来源：期刊VIP网 时间：
作者：赵玉霞;王茹;张世芝;殷博;张明锦;
单位：青海师范大学化学化工学院;青海民族大学化学化工学院;青海省环境功能材料先进技术与应用重点实验室;
摘要：建立基于光谱融合的定性分析模型，实现保护地理标志产品“互助”青稞酒的快速鉴别。采集白酒的紫外光谱(ultraviolet, UV)和近红外光谱(near-infrared, NIR),分别使用4种方法进行预处理，通过主成分特征提取，应用数据层和特征层策略融合多光谱信息，通过比较验证偏最小二乘判别分析(partial least square-discriminant analysis, PLS-DA)、随机森林(random forest, RF)、反向传播神经网络(back propagation neural network, BPNN)和径向基神经网络(radial basis function neural network, RBF-NN)模型的评价指标来评估建模效果。结果表明，二阶导数预处理后主成分特征提取融合的变量建立PLS-DA模型效果最好，预测集的灵敏度、特异性和受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)分别为1.000、0.966 7和0.962 4;原始光谱和Savitzky-Golay平滑(Savitzky-Golay smooth, SG)光谱经过主成分特征提取融合后的变量建立的RF模型最优，训练集和预测集的分类准确率均达到100%;UV原始光谱和SG预处理后经过主成分特征提取的变量建立的BPNN模型识别效果最好，预测集分类准确率和预测决定系数分别为100%和1,均方误差<0.03;UV原始光谱和SG预处理后的主成分分析-径向基神经网络(principle component analysis-radial basis function neural network, PCA-RBF-NN)分类结果最优，训练集和预测集分类准确率均为100%;NIR全光谱经SNV预处理后建立的RBF-NN模型分类结果最优，训练集和测试集的分类准确率值均为100%;UV-NIR的LF原光谱和SG预处理光谱分类结果最优，训练集和测试集分类准确率均为100%。因此，经主成分特征提取建模所用的光谱数据变量大大减少，有效简化了分类模型，而模型性能仍与全波长所建立的模型性能持平。该文为“互助”青稞酒的快速、无损识别提供了一种可行的方法。
关键词：中国“互助”青稞酒;;主成分特征提取;;偏最小二乘判别;;反向传播神经网络;;随机森林;;径向基神经网络
基金资助：国家自然科学基金项目(22363010);; 青海省自然科学基金项目(2022-ZJ-769)
