近红外光谱结合区间偏最小二乘法应用于花生油酸价的测定

采用近红外光谱法结合不同区间偏最小二乘波长筛选法建立花生油酸价的定量分析模型。采用酸碱滴定法测定花生油样本的酸价同时采集近红外光谱数据;采用区间偏最小二乘法(iPLS)、向后区间偏最小二乘法(BiPLS)、移动窗口偏最小二乘法(mwPLS)优选光谱特征区间;采用偏最小二乘法(PLS)对优选出来的谱段建立酸价的定量模型。结果表明,采用mwPLS选择的谱段建立的模型预测效果最佳,RMSECV和RMSEP分别为0.247 76和0.131 5,校正相关系数和预测相关系数分别为0.993 2和0.996 9。因此,近红外光谱结合移动窗口偏最小二乘法可以快速准确测定花生油的酸价。     

基于支持向量机的食醋总酸近红外光谱建模

为了得到稳定可靠的食醋总酸光谱模型,以不同产地、不同种类的95个食醋样品为研究对象,应用基于统计学原理的最小二乘支持向量机(LS-SVM)对食醋总酸含量进行光谱分析.对预处理后的光谱进行主成分分析(PCA),以主成分信号作为输入变量建立食醋总酸含量的近红外光谱模型,并与偏最小二乘法(PLS)和向后区间偏最小二乘法(biPLS)模型进行比较.结果表明,LS-SVM模型中的校正集中的相关系数(rc)和交互验证均方根误差(RMSECV)分别达到0.9614和0.2192,预测集相关系数(rp)和预测均方根误差(RMSEP)分别达到和0.919和0.3226,均优于PLS和biPLS模型.研究表明,近红外光谱与食醋总酸含量呈非线性关系,采用LS-SVM建立的模型预测性能更好,精度更高.     

近红外光谱对食醋有机酸含量快速、无损测定方法研究

将近红外光谱分析技术应用在食醋内部有机酸的定量分析研究中,分别建立了8种有机酸的偏最小二乘近红外预测模型和主成分分析近红外预测模型,模型的相关系数均大于0.9,模型具有较好的预测准确性。横向对比偏最小二乘和主成分分析两种建模方法对食醋有机酸的定量分析发现,采用偏最小二乘法建立的食醋有机酸近红外预测模型较优。采用近红外光谱分析技术对食醋中有机酸含量的测定具有快速、无损的特点,具有较大的实际应用价值。     

食醋总酸近红外快速检测方法的研究

利用傅立叶变换近红外光谱技术结合偏最小二乘法（PLS）对食醋的总酸进行快速检测分析。随机采集106个不同酸度食醋的实验数据、扫描近红外光谱图,选择最优的光谱预处理方法优化、建立模型。利用模型对15个未参与建模的食醋样品总酸的含量进行预测,外部验证模型的准确性。结果表明,食醋总酸实测值与对应采集的近红外漫反射光谱相关联建立的快速检测模型,其近红外食醋总酸模型的交叉验证决定系数（R2）为0.972 3,交叉验证均方差（RMSECV）为0.062 1。经外部验证后,该模型食醋总酸预测值和实测值的绝对偏差平均值为0.035,最大相对误差为1.383%,两者间相关性系数为0.995。该方法可以快速、高效、简便地用于食醋总酸的快速检测。     

近红外光谱结合不同偏最小二乘法快速检测镇江香醋的浑浊度

利用近红外光谱(4000cm-1～10000cm-1)结合化学计量学方法快速检测了镇江香醋中的浑浊度。首先,用近红外光谱仪采集香醋样本的近红外光谱数据以及用离心法测定样本的浑浊度值;然后,采用间隔偏最小二乘法(iPLS)、反向区间偏最小二乘法(biPLS)、联合间隔偏最小二乘算法(siPLS)优选光谱特征区间;最后,采用全光谱(4000cm-1～10000cm-1)偏最小二乘法(PLS)对优选出来的区间建立香醋浑浊度近红外光谱模型。结果表明,采用siPLS将全光谱均匀划分30个子区间,选择4个子区间[4 10 18 27]联合时,建立的模型预测效果最佳,其RMSECV和RMSEP分别为0.173和0.208,校正集和预测集相关系数分别为0.9337和0.9004。因此,利用近红外光谱技术快速检测香醋中的浑浊度是可行的。     

用遗传算法提取南疆红枣总糖的近红外光谱特征波长

本研究尝试利用近红外光谱技术测量红枣的总糖含量,针对采用偏最小二乘(PLS)法建立近红外光谱预测模型时波长筛选问题,提出用联合区间偏最小二乘法(si PLS)与遗传算法(GA)相结合的方法遗传联合区间偏最小二乘法(GA-si PLS)来提取近红外光谱特征区域和特征波长,提高模型预测精度的方法。结果表明:将全谱等分成20个子区间,用联合区间偏最小二乘法优选出4个特征子区间,在这4个子区间的基础上再用遗传偏最小二乘法继续筛选出12个特征波长。用12个特征波长建立的偏最小二成模型精度要好于全谱建立的模型,其主因子数减少了4个,预测集标准偏差(RMSECP)减少了25%,预测相关系数(RP)提高了5%。该方法选取的波长变量建立的校正模型,不仅使模型简洁、优化,而且增强了模型的预测能力。     

基于近红外光谱技术的腐竹脂肪定量分析

采用近红外光谱技术结合化学计量学方法,建立腐竹脂肪含量的快速分析方法。收集不同生产线、不同时间的腐竹样本180 份,利用积分球附件采集漫反射光谱（4 000～10 000 cm－1）。为消除颗粒散射影响和光谱基线漂移,二阶导数和卷积平滑用于光谱预处理。采用反向区间偏最小二乘法、组合区间偏最小二乘法、搜索组合移动窗口偏最小二乘法和遗传偏最小二乘法优化建模变量,最终构建了定量预测模型。结果显示,4 种方法均可有效地提取信息变量、降低模型维度、提高预测性能;遗传偏最小二乘法一次优选获得143 个变量,构建的模型性能最佳,其校正相关系数、校正均方根误差、预测相关系数、预测均方根误差分别为0.96、0.95、0.92和1.17。研究表明,经过信息变量提取后所构建的近红外模型简单、预测精度高,可用于腐竹脂肪含量的日常监测。     

基于近红外光谱的大豆水分和粗脂肪含量的快速检测

基于近红外光谱技术快速检测大豆中水分和粗脂肪含量。方法 首先采集350-2500 nm光谱范围的大豆近红外光谱,采用光谱-理化值共生距离（SPXY）算法将大豆样本划分为校正集样本与测试集样本,然后对原始光谱分别采用多元散射校正(MSC)、标准正态变量交换(SNV)、归一化（Nor）等9种方法进行预处理,最后使用偏最小二乘回归(PLSR)分析方法建立模型对样本进行定量分析。结果 原始光谱经过多元散射校正后建立的偏最小二乘回归模型对水分的预测精度最高,其校正集和测试集的相关系数分别为0.8964和0.9055 , 均方根误差分别为0.4211和0.5933;原始光谱经过归一化处理后建立的偏最小二乘回归模型对粗脂肪的预测精度最高,其校正集和测试集的相关系数分别为0.9084和0.9295 , 均方根误差分别为0.6897和0.6462。结论 近红外光谱（NIRS）结合预处理及偏最小二乘回归法,可以快速、准确的检测大豆水分和粗脂肪含量。     

食用油油酸的近红外特征谱区挑选

为提高食用油油酸的近红外定量分析模型的预测性能,采用4种波长变量优选方法:移动窗口偏最小二乘算法(MWPLS)、间隔偏最小二乘法(i PLS)、向后间隔偏最小二乘法(Bi PLS)、组合间隔偏最小二乘算法(Si PLS),优选食用油油酸近红外光谱特征区间,建立57份食用油样本的油酸定量分析模型。试验结果表明,相较于全谱建模,4种变量优选方法都能在有效地减少建模所用的变量数的同时提高模型性能,其中采用Si PLS优选变量所建的油酸定量模型的预测性能最优,决定系数R2为0.995 0,交叉校验均方根误差(RMSECV)为1.037 2,预测均方根误差(RMSEP)为0.924 6。     

食用油油酸的近红外特征谱区优选

为提高食用油油酸的近红外定量分析模型的预测性能,采用4种波长变量优选方法:移动窗口偏最小二乘算法(MWPLS)、间隔偏最小二乘法(i PLS)、向后间隔偏最小二乘法(Bi PLS)、组合间隔偏最小二乘算法(Si PLS),优选食用油油酸近红外光谱特征区间,建立57份食用油样本的油酸定量分析模型。试验结果表明,相较于全谱建模,4种变量优选方法都能在有效地减少建模所用的变量数的同时提高模型性能,其中采用Si PLS优选变量所建的油酸定量模型的预测性能最优,决定系数R2为0.995 0,交叉校验均方根误差(RMSECV)为1.037 2,预测均方根误差(RMSEP)为0.924 6。     

主成分分析在超声催陈食醋综合评定中的应用

为了建立合理的食醋品质评价方法,以超声波催陈的食醋与新醋、1年陈、2年陈、3年陈、4年陈、5年陈、6年陈的8种醋样为研究对象,以总酯、总酸、还原糖、醇类、酮类、酯类、总氨基酸等7项检测指标作为变量,基于主成分分析法筛选主成分,并建立其综合评估模型,利用该模型确定指标权重及样本分布图,同时采用香醋感官评价法对样品进行得分排序,对醋的品质进行归类评价。结果表明,2个主成分可以表示原始各指标对样品品质87.24%的信息,所建立的综合评估模型对超声催陈效果定位与感官评价结果一致。样品分布图显示,超声处理过的香醋的位置出现在4年陈醋附近,表明超声催陈醋的综合指标与自然陈放4年的香醋相近。     

遗传算法联合LS-SVM的苹果原醋成分定量分析

利用近红外光谱技术对苹果原醋中的重要指标进行定量分析,并进行模型优化以提高性能。采用遗传偏最小二乘法（GA-PLS）提取的特征波长作为最小二乘支持向量机（LS-SVM）的输入变量,先后建立苹果原醋中总酸、可溶性固形物的近红外定量模型,并与建立的偏最小二乘（PLS）模型结果进行比较。用决定系数（R2）、预测均方根误差（RMSEP）以及相对分析误差（RPD）对模型进行评价,确定最佳建模方法。结果表明,相比于PLS模型,总酸及可溶性固形物指标的LS-SVM定量模型的R2、RMSEP以及RPD值均有更好的表现,且在进行独立测试集验证时,LS-SVM模型的预测精度也明显优于PLS模型。说明遗传算法联合LS-SVM建立的定量模型有很高的准确度及稳定性,可以应用于苹果原醋总酸和可溶性固形物含量的快速检测。     

红茶菌发酵荞麦浆醋饮的工艺优化及品质分析

本文以荞麦浆为原料,采用红茶菌发酵荞麦浆制备荞麦浆醋饮。以荞麦浆发酵液总酸含量及感官评分为指标,探究不同荞麦浆可溶性固形物含量、红茶菌接种量、发酵温度对发酵液品质的影响,确定发酵最佳工艺条件;在最佳工艺条件下制备荞麦浆醋饮,探究发酵过程中荞麦浆pH、总酸、总酚、总黄酮及有机酸含量的变化。结果表明,红茶菌发酵荞麦浆醋饮最佳工艺条件为可溶性固形物含量13%,红茶菌接种量15%,发酵温度30 ℃;在此优化条件下,发酵过程中,荞麦浆pH降低、总酸升高,还原糖含量先升高后下降,总酚含量升高、黄酮含量先下降后升高,乙酸、乳酸、琥珀酸含量增加,苹果酸和丙二酸含量先增加后降低;发酵9 d后得到的荞麦浆醋饮总酸含量32.96 g/L,总酚含量1.72 g/L,总黄酮含量2.55 g/L,酸度适宜,口感柔和,具有浓郁的荞麦香气和保健功能。     

基于化学分析和智能感官方法对不同产地川醋特征风味物质的比较分析

研究通过化学分子分析和智能感官等方法对四川不同产地晒醋品质进行比较分析。采用氨基酸自动分析仪、高效液相色谱（HPLC）、固相微萃取气相色谱与质谱联用（SPME-GC-MS）等化学分析方法对样品氨基酸、有机酸、挥发性有机物（VOCs）的种类和含量进行测定分析。通过感官评价,利用电子鼻、电子舌等智能感官结合主成分分析（PCA）和聚类分析（CA）进行表征。结果表明,四种川醋pH3.08～3.29,总酸度16.40%～18.07%,色泽中a*和b*有显著差异（P<0.05）;共检出17种氨基酸,其中,丙氨酸和谷氨酸含量最高;测定乙酸、酒石酸等9种有机酸,总含量在22.44～70.06 mg/mL,其中,乙酸和乳酸占总有机酸的50%以上,自贡醋样品的有机酸含量最高（70.06 mg/mL）;共检出150多种挥发性有机化合物,其中,酸类（21.56%～44.34%）含量最丰富,眉山醋样中酯类和苯二氮类化合物等种类和相对含量较高;电子鼻、电子舌PCA的前两个主成分之和超过累计方差的98%,电子鼻CA分析显示自贡和眉山醋样差异较大,可能与其感官评价中的涩味及挥发性有机物中酮类、杂环类等的数量有关,电子舌CA分析显示自贡与眉山和南充醋样差异较大,则可能是由pH、总氨基酸、必需氨基酸、有机酸和总酸的差异引起的。通过化学分析、感官分析、智能感官评价结合化学计量法,可以用来表征样品因原料、工艺、配方等因素引起差异的相关性。本研究为建立可靠的中国食醋风味表征提供实用参考,为食醋质量和真实性评价提供了有效依据。     

紫薯醋发酵工艺优化及品质分析

采用单因素结合响应面法优化紫薯醋酸发酵条件,同时发酵得到紫薯醋和紫薯色素回添醋,并对2种醋和紫薯原料的品种指标进行测定及比较。优化后的紫薯醋酸发酵条件为发酵时间11 d、初始酒度7.35%vol、装液量28%,此条件下,总酸含量为6.92 g/100g。与原发酵工艺相比,紫薯色素回添醋除总糖和维生素含量较低外,其总酸、总酯、总多酚、总黄酮、花青素含量和抗氧化能力均显著优于紫薯醋(P<0.05)。与紫薯原料中的活性成分相比,紫薯醋中总多酚、总黄酮、花青素含量较原料分别损失75.59%、63.63%和72.75%,采用新发酵工艺可使损失率分别降低10.34%、15.61%和42.93%。挥发性成分分析显示2种紫薯醋中鉴定出的挥发性成分的化合物数量相差不大,种类却有较大差异。同时,紫薯花青素的提取过程会导致一些对醋品香气有贡献的化合物损失。     

不同加工方式镇江香醋不同季节理化指标

试验比较不同季节生产的传统手工和现代工艺镇江香醋主要理化指标的差异,以更好指导实际生产。以不同季节生产的传统手工和现代工业镇江香醋为对象,对还原糖、总酸、氨基酸态氮、有机酸、游离氨基酸等含量的差异进行研究,得到冬季生产的镇江香醋中还原糖、氨基酸态氮和游离氨基酸含量均为最高,而夏季生产的食醋还原糖、总酸、氨基酸态氮、有机酸和游离氨基酸含量均为最低,说明冬季生产的镇江香醋口感更柔和;4个季节生产的手工醋中还原糖含量均比工业醋低,而手工醋中总酸、氨基酸态氮、有机酸和游离氨基酸含量均比工业醋高,说明手工醋的口感更柔和、醇厚。     

秋香梨果醋醋酸发酵工艺优化及抗氧化活性研究

以秋香梨酒为原料,采用沪酿1.01醋酸菌,以总酸含量为指标,利用响应面法优化果醋醋酸发酵工艺,并评价果醋的抗氧化能力。结果表明:秋香梨果醋醋酸发酵的最佳工艺条件为醋酸菌接种量9.4%,发酵时间6d,发酵温度31℃,初始pH 4.5。此条件下得到的果醋色泽金黄,果香醇厚,其总酸含量为54.45g/L。秋香梨酒经醋酸菌发酵后,其DPPH自由基清除率、ABTS自由基清除率和Fe3+还原能力分别提高了21.17%,23.65%,30.23%,表明该果醋具有良好的抗氧化活性。     

Rapid detecting total acid content and classifying different types of vinegar based on near infrared spectroscopy and least-squares support vector machine

More than 3.2 million litres of vinegar is consumed every day in China. There are many types of vinegar in China. How to control the quality of vinegar is problem. Near infrared spectroscopy (NIR) transmission technique was applied to achieve this purpose. Ninety-five vinegar samples from 14 origins covering 11 provinces in China were collected. They were classified into mature vinegar, aromatic vinegar, rice vinegar, fruit vinegar, and white vinegar. Fruit vinegar and white vinegar were separated from the other traditional categories in the two-dimension principal component space of NIR after principle component analysis (PCA). Least-squares support vector machine (LS-SVM) as the pattern recognition was firstly applied to identify mature vinegar, aromatic vinegar, rice vinegar in this study. The top two principal components (PCs) were extracted as the input of LS-SVM classifiers by principal component analysis (PCA). The best experimental results were obtained using the radial basis function (RBF) LS-SVM classifier with σ = 0.8. The accuracies of identification were more than 85% for three traditional vinegar categories. Compared with the back propagation artificial neural network (BP-ANN) approach, LS-SVM algorithm showed its excellent generalisation for identification results. As total acid content (TAC) is highly connecting with the quality of vinegar, NIR was used to prediction the TAC of samples. LS-SVM was applied to building the TAC prediction model based on spectral transmission rate. Compared with partial least-square (PLS) model, LS-SVM model gave better precision and accuracy in predicting TAC. The determination coefficient for prediction (R_p) of the LS-SVM model was 0.919 and root mean square error for prediction (RMSEP) was 0.3226. This work demonstrated that near infrared spectroscopy technique coupled with LS-SVM could be used as a quality control method for vinegar.