基于近紅外光譜的模式識別技術(shù)用于鮮乳摻假檢測的研究.pdf

1、近紅外光譜技術(shù)具有檢測迅速、綠色環(huán)保、操作簡便等優(yōu)點。本文將近紅外光譜技術(shù)結(jié)合化學(xué)計量學(xué)方法分別對鮮乳的多種營養(yǎng)組分含量的快速檢測以及巴氏殺菌乳和復(fù)原乳、鮮乳和摻假乳的屬性判別進行了深入的方法研究。 近紅外光譜技術(shù)與化學(xué)計量學(xué)方法結(jié)合，建立了鮮乳中多種營養(yǎng)成分的PLS定量預(yù)測校正模型。脂肪、蛋白質(zhì)、乳糖、牛乳總固體、非乳脂固體最佳主成分數(shù)分別為5、6、4、4、5；其交互驗證相關(guān)系數(shù)(Corr.Coeff)分別為0.987、0.9

2、82、0.978、0.991、0.992；交互校驗均方殘差(RMSECV)分別為0.053、0.143、0.446、0.111、0.125。在校正模型的可靠性檢驗中，方法的重現(xiàn)性很好，同一奶源與不同奶源鮮乳樣品預(yù)測值與參考真值配對t-檢驗差異均不顯著，表明所建模型包容性好，預(yù)測結(jié)果可靠。 近紅外光譜技術(shù)與化學(xué)計量學(xué)方法聯(lián)用，建立了同時檢測鮮乳中四種營養(yǎng)成分的PLS-BP網(wǎng)絡(luò)預(yù)測模型。將樣品光譜數(shù)據(jù)進行PLS壓縮，取前3個主成分的

3、14個敏感吸收峰值作為網(wǎng)絡(luò)的輸入向量，根據(jù)Kolmogorov原則，隱含層神經(jīng)元個數(shù)為29，很好地完成了鮮乳中脂肪、蛋白質(zhì)、乳糖和牛乳總固體的定量檢測。模型預(yù)測決定系數(shù)(R2)分別為0.961、0.974、0.951、0.997。在校正模型的可靠性檢驗中，方法的重現(xiàn)性很好。采用單一奶源模型能夠預(yù)測不同奶源鮮乳的多種營養(yǎng)成分，表明模型包容性好，預(yù)測結(jié)果可靠，從而為樣品的多組分檢測提供了一條新思路。 近紅外光譜技術(shù)與化學(xué)計量學(xué)方法聯(lián)

4、用，建立了同時檢測鮮乳中三種營養(yǎng)成分的PLS-Elman網(wǎng)絡(luò)預(yù)測模型。將樣品光譜數(shù)據(jù)進行PLS壓縮，取前3個主成分的14個敏感吸收峰值作為網(wǎng)絡(luò)的輸入向量，中間層神經(jīng)元個數(shù)為53，經(jīng)訓(xùn)練后建立Elman預(yù)測模型用于鮮乳中脂肪、蛋白質(zhì)、乳糖的同時檢測。模型預(yù)測決定系數(shù)(R2)分別為0.985、0.950、0.967。在校正模型的可靠性檢驗中，方法的重現(xiàn)性很好。采用單一奶源模型能夠預(yù)測不同奶源鮮乳的多種營養(yǎng)成分，表明模型包容性好，預(yù)測結(jié)果可靠

5、，作為一種快速有效的檢測手段完全可用于其他樣品多種成分的同時檢測。 近紅外光譜技術(shù)與PCA-馬氏距離聯(lián)用，建立了巴氏殺菌乳和復(fù)原乳、鮮乳和分別摻有植物奶油、乳清粉、粉末油脂的定性判別分析模型。在一定的波段范圍內(nèi)，選擇合理的光譜預(yù)處理方式，樣品光譜數(shù)據(jù)經(jīng)PCA壓縮后提取的最佳主成分因子數(shù)分別為8、3、6、5，成功的將巴氏殺菌乳和復(fù)原乳、鮮乳和摻假乳完全鑒別開來，為我國乳品品質(zhì)的控制和評估開辟了一條新的途徑。 基于近紅外光譜

6、借助化學(xué)計量學(xué)手段構(gòu)建了巴氏殺菌乳和復(fù)原乳、鮮乳和摻有植物奶油假乳的自組織競爭網(wǎng)絡(luò)模式識別模型。樣品光譜數(shù)據(jù)經(jīng)PLS分別壓縮主成分，再分別選擇其中113個和21個敏感吸收峰值作為網(wǎng)絡(luò)輸入向量予以建模，設(shè)定合理的學(xué)習(xí)速率和訓(xùn)練步數(shù)即可完成建模工作。模型對預(yù)測集樣品的正確識別率均為100％。 基于近紅外光譜借助化學(xué)計量學(xué)手段構(gòu)建了巴氏殺菌乳和復(fù)原乳、鮮乳和同時摻有乳清粉、粉末油脂、糊精三種物質(zhì)的假乳的SOM網(wǎng)絡(luò)模式識別模型。樣品光譜