[发明专利]结合单标号学习和多标号学习的食用油掺伪鉴别方法

权利要求书

1.一种结合单标号学习和多标号学习的食用油掺伪鉴别方法，步骤如下：

步骤S1：使用高效液相色谱仪器采集食用油样本，得到各个时间点的波谱信号值；

步骤S2：对采集得到的食用油样本进行标号，标定油样所属的类别是否为纯油；

步骤S3：按照油样所属的类别构建多标号分类器，以便于预测油样的成分；

步骤S4：按照油样是否为纯油构建单标号分类器；

步骤S5：对于未知油样，同时使用单标号分类器和多标号分类器进行预测得到油样的组成成分和是否为纯油的检测结果；

步骤S6：当油样的组成成分与油样是否为纯油的检测结果不一致时，使用单标号预测的结果对油

样组成成分的预测结果进行矫正；最后依据每类预测结果的正负值对食用油进行决策。

2.如权利要求1中所述的食用油掺伪检验方法，其特征在于，步骤S1所得到的高效液色谱仪采集食用油的样本未经过任何的特征选择或尺度变换预处理步骤，原因在于本发明所采用的AdaBoost算法：(1)对线性尺度变换是保持不变的；(2)构造弱分类器的过程中已经隐含了特征选择步骤。

3.如权利要求1中所述的食用油掺伪检验方法，其特征在于，步骤S2所述的对食用油样本进行标号，其标号除按照食用油属于某类标定该目标列为+1或-1外，还需要根据该食用油是纯油还是混合油标为+1或-1，因而总的目标列为类别数目加1。

4.如权利要求1中所述的食用油掺伪检验方法，其特征在于，在步骤S3的构建多标号分类器的过程中，尽管多标号AdaBoost算法按照one-vs-rest构造多个两类分类器，但是该算法仅需要遍历一遍而不是多遍数据集来优化多标号的指数损失函数，极大地提高了算法的性能。

5.如权利要求4中所述的AdaBoost算法，其特征在于，多标号算法和两类单标号算法中涉及到的AdaBoost算法均为AdaBoost.RMH，算法的预测值均为实数。

6.如权利要求1中所述的食用油掺伪检验方法，其特征在于，在步骤S4所述的构造单标号分类器的过程中，需要根据食用油是纯油或是混合油构造两类分类器，而将多标号AdaBoost输出预言值符号(正号，负号)的方式变为求极大值的方式即为单标号AdaBoost分类器。

7.如权利要求1中所述的食用油掺伪检验方法，其特征在于，步骤S5所述，当对未知油样进行预测时，用多标号AdaBoost算法对油样进行成分预测和对油样是否为纯油进行两类分类是相互独立的两个过程。

8.如权利要求1中步骤S6所述的对成分预测结果进行矫正的过程，其特征在于，当两类AdaBoost算法预测到油样为纯油，但是多标号分类器却预测到油样含有多个成分，或当两类AdaBoost算法预测到油样为混合油，多标号分类器却预测到油样仅含有一个成分时，这两种情况下，都需要对多标号分类器的结果进行校正。

9.如权利要求8中对多标号分类器的结果进行校正，其特征在于，当两类AdaBoost算法预测到油样为纯油时，则仅将最大输出对应的那一类置为原值的绝对值，其他的输出全置为原值的绝对值的负值；当两类AdaBoost算法预测到油样为混合油时，则将最大值输出对应的那一类置为原值的绝对值以外，还要将次大值输出对应的那一类置为原值的绝对值，而其他的输出保持不变。

10.如权利要求1中步骤S6所述的依据预测结果对食用油进行决策，其特征在于，对于某个待测的食用油样本，多标号算法对于每一类均给出一个带有正负号的预测值，通过统计正预测值的数目可知，该食用油是纯油还是混合油；通过预测值的正负值，可知，该食用油属于哪些类别。