基于随机蛙跳和支持向量机的牛乳收购分级模型构建

• Published in: 智慧农业（中英文） Vol. 3; no. 4; pp. 77 - 85
• Main Authors: 肖仕杰, 王巧华, 李春芳, 赵利梅, 刘鑫雅, 卢士宇, 张淑君
• Format: Journal Article
• Language: Chinese
• Published: 中国农业科学院农业信息研究所 30.12.2021
• Subjects: 随机蛙跳; 支持向量机; 中红外光谱; 牛乳; 收购分级
• ISSN: 2096-8094
• DOI: 10.12133/j.smartag.2021.3.4.202107-SA003

蛋白质、脂肪含量和体细胞数量作为牛乳收购中的重要参考指标，决定了牛乳的品质和价格。为批量准确地对牛乳品质进行分级，提高乳企的生产效率，本研究以3216份荷斯坦牛牛乳样本为研究对象，应用中红外光谱技术实现对收购过程中4种不同品质牛乳的检测分级。利用一阶导数和一阶差分对光谱进行预处理，并结合竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling，CARS）和随机蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）筛选出能代表不同牛乳的有效特征变量，建立支持向量机（Support Vector Machine，SVM）模型。其中，利用网格搜索法（Grid Search，GS）、遗传算法（Genetic Algorithm，GA）和粒子群算法（Particle Swarm Optimization，PSO）对SVM模型的关键参数——惩罚参数c和核函数参数g进行优化。结果表明，SFLA算法总体上优于CARS算法，PSO优化SVM模型的效果最佳。一阶差分预处理后，利用SFLA算法筛选特征变量建立的PSO-SVM模型，训练集准确率、测试集准确率和曲线下面积（Area Under Curve，AUC）分别为97.8%、95.6%和0.96489。该模型具有较高的准确率，在牛乳产业中具有实际应用价值。