CN112378942B - 一种基于核磁共振指纹图谱的白酒等级分类识别方法 - Google Patents

一种基于核磁共振指纹图谱的白酒等级分类识别方法 Download PDF

Info

Publication number
CN112378942B
CN112378942B CN202011199817.8A CN202011199817A CN112378942B CN 112378942 B CN112378942 B CN 112378942B CN 202011199817 A CN202011199817 A CN 202011199817A CN 112378942 B CN112378942 B CN 112378942B
Authority
CN
China
Prior art keywords
data
magnetic resonance
nuclear magnetic
white spirit
principal component
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011199817.8A
Other languages
English (en)
Other versions
CN112378942A (zh
Inventor
熊兴中
程林琳
陈明举
陈蕾蕾
曾锌
程凯星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University of Science and Engineering
Original Assignee
Sichuan University of Science and Engineering
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan University of Science and Engineering filed Critical Sichuan University of Science and Engineering
Priority to CN202011199817.8A priority Critical patent/CN112378942B/zh
Publication of CN112378942A publication Critical patent/CN112378942A/zh
Application granted granted Critical
Publication of CN112378942B publication Critical patent/CN112378942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
    • G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了基于核磁共振指纹图谱的白酒等级分类识别方法,其通过对不同品质的白酒样品进行核磁共振检测，以此获得相应的核磁共振指纹图谱数据，并对该核磁共振图谱数据进行降噪预处理、核主成分分析降维处理、卷积神经网络模型分类与识别处理、分类结果加权计算处理，从而得到关于白酒样品的品质测试结果，并且该将该品质测试结果与白酒样品自身的预设感官评定品质等级进行比对，以确定该品质测试结果的可靠性，其通过人工智能的方式对白酒样品的核磁共振指纹图谱数据进行分析处理，以此得到客观化的白酒品质测试结果，上述对白酒品质的评价过程不受人为因素的影响，其能够最大限度地提高白酒品质确定的客观性、可靠性和准确性。

Description

一种基于核磁共振指纹图谱的白酒等级分类识别方法
技术领域
本发明涉及白酒品质检测的技术领域，尤其涉及一种基于核磁共振指纹图谱的白酒等级分类识别方法。
背景技术
目前，白酒在酿造完成后需要对白酒的等级品质进行分类，而这种分类工作通常是由评酒师来完成的，而评酒师对白酒的等级品质评价准确性主要决定于评酒师的个人经验和个人能力，这使得评酒师对白酒的等级品质评价结果属于主观评价，从而容易导致不同评酒师对同一白酒的等级品质的评价结果可能存在较大的差异。现有技术并未出现利用人工智能的方式对白酒的等级品质进行客观的和非人工评价的方法。
发明内容
针对上述现有技术存在的缺陷，本发明提供基于核磁共振指纹图谱的白酒等级分类识别方法，其采用核磁共振波谱仪对若干不同品质的白酒样品进行检测，从而对应获得若干核磁共振指纹图谱数据，对该核磁共振指纹图谱数据进行降噪预处理，并对该降噪预处理后的核磁共振指纹图谱数据进行核主成分分析处理，从而得到该核磁共振指纹图谱数据包含的低维空间主成分数据，并采用卷积神经网络模型对该低维空间主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果，再对该核磁共振图谱峰值高度分类结果和所述核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于该白酒样品的品质测试结果，最后将该品质测试结果与该白酒样品的预设感官评定品质等级进行对比，从而判断该品质测试结果的可靠性；可见，该基于核磁共振指纹图谱的白酒等级分类识别方法通过对不同品质的白酒样品进行核磁共振检测，以此获得相应的核磁共振指纹图谱数据，并对该核磁共振图谱数据进行降噪预处理、核主成分分析降维处理、卷积神经网络模型分类与识别处理、分类结果加权计算处理，从而得到关于白酒样品的品质测试结果，并且该将该品质测试结果与白酒样品自身的预设感官评定品质等级进行比对，以确定该品质测试结果的可靠性，其通过人工智能的方式对白酒样品的核磁共振指纹图谱数据进行分析处理，以此得到客观化的白酒品质测试结果，上述对白酒品质的评价过程不受人为因素的影响，其能够最大限度地提高白酒品质确定的客观性、可靠性和准确性。
本发明提供基于核磁共振指纹图谱的白酒等级分类识别方法，其特征在于，其包括如下步骤：
步骤S1，采用核磁共振波谱仪对若干不同品质的白酒样品进行检测，从而对应获得若干核磁共振指纹图谱数据；
步骤S2，对所述核磁共振指纹图谱数据进行降噪预处理，并对所述降噪预处理后的核磁共振指纹图谱数据进行核主成分分析处理，从而得到所述核磁共振指纹图谱数据包含的低维空间主成分数据；
步骤S3，采用卷积神经网络模型对所述低维空间主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果；
步骤S4，对所述核磁共振图谱峰值高度分类结果和所述核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于所述白酒样品的品质测试结果；
步骤S5，将所述品质测试结果与所述白酒样品的预设感官评定品质等级进行对比，从而判断所述品质测试结果的可靠性；
进一步，在所述步骤S1中，采用核磁共振波谱仪对若干不同品质的白酒样品进行检测，从而对应获得若干核磁共振指纹图谱数据具体包括：
步骤S101，对若干不同品质的白酒样品进行水峰压制处理和乙醇峰压制处理，从而对应获得预处理的若干不同品质的白酒样品；
步骤S102，采用核磁共振波谱以对预处理的若干不同品质的白酒样品进行检测，从而对应获得若干不同品质的白酒样品的核磁共振指纹图谱；
步骤S103，从所述核磁共振指纹图谱中提取核磁共振峰的峰值高度数据和半峰宽度数据，以此作为核磁共振指纹图谱数据；
进一步，在所述步骤S2中，对所述核磁共振指纹图谱数据进行降噪预处理具体包括：
对所述核磁共振峰的峰值高度数据和半峰宽度数据进行小波变换，以此对四分频后的所述核磁共振指纹图谱数据的边缘部分进行滤化处理，从而消除所述峰值高度数据和所述半峰宽度数据中的噪声成分；
进一步，在所述步骤S2中，对所述降噪预处理后的核磁共振指纹图谱数据进行核主成分分析处理，从而得到所述核磁共振指纹图谱数据包含的低维空间主成分数据具体包括：
步骤S201，对所述降噪预处理后的峰值高度数据和半峰宽度数据进行小波重构；
步骤S202，对小波重构后的峰值高度数据和半峰宽度数据进行非线性映射处理，以此将所述峰值高度数据和所述半峰宽度数据转换为具有分类特性的数据集合；
步骤S203，对所述数据集合进行核主成分分析降维处理，从而得到所述核磁共振指纹图谱数据包含的低维空间主成分数据；
进一步，在所述步骤S203中，对所述数据集合进行核主成分分析处理，从而得到所述核磁共振指纹图谱数据包含的低维空间主成分数据具体包括：
基于多项径向基核函数包含的高斯内核函数，对所述数据集合进行核主成分分析处理，从而得到所述核磁共振指纹图谱数据包含的低维空间主成分数据；
进一步，在所述步骤S3中，采用卷积神经网络模型对所述低维空间主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果具体包括：
步骤S301，从所述低维空间主成分数据中摘选若干个数据作为训练数据，对所述卷积神经网络模型进行训练；
步骤S302，确定经过上述步骤S301训练后的所述卷积神经网络模型的实际学习效率，并将所述实际学习效率与预设学习效率阈值进行比对，若所述实际学习效率大于或者等于所述预设学习效率阈值，则停止对所述卷积神经网络模型的训练，否则，继续从所述低维空间主成分数据中摘选另外若干个数据作为训练数据，再对所述卷积神经网络模型进行训练；
步骤S303，将完成训练的所述卷积神经网络模型对所述低维空间主成分数据中的峰值高度主成分数据和半峰宽度主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果；
进一步，在所述步骤S301中，从所述低维空间主成分数据中摘选若干个数据作为训练数据，对所述卷积神经网络模型进行训练具体包括：
从所述低维空间主成分数据中按一定比例摘选四种数据作为训练数据，对所述卷积神经网络模型进行训练；
进一步，在所述步骤S303中，将完成训练的所述卷积神经网络模型对所述低维空间主成分数据中的峰值高度主成分数据和半峰宽度主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果具体包括：
将所述低维空间主成分数据中的所有峰值高度主成分数据输入至完成训练的所述卷积神经网络模型中，以此将所述卷积神经网络模型的输出结果作为所述核磁共振图谱峰值高度分类结果；
将所述低维空间主成分数据中的所有半峰宽度主成分数据输入至完成训练的所述卷积神经网络模型中，以此将所述卷积神经网络模型的输出结果作为所述核磁共振图谱半峰宽度分类结果；
进一步，在所述步骤S4中，对所述核磁共振图谱峰值高度分类结果和所述核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于所述白酒样品的品质测试结果具体包括：
根据下面公式(1)，对所述核磁共振图谱峰值高度分类结果和所述核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于所述白酒样品的品质测试结果neto：
neto＝0.5368*neto1+0.4632*neto2 (1)
在上述公式(1)中，neto1表示所述核磁共振图谱峰值高度分类结果，neto2表示所述核磁共振图谱半峰宽度分类结果；
进一步，在所述步骤S5中，将所述品质测试结果与所述白酒样品的预设感官评定品质等级进行对比，从而判断所述品质测试结果的可靠性具体包括：
步骤S501，确定所述品质测试结果与所述白酒样品的预设感官评定品质等级对应的分值之间的实际偏差百分比；
步骤S502，将所述实际偏差百分比与预设偏差百分比阈值进行比对，若所述实际偏差百分比超过所述预设偏差百分比阈值，则确定所述品质测试结果不具备可靠性，否则，确定所述品质测试结果具备可靠性。
相比于现有技术，本发明的基于核磁共振指纹图谱的白酒等级分类识别方法采用核磁共振波谱仪对若干不同品质的白酒样品进行检测，从而对应获得若干核磁共振指纹图谱数据，对该核磁共振指纹图谱数据进行降噪预处理，并对该降噪预处理后的核磁共振指纹图谱数据进行核主成分分析处理，从而得到该核磁共振指纹图谱数据包含的低维空间主成分数据，并采用卷积神经网络模型对该低维空间主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果，再对该核磁共振图谱峰值高度分类结果和所述核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于该白酒样品的品质测试结果，最后将该品质测试结果与该白酒样品的预设感官评定品质等级进行对比，从而判断该品质测试结果的可靠性；可见，该基于核磁共振指纹图谱的白酒等级分类识别方法通过对不同品质的白酒样品进行核磁共振检测，以此获得相应的核磁共振指纹图谱数据，并对该核磁共振图谱数据进行降噪预处理、核主成分分析降维处理、卷积神经网络模型分类与识别处理、分类结果加权计算处理，从而得到关于白酒样品的品质测试结果，并且该将该品质测试结果与白酒样品自身的预设感官评定品质等级进行比对，以确定该品质测试结果的可靠性，其通过人工智能的方式对白酒样品的核磁共振指纹图谱数据进行分析处理，以此得到客观化的白酒品质测试结果，上述对白酒品质的评价过程不受人为因素的影响，其能够最大限度地提高白酒品质确定的客观性、可靠性和准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于核磁共振指纹图谱的白酒等级分类识别方法的流程示意图。
图2为本发明提供的基于核磁共振指纹图谱的白酒等级分类识别方法中不同品质的白酒样品的核磁共振图谱每种品质各展示一个。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，为本发明提供的基于核磁共振指纹图谱的白酒等级分类识别方法的结构示意图。该基于核磁共振指纹图谱的白酒等级分类识别方法包括如下步骤：
步骤S1，采用核磁共振波谱仪对若干不同品质的白酒样品进行检测，从而对应获得若干核磁共振指纹图谱数据；
步骤S2，对该核磁共振指纹图谱数据进行降噪预处理，并对该降噪预处理后的核磁共振指纹图谱数据进行核主成分分析处理，从而得到该核磁共振指纹图谱数据包含的低维空间主成分数据；
步骤S3，采用卷积神经网络模型对该低维空间主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果；
步骤S4，对该核磁共振图谱峰值高度分类结果和该核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于该白酒样品的品质测试结果；
步骤S5，将该品质测试结果与该白酒样品的预设感官评定品质等级进行对比，从而判断该品质测试结果的可靠性。
上述技术方案的有益效果为：该基于核磁共振指纹图谱的白酒等级分类识别方法通过对不同品质的白酒样品进行核磁共振检测，以此获得相应的核磁共振指纹图谱数据，并对该核磁共振图谱数据进行降噪预处理、核主成分分析降维处理、卷积神经网络模型分类与识别处理、分类结果加权计算处理，从而得到关于白酒样品的品质测试结果，并且该将该品质测试结果与白酒样品自身的预设感官评定品质等级进行比对，以确定该品质测试结果的可靠性，其基于白酒样品的特性与核磁共振指纹图谱之间存在的非线性关系，将核主成分分析KPCA与卷积神经网络模型CNN相结合来对白酒样品的核磁共振指纹图谱数据进行分析处理，以此得到客观化的白酒品质测试结果，上述对白酒品质的评价过程不受人为因素的影响，其能够最大限度地提高白酒品质确定的客观性、可靠性和准确性。
优选地，在该步骤S1中，采用核磁共振波谱仪对若干不同品质的白酒样品进行检测，从而对应获得若干核磁共振指纹图谱数据具体包括：
步骤S101，对若干不同品质的白酒样品进行水峰压制处理和乙醇峰压制处理，从而对应获得预处理的若干不同品质的白酒样品；
步骤S102，采用核磁共振波谱以对预处理的若干不同品质的白酒样品进行检测，从而对应获得若干不同品质的白酒样品的核磁共振指纹图谱；
步骤S103，从该核磁共振指纹图谱中提取核磁共振峰的峰值高度数据和半峰宽度数据，以此作为核磁共振指纹图谱数据。
在实际操作用，由于白酒的成分比较复杂，其通常含有800中以上的物质，而其主要成分为水和乙醇，由于水和乙醇本身并不具有“指纹”特性，若在白酒不进行任何预处理的情况下直接对白酒进行核磁共振检测时，得到的核磁共振图谱并不会反映该白酒的特性，为此需要采用水峰压制技术和乙醇压制技术对白酒样品进行预先处理后，再采用核磁共振波谱仪对该白酒样品进行检测，其该核磁共振波谱仪可为但不限于是Bruker公司的核磁共振波谱仪AVANCE III HD 600MHz，该核磁共振波谱仪AVANCE III HD 600MHz的仪器参数如下面表1所示：
表1
Figure BDA0002750421190000081
参阅图2，为本发明提供的基于核磁共振指纹图谱的白酒等级分类识别方法中不同品质的白酒样品的核磁共振图谱。本发明分别对二级白酒、一级白酒、优级白酒和特级白酒这四种不同品质的白酒分别进行核磁共振检测，并相应得到核磁共振图谱，可见这四种不同品质的白酒的核磁共振图谱在峰值高度Tntensity(abs)和半峰宽度Half width(ppm)上分别具有不同的分布特性。
而本发明的实验采集了36种不同品质的白酒样品的核磁共振图谱的峰值高度数据和半峰宽度数据，其中部分白酒样品的峰值高度数据和半峰宽度数据如下面表2所示：
表2
Figure BDA0002750421190000082
通过对不同品质的白酒样品进行水峰压制处理和乙醇峰压制处理后，能够有效地和全面地获得不同品质的白酒样品的核磁共振指纹图谱，并且从其中提取得到核磁共振峰的峰值高度数据和半峰宽度数据来作为核磁共振指纹图谱数据，以便于后续做进一步的分析处理。
优选地，在该步骤S2中，对该核磁共振指纹图谱数据进行降噪预处理具体包括：
对该核磁共振峰的峰值高度数据和半峰宽度数据进行小波变换，以此对四分频后的该核磁共振指纹图谱数据的边缘部分进行滤化处理，从而消除该峰值高度数据和该半峰宽度数据中的噪声成分。
上述技术方案的有益效果为：由于小波变换对原始数据进行局部化的分析，其通过伸缩平移运算对原始数据逐步进行对尺度细化，最终达到高频处频率细分，低频处频率细分，具有自动适应的特点，从而可聚焦到信号的任意细节，不仅能够较好地保留原始信号中的重要信息成分，而且可以将原始信号进行高低频分离处理。而对该对该核磁共振峰的峰值高度数据和半峰宽度数据进行小波变换，以此对四分频后的原始核磁共振图谱对应的图频信号的边缘部分做滤化处理，这样能够使得原始核磁共振图谱中包含的特征信息更加明显突出，其在对含有多种噪声成分的原始核磁共振图谱进行降噪处理时，表现出显著的优越性。
优选地，在该步骤S2中，对该降噪预处理后的核磁共振指纹图谱数据进行核主成分分析处理，从而得到该核磁共振指纹图谱数据包含的低维空间主成分数据具体包括：
步骤S201，对该降噪预处理后的峰值高度数据和半峰宽度数据进行小波重构；
步骤S202，对小波重构后的峰值高度数据和半峰宽度数据进行非线性映射处理，以此将该峰值高度数据和该半峰宽度数据转换为具有分类特性的数据集合；
步骤S203，对该数据集合进行核主成分分析处理，从而得到该核磁共振指纹图谱数据包含的低维空间主成分数据。
在实际操作中，在对该降噪预处理后的峰值高度数据和半峰宽度数据进行小波重构具体可为，对原始输入的T1数据进行四层分解再根据下面公式进行小波重构
T1＝A4+0.5*D11+0.5*D2+D3+D4
在上述公式中，A4表示重构第4层低频信号均值部分，D11表示对D1数据边缘做滤化后的数据阈值，并且D1表示重构第1层低频信号的细节部分；D2表示重构第2层低频信号的细节部分，D3表示重构第3层低频信号的细节部分，D4表示重构第4层低频信号细节部分，通过上述小波重构能够有效地提高数据的清晰度。
优选地，在该步骤S203中，对该数据集合进行核主成分分析处理，从而得到该核磁共振指纹图谱数据包含的低维空间主成分数据具体包括：
基于多项径向基核函数包含的高斯内核函数，对该数据集合进行核主成分分析处理，从而得到该核磁共振指纹图谱数据包含的低维空间主成分数据。
上述技术方案的有益效果为：由于白酒的特性与核磁共振图谱中的核磁共振图谱峰值高度数据和核磁共振图谱半峰宽度数据之间存在非线性关系，采用主成分分析方法PCA对这些数据进行降维处理，其无法有效地对数据进行分类，而为了更好地对每一个品质的白酒进行分类，则采用核主成分分析方法KPCA对该数据进行降维处理。举例而言，假设对于核磁共振图谱半峰宽度数据集合X(其为m行*n列的矩阵数据集合)，现将X映射到高维空间中有：
Figure BDA0002750421190000101
令
XT＝[φ(x1)，...，φ(xN)] (B)
那么
Figure BDA0002750421190000102
在这里，因为φ(x)是不知道，所以公式C是没法算的。就算知道了，计算成本也太大了。故引入核函数。
Figure BDA0002750421190000111
求特征值，特征向量有
(XXT)u＝λu (E)
其中，u为矩阵K的特征向量，λ为矩阵K的特征值。我们对左右两边同时左乘一个XT有
XT(XXT)u＝λXTu (F)
即
(XTX)(XTu)＝λ(XTu) (G)
又因为
Figure BDA0002750421190000115
所以我们发现矩阵K和C的特征值是相同的，都为λ，C的特征向量为XTu。对其做单位化得
Figure BDA0002750421190000112
求x在υ上的投影
Figure BDA0002750421190000113
本发明KPCA选用多项径向基核函数中的高斯内核函数其表达式为：
Figure BDA0002750421190000114
也可以使用
Figure BDA0002750421190000121
其中σ，γ参数可调。参数的选择直接影响数据分类结果。σ越大，γ越小，指数部分接近0，k(x，y)越接近1。σ越小，γ越大，指数部分接近0，k(x，y)越接近0。γ过大会出现过拟合。本发明记
Figure BDA0002750421190000122
经多次实验表明c在1000～100000时具有良好的分类效果大于100000分类效果开始下降，小于1000电脑运行效果开始变慢，出现过拟合。本发明KPCA可调节参数c＝20000。
通过上述核主成分分析方法KPCA进行降维处理能够在有效地提取数据主成分的情况下，完整地保留数据之间的非线性相关性。
优选地，在该步骤S3中，采用卷积神经网络模型对该低维空间主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果具体包括：
步骤S301，从该低维空间主成分数据中摘选若干个数据作为训练数据，对该卷积神经网络模型进行训练；
步骤S302，确定经过上述步骤S301训练后的该卷积神经网络模型的实际学习效率，并将该实际学习效率与预设学习效率阈值进行比对，若该实际学习效率大于或者等于该预设学习效率阈值，则停止对该卷积神经网络模型的训练，否则，继续从该低维空间主成分数据中摘选另外若干个数据作为训练数据，再对该卷积神经网络模型进行训练；
步骤S303，将完成训练的该卷积神经网络模型对该低维空间主成分数据中的峰值高度主成分数据和半峰宽度主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果。
优选地，在该步骤S301中，从该低维空间主成分数据中摘选若干个数据作为训练数据，对该卷积神经网络模型进行训练具体包括：
从该低维空间主成分数据中按一定比例摘选四种数据作为训练数据，对该卷积神经网络模型进行训练。
优选地，在该步骤S303中，将完成训练的该卷积神经网络模型对该低维空间主成分数据中的峰值高度主成分数据和半峰宽度主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果具体包括：
将该低维空间主成分数据中的所有峰值高度主成分数据输入至完成训练的该卷积神经网络模型中，以此将该卷积神经网络模型的输出结果作为该核磁共振图谱峰值高度分类结果；
将该低维空间主成分数据中的所有半峰宽度主成分数据输入至完成训练的该卷积神经网络模型中，以此将该卷积神经网络模型的输出结果作为该核磁共振图谱半峰宽度分类结果。
在实际应用中，每次从该低维空间主成分数据中按一定比例摘选四种数据作为训练数据，能够使得该卷积神经网络模型在每一次训练后其实际学习效率会相应地提高，通常而言，当该卷积神经网络模型经过5次或者以上的训练后，其实际学习效率会满足相应的条件。
以当降维处理将相应的数据维度降至52维而言，该卷积神经网络模型第一层为输入层输入数据长度为52；第二层为卷积层卷积内核为5得到长度为48的数据；第三层为一个2维的池化层，经池化后数据长度为24；第四层为卷积层卷积内核为5得到长度为20的数据；第五层为一个2维的池化层，经池化后数据长度为10；最后将长度为10的数据输入给全连接层，并最终输出分别关于所有峰值高度主成分数据和所有半峰宽度主成分数据的分类结果。
优选地，在该步骤S4中，对该核磁共振图谱峰值高度分类结果和该核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于该白酒样品的品质测试结果具体包括：
根据下面公式(1)，对该核磁共振图谱峰值高度分类结果和该核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于该白酒样品的品质测试结果neto：
neto＝0.5368*neto1+0.4632*neto2 (1)
在上述公式(1)中，neto1表示该核磁共振图谱峰值高度分类结果，neto2表示该核磁共振图谱半峰宽度分类结果。
上述技术方案的有益效果为：通过上述公式(1)，能够对该白酒样品的品质测试结果进行量化的和客观的表征，从而便于后续与预设感官评定品质等级进行数值化的对比。
优选地，在该步骤S5中，将该品质测试结果与该白酒样品的预设感官评定品质等级进行对比，从而判断该品质测试结果的可靠性具体包括：
步骤S501，确定该品质测试结果与该白酒样品的预设感官评定品质等级对应的分值之间的实际偏差百分比；
步骤S502，将该实际偏差百分比与预设偏差百分比阈值进行比对，若该实际偏差百分比超过该预设偏差百分比阈值，则确定该品质测试结果不具备可靠性，否则，确定该品质测试结果具备可靠性。
上述技术方案的有益效果为：通过将该品质测试结果与该白酒样品的预设感官评定品质等级进行对比，能够判断该品质测试结果与现有评酒师确定的感官评定品质等级之间的吻合度，从而进一步对本发明的白酒等级分类识别方法进行反馈调整和确保该白酒等级分类识别方法的可靠性。
从上述实施例的内容可知，该基于核磁共振指纹图谱的白酒等级分类识别方法采用核磁共振波谱仪对若干不同品质的白酒样品进行检测，从而对应获得若干核磁共振指纹图谱数据，对该核磁共振指纹图谱数据进行降噪预处理，并对该降噪预处理后的核磁共振指纹图谱数据进行核主成分分析处理，从而得到该核磁共振指纹图谱数据包含的低维空间主成分数据，并采用卷积神经网络模型对该低维空间主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果，再对该核磁共振图谱峰值高度分类结果和该核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于该白酒样品的品质测试结果，最后将该品质测试结果与该白酒样品的预设感官评定品质等级进行对比，从而判断该品质测试结果的可靠性；可见，该基于核磁共振指纹图谱的白酒等级分类识别方法通过对不同品质的白酒样品进行核磁共振检测，以此获得相应的核磁共振指纹图谱数据，并对该核磁共振图谱数据进行降噪预处理、核主成分分析降维处理、卷积神经网络模型分类与识别处理、分类结果加权计算处理，从而得到关于白酒样品的品质测试结果，并且该将该品质测试结果与白酒样品自身的预设感官评定品质等级进行比对，以确定该品质测试结果的可靠性，其通过人工智能的方式对白酒样品的核磁共振指纹图谱数据进行分析处理，以此得到客观化的白酒品质测试结果，上述对白酒品质的评价过程不受人为因素的影响，其能够最大限度地提高白酒品质确定的客观性、可靠性和准确性。

Claims (4)

1.基于核磁共振指纹图谱的白酒等级分类识别方法，其特征在于，其包括如下步骤：
步骤S1，采用核磁共振波谱仪对若干不同品质的白酒样品进行检测，从而对应获得若干核磁共振指纹图谱数据；
步骤S2，对所述核磁共振指纹图谱数据进行降噪预处理，并对所述降噪预处理后的核磁共振指纹图谱数据进行核主成分分析处理，从而得到所述核磁共振指纹图谱数据包含的低维空间主成分数据；
步骤S3，采用卷积神经网络模型对所述低维空间主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果；
步骤S4，对所述核磁共振图谱峰值高度分类结果和所述核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于所述白酒样品的品质测试结果；
步骤S5，将所述品质测试结果与所述白酒样品的预设感官评定品质等级进行对比，从而判断所述品质测试结果的可靠性；
在所述步骤S1中，采用核磁共振波谱仪对若干不同品质的白酒样品进行检测，从而对应获得若干核磁共振指纹图谱数据具体包括：
步骤S102，采用核磁共振波谱以对若干不同品质的白酒样品进行检测，从而对应获得若干不同品质的白酒样品的核磁共振指纹图谱；
步骤S103，从所述核磁共振指纹图谱中提取核磁共振峰的峰值高度数据和半峰宽度数据，以此作为核磁共振指纹图谱数据；
在所述步骤S2中，对所述核磁共振指纹图谱数据进行降噪预处理具体包括：对所述核磁共振峰的峰值高度数据和半峰宽度数据进行小波变换，以此对四分频后的所述核磁共振指纹图谱数据的边缘部分进行滤化处理，从而消除所述峰值高度数据和所述半峰宽度数据中的噪声成分；
在所述步骤S2中，对所述降噪预处理后的核磁共振指纹图谱数据进行核主成分分析处理，从而得到所述核磁共振指纹图谱数据包含的低维空间主成分数据具体包括：
步骤S201，对所述降噪预处理后的峰值高度数据和半峰宽度数据进行小波重构；
步骤S202，对小波重构后的峰值高度数据和半峰宽度数据进行非线性映射处理，以此将所述峰值高度数据和所述半峰宽度数据转换为具有分类特性的数据集合；
步骤S203，对所述数据集合进行主成分分析降维处理，从而得到所述核磁共振指纹图谱数据包含的低维空间主成分数据；
在所述步骤S203中，对所述数据集合进行核主成分分析处理，从而得到所述核磁共振指纹图谱数据包含的低维空间主成分数据具体包括：
基于多项径向基核函数包含的高斯内核函数，对所述数据集进行核主成分分析处理，从而得到所述核磁共振指纹图谱数据包含的低维空间主成分数据；
在所述步骤S3中，采用卷积神经网络模型对所述低维空间主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果具体包括：
步骤S301，从所述低维空间主成分数据中摘选若干个数据作为训练数据，对所述卷积神经网络模型进行训练；
步骤S302，确定经过上述步骤S301训练后的所述卷积神经网络模型的实际学习效率，并将所述实际学习效率与预设学习效率阈值进行比对，若所述实际学习效率大于或者等于所述预设学习效率阈值，则停止对所述卷积神经网络模型的训练，否则，继续从所述低维空间主成分数据中摘选另外若干个数据作为训练数据，再对所述卷积神经网络模型进行训练；
步骤S303，将完成训练的所述卷积神经网络模型对所述低维空间主成分数据中的峰值高度主成分数据和半峰宽度主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果；
在所述步骤S4中，对所述核磁共振图谱峰值高度分类结果和所述核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于所述白酒样品的品质测试结果具体包括：
根据下面公式(1)，对所述核磁共振图谱峰值高度分类结果和所述核磁共振图谱半峰宽度分类结果进行加权处理，以此得到关于所述白酒样品的品质测试结果neto：
neto＝0.5368*neto1+0.4632*neto2 (1)
在上述公式(1)中，neto1表示所述核磁共振图谱峰值高度分类结果，neto2表示所述核磁共振图谱半峰宽度分类结果；
在所述步骤S5中，将所述品质测试结果与所述白酒样品的预设感官评定品质等级进行对比，从而判断所述品质测试结果的可靠性具体包括：
步骤S501，确定所述品质测试结果与所述白酒样品的预设感官评定品质等级对应的分值之间的实际偏差百分比；
步骤S502，将所述实际偏差百分比与预设偏差百分比阈值进行比对，若所述实际偏差百分比超过所述预设偏差百分比阈值，则确定所述品质测试结果不具备可靠性，否则，确定所述品质测试结果具备可靠性。
2.根据权利要求1所述的基于核磁共振指纹图谱的白酒等级分类识别方法，其特征在于：在执行所述步骤S102之前还进行以下步骤：
步骤S101，对若干不同品质的白酒样品进行水峰压制处理和乙醇峰压制处理，从而对应获得预处理的若干不同品质的白酒样品。
3.根据权利要求1所述的基于核磁共振指纹图谱的白酒等级分类识别方法，其特征在于：
在所述步骤S301中，从所述低维空间主成分数据中摘选若干个数据作为训练数据，对所述卷积神经网络模型进行训练具体包括：
从所述低维空间主成分数据中按一定比例摘选四种数据作为训练数据，对所述卷积神经网络模型进行训练。
4.根据权利要求1所述的基于核磁共振指纹图谱的白酒等级分类识别方法，其特征在于：
在所述步骤S303中，将完成训练的所述卷积神经网络模型对所述低维空间主成分数据中的峰值高度主成分数据和半峰宽度主成分数据进行分类与识别处理，从而得到相应的核磁共振图谱峰值高度分类结果和核磁共振图谱半峰宽度分类结果具体包括：
将所述低维空间主成分数据中的所有峰值高度主成分数据输入至完成训练的所述卷积神经网络模型中，以此将所述卷积神经网络模型的输出结果作为所述核磁共振图谱峰值高度分类结果；
将所述低维空间主成分数据中的所有半峰宽度主成分数据输入至完成训练的所述卷积神经网络模型中，以此将所述卷积神经网络模型的输出结果作为所述核磁共振图谱半峰宽度分类结果。
CN202011199817.8A 2020-10-29 2020-10-29 一种基于核磁共振指纹图谱的白酒等级分类识别方法 Active CN112378942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011199817.8A CN112378942B (zh) 2020-10-29 2020-10-29 一种基于核磁共振指纹图谱的白酒等级分类识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011199817.8A CN112378942B (zh) 2020-10-29 2020-10-29 一种基于核磁共振指纹图谱的白酒等级分类识别方法

Publications (2)

Publication Number Publication Date
CN112378942A CN112378942A (zh) 2021-02-19
CN112378942B true CN112378942B (zh) 2023-05-26

Family

ID=74577462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011199817.8A Active CN112378942B (zh) 2020-10-29 2020-10-29 一种基于核磁共振指纹图谱的白酒等级分类识别方法

Country Status (1)

Country Link
CN (1) CN112378942B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117347416B (zh) * 2023-10-12 2024-05-31 无锡鸣石峻致医疗科技有限公司 一种物质成分的非侵入式检测方法、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0095124A1 (de) * 1982-05-26 1983-11-30 Bruker Medizintechnik GmbH Verfahren zur nicht-invasiven Ermittlung von Messwerten innerhalb eines lebenden Körpers
JPS61223639A (ja) * 1985-03-29 1986-10-04 Jeol Ltd 酒類の熟成度評価方法
WO2007012643A1 (en) * 2005-07-25 2007-02-01 Metanomics Gmbh Means and methods for analyzing a sample by means of chromatography-mass spectrometry
CN106932379A (zh) * 2017-04-12 2017-07-07 国家纳米科学中心 一种探测二维纳米材料层间剪切作用力的方法
CN109376805A (zh) * 2018-12-21 2019-02-22 四川理工学院 一种基于白酒基酒指纹图谱特征的分类方法
CN109490349A (zh) * 2019-01-16 2019-03-19 江南大学 一种低场核磁无损检测白酒酒曲水活度的分析方法
CN111537542A (zh) * 2020-06-01 2020-08-14 四川轻化工大学 一种快速识别大曲等级的方法
CN115166170A (zh) * 2022-07-27 2022-10-11 贵州大学 一种不同等级酱香基酒分类识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0095124A1 (de) * 1982-05-26 1983-11-30 Bruker Medizintechnik GmbH Verfahren zur nicht-invasiven Ermittlung von Messwerten innerhalb eines lebenden Körpers
JPS61223639A (ja) * 1985-03-29 1986-10-04 Jeol Ltd 酒類の熟成度評価方法
WO2007012643A1 (en) * 2005-07-25 2007-02-01 Metanomics Gmbh Means and methods for analyzing a sample by means of chromatography-mass spectrometry
CN106932379A (zh) * 2017-04-12 2017-07-07 国家纳米科学中心 一种探测二维纳米材料层间剪切作用力的方法
CN109376805A (zh) * 2018-12-21 2019-02-22 四川理工学院 一种基于白酒基酒指纹图谱特征的分类方法
CN109490349A (zh) * 2019-01-16 2019-03-19 江南大学 一种低场核磁无损检测白酒酒曲水活度的分析方法
CN111537542A (zh) * 2020-06-01 2020-08-14 四川轻化工大学 一种快速识别大曲等级的方法
CN115166170A (zh) * 2022-07-27 2022-10-11 贵州大学 一种不同等级酱香基酒分类识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
关于肝癌的激光荧光光谱数据的模式识别分析;孙飞 等;中国医学物理学杂志;第16卷(第02期);第82-83页 *
基于可见/近红外光谱的水稻品种快速鉴别研究;李晓丽 等;光谱学与光谱分析;第28卷(第03期);第578-581页 *
多个(重)强峰压制与白酒的核磁共振分析;张晓静 等;分析化学;第33卷(第11期);第1631-1634页 *
核磁共振技术在酒的质量检测中的应用;李坚 等;食品工业科技;第37卷(第19期);第396-400页 *

Also Published As

Publication number Publication date
CN112378942A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
Kumar et al. Classification of seizure and seizure-free EEG signals using local binary patterns
Chauhan et al. An efficient data mining classification approach for detecting lung cancer disease
CN112766379A (zh) 一种基于深度学习多权重损失函数的数据均衡方法
TW201732662A (zh) 一種建立資料識別模型的方法及裝置
CN108399434B (zh) 基于特征提取的高维时间序列数据的分析预测方法
Atal et al. A hybrid feature extraction and machine learning approaches for epileptic seizure detection
CN112378942B (zh) 一种基于核磁共振指纹图谱的白酒等级分类识别方法
CN114113471A (zh) 一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及***
CN117708760B (zh) 基于多模型融合的开关柜多源局放模式识别方法及***
CN112205990A (zh) 一种基于sEMG的不同负载下手腕角度预测方法及装置
CN116071565A (zh) 一种基于高光谱成像的苹果霉心病识别方法及***
CN116340812A (zh) 一种变压器局部放电故障模式识别方法及***
CN115935160A (zh) 一种基于邻域粗糙集属性约简的空气质量数据处理方法
CN113066544B (zh) 基于CAA-Net与LightGBM的FVEP特征点检测方法
CN115630332A (zh) 一种小麦粉粉质特性预测方法
CN115541531A (zh) 基于二维相关光谱预测饲料中蛋白质含量的方法
CN113516025B (zh) 一种基于模型构建的高光谱图像处理方法、设备及介质
CN113143275B (zh) 一种样本与特征质量联合量化评估的脑电疲劳检测方法
CN114781252A (zh) 基于改进人工蜂群算法的svm的带锯条磨损识别方法
CN112382382B (zh) 一种代价敏感的集成学习分类方法及***
Khalid et al. Performance Comparison of Feature Selection Methods for Prediction in Medical Data
CN112200228A (zh) 一种基于二维卷积神经网络的癫痫发作状态识别方法
CN117929356B (zh) 一种基于高斯过程回归的libs定量分析方法
Baek et al. Multi-choice wavelet thresholding based binary classification method
CN112101301B (zh) 一种螺杆水冷机组的好音稳定预警方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Xiong Xingzhong

Inventor after: Cheng Linlin

Inventor after: Chen Mingju

Inventor after: Chen Leilei

Inventor after: Zeng Xin

Inventor after: Cheng Kaixing

Inventor before: Xiong Xingzhong

Inventor before: Cheng Linlin

Inventor before: Chen Mingju

Inventor before: Chen Leilei

Inventor before: Zeng Xin

Inventor before: Cheng Kaixing

GR01 Patent grant
GR01 Patent grant