食用油拉曼光谱的决策树和 K 均值分析：基于物理的 AI 方法

arXiv:2608.20440v1 公告类型：新 摘要：加工食品中食用油的认证对于食品质量、预防欺诈和监管合规非常重要。这项研究建立了一个集成的拉曼光谱和机器学习框架，将内在光谱组织、可解释的分类和物理信息人工智能 (PI-AI) 联系起来。使用 t-SNE、K 均值聚类、决策树和基于非负最小二乘法 (NNLS) 的谱分解，对五种纯食用油在油炸薯片矩阵中进行了研究。无监督分析揭示了纯油中明显更强的类别组织和可分离性，而食物基质效应则引入了明显的光谱重叠。决策树仅使用原始 1866 个特征光谱空间中的四个拉曼变量就实现了纯油 100% 的分类精度。这四个变量由预剪枝和后剪枝模型一致识别，仅代表可用光谱信息的约 0.21%，同时保留了完美的测试集性能。对于包含基质的样本，基于 NNLS 的 PI-AI 光谱分解通过将与石油相关的特征与纸张和马铃薯的贡献分开来显着改进了分类。优化后剪枝模型在扣除纸张和扣除纸张加马铃薯的数据集上分别实现了 86.4% 和 85.4% 的准确率，同时将重要拉曼变量的数量减少到只有 5 个和 4 个。紧凑的四特征表示进一步将数据占用量减少了 99.44%，而分类精度没有损失。总的来说，这些发现表明，可以通过物理意义、高度紧凑和可解释的光谱表示来实现基于拉曼的准确石油识别，为节俭人工智能、边缘人工智能、便携式传感和嵌入式食品质量监控提供了有希望的基础。