[发明专利]一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法

权利要求书

1.一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法，其特征是，包括：采集真假蜂蜜样品并生成洋槐蜜数据；对洋槐蜜数据进行真假标注得到洋槐蜜数据集；通过谱图特征选择得到低维洋槐蜜数据集；构建蜂蜜真假鉴别模型RF-XGBoost；对模型进行参数优化和模型验证；利用模型对待测蜂蜜进行真伪鉴别；具体包括以下步骤：

A：采集和制备蜂蜜样品，包括真蜂蜜样品和假蜂蜜样品，并生成洋槐蜜数据；

通过核磁共振技术，对蜂蜜样品进行NOESY 1D检测，得到检测蜂蜜样品的一维氢信号谱图，进而对谱图进行数字化转换，得到多个反映洋槐蜜样品谱图特征的真假洋槐蜜数据记录；

B：对洋槐蜜数据记录进行真假标注，得到洋槐蜜数据集；

对步骤A中得到的洋槐蜜数据中的每一条记录添加真假标签属性，用于表示洋槐蜜为真蜂蜜或掺假蜂蜜；每一条记录按照一定规则再添加一个样本名称属性；将得到的洋槐蜜数据集记为D；洋槐蜜数据集D包括反映洋槐蜜样品谱图的多个特征；

C：选择谱图特征；

从洋槐蜜数据集D反映谱图特征的多个特征中选择重要性程度大的前p个特征为最终特征集合，根据最终特征集合得到低维的洋槐蜜数据集，记为D′，用于模型的构建和训练；

具体是采用随机森林算法得到洋槐蜜数据集D中每个特征的重要性大小，并对特征重要性程度大小进行排序；然后选取前p个特征为最终特征集合；包括如下步骤：

C1：构建包含多棵决策树的随机森林；

随机森林中的每一棵决策树均为二叉树，即为一个分类器；决策树中的每个节点表示洋槐蜜数据集的一个子集；节点纯度最高的特征作为最优特征；

C2：特征重要性评估：计算每个特征C_j的重要性评分VIM_j，即计算第j个特征C_j在随机森林所有决策树中节点分裂纯度的平均改变量；

计算洋槐蜜数据集D中每个特征在随机森林中的每棵决策树上的贡献；取平均值，得到每个特征的贡献程度即重要性程度，采用基尼Gini指数表示；Gini指数值越小表示集合中被选中的元素被分错的概率越小，也就是集合的纯度越高；

通过式(4)计算得到Gini指数的值：

式中，GI_m为决策树中节点m的Gini值；p_mk代表节点m中样本属于第k类的概率估计值，K代表样本集的类别个数；

类别分为真蜂蜜和假蜂蜜两个类别，即K＝2，此时节点m的Gini指数为式(5):

GI_m＝2p_m(1-p_m) (5)

其中，p_m为洋槐蜜样本在节点m属于任意一类的概率估计值；

设决策树分枝时，根据特征F是否取某一可能的值f，将洋槐蜜数据集合D分割成D₁和D₂两部分，即：D₁＝{(x,y)∈D|F(x)＝f},D₂＝D-D₁；其中x为洋槐蜜样本，y为样本x对应的标签值；则在特征F在取值f的条件下，集合D的基尼指数定义为式(6)：

其中，和由式(5)计算，|D|表示集合D中样本的个数；

特征C_j在节点m中的重要性即决策树中的节点m分枝前后的Gini指数变化量，由式(7)计算得到：

其中，GI_L和GI_R分别表示分枝之后两个新节点的Gini指数；

如果特征C_j在第l棵决策树中出现M次，则C_j在第l棵树的重要性表示为：

若随机森林共有n棵决策树，特征C_j在随机森林中的重要性表示为：

将所有求得的重要性评分进行归一化处理，得到重要性评分VIM_j：

C3：特征选取；包括：

使用洋槐蜜数据集D中176个特征的重要性评分，根据重要性进行降序排序之后得到特征序列λ(λ₁,λ₂,…,λ_p,…,λ₁₇₆)，假定阈值为γ，当前p个特征的重要性之和大于等于γ，即时，选择λ₁,λ₂,…,λ_p为最终的特征集合，得到p+2维的洋槐蜜数据集D′；

D：构建并训练洋槐蜜真伪鉴别模型，得到训练好的洋槐蜜真伪鉴别模型；

D1：基于洋槐蜜数据集D′，利用scikit-learn机器学习库的XGBClassifier方法构建洋槐蜜真伪鉴别模型，记为RF-XGBoost；

基于树集成模型XGBoost，对于每一个洋槐蜜样本x_i，根据式(11)累加多棵树的预测值来计算该样本最终的预测值表示为：

式中，K是决策树的总数量；为样本x_i的预测值；f_k(x_i)为决策树k对洋槐蜜样本x_i的预测值；F是假设空间，表示为式(12)：

F＝{f(x)＝ω_q(x)}(q:R→T,ω∈R^T) (12)

式中，q(x)表示将洋槐蜜样本x映射到决策树对应的叶子节点中，T是决策树中叶子节点的个数，ω_q(x)是叶子节点对洋槐蜜样本x的预测值；

使用目标函数求解每个叶子节点的最优预测值，使得目标函数最小的ω值即为每个叶子节点对洋槐蜜样本的最优预测值；目标函数Obj由损失函数和正则化项两部分组成，表示为式(13)：

其中,为损失函数，即训练误差，Ω(f_k)为正则化项，用于控制模型的复杂度；其中的正则化项表示为式(14)：

式中，T为叶子节点个数；γ用于控制叶子节点个数；λ为通过控制叶子节点的分数，用于防止过拟合；

D2：训练洋槐蜜真伪鉴别模型RF-XGBoost；

将洋槐蜜数据集D′划分为训练数据集和测试数据集；使用训练数据集对RF-XGBoost进行模型训练，采用GridSearchCV模型调参方法对XGBClassifier方法中的参数进行优化，参数包括：决策树个数、决策树的深度、训练样本子采样比例、训练样本的特征采样比例、惩罚项系数、学习率，得到训练好的洋槐蜜真伪鉴别模型；

E、对待鉴别的洋槐蜜样品进行NOESY 1D检测，得到待测样品的一维氢信号谱图；并对谱图进行数字化转换，得到反映样品谱图特征的洋槐蜜数据；利用训练好的洋槐蜜真伪鉴别模型进行洋槐蜜真伪鉴别。