论文部分内容阅读
为实现对食用油加热后反式脂肪酸(Trans fatty acids,TFAs)含量的快速检测,将菜籽油、大豆油和玉米油三种食用油在190℃下(常用煎炸温度)进行不同时间(0、30、60、90、120、150min)加热,然后采用共聚焦激光拉曼光谱仪对样品进行检测,每个样品均匀检测36个点,相应得到36条拉曼光谱,共采集648条拉曼光谱。通过对拉曼光谱数据的分析,建立食用油中TFAs含量的定性及定量分析模型,以实现对TFAs含量进行快速、准确的检测及评价。论文的主要结论如下:1.采用多项式平滑与标准正态变量变换对原始光谱数据进行预处理,去除背景和噪音的干扰。2.采用无信息变量消除法(No information variable elimination method,UVE)对全波段拉曼光谱数据进行特征变量筛选,针对菜籽油、大豆油和玉米油分别从全部波长中筛选出了75、153和23个波长变量;采用自动寻峰算法,针对菜籽油、大豆油和玉米油分别其拉曼光谱的峰值、峰谷和峰面积作为特征表征信息,再使用无信息变量消除法对三种食用油的谱峰分解特征进一步进行筛选。3.首先,分别基于全谱数据和UVE筛选的特征光谱变量建立定性和定量模型,对不同加热时间的三种食用油及TFAs含量进行定性判别和定量检测,并对试验结果进行对比分析。结果表明,基于筛选后的变量,运用Fisher判别分析(Fisher discriminant analysis,FDA)建立定性判别模型,其判别正确率由40%~50%提升至90%以上,表明筛选后的变量能较好表征样品的特征信息;同时分别基于筛选变量和全谱数据,运用偏最小二乘回归(Partial least squares regression,PLSR)、BP神经网络(Back propagation neural network,BPNN)和支持向量机回归(Support vector machine regression,SVR)方法,建立TFAs含量的数学预测模型。通过对预测结果的对比分析,表明无信息变量消除结合支持向量回归机方法(UVE-SVR)具有良好的检测效果。菜籽油、大豆油、玉米油R~2分别从0.850 4、0.935 4和0.7534提升为0.959 6、0.995 0和0.952 8。然后,基于拉曼谱峰分解方法进行分析。FDA结果显示,在不同种类的食用油中,无论是单一特征表征模式还是多特征表征模式,随着谱峰特征数目的变化,鉴别正确率也出现变化;采用UVE算法对3特征组合变量进一步筛选,筛选后三种食用油的FDA鉴别正确率升均至100%。基于拉曼谱峰特征值分别采用SVR、PLSR、BP神经网络三种方法对三种食用油中反式脂肪酸含量进行预测,并对结果进行对比分析。分析结果显示:使用SVR预测菜籽油、大豆油、玉米油中反式脂肪酸含量,训练集的R~2均在0.99以上,预测集的R~2分别为0.983、0.987、0.982。使用BP神经网络时,预测集的R~2分别为0.981、0.991、0.989。研究结果表明,运用谱峰分解方法与UVE相结合所提取的特征变量作为SVR模型与BP神经网络模型的输入向量预测食用油中反式脂肪酸含量是有效的,同时也可以提高模型精度与稳健性,大大降低模型的计算量。