基于NIRS的食用醋品牌溯源模型的建立与优化

本文主要探讨了近红外光谱(NIRS)结合模式识别技术应用于食用醋品牌溯源研究。采集了四个品牌(四川保宁香醋、山西东湖老陈醋、镇江恒顺香醋、镇江香醋)共160组食醋样品的近红外漫反射光谱,通过主成分分析(PCA)进行光谱变量压缩及剔除8个异常样本数据后,随机选取其中的114组样品组成训练集用于建立溯源模型,剩余38组样品用作测试集进行模型验证。比较了MSC、SD、SNV等几种不同光谱预处理方法以及它们的不同组合对溯源模型的影响,同时考察了PLS-DA与SIMCA两种建模方法对模型的影响。结果表明:选择MSC与SD相结合的方法对光谱数据进行预处理,并采用SIMCA建模方法所建立的醋品牌溯源模型对四大品牌醋的正确识别率分别可达100%、100%、91.7%、90%。由此说明采用近红外光谱技术结合模式识别技术可有效实现食用醋品牌溯源的目的。     

基于SOM和SVM的食醋品质近红外定性分析

研究近红外光谱(near-infrared spectroscopy,NIRS)结合自组织映射(self-organization mapping,SOM)和支持向量机(support vector machine,SVM)用于食醋酿造年份和品牌的判别分析。连续小波变换(continuous wavelet transform,CWT)用于光谱预处理;主成分分析(principal component analysis,PCA)用于食醋光谱降维和样品空间分布分析。结果表明:CWT预处理可以有效消除食醋光谱的平移误差;PCA可以极大地减少光谱变量,提高建模效率;对于食醋酿造年份的识别,采用CWT—PCA—SOM的正确识别率(correct recognition rate,CRR)为97.37%,采用CWT—PCA—SVM的CRR为100%;对于食醋品牌的鉴别,CWT—PCA—SOM和CWT—PCA—SVM两种方法的CRR均为100%。近红外光谱结合CWT—PCA—SOM和CWT—PCA—SVM方法在食醋酿造年份及其品牌鉴别中均得到很好的分析结果,该方法具有良好的应用前景。     

近红外光谱鉴别滇南小耳猪和DLY商品猪

应用近红外漫反射光谱技术(near infrared reflectance spectroscopy,NIRS),对滇南小耳猪和DLY商品猪的整块、匀质肉糜、烘干粉、冻干粉的光谱建模分析,进行品种鉴别,并筛选出最优的光谱建模方法。采集4 300~11 000 cm-1范围内53头滇南小耳猪、58头DLY商品猪背最长肌整块、匀质肉糜、烘干粉、冻干粉光谱数据。分别采用原始光谱、一阶导数、二阶导数、变量标准化、多元散射校正等方法进行光谱预处理,应用簇类独立软模式方法建立品种鉴别模型。其中80个样品作为校正集,余下31个样品作为验证集。结果表明:DLY商品猪和滇南小耳猪整块肉光谱模型对验证集DLY商品猪识别率为100%,拒绝率为0%,对验证集滇南小耳猪识别率为100%,拒绝率50%,效果不理想;匀质肉糜光谱模型对验证集DLY商品猪识别率为100%,拒绝率为0%,对验证集滇南小耳猪识别率为100%,拒绝率0%,效果不理想;烘干粉、冻干粉的近红外光谱模型鉴别效果较好,验证集的识别率和拒绝率均为100%。综上,近红外光谱分析方法可用于鉴别DLY商品猪和滇南小耳猪两个品种。     

基于近红外高光谱成像技术的宁夏羊肉产地鉴别

使用900~1700 nm高光谱成像系统采集宁夏银川、固原、盐池三个不同产地的绵羊后腿样本的近红外高光谱数据,对光谱采用面积归一化方法预处理,利用SPA、CARS、UVE算法对预处理后的光谱数据提取特征波长分别为17、40、121个;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明KNN判别模型效果较差,3种特征波长中利用CARS提取的特征波长建模效果最佳,代替全光谱建立PLS-DA判别模型是可行的;综合对比模型效果,CARS-PLS-DA为最优模型,校正集正确率90.48%,预测集正确率84.21%。证明利用近红外高光谱成像技术对羊肉产地鉴别是可行的。     

近红外光谱技术结合偏最小二乘判别分析检测三七品质

目的 利用近红外光谱技术实现不同等级三七样品的快速鉴别。方法 采集等级A（20头）、等级B（30头）、等级C（40头）、等级D（60头）四种不同等级三七样品的近红外光谱,构建偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA）分类器模型鉴别四种等级的三七样品,同时为了减近红外光谱中的冗余波长变量,进一步优化模型的判别结果,利用竞争自适应重加权采样（competitive adaptive reweighted sampling, CARS）算法提取近红外光谱中的特征变量。结果 所构建的PLS-DA分类器模型对等级C和等级D的三七样品,鉴别准确率达到100%,但是对于等级A和等级B的三七样品因为存在误判,鉴别准确率仅为0%和20%。经过CARS算法提取近红外光谱特征变量后,光谱变量数大幅减少,从1557个变量下降到78个变量。以优选后的特征变量构建的CARS-PLS-DA分类器模型更加简化,对四种等级三七样品的预测均方根误差均明显下降,说明模型的预测分类变量更接近真实的分类变量,鉴别结果更加准确。同时,对四种等级三七样品的鉴别准确率显著上升,其中对于等级C和等级D的鉴别准确率为100%,对于等级B的鉴别准确率从20%提升到100%,等级A鉴别准确率从0%提升到75%。结论 所构建的CARS-PLS-DA分类器模型对四种等级的三七样品具有更好的鉴别效果,可以实现不同等级三七的品质鉴定。     

近红外光谱结合线性判别分析方法在食醋品牌鉴别中的应用

采用近红外光谱技术结合化学计量学手段,建立不同品牌食醋的快速鉴别方法。用近红外光谱仪对103组食醋样品进行扫描,采用二阶导数对图谱进行预处理、标准化处理、T检验和主成分分析(principal component analysis,PCA),运用留一法构建线性判别分析(linear discriminant analysis,LDA)模型。结果表明,原始近红外谱图经过处理后,显示出同种品牌食醋主成分的聚类趋势;交叉验证结果表明,PCA-LDA模型预测不同品牌食醋的正确率高达85. 57%,该模型具有较好的预测效果。该研究结合近红外光谱与PCA-LDA模型,为不同品牌食醋提供一种快速鉴别方法,具有处理近红外光谱数据,研究物质主成分的应用潜力。     

基于近红外光谱及邻域粗糙集算法的

为了能够无损、准确检测出稻谷在贮藏过程中的宜存状况,利用近红外光谱技术结合数据分析方法建立了稻谷贮藏品质的鉴别模型。采集1 000～1 800 nm范围内285份样品近红外光谱数据,依据实测脂肪酸值将样品宜存状况划分为宜存、轻度不宜存、重度不宜存三类,采用邻域粗糙集（neighborhood rough set,NRS）算法终选出最优的10个特征波长结合随机森林（random forest,RF）算法所建立的稻谷贮藏品质鉴别模型性能最优,其校正集与测试集正确识别率分别为96.31%和9368%,敏感性和特异性参数分布在0.93～0.99。经分析比较,该模型性能同样优于采用连续投影算法（successive projections algorithm,SPA）和主成分分析（principal component analysis,PCA）结合RF算法各自建立的分类模型。结果表明,近红外光谱技术结合NRS和RF算法用于稻谷贮藏品质的鉴定是可行的,适用于储粮品质安全现场快速筛查。     

近红外光谱法快速鉴别转基因大豆模型优化

目的应用近红外光谱(NIR)结合偏最小二乘判别分析(PLS-DA)建立转基因大豆的快速鉴别模型,并选择最优模型。方法主成分分析(PCA)用于从光谱数据中提取相关特征并剔除异常样品。在试验中,94份样品用于构建模型,41份样品用作验证评估模型的效果。分别讨论样品形态(整粒和粉末)、波长范围和光谱预处理方法对所建模型判别正确率的影响。结果粉末状大豆样品建模的效果好于整粒大豆样品。其中判定效果最好的模型,整粒大豆在9 403～5 438 cm~(-1)范围内,采用二阶导数(2nd)处理光谱,模型的校正集和验证集的判定正确率均为100.00%;粉末状大豆在7 505～4 597 cm~(-1)范围内,采用矢量归一化+一阶导数(SNV+1st)处理光谱,模型的校正集和验证集的判定正确率也均为100.00%。结论通过选择样品形态、波长范围和光谱预处理方法可以优化鉴别模型,提高近红外判别模型的鉴别正确率。     

基于近红外光谱及邻域粗糙集算法的稻谷贮藏品质无损鉴别

为了能够无损、准确检测出稻谷在贮藏过程中的宜存状况,利用近红外光谱技术结合数据分析方法建立了稻谷贮藏品质的鉴别模型。采集1 000～1 800nm范围内285份样品近红外光谱数据,依据实测脂肪酸值将样品宜存状况划分为宜存、轻度不宜存、重度不宜存三类,采用邻域粗糙集(neighborhood rough set,NRS)算法终选出最优的10个特征波长结合随机森林(random forest,RF)算法所建立的稻谷贮藏品质鉴别模型性能最优,其校正集与测试集正确识别率分别为96.31%和93.68%,敏感性和特异性参数分布在0.93～0.99。经分析比较,该模型性能同样优于采用连续投影算法(successive projections algorithm,SPA)和主成分分析(principal component analysis,PCA)结合RF算法各自建立的分类模型。结果表明,近红外光谱技术结合NRS和RF算法用于稻谷贮藏品质的鉴定是可行的,适用于储粮品质安全现场快速筛查。     

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。     

基于低场核磁共振技术的奶粉品牌快速判别

目的：采用低场核磁共振技术对6个不同品牌的270个奶粉样品进行检测判别。方法：采用主成分分析（PCA）、偏最小二乘判别分析（PLS-DA）、误差反传人工神经网络（BP-ANN）等化学计量学方法对样品数据进行处理。结果：采用PCA方法的主成分三维投影图无法达到对奶粉品牌快速判别的目的;PLS-DA方法的训练集和预测集的正确识别率分别为66.1%,52.2%,可信度较低,也难以实现奶粉品牌的快速判别;BP-ANN方法的训练集和预测集的正确识别率分别为99.4%, 100.0%。结论：低场核磁共振与BP-ANN结合可以很好地识别奶粉品牌。     

基于三维荧光光谱快速识别冷榨一级核桃油品牌和产地

为寻找一种能快速识别核桃油品牌和产地的方法,以来自4个品牌3个产地的冷榨一级核桃油为研究对象,分批次收集了300个样品,用荧光检测仪进行样品扫描,分两个时间段采集三维荧光光谱,间隔为1个月。对收集的共600组光谱数据运用主成分分析（PCA）进行特征提取,同品牌或同产地的样品分别选取主成分1组成新的数据集,达到数据降维,再结合偏最小二乘判别（PLS-DA）和人工神经网络判别（BP-ANN）化学模式识别方法,对应构建核桃油的品牌识别模型和产地识别模型。结果表明：PLS-DA和BP-ANN对核桃油的品牌和产地的识别率都能达到100%。因此,三维荧光光谱与PLS-DA和BP-ANN方法结合,可用于快速识别核桃油的品牌和产地。     

Study on classification of soy sauce by electronic tongue technique combined with artificial neural network

Electronic tongue as an analytical tool coupled with pattern recognition was attempted to classify 4 different brands and 2 categories (produced by different processes) of Chinese soy sauce. An electronic tongue system was used for data acquisition of the samples. Some effective variables were extracted from electronic tongue data by principal component analysis (PCA). Backpropagation artificial neural network (BP-ANN) was applied to build identification models. PCA score plots show an obvious cluster trend of different brands and different categories of soy sauce in the 2-dimensional space. The optimal BP-ANN model for different brands was achieved when principal components (PCs) were 2, and the identification rate of the discrimination model was 100% in both the calibration set and the prediction set, and the optimal BP-ANN model for different categories had the same result. This work demonstrates that electronic tongue technology combined with a suitable pattern recognition method can be successfully used in the classification of different brands and categories of soy sauce.     

基于低场核磁共振的白酒品牌判别分析

为探求一种白酒品牌判别的方法,基于低场核磁共振（LF-NMR）技术,综合运用主成分分析（PCA）、偏最小二乘法-判别分析（PLS-DA）、反向传播人工神经网络（BP-ANN）方法对6种浓香型白酒品牌共300个样本进行模式识别分析,解析了对不同品牌浓香型白酒进行判别的可行性。结果表明,运用PCA方法对样品进行识别,无法区分白酒品牌;运用PLS-DA的方法对白酒样品进行识别,训练集的识别率约为99.5%,预测集识别率约为96.7%;运用BP-ANN的方法对白酒样品进行识别,训练集识别率约为99.5%,预测集识别率约为98.9%。结果表明,PLS-DA方法和BP-ANN方法对浓香型白酒样品的区分成功,表示将低场核磁共振方法应用到浓香型白酒的品牌判别中是可行有效的。     

近红外光谱技术结合支持向量机对食用醋品牌溯源的研究

研究近红外光谱技术对食用醋品牌进行快速无损溯源。收集市场上保宁、东湖、恒顺、镇江4个品种共152份具有代表性的食用醋样品,采集它们的近红外光谱数据,对原始光谱数据进行多元散射校正(multip,licative scatter corrertion,MSC)预处理,对预处理后的光谱数据利用主成分分析法(principal component analysis,PCA)进行聚类分析,根据主成分的累计贡献率选取主成分数,然后用支持向量机(support vector machine,SVM)建立预测模型,选取合适的SVM核函数,并利用粒子群优化算法(particle swarm optimization,PSO)优化模型参数。结果表明,近红外光谱技术结合支持向量机对食用醋品牌分类正确率可达100%。     

基于涂膜法FTIR光谱的地沟油掺伪定性分析

为了建立基于FTIR光谱地沟油掺伪定性分析方法及简化红外光谱扫描样品制备。油样溶于有机溶剂,将混合油均匀涂覆于透明聚乙烯(PE)薄膜上,挥干有机溶剂形成油膜,扫描其红外光谱。从制备和收集的73个样品中,随机分40个样品作为校正集样品,33个为验证集样品,建立地沟油鉴别定性模型,并对模型进行验证。结果表明:当掺伪质量分数为1%时,在红外光谱范围为1 500~650 cm-1,采用原始光谱结合判别分析建立定性分析模型,其识别率可达100%。表明基于涂膜法FTIR光谱的地沟油掺伪定性分析是可行的。     

基于气相色谱-离子迁移谱法分析食醋中挥发性风味物质

目的 分析不同产地和包装的食醋中的挥发性风味物质。方法 采用气相色谱-离子迁移法(gas chromatography-ionmobilityspectrometry,GC-IMS)获取不同食醋样品挥发性成分指纹图谱,利用多元统计法分析不同产地和包装食醋中的挥发性风味物质差异。结果 瓶装与袋装食醋、山西产与江苏产食醋可很好地区分开;乙酸丁酯可能为好太太牌食醋的特征性风味物质,2-正戊基呋喃可能为紫林牌食醋的特征性风味成分,乙二醇单丁醚和2,3-二乙基-5-甲基吡嗪可能为恒顺牌食醋的特征性风味成分。镇江香醋中挥发性风味成分含量较多。结论 GC-IMS可以有效地分析食醋中的挥发性风味物质,比较不同产地和包装食醋风味物质的差异,为食醋风味物质的分析及食醋的真伪鉴别提供参考依据。     

基于高光谱技术的籼稻霉变程度鉴别模型构建与优化

为解决快速无损鉴别籼稻霉变程度问题,利用高光谱技术采集200份霉变样本可见/近红外光谱信息,随机选取155份样本作为校正集,剩余45份作为验证集,根据预测浓度残差检验标准对校正集中异常样本进行剔除。以新校正集建立主成分线性判别分析(PCA-LDA)和簇类独立软模式法(SIMCA)模型,选用正确识别率为指标,优选最佳鉴别模型。并采用连续投影算法(SPA)提取特征波长,优化优选的最佳模型构建速度。研究结果表明,PCA-LDA对所有样本的误判总数为15,正确识别率为92.50%;SIMCA和SPASIMCA对所有样本的未能正确识别总数分别为6、2,正确识别率分别为97.00%、99.00%,并且经SPA筛选的变量数为20,仅占原始变量数的7.81%,建模时长缩短为原始变量的40.93%。因此,SPA-SIMCA鉴别效果最好,该方法在快速、准确鉴别籼稻霉变程度上具有可行性。