《表2 小波降噪方法比较结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于拉曼光谱与k最近邻算法的酸奶鉴别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由图1可以看出，3种品牌酸奶的拉曼光谱图在出峰位置上具有较高的相似性，说明酸奶组分成分较为一致，不过在峰形状、峰间比值上有些许差异，因此可用模式识别算法予以测试分析，本文选用k最近邻算法（k Nearest neighbor，kNN）。在进行kNN判别分析时，研究发现可对酸奶拉曼光谱进行预处理，以提高判别准确性和运算效率[12-13]。首先，仔细观察酸奶拉曼光谱（图1），可以发现原始光谱图中存在噪声，噪声是机器采集信号时产生的随机信号，可能会对判别模型产生干扰。因此本文选用小波软阈值降噪方法进行谱图降噪预处理，基本步骤是针对谱图信号进行小波分解，选择1个小波并确定1个分解层次N，对分解得到的小波系数进行阈值处理，最后根据小波分解的第N层的系数和高频系数进行信号的重构，得到平滑去噪后的谱图数据。如图2所示，展示了基于bior2.4小波基的谱图降噪分析，图2A为品牌aa的拉曼光谱原始信号，图2B为小波变换低频系数，图2C为小波变换高频系数，可以看出光谱噪声主要集中在高频中，图2D为小波降噪后重构的光谱信号，可以较明显的看出，光谱谱线变得更为平滑。目前常用的小波基有bior，coif，db和sym系列，为此，比较了在固定判别模型其他参数的条件下，其他参数是主成分选取前40个，k取1，马氏距离，分解层数N=3，仅改变小波基，又由于测试集、训练集的选取使用的是随机选取法，因此各取5次试验结果，计算平均识别率的变化情况比较小波基降噪效果，如表2所示。同样测试条件下，未做小波降噪的平均识别率是93.18%，可以看出经过小波降噪，可以明显提高识别率，在bior2.4小波基条件下可以达到99.70%。主成分分析是一种线性特征提取，降低数据维度，提高运算效率的数据前处理方法，如图3所示，拉曼光谱原有维度为2090维，经过主成分提取，仅需使用40个提取的主成分，即可以达到原有数据信息的累计贡献率95%以上，在其他实验参数不变的条件下，其他参数是主成分选取前40个，k取1，马氏距离，分解层数N=3，bior2.4小波基，经过计算发现未做主成分降维的5次平均识别率为99.38%，平均实验用时0.8879 s，使用主成分降维的5次平均识别率为99.70%，平均实验用时0.7838 s，实验识别率均可达到90%以上，但实验用时减少了0.1041 s，运算效率提高10%以上。