利用THz时域谱技术和支持向量机回归法快速分析食用油成分

采用THz时域谱技术获得30个食用油样本的吸收谱,随机分为训练集和预测集.利用支持向量回归算法和气相色谱方法得到的参照测量值,在训练集上建立食用油中主要成分的预测模型,并用此模型对预测集样本进行预测.结果表明该模型对食用油预测的相关系数均在0.9以上,比传统PLS方法更为精确.     

基于拉曼和近红外光谱特征层融合的食用油MUFA和PUFA含量检测

针对食用油中单不饱和脂肪酸(MUFA)和多不饱和脂肪酸(PUFA)含量的快速检测问题,研究探索应用拉曼(Raman)和近红外(NIR)光谱以及特征层数据的融合,结合化学计量学分析,建立食用油MUFA和PUFA含量预测模型。重点研究各种预处理算法对模型预测能力的影响。应用竞争性自适应重加权采样(CARS)提取Raman和NIR光谱的特征波长,应用网格搜索(GS)算法选取支持向量机回归(SVR)模型的参数组合(C,g)值,分别建立基于拉曼和近红外光谱的特征波段的SVR预测模型;建立基于特征层的多源光谱融合的SVR预测模型。试验表明,基于特征层融合建立的Raman-NIR-SVR模型能够实现食用油MUFA和PUFA含量的快速预测,且预测效果更优。其中预测MUFA含量的SG15-ALS-Nor-CARS-MSC-CARSSVR模型的预测集决定系数R2为0.977 3,与单光谱中最优含量预测模型相比增加了2.43%;而预测PUFA含量的MA11-air PLS-Nor-CARS-MSC-CARS-SVR模型的预测集R2为0.993 0,比较最优单光谱数据建立的SVR模型增加了2.57%。结果表明,采用特征层融合方法建立的含量预测模型的综合性能优于基于单光谱数据建立的模型。     

近红外光谱结合模式识别技术快速鉴别煎炸油质量

采用近红外透反射光谱结合模式识别技术建立煎炸油质量的快速鉴别方法。采用国标方法测定79个煎炸油样本的酸价与羰基值,通过羰基价确定样本真实属性。利用Kennard-stone算法选取训练集和预测集。探讨样本NIR光谱预处理方法,以平滑、一阶导数和均值中心化处理的全光谱作为数据输入,采用偏最小二乘识别分析(PLS-DA)方法建立煎炸油质量的定性分类模型,并对模型进行验证。模型训练集与预测集的正确识别率分别达94.5%与100%。比较主成分识别分析(PCA-DA)、K最近邻法(KNN)与分类回归树(CART)3种建模方法。结果表明PLS-DA预测能力优于其它方法,NIR光谱结合PLS-DA可作为快速鉴别煎炸油质量的一种新方法。     

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。     

基于Raman和NIR特征光谱的食用植物油脂肪酸定量模型优化

根据食用植物油4种主要脂肪酸(油酸、亚油酸、硬脂酸和软脂酸)分子结构中拉曼活性较强的基团所对应的谱区以及实测光谱筛选多个特征区间,结合偏最小二乘方法建立46份食用油样本4种脂肪酸的快速拉曼定量分析模型。实验结果表明相较于全谱建模,特征谱区筛选能有效地减少建模所用的变量数,明显提高模型的预测性能。实验中发现食用油颜色的差异会引起拉曼光谱受到不同程度的荧光干扰,因此在上述挑选的特征谱区基础上增加扰动较为明显的了295~325 cm-1波段进行联合建模,显著提高了拉曼定量模型的性能。并与采用数理统计方法进行特征谱区优化的近红外模型相比较,结果表明两类模型性能相当,均可用于食用油脂肪酸的快速、准确检测,其中拉曼模型因其所需样本量少,机理更明确等特点更有优势。     

基于电子鼻技术的马铃薯真菌性腐烂病早期检测

确定马铃薯致腐菌种,并建立快速检测方法对腐烂样本进行识别。本研究通过微生物及分子生物学方法对马铃薯致腐菌进行鉴定,采用电子鼻方法对样本进行检测,建立模型对不同感染阶段样本进行识别。结果显示:马铃薯主要致腐烂菌为出芽短梗霉,建立的K最近邻判别模型中,训练集与预测集识别率分别为90%和85%;建立的BP网络判别模型中,训练集与预测集判别率分别达到93.75%和90%,各腐烂阶段能够较好地被识别。研究结果为后期电子鼻技术应用至马铃薯腐烂病检测提供理论基础。     

基于多源光谱特征融合技术的花生油掺伪检测

以拉曼、近红外2种光谱特征融合结合化学计量学方法对花生油掺伪进行了定量分析。分别用激光拉曼、激光近红外光谱仪采集134个掺伪油样本的光谱数据,采用SPXY算法对样本集进行划分。拉曼光谱(Ram)和近红外光谱(near infrared spectroscopy,NIR)数据进行预处理后,采用后向间隔偏最小二乘法(BiPLS)和联合间隔偏最小二乘法(synergy interval partial least squares,Si PLS)分别提取2种光谱的特征波长;将提取的特征波长融合,结合支持向量机回归(SVR)建立数学模型,采用网格搜索算法(CV)对SVR模型的参数组合(C,g)值寻优,建立最优参数模型。研究表明:建立的Ram-NIR-SVR模型能够实现花生油中掺杂油脂含量的快速准确预测,预测集和校正集的相关系数R分别达到0.98和0.99,均方根误差(MSE)低于2.38E-3;对比不同特征波长提取方法,并与单光谱分析技术比较,可以看出,数据融合技术能够增强模型预测能力,减小模型参数,有利于模型的实际应用,体现了2种光谱很好的互补性。表明光谱分析结合数据融合技术对食用油真实性综合鉴别具有重要意义。     

近红外光谱法快速测定液态奶中蛋白质和脂肪含量

采用近红外光谱法结合化学计量学方法测定液态奶中蛋白质和脂肪的含量,比较分析随机法(randomsampling,RS)、kennard-stone(KS)、Duplex、基于x-y距离结合的样本划分方法(sample set partitioning based onjoint x-y distance,SPXY)4种训练集和预测集样本划分方法,使用Haaland法对异常值进行剔除,并对光谱预处理方法进行讨论。所建立的脂肪模型交叉验证均方根(RMSECV)与预测均方根(RMSEP)分别为2.434和2.099,预测集的决定系数Rp2为0.964;蛋白质模型的RMSECV与RMSEP分别为2.270和2.564,Rp2为0.940。结果表明,该方法快速、准确,可为液态奶的现场质量控制提供了有效途径。     

核磁共振氢谱-PCA-SVM回归法用于稀奶油中植脂奶油掺假定量分析

基于核磁共振氢谱-PCA-SVM回归方法,建立稀奶油中掺假植脂奶油的快速定量方法。核磁共振氢谱数据经分段积分、归一化等数据预处理后,利用PCA进行数据降维,采用交叉验证的方法对SVM中的参数进行优化,然后使用最优参数建立稀奶油中掺假植脂奶油比例的定量校准模型。将校正结果与PLS和SVM算法比较,并将所建立的3个模型用于测试集样本的预测。结果表明:基于PCA-SVM算法定量模型的RMSECV为3. 69,RMSEP为5. 87,训练集和测试集的R2分别为0. 987 5和0. 974 3,模型的稳定性、准确性以及模型的预测能力均优于PLS、SVM算法,且运行速度明显快于SVM算法。研究所建立的PCA-SVM模型表现出较好的模型稳定性和预测精度,结合核磁共振氢谱技术可以快速、准确地测定稀奶油中掺假植脂奶油含量,为规范市场上奶油蛋糕等烘焙制品的质量监管提供技术支持。     

高光谱技术结合迭代决策树的香肠菌落总数预测

利用波长范围400～1 000 nm高光谱对香肠的菌落总数进行预测研究。选取450 个香肠样本的光谱数据作为训练集,50 个作为测试集。采用多元散射校正方法对光谱预处理并采用主成分分析法对光谱降维处理。对训练集和测试集数据分别采用支持向量回归和迭代决策树（gradient boosting decision tree,GBDT）方法建立定量分析模型,优选最佳建模方法。结果表明：GBDT的建模效果较好,其训练集和测试集的均方根误差分别为0.001和0.003,决定系数R2分别为0.998和0.996。研究表明,基于高光谱成像技术利用GBDT方法预测香肠菌落总数可行并可有效实现。     

太赫兹光谱法检测面粉中过氧化苯甲酰含量

检测40个不同过氧化苯甲酰含量的面粉样品的太赫兹时域谱,获得其在0.2~2.0 THz频段内的频域谱、折射谱及吸收谱。时域谱表明,与参考信号相比,添加过氧化苯甲酰的面粉样品,其太赫兹波幅值出现了不同程度的降低,面粉样品的频域信号出现了不同程度的延迟现象。频域谱表明面粉样品中过氧化苯甲酰的含量越高,其频域谱的幅值越大,对太赫兹波的吸收强度越小,过氧化苯甲酰在一定程度上降低了面粉样品对太赫兹波的吸收。折射谱表明随着频率的增加,折射率逐渐降低,随着面粉中过氧化苯甲酰的含量增加,面粉样品的折射率随之增大。吸收谱表明面粉样品中的过氧化苯甲酰在1.6 THz处存在一个较为明显的特征吸收峰。因此,太赫兹光谱可用于面粉中过氧化苯甲酰的特征识别。利用40个面粉样品的吸收谱数据作为输入变量,分别采用偏最小二乘(partial least squares,PLS)、支持向量回归(support vector regression,SVR)及最小二乘支持向量回归(least squares support vector regression,LS-SVR)建立校正模型,其中PLS和SVR模型得到的决定系数(R2)都低于0.9,相对标准偏差(relative standard deviation,RSD)都大于10%,而LS-SVR模型的R2为0.986,RSD为4.30%,结果表明太赫兹光谱分析技术可以用于检测面粉中过氧化苯甲酰含量。     

利用太赫兹技术和统计方法鉴别地沟油

基于普通食用油和地沟油的太赫兹吸收光谱,利用0.16~1.30 THz频域的吸收谱,进行聚类分析,8种地沟油组成一类,食用油自成一类。随机选择了2种地沟油作为验证样品,将其余油样进行聚类,采用概率神经网络法对验证样品进行判定,并成功将2种油判定为地沟油。结果表明,太赫兹时域光谱技术结合统计方法可推广成为鉴别地沟油的快速有效手段。     

近红外光谱法快速测定烟草中的总挥发酸与总挥发碱

应用傅立叶变换近红外光谱法测定730个具有代表性的烟草近红外光谱数据,采用偏最小二乘回归建立了近红外光谱信息与其含量之间的定量校正模型,并对50个验证样品进行预测验证。总挥发碱和总挥发酸的预测标准差(RMSEP)分别为0.020和0.009,验证样品的相对标准偏差各为1.120%和0.919%。     

太赫兹时域光谱识别4种食用油真实性的研究

采用太赫兹时域光谱系统(THz-TDS),研究了4种食用油(黑芝麻油、芝麻油、小磨香油和花生油)在0.2~1.6 THz波段的延时特性和折射率特性。使用主成分分析法(PCA),根据累计贡献率的大小提取光谱的特征数据。提取了4个主成分(累计贡献率大于95%)作为一个支持向量机(SVM)模型的输入用于识别食用油的种类。结果表明:结合主成分分析法,通过选择合适的支持向量机核函数及其参数,食用油种类识别的正确率可达到93%;通过与主成分回归(PCR)、偏最小二乘回归(PLS)和后向(BP)神经网络方法的比较,支持向量机结合主成分分析(PCA-SVM)方法具有更突出的分类性能,同时也说明了采用太赫兹时域光谱,结合化学计量学方法精准鉴别食用油种类的可行性。     

红外光谱快速测定油茶籽油脂肪酸组成的模型建立北大核心CSCD

通过气相色谱和傅里叶红外光谱仪测定86个油茶籽油样本的脂肪酸组成和红外光谱图,采用支持向量机(SVM)和BP人工神经网络(ANN)的非线性建模方法,构建油茶籽油中主要脂肪酸的定量回归模型。结果表明:ANN建立的油酸和棕榈酸定量回归模型精确度比SVM高,校正集的相关系数(R)分别为0.9987和0.9451,预测集的相关系数分别为0.9557和0.9262,相对标准偏差分别小于1%和5%;SVM和ANN建立的亚油酸定量分析模型精确度都非常高,相对标准偏差均小于1%。说明红外光谱用于油茶籽油中主要脂肪酸的快速检测是完全可行的。     

基于太赫兹时域光谱的大米品种识别研究

为实现大米品种的准确鉴别,提出一种基于太赫兹时域光谱（Terahertz Time-Domain Spectroscopy, THz-TDS）技术的大米品种识别方法。利用标准差（Standard Deviation, SD）和区间偏最小二乘（Interval Partial Least Square, iPLS）选取0.53~1.21 THz波段的吸收光谱信息作为分类模型的输入数据,再采用决策树模型（Decision Tree, DT）对四种大米吸收光谱进行分类识别,并在模型训练过程中结合网格搜索算法寻找模型最优参数。为增加实验对比度,分别使用逻辑回归模型和支持向量机模型进行对比实验,其模型分类准确率分别为80.75%和88.75%。实验结果表明,太赫兹时域光谱技术结合SD、iPLS和DT方法可以实现大米品种的准确识别,准确率可达95%,为农产品品种识别提供了一种新的鉴别方法。     

主成分回归滴定分析糖蜜中多组分有机酸

针对计算滴定分析问题,在滴定体系中以pH2.0为参考基准,滴定至特定pH值所消耗滴定剂增量为测量指标,构建了多组分有机酸的pH谱。以主成分回归法对含有乙酸、乳酸、草酸、琥珀酸、柠檬酸和乌头酸等6组分有机酸体系进行主成分拟合,结果表明,性质相似的柠檬酸和乌头酸的拟合预测能力较差,但其总量可得到较好的预测结果。方法对以上6种有机酸及柠檬酸和乌头酸总量的相对预测均方根误差分别为5.80%、8.88%、7.40%、5.55%、12.32%、15.25%和3.16%。应用该法对2种糖蜜中有机酸进行了分析并与离子色谱分析结果作了对照。     

不同贮存年限陈皮的太赫兹光谱和成像的差异分析

本研究利用太赫兹光谱与成像技术及统计分析方法对5种不同贮存年限（3、5、10、15和20年）的陈皮进行了差异性表征和年限鉴别。结果表明,不同贮存年限陈皮样品的太赫兹光谱信息参数（包括吸收系数、折射率、复介电常数虚部和介质损耗角正切值）和太赫兹频域图像对比度均存在明显的差异和较为一致的变化趋势,3~15年陈皮的各参数值随贮存年限的增加而递减,15~20年陈皮的各参数值随年限增加而渐增;对0.6~1.8 THz范围内的各光谱参数进行统计学分析及独立样本t检验,提取变化规律具有一致性且差异显著（p<0.05）的光谱参数数据,建立了基于主成分分析-支持向量机（PCA-SVM）的高效陈皮贮存年限预测模型,其年限预测准确度可达94%以上。该结果表明了太赫兹技术在表征不同陈皮差异及鉴定贮存年限上的可行性和优越性。     

Laboratory Assays and Near-Infrared Reflectance Spectroscopy for Estimates of Feeding Value of Corn Silage

Corn silages samples from the Virginia Tech Forage Testing Program were classified by color, presence or absence of mold, aroma, and fermentation type. In the sample of 142 corn silages, in vitro digestible organic matter averaged 59.8% (range 38.5 to 74.7%) and indicated a range of silage quality. Simple and multiple regression of in vitro digestible organic matter on chemical constituents were derived for the full data set and within fermentation groups. Acid detergent fiber and dry matter explained the largest portion of the variation of digestibility. Simple regression on the full data set had coefficients of determination of .352 and .208 with standard errors of prediction of 5.29 and 5.86 for acid detergent fiber and dry matter. Multiple regression analyses improved coefficient of determination and standard error slightly.Corn silage in vitro digestible organic matter was predicted by near infrared reflectance techniques. A calibration equation resulted in coefficient of determination of .88 and standard error 5.38. The calibration equation was tested for prediction of an additional 90 corn silages. Regression of digestibility predicted by near infrared reflectance resulted in coefficient of determination of .37 and standard error of 4.04. Prediction of corn silage digestibility by near infrared reflectance or laboratory methods was similar.