基于矿物元素指纹差异的榴莲产地甄别

为保护高值热带作物榴莲的原产地信息,采集马来西亚、泰国、柬埔寨和越南共4 个产区73 份不同品种榴莲样本,利用电感耦合等离子体质谱法测定榴莲果核与榴莲果肉中28 种矿物元素含量,结合方差分析、主成分分析、Fisher逐步判别分析和BP人工神经网络,建立基于矿物元素的榴莲产地判别模型并验证其准确率。结果表明,榴莲果核和果肉中分别有16 种和13 种矿物元素在4 个产区存在显著差异;主成分分析中前6 个主成分累计贡献率为85.207%,代表矿物元素含量的主要信息;将有显著差异的元素代入Fisher逐步判别方程,结果发现单一榴莲果核及榴莲果肉判别准确率较低,榴莲果核和榴莲果肉耦合指标显著提高判别准确率,筛选出果核中Li、Be、Mg、Mn、Rb元素和果肉中Be、Ag、Ba元素8 项指标构建榴莲产地溯源模型,模型的初始验证准确率为91.8%,交叉验证准确率为90.4%;将有显著差异的元素代入BP人工神经网络模型,榴莲果核As、Ag、Al、Rb和果肉中Ag元素为BP人工神经网络前5重要元素,模型训练验证准确率为96.1%,检验验证准确率为95.5%。初步证明利用矿物元素指纹特征结合化学计量学方法对东南亚产地榴莲判别具有可行性。     

基于ICP-MS的甘肃不同产地小米矿物元素含量特征及判别分析

通过分析不同主产区小米矿物元素含量特征,结合化学统计学建立小米产地判别模型。该研究以甘肃省陇中地区、陇东地区和河西地区的主栽小米品种为研究对象,采用电感耦合等离子体质谱(ICP-MS)法测定了小米中18种矿物元素含量,利用方差分析、主成分分析(PCA)、正交偏最小二乘判别分析(OPLS-DA)、线性判别分析(LDA)和聚类分析(HCA)对数据进行统计分析。结果表明:小米样品18种矿物元素中有13种元素含量在3个主产区间存在显著差异(P<0.05),不同主产区小米矿物元素含量具有独特的地域分布特征;18种矿物元素之间存在较强的相关性;PCA分析共提取4个主成分,累计方差贡献率为75.82%;基于LDA和OPLS-DA的判别模型对小米产地判别正确率均为100%,基本可以实现甘肃省不同区域小米产地的精准判别,通过OPLS-DA模型确定了小米产地判别的特征元素(V、Fe、Cu、Cd、Se、Pb);基于特征元素的HCA分析可以成功地对小米产地进行判别。研究证明基于小米矿物元素含量构建的判别模型可以有效区分甘肃省不同产区的小米,为小米产地溯源和质量控制提供了科学依据。     

基于矿质元素的赤霞珠葡萄酒产地溯源

为探讨基于矿质元素的赤霞珠葡萄酒产地溯源的可行性,分析新疆天山北麓产区与其他4 个产区（宁夏、甘肃、河北、山东）赤霞珠葡萄酒中的23 种矿质元素含量,结合多元统计方法,构建有效的葡萄酒产地溯源模型。结果表明：天山北麓与宁夏、甘肃、河北、山东产区葡萄酒中P、Mg、Sr、Ti、Al、Cu、Ba 具有显著（p<0.05）或极显著差异（p<0.01）,可以作为区分不同产区葡萄酒的特征性元素。以23 种矿质元素为依据的Fisher 判别分析,筛选出P、Sr、Al 3 种对产地判别显著的元素,建立的判别函数对天山北麓和其他4 个产区葡萄酒的初始验证和交叉验证整体正确判别率分别为96.43%和89.29%。基于矿质元素分析能够对赤霞珠葡萄酒进行产地溯源,区分新疆天山北麓与宁夏、甘肃、河北、山东产区的葡萄酒。     

不同米色小米营养品质与蒸煮特性研究

为探明不同米色小米间品质差异,本文选取5种具有色差代表性的小米(沁州黄、黄金苗米、白小米、黑小米和绿小米)进行研究。对原花青素、多酚、矿物质等营养成分,直链淀粉、糊化温度、胶稠度蒸煮特性进行测定分析。营养品质研究结果表明不同米色小米之间差异较大,深色小米(绿小米、黑小米)原花青素含量分别为0.295、0.261 mg/g,显著(P<0.05)高于其他米色小米,黄色小米(沁州黄、黄金苗米)总胡萝卜素含量在1.98~2.07 μg/g之间,显著(P<0.05)高于其它米色小米。黄色小米(沁州黄、黄金苗米)易于糊化,蒸煮品质较好,直链淀粉含量在28.53~29.01 mg/g之间,糊化温度在87.60~88.45 ℃之间,显著(P<0.05)低于其它米色小米,胶稠度在93.26~94.85 mm之间,显著(P<0.05)高于其他米色小米。相关性分析表明小米中总胡萝卜素与直链淀粉含量、糊化温度显著(P<0.05)负相关,相关系数为-0.96、-0.98,与胶稠度显著(P<0.05)正相关,相关系数为0.97。     

基于水解氨基酸分析山羊肉的产地溯源

探讨氨基酸含量分析对羊肉产地溯源的可行性。对50个云南五地的黑山羊肉样品测定17种水解氨基酸含量,并进行方差分析、主成分分析、聚类分析、K最邻近法及人工神经网络判别分析。不同产地山羊肉Cys含量无差异,其它氨基酸含量存在不同程度差异,罗平山羊除Ala和Pro外其它氨基酸最高;石林山羊Ala和Met最高;丽江、昆明山羊Pro最高;昆明与龙陵山羊氨基酸含量则居中下水平,二者Glu、Phe、Lys、Arg、Pro含量存在显著差异（P<0.05）。主成分分析和聚类分析使羊肉样品分成不同类别,与产地基本一致。K最邻近法交叉验证对昆明样品的正确判别率为78.58%,对丽江和石林样品的正确判别率均为100%,整体正确判别率为93.48%,人工神经网络对三地样品判别正确率均为100%。对羊肉产地判别分类中人工神经网络优于K最邻近法。基于水解氨基酸含量分析对山羊肉产地来源的判别是有效可行的。     

中国红富士苹果糖、酸、多酚分析及产区溯源模型构建

中国各产区红富士苹果糖、酸、多酚等营养品质存在差异，构建其产地溯源技术有利于实施产区保护、特色产品保真及产业可持续发展。本文对新疆阿克苏、甘肃静宁、陕西洛川、河南灵宝、山东烟台和云南昭通6大产区红富士苹果的糖类、总酸及多酚类等18个营养品质指标进行检测分析，基于多元统计分析筛选有效产地溯源营养品质指标，构建红富士苹果不同产地鉴别的判别模型。结果表明，相对于其他产区，阿克苏红富士苹果总糖和山梨醇等含量偏高；静宁红富士苹果总酚和绿原酸等含量偏高；灵宝红富士苹果儿茶素和根皮素等含量偏高；洛川红富士苹果果糖和根皮苷等含量偏高；烟台红富士苹果糖酸比和芦丁等含量偏高；昭通红富士苹果槲皮苷和表儿茶素等含量偏高。所测果实指标做正交偏最小二乘判别分析，Q²值0.794，矩阵R²X值0.885，区分参数R²Y值0.874，并建立了正确判别率为93.33%有效OPLS-DA产区识别模型。利用线性判别，筛选得到VC、山梨醇、儿茶素、槲皮素糖苷类、槲皮素鼠李糖苷、槲皮苷、芦丁和槲皮素这8个有效指标，能100%区分各个产区红富士。各产区果实糖积累与...     

基于矿质元素指纹分析技术的烟叶产区判别

目的:探讨应用矿质元素指纹分析技术进行烟叶产区判别的可行性,筛选出可判别烟叶产区的有效指标,构建烟叶产区判别模型。方法:利用电感耦合等离子体—质谱法(ICP-MS)同时测定11个产地烟叶20种矿质元素含量,并对数据进行方差分析、聚类分析、主成分分析及判别分析。结果:16种元素含量在产地间差异显著,主成分分析得到6个主成分,其累计方差贡献率超过89%;应用逐步判别筛选出K、Mn、Se及Ba 4种元素指标,建立了西南烟区和长江中上游烟区的烟叶产区判别模型,该模型可对烟叶产区进行准确判别。结论:不同产地烟叶矿质元素含量差异显著,K、Mn、Se及Ba 4种元素是烟叶产区判别的重要指标,矿质元素指纹分析技术可用于烟叶产区判别。     

我国多产区羊肉中无机元素含量特征及其在溯源研究中的应用

目的 研究我国多个产区所产羊肉中多种无机元素含量的特征,探索元素含量差异在羊肉产地溯源研究中的应用方法。方法 收集在地域和喂养方式上具有一定代表性的产区所产羊肉样本,采用电感耦合等离子体质谱检测羊肉中无机元素含量。结合方差分析、主成分分析、聚类分析、判别分析多种统计方法进行分析。结果 在检测的24种元素中,有18种元素在产地间存在显著差异。通过主成分分析确定了5个主成分,可以大致将4个产地的样品区分开。通过聚类分析,可以将牧区的样品大致与农饲区样品区分开。通过判别分析建立判别函数,对牧区与农饲区样品的交叉判别正确率为82.0%。结论 研究表明无机元素可以作为羊肉产地溯源的指标。初步建立了国内4个羊肉产地的溯源模型，为国产羊肉产地溯源研究提供依据。     

近红外漫反射光谱技术对小米产地的快速检测

为实现对小米产地溯源的快速检测,保护优质小米的品牌效益,维护消费者的合法权益,采用近红外漫反射光谱技术结合化学计量学,对来自肇源及肇州两地区的144份小米样品进行产地溯源研究。结果表明,采用因子化法建立的鉴别分析模型对肇源及肇州地区的小米样品鉴别正确率均为100%;采用欧氏距离法建立的聚类分析模型对两地区小米样品的鉴别正确率分别为95.65%和100%;采用偏最小二乘法建立的定量分析模型对两地区小米样品的鉴别正确率分别为95.65%和91.67%。由此可知,近红外漫反射光谱法是一种快速、高效、无损的小米产地溯源判别技术。     

特色农产品兰州百合产地溯源及确证

产地与兰州百合（Lilium davidii var. unicolor）质量安全和营养品质密切相关,其溯源确证有利于实施产地保护、特色产品保真及产业可持续发展。本研究利用同位素比率质谱（Isotope ratio mass spectrometry,IRMS）和电感耦合等离子体质谱（Inductively coupled plasma mass spectrometry,ICP-MS）测定兰州百合4个主产区样品的δ13C、δ15N、δ18O等3种稳定同位素比率和K、Mg、Ca、Na、B、Fe、Zn、Al、Mn、Cu、Mo、Cr、Cd、Se、As、Pb等16种矿质元素含量,结合主成分分析（Principal component analysis,PCA）、正交偏最小二乘法判别分析（Orthogonal partial least squares discrimination analysis,OPLS-DA）和线性判别分析（Linear discriminant analysis,LDA）对不同产区兰州百合构建分类模型,验证判别溯源确证。结果显示:δ13C、δ15N、K、Mg、Na、B、Fe、Mn、Cu、Mo、Cr、Cd在产地间存在显著差异（P<0.05）;PCA分析提取5个主成分,累计方差贡献率84.36%;LDA原始判别正确率100%,留一法交叉验证（Leave-one-out cross validation,LOO-CV）判别正确率为88.89%;OPLS-DA模型正确判别率为100%,分类效果最佳。本研究表明,基于兰州百合稳定同位素和矿质元素含量构建的多元统计分类模型可有效区分不同产区兰州百合,促进其追溯制度的建立和完善,对兰州百合的产地保护与质量控制具有重要意义。     

不同种植区烤烟烟叶类胡萝卜素与外观质量指标分值的关系

为揭示我国不同生态区烤烟外观质量差异的可能原因,研究了西南烟草种植区、东南烟草种植区和黄淮烟草种植区烤烟类胡萝卜素的含量和构成特点及其与颜色、成熟度等外观质量指标分值的关系。结果表明:西南和黄淮烟区烤烟的类胡萝卜素含量显著或极显著高于东南烟区,东南烟区烤烟的叶黄素比例极显著高于西南烟区。东南烟区烤烟类胡萝卜素总量低、叶黄素比例高的特点可能与其独特的颜色特征（桔黄偏深色域）有关。西南烟区烤烟类胡萝卜素与外观指标分值呈明显正相关性,显著或极显著的指标包括成熟度、叶片结构和色度等;黄淮烟区与西南烟区类似,但仅颜色分值与β-胡萝卜素和类胡萝卜素显著或极显著正相关;东南烟区烤烟类胡萝卜素与颜色和成熟度分值呈显著负相关关系。聚类分析结果也显示东南烟区烤烟类胡萝卜素含量与外观指标分值的关系与西南和黄淮烟区明显不同。      

基于BP神经网络的色纺纱配色

针对传统配色模型实用性差的问题,利用神经网络强大的非线性映射能力,探讨基于人工神经网络的色纺纱配色方法。构建了色纺纱BP神经网络配色模型,研究了多种BP算法,隐含层节点数对仿真效果及泛化能力的影响。实验结果表明:基于BP 神经网络的色纺纱配色方法可以实现色纺纱反射率与配方之间的非线性映射,新型算法（Levenberg-Marquardt、拟牛顿、共轭梯度算法）在迭代次数和仿真时间上有较大的优势,隐含层节点数对仿真结果影响较小,训练样本的平均预测色差DEcmc(2:1)为0.18,但训练样本范围外的预测色差较大,因此提高该神经网络的泛化性能是下一步研究的关键。     

基于电子鼻的水稻品种鉴别研究

为了实现水稻品种的快速鉴别,避免水稻品种混杂,利用电子鼻对来自同一产地不同水稻品种进行测试,获取有效信息。对获取的信息提取平均微分值和面积斜率比两种特征。采用主成分分析、Fisher判别分析及BP神经网络3种模式识别方法进行水稻品种的判别,并对3种识别方法的结果进行比较分析。结果表明:不同种类的水稻品种可以被区分开来,但BP神经网络分类效果最好,Fisher判别分析效果次之,PCA分类效果最差。因此,结合合适的特征提取方法及模式识别方法,有可能实现一种基于电子鼻技术的对不同水稻品种鉴别的简单、有效的方法。     

基于模糊控制理论和BP神经网络系统的颜色空间转换模型研究

数字印前系统中色彩管理是一个重要的环节,而颜色空间的转换则是色彩管理的核心,特别是由设备相关颜色空间RGB到设备无关颜色空间CIELAB的转换。将模糊控制理论引入颜色空间转换模型,取得了较好的转换效果但仍存在色差大等缺点。本研究提出采用模糊控制模型将输入颜色空间动态划分为若干子空间,在子空间内部利用BP神经网络对颜色空间转换模型进行优化,得到了基于模糊神经系统的颜色空间转换模型。实验表明,该改进模型相对于单纯的基于模糊控制的转换模型而言,转换精度有很大提高。     

Predicting acetic acid content in the final beer using neural networks and support vector machine

Most acetic acid found in beer is produced by yeast during fermentation. It contributes significantly to beer taste, especially when its content is higher than the taste threshold in beer. Therefore, the control of its content is very important to maintain consistent beer quality. In this study, artificial neural networks and support vector machine (SVM) were applied to predict acetic acid content at the end of a commercial‐scale beer fermentation. Relationships between beer fermentation process parameters and the acetic acid level in the fermented wort (beer) were modelled by partial least squares (PLS) regression, back‐propagation neural network (BP‐NN), radial basis function neural network (RBF‐NN) and least squares‐support vector machine (LS‐SVM). The data used in this study were collected from 146 production batches of the same beer brand. For predicting acetic acid content, LS‐SVM and RBF‐NN were found to be better than BP‐NN and PLS. For the comparison of RBF‐NN and LS‐SVM, RBF‐NN had a better reliability of model, but lower reliability of prediction. SVM had better generalization, but lower reliability of model. In summary, LS‐SVM was better than RBF‐NN modelling for the prediction of acetic acid content during the commercial beer fermentation in this study. Copyright © 2013 The Institute of Brewing & Distilling     

基于模拟退火算法改进遗传算法的织物智能配色

为提高传统配色方法及现有配色算法的配色精度、效率及泛化能力,构建了基于BP神经网络的遗传算法和模拟退火算法相结合的织物智能配色模型,利用BP神经网络预测颜色,将训练好的BP神经网络与CIEDE2000色差公式结合作为遗传算法的适应度函数,用模拟退火算法改进的基于BP神经网络的遗传算法预测颜色配方,并根据预测的配方对涤纶织物进行染色实验,计算实验色差。结果表明:模拟退火算法优化的基于BP神经网络的遗传算法配色模型只需经过80次迭代即可收敛,预测颜色的理论色差均值为0.165,染色实验色差均值为0.289,配方绝对误差平均值为0.010 7;验证样本的理论色差均值为0.240,染色实验色差均值为0.437。该算法可实现织物的智能配色。     

不同产区赤霞珠葡萄酒酚类物质特征性分析

目的 探究赤霞珠葡萄酒酚类物质的产区差异性。方法 利用高效液相色谱,分析了新疆天山北麓产区、焉耆盆地产区与山东半岛产区赤霞珠葡萄酒中酚类物质组成与含量,结合多元统计方法进行评价。结果 新疆天山北麓产区、焉耆盆地产区与山东半岛产区赤霞珠葡萄酒的酚类物质含量差异较大,其中新疆两产区的原花青素B1、儿茶素、表儿茶素、对香豆酸、总黄烷醇类、总黄酮醇类、总类黄酮及总酚含量显着高于山东半岛产区(P<0.05),焉耆盆地产区芦丁、槲皮苷、白藜芦醇含量显着高于山东半岛产区(P<0.05)。基于酚类物质的聚类分析结果显示,当欧氏距离超过15时,山东半岛产区样品聚为一类,新疆两个产区葡萄酒样品聚在一起;基于酚类物质的Fisher判别分析能区分山东半岛产区样品,对新疆两个产区个别样品有误判,回代检验与交叉验证合计正确率分别为91.30%和86.96%。结论 新疆天山北麓、焉耆盆地与山东半岛产区赤霞珠葡萄酒酚类物质具有明显的产地差异性。     

Identifying Potato Varieties Using Machine Vision and Artificial Neural Networks

The objective of this study is to develop a method for identifying and discriminating 10 potato varieties by combining machine vision and artificial neural network methods. The potato varieties include Agria, Savalan, Florida, Fontaneh, Natasha, Verona, Karso, Elody, Satina, and Emrad. A total number of 72 characteristic parameters specifying color, textural, and morphological features are found among these varieties. By using principal component analysis, 16 principal features are selected for identifying and discriminating potato varieties. The data obtained from image processing were classified using linear discriminant analysis and non-linear artificial neural network method. The accuracy of discriminant analysis were 73.3, 93.3, 73.3, 40, 73.3, 73.3, 66.7, 80, 40, and 53.3%, respectively, for the varieties used in this study. The classification accuracy was improved by 100% for all the varieties using neural network analysis and the correct classification ratio was 100% using this method. It is revealed from the results that machine vision technique and neural network analysis could identify potato varieties with acceptable accuracy.