基于近红外光谱技术的白酒原酒中关键成分的定量分析

采用间隔偏最小二乘法(interval partial least squares,i PLS)、组合间隔偏最小二乘法(synergy interval partial least squares,Si PLS)、遗传偏最小二乘法(genetic algorithms partial least squares,GA-PLS)、竞争性自适应重加权法(competitive adaptive reweighted sampling,CARS)优选波长,并结合偏最小二乘法(partial least squares,PLS)建立白酒原酒中乙酸乙酯和乳酸乙酯定量分析模型。结果表明,上述4种方法都对模型有一定的优化效果,其中遗传算法结合组合间隔偏最小二乘算法(genetic algorithms-synergy interval partial least squares,GA-SiPLS)优选波长的优化效果最为明显,乙酸乙酯和乳酸乙酯的决定系数(R~2)分别达到了0. 989 7和0. 991 0,预测均方根误差(root mean square error of prediction,RMSEP)分别为0. 085 4、0. 143 4,相对分析误差(relation percent deviation,RPD)分别为8. 5和8. 6,提高了模型的稳定性和精准性。说明近红外光谱分析技术对于白酒原酒中乙酸乙酯和乳酸乙酯含量的检测具有科学的指导意义。     

枣醋发酵液中pH值与总酸含量的高光谱图像技术定量分析

利用高光谱图像技术（HS-IT）对灵武枣醋发酵过程中pH值和总酸含量进行定量分析,并通过偏最小二乘法（PLS）建立定量分析模型,同时采用竞争性自适应加权算法（CARS）和遗传算法（GA）对整个谱区进行特征波长筛选。以决定系数（R2）、预测均方根偏差（RMSEP）、相对分析误差（RPD）以及最佳主因子数作为模型质量的评价参数,其中使用CARS进行的波长筛选法对模型的优化效果最佳,pH值和总酸含量的R2分别达到0.928 4和0.935 1,RMSEP分别为0.122 6和0.301 5,RPD分别为3.75和3.91。结果表明,CARS-PLS法可提高枣醋发酵液中pH值与总酸含量预测模型的准确度和稳定性。     

近红外光谱技术结合波段筛选用于白酒基酒总酯定量分析

采用近红外光谱（NIRS）分析技术对白酒基酒中的总酯含量进行定量分析,通过偏最小二乘法（PLS）法建立分析模型,同时后向间隔偏最小二乘法（BiPLS）对整个谱区进行光谱特征波段筛选。用决定系数（R2）、校正均方根误差（RMSEC）以及预测均方根误差（RMSEP）对模型进行评价。结果表明：特征波段筛选能够对基酒总酯模型起到显著的优化作用,模型的决定系数R2从0.484提升至0.937,RMSEC及RMSEP值分别从0.490、0.476降低至0.172和0.177,在减少模型复杂程度的同时,有效地提高了模型的稳定性与准确度,经过基酒盲样验证,说明波段优化所建立的模型有较为准确的预测结果。     

基于ATR-FTIR结合CARS算法测定蜂王浆中水溶性蛋白质和总糖含量

采用衰减全反射-傅里叶中红外光谱法（ATR-FTIR）和竞争性自适应重加权采样法（CARS）,结合理化分析,建立快速测定蜂王浆中水溶性蛋白质、总糖含量的方法。基于CARS法,采用Savitzky-Golay平滑和一阶导数对原始光谱预处理,筛选出84个特征波长点,模型对水溶性蛋白质预测效果最好,校正集和验证集的相关系数分别为0.9631和0.9771,RMSECV和RMSEP分别为0.0913和0.0754。总糖的PLS定量模型筛选出111个特征波长点,采用Savitzky-Golay平滑和二阶导数处理后,结果最佳,校正集和验证集的相关系数分别为0.9750和0.9850,RMSECV和RMSEP仅为0.4485和0.4244,建模效果好。结论：基于CARS法筛选特征波长,采用ATR-FTIR和偏最小二乘法快速检测蜂王浆水溶性蛋白质和总糖含量是可行的,所建定量模型稳健性好,预测准确度高。     

基于近红外光谱技术检测白酒基酒中乙醇含量的研究

为了快速测定白酒基酒中的乙醇含量,采用近红外光谱（NIRS）技术结合偏最小二乘法（PLS）处理白酒基酒近红外图谱,建 立白酒基酒中乙醇的定量分析模型。 结果表明：最佳预处理方法为减去一条直线法,最优波段谱为7 502～5 450 cm-1,主成分数为7。 校正集样品的化学值与预测值的决定系数（R2）为0.923 3,交互验证均方根误差（RMSECV）为0.89;对模型进行检验,得到验证集的 决定系数（R2）为0.954 8,预测均方根误差（RMSEP）为1.21。 结果显示近红外检测方法快速有效,所建模型具有很好的预测效果,模型 的精密度和稳定性良好。     

高光谱技术结合CARS-ELM的油桃品种判别研究

基于高光谱技术研究竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)结合极限学习机(Extreme learning machine,ELM)对油桃品种判别的可行性。本文利用高光谱成像技术选取油桃420~1000 nm的高光谱图像数据,经卷积平滑法(Savitzky-Golay smoothing,SG)、附加散射校正算法(Multiplicative Scatter correction,MSC)、基线校正(Baseline)、变量标准化算法(Standard Normalized Varite,SNV)等预处理方法处理原始数据,通过PLSR模型确定Baseline为最佳预处理方法。采用主成分分析法(Principal Component Analysis,PCA)、连续投影算法(Successive Projections Algorithm,SPA)与竞争性自适应重加权算法等提取的特征波长,建立偏最小二乘(Partial Least Square,PLS)和极限学习机鉴别模型进行比较研究。结果显示:基于CARS算法提取的特征波长构建的CARS-ELM和CARS-PLS模型性能最优。CARS-PLS预测集相关系数(RP)和均方根误差(RMSEP)分别为0.942和0.205;CARS-ELM的RP和RMSEP分别为0.931和0.119。说明CARS是一种有效的提取特征波长的方法,且ELM与PLS对模型的预测能力相当,可见利用高光谱图像技术结合CARS-ELM对油桃的品种判别是可行的。     

基于可见/近红外光谱和变量优选的南水梨糖度在线检测

利用可见/近红外光谱技术对南水梨糖度进行在线检测研究。南水梨样本以0.3m/s速度传输,并采用USB4000光谱仪在470~1 150nm波段范围内采集南水梨样本的光谱。然后,利用3种变量选择方法对波长变量进行筛选,应用偏最小二乘(PLS)方法分别建立南水梨糖度的在线预测模型,并分析预测模型性能的优劣。结果表明:可见/近红外光谱技术结合变量选择方法在线检测南水梨的糖度是可行的;竞争自适应重加权采样(CARS)方法优于无信息变量消除(UVE)及连续投影算法(SPA);CARS方法可以有效简化预测模型并提高预测模型的性能;南水梨全光谱PLS及CARS—PLS糖度预测模型的预测集相关系数和预测均方根误差(RMSEP)分别为0.940,0.951和0.467%,0.420%。     

基于便携式近红外光谱仪的蓝莓热风干燥过程模型的建立

该文利用便携式近红外光谱技术采集蓝莓干燥过程光谱，以“蓝丰”蓝莓为研究对象，构建蓝莓热风干燥过程含水率快速检测模型。通过主成分分析法对蓝莓干燥阶段进行定性监测，分析比较竞争性自适应重加权采样法(competitive adaptive reweighting sampling, CARS)、移动窗口偏最小二乘法(moving window partial least squares, MWPLS)和蒙特卡洛无信息变量消除法算法对蓝莓红外光谱特征变量的选取影响，通过相关系数(R²)和均方根误差(root mean square error, RMSE)等参数对模型进行评价，得到最优蓝莓含水率近红外预测模型。各特征变量选取算法均能在减少参与建模波长变量基础上，提升模型拟合度及预测能力。其中，CARS-PLS建模方法共选取11个特征变量参与建模，其模型校正相关系数为0.951 0,校正均方根误差为0.042 9,预测相关系数为0.946 5,预测均方根误差为0.047 3。最后建立基于CARS特征变量的蓝莓干燥过程含水率PLS模型，能有效对蓝莓干燥过程含水率进行准确、快...     

可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法

为探究基于高光谱成像技术预测灵武长枣VC含量的可行性并寻找最佳预测模型。采集100?个长枣样本在波长400～1?000?nm处的高光谱图像,对光谱数据进行预处理;应用遗传算法（genetic algorithm,GA）、连续投影算法（successive projection algorithm,SPA）和竞争性正自适应加权（competitive adaptive reweighted sampling,CARS）算法对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘（partial least squares regression,PLS）和最小二乘支持向量机（least squares support vector machine,LSSVM）VC含量预测模型。结果表明,采用标准正态变换预处理算法效果最优,其PLS模型的交叉验证相关系数为0.839?5,交叉验证均方根误差为16.248?2;利用GA、SPA和CARS从全光谱的125?个波长中分别选取出12、5?个和26?个特征波长;基于CARS建立的PLS模型效果最优,其Rc、Rp、校正均方根误差、预测均方根误差分别为0.896?2、0.889?2、10.746?2%、12.145?3%。研究结果表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的。     

蚁群和遗传算法优化花茶花青素近红外光谱预测模型的比较

以建立花茶花青素含量的最优近红外光谱模型为目标,对比研究了蚁群算法(Ant ColonyOptimization,ACO)和遗传算法(Genetic Algorithm,GA)优化近红外光谱谱区的效果。ACO-i PLS将全光谱划分为12个子区间时,优选出第1、9、10共3个子区间,所建的校正集和预测集相关系数分别为0.901 3和0.864 2;交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.160 0 mg/g和0.202 0 mg/g;GA-i PLS将全光谱划分为15个子区间时,优选出第1、5共2个子区间,所建模型的校正集和预测集相关系数分别为0.906 3和0.879 3,交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.156 0 mg/g和0.206 0 mg/g。研究结果表明:ACO-i PLS和GA-i PLS均可以有效选择近红外光谱特征波长,其中GA-i PLS模型的精度更高。     

偏最小二乘方法在不同白酒香型判别分析中的应用

为建立一种白酒香型鉴别方法,以DB-WAX为色谱柱,样品加标后直接采用气相色谱（GC）法进样分析。结果表明,香气成分线性相关系数R2＞0.999,检测限＜5.11 mg/L,精密度试验结果的相对标准偏差（RSD）＜4.11%;平均回收率为80.20%～97.93%。采用偏最小二乘法（PLS）对不同香型白酒数据进行建模和预测,不同香型白酒样品在PLS得分图中能分开,利用训练集和验证集数据对模型进行验证,结果表明预测准确率较高,校正均方差（RMSEE）和预测均方差（RMSEP）值也说明PLS模型对不同白酒香型具有较强的预测性。该方法在判别白酒香型分析中具有较高的准确性。     

复配浓香大曲对安琪小曲酿酒的影响研究

采用安琪小曲复配不同比例浓香型大曲酿酒,探究浓香型大曲对小曲酒出酒率、主要风味物质及酒醅微生物群落的影响。结果表明,与纯安琪小曲酿酒比较,大曲添加量为5%时,出酒率提高4.23%;大曲添加量为20%时,所产基酒感官品质最佳,异丁醇及异戊醇含量分别降低0.44 g/L、0.40 g/L;大曲添加量为10%时,基酒中乙酸乙酯及乳酸乙酯含量分别增加0.78 g/L、0.04 g/L;大曲添加使酒醅微生物群落多样性增加,且不同大曲添加量使酒醅优势菌群与丰度发生了不同程度的变化,说明浓香型大曲的添加能提升安琪小曲酒产品质量。相关性分析表明,不动杆菌属（Acinetobacter）与乳酸杆菌属（Lactobacillus）、伊萨酵母属（Issatchenkia）与根霉属（Rhizopus）间呈显著负相关（P＜0.05）,出酒率及乳酸乙酯含量与伊萨酵母属相对丰度呈显著正相关（P＜0.05）,乳酸乙酯含量与根霉属相对丰度呈显著负相关（P＜0.05）。     

基于中红外光谱法检测煎炸油极性组分

目的 利用中红外光谱技术实现对煎炸油极性组分的快速检测。方法 根据SPXY法对煎炸油中红外光谱数据进行样本划分,从而得到校正集和预测集。采用SG+一阶导数预处理手段,利用竞争自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行特征提取,建立煎炸油极性组分含量的偏最小二乘回归(partial least squares regression, PLSR)预测模型,并利用误差反向传播算法(error back proragation, BP)对模型进行优化。结果 BP神经网络法建立的模型校正集决定系数(coefficient of determination, R_²)为0.8073,校正集均方根误差(root mean square error of calibration,RMSEC)为0.0325,预测集R_²为0.7665,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0443。结果表明,经BP神经网络算法优化后,均方根误差明显减小,提高了预测模型的准确性。结论 结合BP神经网络算法的中红外光谱技术是一种检测煎炸油极性组分的有效方法,为食用油油品品质的快速检测提供理论指导和技术支撑。     

中红外光谱技术在白酒检测中的应用

采用两种检测技术中红外光谱法和传统化学分析法,检测100个浓香型原酒中常规理化指标。分析数据结果得出,两种检测方法酒精度的平均绝对差值为0.06%vol;总酸的平均绝对差值为0.04 g/L,平均相对误差为5%;总酯的平均绝对差值为0.39 g/L,平均相对误差为8%。乙酸乙酯的平均绝对差值为0.06 g/L,平均相对误差为3%;丁酸乙酯的平均绝对差值为0.04 g/L,平均相对误差为13%;乳酸乙酯的平均绝对差值为0.08 g/L,平均相对误差为5%;己酸乙酯平均绝对差值为0.08 g/L,平均相对误差为5%。得出结论中红外光谱技术可快速检测酒类产品中的各项指标,为实际生产提供指导意见。     

浓香白酒摘酒工艺探讨

从基酒产量、优质品率、总酸总酯浓度、主要酸类酯类物质含量等多个方面对适当降低摘酒浓度工艺进行了研究探讨,发现适当降低摘酒浓度能提高基酒的单位甑产量,但对优质品率略有影响;主要酯类物质己酸乙酯、乙酸乙酯、丁酸乙酯含量差别不大,但乳酸乙酯和主要酸类物质己酸、乙酸、丁酸含量则有不同程度的升高。正因酸含量高,使其勾调的低度酒酯水解反应得以缓解;同时,酒中高浓度的乳酸乙酯也会随贮存时间延长而明显下降。因此,采用适当降低摘酒浓度生产的基酒更利于公司低度酒产品开发及货架期的质量稳定。     

基于因子分析和神经网络分析预测评价酱香酒轮次与工艺

以酱香轮次基酒和酱香成品酒为研究对象,采用气相色谱-质谱联用（GC-MS）法测定其58组风味物质计算出气味活力值,并进行了因子分析和神经网络分析。结果表明,多层感知器对仁怀大曲酱香一至七轮次基酒的轮次预测正确百分比达80.2%,酱香成品酒的酱香工艺预测正确百分比达94.5%以上。通过多层感知器自变量重要性与因子分析成分矩阵共同分析发现,酱香基酒轮次的预测与异戊醛、乙酸、苯乙酸乙酯、糠醛、乙酸乙酯、2,3,5-三甲基吡嗪等化合物存在较大的相关性;酱香成品酒工艺的预测与辛酸乙酯、正己醇、癸酸乙酯、2,3,5-三甲基吡嗪、辛酸、丁酸等化合物存在较大的相关性。