白酒历经传承已有上千年的韵味,是中华儿女引以为傲的经典。但是现阶段的市场中充斥着大量的贴牌酒,和以次充好的酒,危害着人民群众。但是传统的白酒检测手段因为条件的限制,需要大量的实验和分析过程,耗时较长。因此,市场上急需一种检测快速的检测手段。对此,本文提出相应的基于集成学习酒样荧光光谱鉴别的模型。利用激光诱导荧光技术相应快速的特点,结合集成学习算法来进行白酒酒样的鉴别。本文分析了市场的贴牌酒的形式,分别选取红星二锅头56度、散酒56度、小青花42度、红星二锅头42度作为实验样本。使用这四种酒样,分别验证模型对相同品牌的不同度数、不同品牌的相同度数、不同品牌的不同度数酒样光谱数据识别的有效性。首先,实验对每种酒样采集100个荧光光谱,共400个酒样光谱。然后采用预处理算法对采集到的光谱进行预处理,修正采集过程可能有的噪声和偏差,再对预处理后的酒样光谱加上原始光谱共五种光谱数据分别进行AdaBoost算法建模来选取最优的光谱预处理方法及学习率。为了提升酒样光谱模型,引入LightGBM算法,使用同样的超参数对基于LightGBM算法的酒样光谱识别模型进行训练,得到一个更加强壮的模型。通过对五种光谱数据的建模可以发现,通过SNV预处理方法处理后的光谱在进行AdaBoost方法建模时可以得到更为理想的效果,同时在学习率选择为0.1时,在迭代300次后可以取得最优的结果。对同样的SNV预处理后的光谱进行建模后,模型的5折交叉验证为1,同时,训练时间选少于基于AdaBoost进行建模的模型。因此,本文最终提出结合SNV预处理方法与LightGBM的酒样光谱识别模型,该模型对测试集的准确率为100%。同时具有更好的泛化性能。本文首次将LightGBM引入白酒酒样的识别,同时加入激光诱导荧光技术。仿真结果表明基于LightGBM结合SNV预处理方法在酒样模型的建模是值得被深入研究的。本文构建了一个快速、准确的酒样识别模型实现了对白酒的快速检测。也为之后建立基于更加完善的酒样激光诱导荧光光谱数据库的模型提供了一定的借鉴。图[32]表[4]参[72]