基于PLS-自组织竞争神经网络近红外光谱技术对鲜乳和掺假乳的检测方法研究

通过偏最小二乘法(partial least squares,PLS)与人工神经网络(artificial neural networks,ANN)联用对鲜乳和掺有植物奶油的牛乳建立识别模型.用PLS法对原始数据进行主成分压缩,采用自组织竞争神经网络建模.取前3个主成分的21个吸收峰值输入网络,学习参数为0.05,网络训练迭代次数为200,模型鉴别准确率达100%.其次建立了植物奶油掺假量的定量检测PLS模型,并采用交互校验和外部检验考察模型的可靠性,模型的校正相关系数为0.996 3,均方估计残差(RMSEC)为0.110;交互校验均方残差(RMSECV)为0.142;应用所建PLS模型对样品中植物奶油添加量进行预测,并对预测值与真值进行配对t检验,结果表明两者差异均不显著.     

水中微量甲氰菊酯的分析

采用GC -MS定性 ,GC -FID(火焰离子化检测器)定量测定被嫌疑犯用甲氰菊酯污染的鱼塘水和蜂窝煤灰中的微量甲氰菊酯 ,样品经氯仿萃取、浓缩后 ,进行GC -MS测定 ;选定的色谱条件为5 %SE_30柱(2m×3.2mm) ,载体ChromosorbWAWDMCS,柱温250℃ ,气化室温度280℃ ,FID温度280℃ ,峰面积定量;该法快速、准确,RSD(n=6)为2.2 % ,回收率为95 %～98 %。     

基于偏最小二乘与广义回归神经网络的近红外光谱测定土豆中3种营养成分的研究

偏最小二乘(partial least squares,PLS)与广义回归神经网络(generalized regression neural networks,GRNN)联用对土豆样品建立起粗纤维、淀粉、蛋白质含量的预测校正模型,用PLS法将原始数据压缩为主成份,取前3个主成份的12个特征吸收峰输入GRNN网络,网络光滑因子σi为0.1.PLS-GRNN模型对样品3个组分含量的预测决定系数(R2)分别为: 0.945、 0.992、 0.938.结果表明,近红外光谱技术可以快速、准确地同时测定土豆中的粗纤维、淀粉、蛋白质,该方法可应用于果蔬产业的品质管理与控制.     

顶空毛细管气相色谱法测定茶多酚中有机溶剂的残留量

建立了顶空毛细管气相色谱法测定茶多酚中正己烷、氯仿、乙酸乙酯和丙酮4种有机溶剂残留量的方法.并讨论了平衡温度、平衡时间、盐效应对测定的影响.分析结果表明:该方法对上述4种有机溶剂均达到了完全分离,相关系数为0.994～0.999,检出限范围为0.065～0.268 μg/g,测定结果的相对标准偏差为0.39%～2.13%,样品的回收率为90.9%～105.3%.     

PLS-BP法近外光谱同时检测饲料组分的研究

建立了用偏最小二乘(partial least squares,PLS)与人工神经网络(artificial neural networks,ANN)联用对饲料样品同时测定水分、灰分、蛋白质、磷含量的预测校正模型.光谱数据用二阶微分及标准归一化处理(SNV),用PLS法将原始数据压缩提取前10个主成分与2个特征峰值作为12个输入向量,采用单隐层的反向传播人工神经网络(Back-Propagation Network,BP),确定中间层的神经元个数为23,初始训练迭代次数为1 000.PLS-BP模型对样品四个组分含量的预测决定系数(r2)分别为:0.995 0,0.998 0,0.999 0和0.967 0;样品平行扫描光谱预测值的标准偏差分别为:0.027 74,0.048 53,0.032 92和0.022 04.     

偏最小二乘近红外光谱法测定瘦肉脂肪酸组成的研究

利用偏最小二乘将瘦肉的近红外光谱数据分别与其棕榈酸、棕榈油酸、硬脂酸、油酸、亚油酸含量建立校正模型,并用交互校验和外部检验来考查模型的可靠性.各脂肪酸模型的校正相关系数分别为0.9998、0.9844、0.9963、0.9754、0.9969,均方估计残差(RMSEC)分别为0.0231、0.0485、0.111、0.373、0.311,交互校验均方残差(RMSECV)分别为0.509、0.115、0.225、0.848、0.649.应用所建立的各脂肪酸近红外模型对瘦肉脂肪酸组成进行预测,并对各脂肪酸的预测值与气相色谱法测定值进行配对t-检验,结果表明两者差异均不显著(p>0.05).