在可食用野生牛肝菌中，部分野生牛肝菌具有毒性，如食用加工方法不當(dāng)，易導(dǎo)致食物中毒，如華麗牛肝菌、小美牛肝菌、絨柄牛肝菌等。新鮮野生牛肝菌外貌相似，即使是有經(jīng)驗的專家學(xué)者，也很難快速、準確識別其種類，同時野生食用菌不易保存，常被制成干片銷售，進一步增加了辨識難度。目前，國內(nèi)外野生牛肝菌混雜現(xiàn)象屢屢發(fā)生，嚴重威脅消費者的身體健康，急需一種準確、快速、廉價的常見野生食用牛肝菌種類鑒別技術(shù)。

雖然傅里葉變換中紅外光譜表征樣品的化學(xué)信息全面，但其中存在大量干擾信息和無效信息，反而會導(dǎo)致模型分類性能下降，故研究不同信息挖掘方法對野生牛肝菌種類鑒別具有重要意義。目前，對牛肝菌光譜信息挖掘主要集中在不同預(yù)處理方法對模型分類效果的影響。因此，云南農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院的胡翼然、范茂攀*、云南省農(nóng)業(yè)科學(xué)院藥用植物研究所的王元忠*等人采用預(yù)處理及不同特征變量提取方法（主成分、變量重要性、變量投影重要性），挖掘中紅外光譜有效信息，結(jié)合支持向量機（SVM）建立判別模型，比較模型分類效果，探索野生牛肝菌種類鑒別方法，為野生食用菌鑒別和質(zhì)量控制提供參考依據(jù)。

1、中紅外光譜分析

比較圖3中8 種野生牛肝菌的中紅外平均光譜圖。8 種野生牛肝菌均有相似的峰形、峰數(shù)、峰位，表明這8 種野生牛肝菌有相似的化學(xué)成分。華麗牛肝菌和小美牛肝菌相較于其他牛肝菌吸光度更高，其余6 種野生牛肝菌的吸光度有微小差異，表明這8 種野生牛肝菌的化學(xué)成分含量不同。利用中紅外光譜圖對8 種野生牛肝菌進行可視化分析，可以看出不同種類野生牛肝菌存在差異，因此需進一步結(jié)合數(shù)理統(tǒng)計學(xué)鑒別種類。

2、預(yù)處理對模型分類效果的影響

如圖4a1所示，基于GS選出原始中紅外光譜最優(yōu)參數(shù)組合（C=2.62×105，g=3.81×10-6），分類結(jié)果如圖4a2所示，有3 個樣品分類錯誤，其中1 個栗色牛肝菌被分類為美味牛肝菌，2 個雙色牛肝菌分別被分類為栗色牛肝菌和美味牛肝菌。原始數(shù)據(jù)經(jīng)MSC＋SG＋1D處理后，形成由827 個樣品×1 839 個變量組成的數(shù)據(jù)矩陣，如圖4b1所示，基于GS選出最優(yōu)參數(shù)組合（C=90.5，g=3.45×10-4），分類結(jié)果如圖4b2所示，有1 個分類錯誤，其中1 個栗色牛肝菌被分類為小美牛肝菌。研究表明，原始數(shù)據(jù)結(jié)合SVM建立判別模型，CRAW大于24，gRAW小于2-4，模型過擬合風(fēng)險大，經(jīng)預(yù)處理后去建立模型，CMSC＋SG＋1D小于CRAW，gMSC＋SG＋1D小于gRAW，模型擬合能力增加，但CMSC＋SG＋1D大于24，gMSC＋SG＋1D小于2-4，過擬合風(fēng)險依然大。根據(jù)模型的混淆矩陣，可以計算出靈敏度、特異性參數(shù)（表2），從保護消費者身體健康的角度，不允許有毒牛肝菌錯分類為無毒牛肝菌，即鑒別野生牛肝菌種類要有高靈敏度，本實驗根據(jù)靈敏度判斷模型分類性能，靈敏度越高模型分類性能越高。
3、不同特征變量對模型分類效果的影響
與RAW相比，基于提取特征變量建立光譜的模型與RAW光譜建立的模型相比，模型過擬合風(fēng)險均降低，分類精度均更加準確，研究結(jié)果證實了光譜信息中存在大量無效信息，混淆了算法對有效特征的識別，減弱了模型的分類性能。實驗中3 種提取特征變量方法均不同程度去除了非有效信息，增加了模型擬合度，但效果不理想。模型RAW-FI、RAW-VIP過擬合風(fēng)險大，原因是這兩種方法基于波長點挖掘數(shù)據(jù)，可能將噪音等負面信息誤判為特征變量；模型RAW-FI、RAW-VIP過擬合風(fēng)險小，原因是該方法基于波長整體挖掘數(shù)據(jù)，可能減弱了負面信息和有效信息的影響，導(dǎo)致相較于其他模型擬合度高，分類性能弱。需進一步深入挖掘光譜信息。
4、預(yù)處理組合不同特征變量對模型分類效果的影響
與RAW、MSC＋SG＋1D、RAW-PC、RAWFI、RAW-VIP相比，基于預(yù)處理組合特征變量方法建立光譜的模型，模型擬合度高、分類性能好，研究結(jié)果證實了預(yù)處理與特征變量組合方法可以大幅減少非有效信息，增強有效信息，起協(xié)同作用達到準確鑒別的目的。

5、建模方法對比分析

對比表2和表3分析不同算法的模型參數(shù)。PLS-DA模型靈敏度在59.8%～93.0%之間，SVM模型靈敏度在92.2%～99.3%之間，研究表明，SVM算法的分類能力優(yōu)于PLS-DA。但Wang Yuanyuan等對靈芝的中紅外光譜鑒別研究中有相反的結(jié)論，PLS-DA模型分類性能優(yōu)于SVM模型，原因可能是其樣本量少（120），本研究中樣本量更大（827），研究表明，SVM模型更適用于大樣本種類鑒別。預(yù)處理與特征變量組合方法挖掘光譜信息能力最強，對模型分類效果提升最大，研究表明，該方法適用范圍廣。
采用傅里葉變換中紅外光譜法測定8 種827 個野生牛肝菌子實體的紅外光譜，分析牛肝菌的化學(xué)信息。采用預(yù)處理、提取特征變量（PC、FI、VIP）及兩者組合等方法挖掘樣品光譜信息，提高模型分類效果，結(jié)果表明：預(yù)處理組合特征變量對模型信息挖掘能力最強，結(jié)合SVM建立判別模型，模型擬合好，分類精度高，實現(xiàn)了8 種野生牛肝菌的準確、快速鑒別，可以為野生牛肝菌種類鑒別的提供參考。
本文《基于支持向量機對云南常見野生食用牛肝菌中紅外光譜的種類鑒別》來源于《食品科學(xué)》2021年42卷8期248-256頁，作者：胡翼然，李杰慶，劉鴻高，范茂攀，王元忠。DOI:10.7506/spkx1002-6630-20191016-151。點擊下方閱讀原文即可查看文章相關(guān)信息。