基于PLS-LDA和拉曼光谱快速定性识别食用植物油

以6种食用油共计23个样本为分析对象,采用偏最小二乘线性判别分析法（PLS-LDA）和拉曼光谱进行单一种类（橄榄油、花生油和玉米油）食用油快速定性检测,通过自适应迭代惩罚最小二乘法（airPLS）对拉曼信号进行背景扣除,以及蒙特卡洛无信息变量消除法筛选波长变量,不但有效减少了波长点数,降低了建模运算量,而且提高了单一种类食用油的识别率,使得总体识别率均高于90%,并在此基础上进一步提出了采用PLS-LDA进行多种类食用油识别的检测流程。实验结果表明PLS-LDA在食用油定性识别检测中具有较好的应用前景和可行性,该方法也可为定性检测食品及农产品品质提供借鉴。      

基于PLS-LDA和拉曼光谱快速定性识别食用植物油

以6种食用油共计23个样本为分析对象,采用偏最小二乘线性判别分析法(PLS-LDA)和拉曼光谱进行单一种类(橄榄油、花生油和玉米油)食用油快速定性检测,通过自适应迭代惩罚最小二乘法(airPLS)对拉曼信号进行背景扣除,以及蒙特卡洛无信息变量消除法筛选波长变量,不但有效减少了波长点数,降低了建模运算量,而且提高了单一种类食用油的识别率,使得总体识别率均高于90%,并在此基础上进一步提出了采用PLS-LDA进行多种类食用油识别的检测流程。实验结果表明PLS-LDA在食用油定性识别检测中具有较好的应用前景和可行性,该方法也可为定性检测食品及农产品品质提供借鉴。     

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。     

基于近红外光谱的茶叶高氯酸盐污染水平研究

目的 建立一种基于近红外光谱（near-infrared spectroscopy,NIR）分析技术快速定量茶叶中高氯酸盐污染水平的预测模型。方法 采集不同产地的91份茶叶干样,通过傅里叶变换近红外光谱扫描获得样品的近红外漫反射光谱,使用液相色谱质谱法测定茶叶样品中的高氯酸盐含量,以参考量限0.75 mg/kg为标准将样品分为两类;利用偏最小二乘判别分析（partial least squares-discriminant analysis, PLS-DA）建模建立高氯酸盐含量范围的预测模型,同时使用一阶导（1st）、连续小波变换（continuous wavelet transform, CWT）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）等光谱预处理和竞争自适应重加权（competitive adaptive reweighted sampling,CARS）采样波长筛选技术对判别模型进行优化,最后通过预测集样品对模型进行验证。结果 使用原始光谱建立的模型能够初步实现对高氯酸盐含量范围的预测,而使用光谱预处理扣除光谱中的背景信息,结合MSC和CARS方法共同处理后,模型的预测正确度显著改善,误判样品下降至3个,预测正确率提高至88.5%。结论 本方法表明近红外光谱技术可以为茶叶中高氯酸盐污染水平分析提供一种新方法,对茶叶产业高质量发展具有重要的实际意义。     

拉曼光谱法快速鉴别蜂蜜中掺入甜菜糖浆的可行性研究

对蜂蜜用各种廉价的糖浆掺假,一直是蜂蜜行业的严重问题。本文利用拉曼光谱结合化学计量学方法对蜂蜜中掺入甜菜糖浆进行鉴别。用airPLS法扣除拉曼荧光背景,用自归一化法预处理光谱,在全谱范围(4000～10000cm^-1)内建立偏最小二乘-线性判别分析（PLS-LDA）模型,并进行预测。训练集10折交互验证的判别总正确率为90.4%,预测集的判别总正确率为95.4%。实验结果表明拉曼光谱结合化学计量学方法可快速鉴别蜂蜜中掺入的甜菜糖浆。     

大豆分离蛋白酶解液抗氧化性的近红外光谱定量测定

利用近红外光谱技术对四种蛋白酶(菠萝、碱性、木瓜和中性蛋白酶)的大豆分离蛋白水解样品进行测定,探索同一模型应用于不同酶的水解液抗氧化性测定的可行性。基于留一交叉验证方法,分析了采样密度和酶物质差异对全波长模型精度的影响,统计检验表明,采样密度与模型精度之间正相关,酶物质差异对单酶样本模型精度无显著影响,但对综合酶样本模型性能有显著影响。为了建立能够同时准确测定不同酶水解样品抗氧化性能力的综合酶样本预测模型,竞争性自适应重加权抽样(CARS)法用来对模型进行了优化,建模后,校正集R_(cv)和RMSECV分别为0.960 1和0.002 8,验证集的R_p和RMSEP为0.923 7和0.005 3,相对分析误差(RPD)为2.45,预测精度较好,说明建立针对不同酶的水解样品的同一模型是可行的。     

GC-MS结合化学计量法分析不同干燥方式对黄花菜风味物质的影响

为研究干燥方式对黄花菜挥发性风味物质的影响,利用顶空固相微萃取-气相色谱-质谱联用技术对自然干燥、热风干燥和真空脉动干燥的黄花菜样品进行挥发性成分分析,并进一步结合化学计量方法进行判别分析。结果表明,从自然干燥、热风干燥和真空脉动干燥分别鉴定出49、40和44种挥发性化合物,包括醇类、醛类、酮类、烷烃类、烯类、酯类、酸类和其他类化合物共八类成分,其中醛类物质(含量25%)为自然干燥样品中主要挥发性成分,烷烃类物质(含量53%与58%)分别为热风干燥和真空冷冻干燥样品中主要挥发性成分,不同干燥方式制得的黄花菜主要挥发性成分含量存在显著性差异。对不同干燥方式制得的黄花菜样品挥发性化合物进行偏最小二乘判别分析、香气活性值和主成分分析,得出3-呋喃甲醛、3-辛烯-2-酮、十六烷、乙酸为自然干燥特征风味物质,(E)-2-甲基-2-丁烯醛、3-辛烯-2-酮、十六烷为热风干燥特征风味物质,(E)-2-甲基-2-丁烯醛、β-月桂烯为真空脉动干燥特征风味物质。从获得良好风味物质角度出发,真空脉动干燥可得到较好的干制黄花菜,为黄花菜干燥加工提供理论依据。     

基于近红外光谱对牛奶中掺杂尿素的判别分析

采集40个合格的纯牛奶样品,并配制含有尿素为1～20g/L的40个牛奶样品,研究掺杂尿素牛奶的二维相关近红外特性,在此基础上选择波数4200～4800cm-1为建模区间,采用偏最小二乘法建立定性、定量模型。结果指出通过判别偏最小二乘法可以实现纯牛奶及掺杂尿素牛奶的定性鉴别,判别正确率为100%;掺杂牛奶校正集相关系数R为0.999,交叉验证均方差为0.242,对未知样品集预测相关系数R达到0.999,预测标准偏差为0.57,这表明所建模型具有较好的预测效果。     

贮存环境对普洱生茶主要化学成分变化的影响

以贮存在新疆和广东的5 个不同年份（2008年、2010年、2012年、2014年和2016年）普洱生茶为研究对象,采用高效液相色谱、气相色谱-质谱和全自动氨基酸分析仪对普洱生茶中的主要品质成分进行检测,结合正交偏最小二乘法-判别分析多元统计技术对化学成分差异性聚类,通过变量重要性因子结合S-plot图方法对不同贮存地茶样的特征性差异性成分筛选并进行差异性分析。结果表明：贮存在新疆地区普洱生茶中主要化学成分的降解速率慢于广东地区,但综合品质优于广东地区。随着贮存时间的延长,广东地区除没食子酸外,表没食子儿茶素没食子酸酯、表没食子儿茶素、茶氨酸等主要特征品质成分含量低于新疆地区,同时转化速率快于新疆地区。挥发性物质研究表明,大马士酮、2,6,6-三甲基-1-环己烯-1-羧醛、α-松油醇、香叶基丙酮、棕榈油酸、β-环柠檬醛、亚麻酸、橙花醇、苯甲醛和亚油酸为重要标志差异性挥发性成分,相比于广东地区挥发性物质的剧烈变化,新疆地区挥发性物质变化较为缓慢。研究结果可为茶叶的科学贮存提供理论依据,也有利于引导市场进行科学消费。     

近红外光谱的三种蓝莓果渣花色苷含量测定

采用近红外光谱技术,对不同贮藏时间的蓝莓营养成分进行定量分析,以寻求其化学成分与近红外光谱数据的相关性,实现利用光谱技术对蓝莓营养成分的无损检测。对获取的近红外光谱数据,运用偏最小二乘回归（Partial Least Square Regression,PLSR）和支持向量回归（Support Vector Regression,SVR）两种机器学习算法预测蓝莓可溶性固形物（Soluble Solids Content,SSC）和维生素C（Vitamin C,V_C）含量。为增加预测精度,采用一阶导数（First Derivative,1-DER）、二阶导数（Second Derivative,2-DER）、标准正态变换（Standard Normal Variate Transform,SNV）、多元散射校正（Multiplicative Scatter Correction,MSC）、Savitzky-Golay平滑（S-G）等一种或几种方法组合对光谱数据进行预处理,比较分析最佳的预处理方式;采用竞争适应性重加权采样法（Competitive Adaptive Reweighted Sampling,CARS）和随机蛙跳算法（Random Frog,RF）及两种算法组合对光谱波长进行降维处理。结果表明,降维后的SSC波长变量分别降到了全光谱变量的1.7%、4.3%和5.6%,V_C波长变量分别降到了全光谱变量的2.5%、2.9%、4.8%。在筛选后的光谱波长变量的基础上,采用PLSR建立蓝莓近红外光谱与SSC和V_C含量的预测模型。对比发现CARS结合RF算法筛选出的波长变量预测效果更好,模型校正相关系数分别为0.9001、0.8707,校正均方根误差分别为0.8234、2.9429,预测相关系数分别为0.8424、0.8350,预测均方根误差分别为0.9613、2.9482。为排除模型性能对预测结果的影响,建立SVR模型将预测结果进行对比,同样发现CARS结合RF算法的预测效果更佳,模型校正相关系数分别为0.8702、0.8503,校正均方根误差分别为0.9549、3.2431,预测相关系数分别为0.8269、0.8183,预测均方根误差分别为0.8769、2.8818。本研究为蓝莓营养品质监测提供了模型基础,且选择特征波长的方法可以为更多果蔬营养物质预测模型提供参考。     

近红外光谱法鉴别奶牛饲料中三聚氰胺甲醛树脂的可行性研究

收集国内常用的、具有代表性的奶牛精补料33个样品,制备99个三聚氰胺甲醛树脂(MF)掺假样品,在全光谱范围内进行近红外透反射光谱扫描,选择合适的前处理方法,采用BP神经网络方法和PLS-LDA方法分别建立判别模型。建立的BP神经网络判别分析模型的预测正确率为100%,建立的PLS-LDA判别分析模型的交互验证最低错误率为0.0778,模型错分率为0.0667,模型预测错误率为0.1429。说明利用近红外透反射光谱建立定性分析模型来检测奶牛饲料中是否掺有MF的研究是可行的。     

应用近红外光谱对老陈醋进行定性定量的检测研究

利用近红外光谱结合DA和PLS算法在不同光谱预处理方法下,对山西老陈醋醋龄进行定性判别分析,并建立陈醋可溶性固形物(SSC)及pH值的定量模型.结果表明:原始光谱、5点平滑以及SNV校正建立的DA模型性能良好,校正集判别正确率为100％,预测集判别正确率为88.89％;原始光谱建立的可溶性固形物的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99988和0.99960,RMSEC,RMSEP和RMSECV分别为0.0421,0.0911和0.0777;5点平滑建立的pH值的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99733和0.97411,RMSEC,RMSEP和RMSECV分别为0.0151,0.0386和0.0468.     

不同热处理对泡椒挥发性风味化合物的影响分析

目的 研究不同加热处理方式对泡椒挥发性风味的影响。方法 利用气相色谱-离子迁移谱法(gas chromatography-ion mobility spectrometry, GC-IMS)检测分析经煮制、蒸制、炒制和微波加热泡椒样品中挥发性风味化合物的差异性。结果 利用GC-IMS技术从对照组和处理组泡椒样品中共检测出120种主要挥发性风味化合物,其中酯类、醇类、烃类、醛类、酸类和酮类为泡椒中的主要贡献物质,其相对含量占比样品中挥发性有机化合物(volatile organic compounds,VOCs)相对含量的91.76%;经正交偏最小二乘法判别分析(orthogonal partial least squares discriminant analysis, OPLS-DA),筛选出15种可作为区分不同处理泡椒样品中影响VOCs差异性的最关键特征性变量。结论 GC-IMS技术有效地区分出了不同加热处理之后泡椒样品挥发性风味物质的差异性,基于OPLS-DA可全面、客观地对不同热处理泡椒样品进行区分和评价。     

Direct determination of polymerised triacylglycerides in deep-frying vegetable oil by near infrared spectroscopy using Partial Least Squares regression

A green method for the determination of polymerised triacylglyceride (PTG) in deep-frying vegetable oils of different botanic origin has been developed employing near infrared (NIR) spectroscopy and Partial Least Squares (PLS) regression. Four different types of oil were heated during several hours, with and without the addition of foodstuff. NIR transmission spectra were obtained directly from sample aliquots stored in glass vials, thus avoiding the consumption of solvents and minimising waste generation. Variables employed for building the PLS models were selected applying interval PLS (iPLS) as well as Uninformative Variable Elimination-PLS (UVE-PLS). A global PLS model using spectra of all four types of oils was compared to PLS models established for each oil type. Due to the small differences observed in the NIR spectra that can be related to the different botanic origin and results obtained from the PLS model comparison, the use of a global PLS model is recommended leading to prediction errors of 2.28% (w/w) for the determination of PTG in oils employed for frying different kinds of foods.