基于近红外光谱的模式识别技术用于鲜乳掺假检测的研究

论文摘要

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（R2）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（R2）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%。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 近红外光谱
• 1.3 化学计量学
• 1.3.1 定量分析
• 1.3.2 定性判别分析
• 1.4 基于近红外光谱的模式识别技术在各领域的应用
• 1.4.1 在食品领域的应用
• 1.4.2 在临床医学领域的应用
• 1.4.3 在石油化工领域的应用
• 1.4.4 在生物领域的应用
• 1.5 课题研究的目的、意义及主要内容
• 1.5.1 课题来源
• 1.5.2 研究价值和意义
• 1.5.3 主要研究内容
• 第2章 近红外光谱技术结合不同化学计量学方法用于鲜乳多种营养成分的定量分析
• 2.1 前言
• 2.2 近红外光谱技术偏最小二乘法对鲜乳中多组分含量的定量分析
• 2.2.1 方法原理
• 2.2.2 实验材料和仪器
• 2.2.3 结果与分析
• 2.3 近红外光谱技术与BP网络联用对鲜乳多组分含量的定量分析
• 2.3.1 方法原理
• 2.3.2 实验材料和仪器
• 2.3.3 结果与分析
• 2.4 近红外光谱技术与Elman网络联用对鲜乳多组分含量的定量分析
• 2.4.1 方法原理
• 2.4.2 实验材料和仪器
• 2.4.3 结果与分析
• 2.5 讨论
• 2.5.1 PLS、PLS-BP和Elman三种预测模型均可快速检测鲜乳中多种营养成分
• 2.5.2 PLS、PLS-BP和Elman三种预测模型有各自的特点和差异性
• 第3章 近红外光谱技术结合不同化学计量学方法对鲜乳掺假检测的研究
• 3.1 前言
• 3.2 近红外光谱技术联用PCA-马氏距离对巴氏杀菌乳和复原乳的鉴别
• 3.2.1 方法原理
• 3.2.2 实验材料和仪器
• 3.2.3 结果与分析
• 3.3 近红外光谱技术联用PCA-马氏距离对鲜乳和掺有植物奶油假乳的鉴别
• 3.3.1 实验材料和仪器
• 3.3.2 结果与分析
• 3.4 近红外光谱技术联用PCA-马氏距离对鲜乳和掺有乳清粉假乳的鉴别
• 3.4.1 实验材料和仪器
• 3.4.2 结果与分析
• 3.5 近红外光谱技术联用PCA-马氏距离对鲜乳和掺有粉末油脂假乳的鉴别
• 3.5.1 实验材料和仪器
• 3.5.2 结果与分析
• 3.6 讨论
• 3.6.1 基于近红外光谱技术开展鲜乳掺假鉴别的研究是可行的
• 3.6.2 主成分因子数的选择是模型判别准确性的关键因素之一
• 3.6.3 奇异点的剔除影响判别模型的可靠性
• 第4章 近红外光谱技术与自组织竞争神经网络联用对鲜乳掺假鉴别的研究
• 4.1 前言
• 4.2 近红外光谱技术-自组织竞争神经网络对巴氏杀菌乳和复原乳的鉴别
• 4.2.1 方法原理
• 4.2.2 实验材料和仪器
• 4.2.3 结果与分析
• 4.3 近红外光谱技术-自组织竞争神经网络对鲜乳和掺假乳的鉴别
• 4.3.1 实验材料和仪器
• 4.3.2 结果与分析
• 4.4 讨论
• 4.4.1 训练步数是神经网络的一个重要参数
• 4.4.2 作为输入向量的敏感吸收峰的选择是建立模式识别模型的关键
• 第5章 近红外光谱技术与自组织特征映射神经网络联用对鲜乳掺假鉴别的研究
• 5.1 前言
• 5.2 近红外光谱技术-SOM网络对巴氏杀菌乳和复原乳的鉴别
• 5.2.1 方法原理
• 5.2.2 实验材料和仪器
• 5.2.3 结果与分析
• 5.3 近红外光谱技术-SOM网络对鲜乳和掺入多种成分假乳的鉴别
• 5.3.1 实验材料和仪器
• 5.3.2 结果与分析
• 5.4 讨论
• 5.4.1 PCA-马氏距离、自组织竞争神经网络和SOM神经网络三种定性判别模型的特点
• 5.4.2 基于近红外光谱的模式识别技术在食品掺伪鉴别中有广阔的前景
• 第6章 结论与展望
• 6.1 结论
• 6.1.1 鲜乳中多种营养成分的定量检测模型
• 6.1.2 鉴别巴氏杀菌乳/复原乳和鲜乳/掺假乳的模式识别模型
• 6.2 进一步研究方向
• 参考文献
• 致谢
• 攻读学位期间的研究成果