食用油是日常生活中的必需品。 市场上食用油在成分、营养价值及价格上有很大的不同。 为避免欺诈行为, 亟需建立一套有效的市场销售的食用油品质分类方法。 常规的食用油检测方法速度慢而且需要复杂的实验室预处理过程。 分子光谱从分子水平上反映了物质的组成与结构信息, 分子光谱分析速度快而且是无损监测, 因此分子光谱分析结合化学计量学的方法正成为食用油分类方法的趋势。 SIMCA（Soft Independent Modeling of Class Analogy）是应用广泛的分子光谱分析方法, 然而在SIMCA中使用欧氏距离于对基于PCA和F检验提取的特征进行分类, 难以区分不规则的特征空间。 由于食用油样本分子光谱差别细微, 通常难以用SIMCA方法进行分类。 SVDD（Support Vector Domain Description）算法是一类基于支持域的非线性单类分类方法, SVDD利用求解凸二次规划得出一个尽可能包含所有目标样本的最小超球体进行分类。 本文提出了一种基于SIMCA-SVDD方法的分子光谱分析方法并用于食用油的快速分类。 为鉴别不同种类的食用油, 在ATR-FTIR光谱仪上扫描四种食用油的红外光谱。 应用SIMCA方法提取分类特T2和Q, 由于提取的特征T2和Q分布的不规则性, 不同于SIMCA中的欧氏距离, 本文采用SVDD用于对提取的不规则特征进行分类。 由于SVDD能通过映射函数将分类特征映射到高维空间, 因此可以通过求解凸二次规划来训练最优的分类超球面对分类特征进行分类。 采用本文所提的SIMCA-SVDD方法及传统的SIMCA方法, 对同样的样本进行了对比实验。 对比实验证实了本文所提的SIMCA-SVDD方法具有比传统的SIMCA方法更好的分类结果, 所提的方法为实现基于分子光谱进行食用油快速分类提供了一条新的途径。

SIMCA采用PCA模型参数和F检验构造计算T2i/T2ucl和Si/Q统计量作为样本分类的新属性, 并计算待测样本到各类主成分空间的欧式距离作为判别类别的依据, 是一种最常用和优秀的光谱分类方法。 但是, 在Q对T2作图平面上, 以欧式距离确定的样本分布范围是一个圆, 多数情况下并不一定能符合实际样本分布规律。 本文在分析了SIMCA理论缺陷的基础上, 提出了一种新方法, 即用马氏距离代替欧氏距离作为判别依据来判断样本的类别。 并设计了采用红外光谱判别组分比例很接近的掺假食用油样本的实验, 以及用近红外光谱判别相近皮毛样本的实验。 用调和比5%～8%的食用油红外光谱PCA模型, 分别以马氏距离和欧式距离计算出其样本的分布范围, 结果表明马氏距离的分类与识别能力更强。 新方法和SIMCA对动物皮毛样本的正确识别率分别为87.5%和75%, 对比例相近的食用油调和油的正确识别率分别为65%和55%。 结果表明新方法对化学组成差异微小的样品分类精度明显优于SIMCA。