灾难及局部最小值问题，并且在解决非线性问题上表现出色[2]。

鸡精调味料组成成分复杂多样，且存在非线性关系和大量的数据冗余[3]。……