[发明专利]一种拉曼光谱小波融合的芝麻油多元掺伪检测方法

权利要求书

1.一种拉曼光谱小波融合的芝麻油多元掺伪检测方法，其特征在于，包括：

步骤一、多元掺伪油样配制：向芝麻油样品中掺入一定量的大豆油和菜籽油，得到多元掺伪油样；

步骤二、一次光谱采集：采集多元掺伪油样在1050～1350cm^-1范围的拉曼光谱图，得到一次拉曼光谱图；

一次光谱采集的条件如下：

将多元掺伪油样置于流通池中，设置多元掺伪油样的温度为60±5℃，湿度为30±5％RH，多元掺伪油样的流速为0.8～1cm/s；

设置拉曼光谱仪的分辨率为4cm^-1，激光功率为220mW，积分时间为5S，且光谱采集探头的入射方向与多元掺伪油样的流向构成一45°的入射角；

每个多元掺伪油样取三次测量的平均值作为最终采集的一次拉曼光谱图；

步骤三、二次光谱采集：采集多元掺伪油样在1400～1700cm^-1范围的拉曼光谱图，得到二次拉曼光谱图；

二次光谱采集的条件如下：

将多元掺伪油样置于流通池中，设置多元掺伪油样的温度为60±5℃，湿度为30±5％RH，多元掺伪油样的流速为0.2～0.4cm/s；

设置拉曼光谱仪的分辨率为8cm^-1，激光功率为440mW，积分时间为10S，且光谱采集探头的入射方向与多元掺伪油样的流向构成一45°的入射角；

每个多元掺伪油样取三次测量的平均值作为最终采集的二次拉曼光谱图；

步骤四、光谱小波融合：将多元掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行小波融合，得到小波融合光谱图；

步骤五、光谱预处理：对多元掺伪油样的小波融合光谱图进行预处理，得到预处理融合光谱图；

步骤六、掺伪量预测：根据多元掺伪油样的预处理融合光谱图，采用掺伪优化定量模型预测所述多元掺伪油样的掺伪量；

所述步骤六中掺伪优化定量模型的建立方法如下：

在若干份等质量的芝麻油样中依次按不同质量比掺入大豆油和菜籽油，得到若干份掺伪油样；

采集所述若干份掺伪油样的一次拉曼光谱图和二次拉曼光谱图，一次拉曼光谱图采集条件如步骤二中所述，二次拉曼光谱图采集条件如步骤三中所述；

将所述若干份掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行小波融合，得到小波融合光谱图，融合方法如步骤四中所述；

对所述若干份多元掺伪油样的小波融合光谱图进行预处理，得到预处理融合光谱图，预处理方法如步骤五中所述；

通过多核学习支持向量机回归方法建立所述若干份掺伪油样的预处理融合光谱图与掺伪量之间的掺伪定量模型，并采用粒子群优化算法对掺伪定量模型中的参数进行优化，得到掺伪优化定量模型；

通过多核学习支持向量机回归方法建立所述若干份掺伪油样的预处理融合光谱图与掺伪量之间的掺伪定量模型，将预处理融合光谱图的数据按特征维数分为10组，这10组均利用高斯核建立单核支持向量机掺伪定量模型；并采用粒子群优化算法对掺伪定量模型中的惩罚因子矩阵[C]和核函数参数矩阵[g]进行优化，[C]和[g]均是10x8的矩阵，优化时设置种群粒子数为30，每个粒子维数为2，迭代进化次数为160，学习因子初始值设定为C1＝1.6，C2＝1.8，得到10组参数([C]，[g])，并对这10组参数([C]，[g])进行加权投票，从而得到掺伪优化定量模型；

经优化，

当[C]等于

[g]等于

且权重为[0.0745，0.0957，0.1358，0.03214，0.1321，0.1438，0.0839，0.0695，0.484，0.0346]时，得到掺伪优化定量模型，其均方根误差≤5％，相关系数≥98％。

2.如权利要求1所述的拉曼光谱小波融合的芝麻油多元掺伪检测方法，其特征在于，所述步骤一中大豆油和菜籽油向芝麻油样品中的掺入质量比范围均为0～50％。

3.如权利要求1所述的拉曼光谱小波融合的芝麻油多元掺伪检测方法，其特征在于，所述步骤四中光谱小波融合的方法如下：将多元掺伪油样的一次拉曼光谱图和二次拉曼光谱图进行4层小波离散变换，得到15个高低频带，其中包含13个高频带和2个低频带，再根据融合规则分别对13个高频带和2个低频带进行融合，并进行小波逆变换，得到小波融合光谱图。

4.如权利要求1所述的拉曼光谱小波融合的芝麻油多元掺伪检测方法，其特征在于，所述步骤五中对多元掺伪油样的小波融合光谱图依次进行移动平均11点平滑法和Savitzky-Golay滤波9点平滑消除光谱噪声、及采用自适应迭代重加权惩罚最小二乘算法进行基线校正预处理，得到预处理融合光谱图。