基于化学反应和微生物生长的时间-温度指示器跨模型匹配方法

时间-温度指示器（time-temperature indicator，TTI）作为一种指示货架期的智能标签，与被监测产品的匹配是其应用的关键。但TTI和被监测产品反应机理不同，二者最适拟合模型不尽相同，而传统匹配过程多采用统一模型和参数进行拟合和匹配，一定程度降低了模型拟合精度。基于等量线的TTI匹配方法是以某一品质变化片段在不同温度下的等效转换为基础，具有较好的模型兼容性。本研究利用公式推导验证了这一TTI匹配方法在化学动力学模型和多种不同微生物生长模型中的普适性，成功将这些模型结合，形成了TTI与被监测产品在这些模型间的跨模型匹配，并利用‘玫瑰香’葡萄硬度变化过程和罗非鱼微生物生长过程阐述了化学反应和微生物生长的规律，验证了等效转换参数的稳定性和基于等量线的TTI匹配方法的可行性。研究结果将有助于实现不同机制类型的TTI和被监测产品在多种化学反应动力学模型和微生物生长模型间的跨模型匹配，且匹配过程直观、简洁，有利于TTI的应用和推广。     

近红外光谱法快速测定香菇总糖含量

为弥补国标检测方法测定香菇总糖含量耗时长、步骤繁琐的缺陷,创建近红外（near infrared,NIR）光谱技术在测定香菇总糖含量方面应用,采用NIR分析技术与偏最小二乘算法（partial least square,PLS）建立香菇总糖的NIR分析模型,并对模型进行参数优化。实验共收集了106 批样品,从中随机抽取13 批作为验证集,用于验证该模型的可靠性,剩余的93 批样品为校正集。在校正集中,通过杠杆值法和学生化残差法筛选出65 批能够较理想地代表一般香菇特征的样品,用于确定NIR光谱检测范围、PLS主因子数等参数,基于NIR光谱数据的香菇总糖含量建立定量分析模型。校正集的建模结果表明,使用多元散射校正（multiplicative scatter correction,MSC）及二阶导数（second derivatives,SD）对原始光谱进行预处理,光谱范围为4 000～10 000 cm－1,PLS主因子数为10时,基于NIR的香菇总糖检测模型的建模效果最优,即均方根误差比值满足检验条件,校正集R2（决定系数）最高为0.940 04,校正均方根误差为1.393,预测集均方根误差为1.557,相对分析误差最优为4.08。验证集对模型的检验结果显示,样品的预测值和实测值具有良好的线性关系,且二者没有显著差异（P=0.993）。由此表明,本实验建立的NIR分析模型可用于准确预测香菇样品的总糖含量。