论文部分内容阅读
近红外光谱技术具有检测迅速、绿色环保、操作简便等优点。本文将近红外光谱技术结合化学计量学方法分别对鲜乳的多种营养组分含量的快速检测以及巴氏杀菌乳和复原乳、鲜乳和掺假乳的属性判别进行了深入的方法研究。近红外光谱技术与化学计量学方法结合,建立了鲜乳中多种营养成分的PLS定量预测校正模型。脂肪、蛋白质、乳糖、牛乳总固体、非乳脂固体最佳主成分数分别为5、6、4、4、5;其交互验证相关系数(Corr.Coeff)分别为0.987、0.982、0.978、0.991、0.992;交互校验均方残差(RMSECV)分别为0.053、0.143、0.446、0.111、0.125。在校正模型的可靠性检验中,方法的重现性很好,同一奶源与不同奶源鲜乳样品预测值与参考真值配对t-检验差异均不显著,表明所建模型包容性好,预测结果可靠。近红外光谱技术与化学计量学方法联用,建立了同时检测鲜乳中四种营养成分的PLS-BP网络预测模型。将样品光谱数据进行PLS压缩,取前3个主成分的14个敏感吸收峰值作为网络的输入向量,根据Kolmogorov原则,隐含层神经元个数为29,很好地完成了鲜乳中脂肪、蛋白质、乳糖和牛乳总固体的定量检测。模型预测决定系数(R~2)分别为0.961、0.974、0.951、0.997。在校正模型的可靠性检验中,方法的重现性很好。采用单一奶源模型能够预测不同奶源鲜乳的多种营养成分,表明模型包容性好,预测结果可靠,从而为样品的多组分检测提供了一条新思路。近红外光谱技术与化学计量学方法联用,建立了同时检测鲜乳中三种营养成分的PLS-Elman网络预测模型。将样品光谱数据进行PLS压缩,取前3个主成分的14个敏感吸收峰值作为网络的输入向量,中间层神经元个数为53,经训练后建立Elman预测模型用于鲜乳中脂肪、蛋白质、乳糖的同时检测。模型预测决定系数(R~2)分别为0.985、0.950、0.967。在校正模型的可靠性检验中,方法的重现性很好。采用单一奶源模型能够预测不同奶源鲜乳的多种营养成分,表明模型包容性好,预测结果可靠,作为一种快速有效的检测手段完全可用于其他样品多种成分的同时检测。近红外光谱技术与PCA-马氏距离联用,建立了巴氏杀菌乳和复原乳、鲜乳和分别掺有植物奶油、乳清粉、粉末油脂的定性判别分析模型。在一定的波段范围内,选择合理的光谱预处理方式,样品光谱数据经PCA压缩后提取的最佳主成分因子数分别为8、3、6、5,成功的将巴氏杀菌乳和复原乳、鲜乳和掺假乳完全鉴别开来,为我国乳品品质的控制和评估开辟了一条新的途径。基于近红外光谱借助化学计量学手段构建了巴氏杀菌乳和复原乳、鲜乳和掺有植物奶油假乳的自组织竞争网络模式识别模型。样品光谱数据经PLS分别压缩主成分,再分别选择其中113个和21个敏感吸收峰值作为网络输入向量予以建模,设定合理的学习速率和训练步数即可完成建模工作。模型对预测集样品的正确识别率均为100%。基于近红外光谱借助化学计量学手段构建了巴氏杀菌乳和复原乳、鲜乳和同时掺有乳清粉、粉末油脂、糊精三种物质的假乳的SOM网络模式识别模型。样品光谱数据经PLS压缩主成分,分别选择其中113个和326个敏感吸收峰值作为网络输入向量予以建模,竞争层结构分别为[60 40]和[100 80],设定合理的训练步数即可完成建模工作。模型对预测集样品的正确识别率均为100%。