多标号学习矢量量化的食用油掺伪检测

计算机应用 ›› 2013, Vol. 33 ›› Issue (11): 3141-3143.

多标号学习矢量量化的食用油掺伪检测

陈景波

常熟理工学院电气与自动化工程学院，江苏常熟 215500

收稿日期:2013-05-20 修回日期:2013-07-19 出版日期:2013-11-01 发布日期:2013-12-04
通讯作者: 陈景波
作者简介:陈景波(1978-)，男，江苏常熟人，副教授，硕士，主要研究方向：数字图像处理、针织机械自动化。

Oil adulteration detection with multi-label learning vector quantization

CHEN Jingbo

School of Electrical and Automation Engineering, Changshu Institute of Technology, Changshu Jiangsu 215500, China

Received:2013-05-20 Revised:2013-07-19 Online:2013-12-04 Published:2013-11-01
Contact: CHEN Jingbo

摘要/Abstract

摘要： 为了提高食用油掺伪检测效果，基于食用油的高效液相色谱数据，提出了一个新的多标号学习矢量量化算法(ML-LVQ)，并应用于食用油的掺伪检测中。它每次调整两个原型使排序损失的上界最小，并通过元标号分类器确定多标号的数目，从而达到同时优化ranking准则函数和bipartitions准则函数的目的。在9类纯油以及它们的混合油样本的数据集上测试的结果表明，ML-LVQ取得了比改进的AdaBoost.RMH算法更好的性能。

关键词: 多标号算法, 学习矢量量化算法, 元标号分类器, 高效液相色谱法, 食用油掺伪检测

Abstract: To improve the detection effect in oil adulteration, a new algorithm called ML-LVQ (Multi-Label Learning Vector Quantization) was proposed, which adapted Learning Vector Quantization (LVQ) to solve the multi-label learning problem on High Performance Liquid Chromatography (HPLC) data. It could minimize the upper bound of the ranking error, which would benefit the ranking measure. Moreover, the meta-labeler was used to identify the number of the labels for improving the bipartitions measure. The experimental results on nine classes of pure oil and their mixed oil samples show that the proposed algorithm is superior to the improved AdaBoost.RMH.

Key words: multi-label algorithm, Learning Vector Quantization (LVQ) algorithm, meta-labeler, High Performance Liquid Chromatography (HPLC) method, oil adulteration detection

中图分类号:

TP181

陈景波. 多标号学习矢量量化的食用油掺伪检测[J]. 计算机应用, 2013, 33(11): 3141-3143.

CHEN Jingbo. Oil adulteration detection with multi-label learning vector quantization[J]. Journal of Computer Applications, 2013, 33(11): 3141-3143.

[1]	刘晓龙, 王士同. 渐进式分离的开放集模糊域自适应算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3127-3131.
[2]	陈露张晓霞于洪. 基于先验知识的非负矩阵半可解释三因子分解算法[J]. 计算机应用, 0, (): 0-0.
[3]	李晓杰崔超然宋广乐苏雅茜吴天泽张春云. 基于时序超图卷积神经网络的股票趋势预测方法[J]. 计算机应用, 0, (): 0-0.
[4]	李宗正周恺卿丁雷欧云. 基于基因交换的自适应人工鱼群算法[J]. 计算机应用, 0, (): 0-0.
[5]	刘清华廖士中. 基于随机素描方法的在线核回归[J]. 计算机应用, 0, (): 0-0.
[6]	刘忠慧王梓宥闵帆. 近似概念的遗传生成算法及其推荐应用[J]. 计算机应用, 0, (): 0-0.
[7]	汪敏冯婷婷闵帆唐洪明闫建平廖纪佳. 页岩气储层预测的多标签主动学习算法[J]. 计算机应用, 0, (): 0-0.
[8]	任柯舟, 彭甫镕, 郭鑫, 王喆, 张晓静. 动态融合社交信息的社会化推荐[J]. 计算机应用, 2021, 41(10): 2806-2812.
[9]	张志浩, 林耀进, 卢舜, 郭晨, 王晨曦. 缺失标记下基于类属属性的多标记特征选择[J]. 计算机应用, 2021, 41(10): 2849-2857.
[10]	王雅辉, 钱宇华, 刘郭庆. 基于模糊优势互补互信息的有序决策树算法[J]. 计算机应用, 2021, 41(10): 2785-2792.
[11]	顾军华樊帅李宁宁张素琪. 基于知识图偏好注意力网络的长短期推荐模型及其更新方法[J]. 计算机应用, 0, (): 0-0.
[12]	王海起王志海李留珂孔浩然王琼徐建波. 基于网格划分的城市短时交通流量时空预测模型[J]. 计算机应用, 0, (): 0-0.
[13]	陈恒王思懿李正光李冠宇刘鑫. 基于关系记忆的胶囊网络知识图谱嵌入模型[J]. 计算机应用, 0, (): 0-0.
[14]	张成, 万源, 强浩鹏. 基于知识蒸馏的深度无监督离散跨模态哈希[J]. 计算机应用, 2021, 41(9): 2523-2531.
[15]	孙浩艺, 王传美, 丁义明. 基于隐藏层输出矩阵的极限学习机算法优化[J]. 计算机应用, 2021, 41(9): 2481-2488.