基于随机蛙跳和支持向量机的牛乳收购分级模型构建

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 Algo-rithm,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.