基于特征峰值积分法的调和油组分含量的测量（英文）

目前食用调和油市场混乱,存在混淆概念、随意冠名、以次充好等问题,特别是调和油成分和配比标准模糊不清。国家食用调和油标准历经八年仍未能如期出台,其根本原因在于缺乏对调和油中植物油定性及定量检测的有效方法。食用调和油是由不同的植物油按一定比例混合而成,含有丰富的营养成分,在日常生活中经常使用。不同的植物油含有特定的组成成分,将各种植物油进行混合可以充分利用其中的营养物质,使调和油中营养成分更加均衡,有利于人的身体健康。因此准确测定调和油中单一植物油的含量可以有效对调和油市场进行监管。同时由于调和油中植物油种类是确定的,仅需对其含量进行准确测定。利用三维荧光光谱对调和油中植物油含量进行测定,提出一种新的数据处理方法,采用拟蒙特卡洛原理对选定的特征区域进行特征峰积分,结合神经网络方法求解非线性方程组,得出调和油中各单一植物油含量。选用花生油,大豆油,葵花油为研究对象,用不同比例单一植物油调和成食用调和油,不考虑每种单一植物油的具体组分,仅将其作为整体研究。通过测定10组不同调和比例的调和油的回收率,验证特征峰积分法的有效性,为高灵敏度检测混合物复杂组分含量提供一种有效方法,与常用的解线性方程组测定混合物组分浓度的方法进行比较,回收率的准确度提高,可以用于食品质量检测人员对食用调和油中所用植物油种类及含量进行检测,为国家标准的出台提供一种有效参考。     

基于QPSO-MLSSVM算法的拉曼光谱检测四组分调和油含量

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化多输出最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)的新混合优化算法。该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、芝麻油、葵花油和大豆油的快速定量鉴别。采用基线校正去除背景荧光,结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。构建基于QPSO-MLSSVM混合优化算法的定量分析模型,并采用20个组分组成的预测集对其进行模型校验。实验结果表明,基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好,均方差(mean square error, MSE)为0.0241,低于0.05,各油分预测相关系数均高于98%。研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法,对四组分调和油中各油分进行快速定量检测可行,具备较强的自适应能力和良好的预测精度,可以满足多组分调和油的成分鉴别。     

近红外透射光谱法检测三组分食用调和油含量的研究

以大豆油、花生油和玉米油三组分食用调和油为研究对象,采集样品在10 000～4 200 cm-1范围内的近红外透射光谱,对光谱进行不同预处理后结合偏最小二乘法分别建立调和油中三组分的定量分析模型,并检验模型预测的准确度和精密度。结果显示,一阶导数结合多元散射校正(FD+MSC),一阶导数结合减去一条直线(FD+SLS)以及一阶导数(FD)进行光谱预处理,可以得到大豆油、花生油以及玉米油含量的最优定标模型,分别是在5 450.1～4 597.7 cm-1,7 521.3～6 098.1 cm-1和9 993.7～7 498.2 cm-1谱区范围内获得的。各预测模型的相关系数R2和预测均方根RMSEP分别为99.89%,1.09%;99.88%,1.17%;99.76%,1.48%;配对t检验值在0.371 9～0.007 9之间;预测相对标准偏差RSD均小于1.50%。表明傅里叶变换近红外透射光谱分析技术可以快速准确可靠地检测三组分食用调和油中大豆油、花生油、玉米油的含量。     

拉曼光谱结合PSO-LSSVM算法检测三组分食用调和油含量

提出了一种将拉曼光谱和基于粒子群的最小二乘支持向量机(PSO-LSSVM)算法相结合快速定量检测三组分食用调和油含量的方法。以三组分的食用调和油为研究对象,对拉曼光谱分四步进行了预处理,进而准确提取拉曼光谱的特征峰强度。以训练集样本的特征峰强度和调和油样品的百分比含量作为回归预测模型的输入值和输出值,建立LSSVM和PSO-LSSVM数学模型,通过测试集样本的相关系数和均方误差对模型的预测能力进行分析。非线性建模的最小二乘支持向量机(LSSVM)算法的核函数参数σ和正则化参数γ对模型的学习和泛化能力影响很大,导致模型的预测精度和泛化能力过度依赖于参数--在优化步长过小时耗时较长,过大时又无法得到全局最优值。提出的PSO-LSSVM算法,利用粒子群全局优化能力和收敛速度快的特点对LSSVM的模型参数σ和γ进行优化,从而克服LSSVM算法中耗时与盲目性的问题。分析结果表明,PSO-LSSVM算法对三组分食用调和油中大豆油、花生油和葵花仁油定量预测模型的测试集相关系数分别为0.967 7,0.997 2,0.995 3;均方误差分别为0.054 9,0.009 2,0.047 1。与LSSVM算法相比,PSO-LSSVM模型的预测精度更高。因此,该方法可以快速、准确地检测三组分食用调和油的含量。     

基于拟Monte-Carlo方法测定油类混合物组分含量的研究

汽油、煤油、柴油是由原油加工而成,但其相应馏程特征有所不同,其中汽油的沸程约为35~205 ℃,煤油的沸程约为140~250 ℃,柴油的沸程约为180~370 ℃,同时,其碳链长度有所不同,汽油在C7～C11范围内,煤油在C12～C15范围内,柴油在C15～C18范围内,由于其碳数分布特征有所差异,其荧光光谱也相应有所差别,这是对三类不同油种进行识别与定量检测的基础。由于海洋时常发生油类污染,监测海洋中油类有机物的含量十分重要,采用拟Monte-Carlo方法计算三维荧光光谱特征峰幂次积分,结合最优算法求解最佳特征峰数量及积分区域范围,利用BFGS法解非线性方程组,提出一种光谱重叠的多种矿物油混合物组分含量测定的方法。由于对选定特征区域内确定点列对应峰值的幂次进行累加,对荧光谱线微小变化敏感,从而对组分含量微小变化敏感。同时由于点列的选取,相比于单点测量法,在一定程度上减小了随机误差的影响,可以进一步提高测量灵敏度。以煤油、柴油、汽油为研究对象,将单一油种视为整体,不考虑每种油的具体组分,测量单一油种及混合物的三维荧光光谱及等高线图谱,经最优算法选择六个特征峰进行特征峰幂次积分,测定混合油中组分含量,与峰值法,均值法等单点测量方法相比较,测量灵敏度提高约50倍,实现了混合物组分含量的高精度测量,为不需化学分离直接测定光谱重叠混合物组分含量提供了一种实用算法。     

近红外光谱结合化学计量学对五元调和油中单组分油的定量分析

有关调和油快速准确定量检测的研究对于调和油质量控制具有重要意义。以往对调和油定量分析的研究大多集中于二元、三元和四元调和油,对更高元数调和油的研究很少,难以满足调和油检测需求。该研究的目的是探讨近红外光谱结合化学计量学对五元调和油中各单组分油进行定量分析的可行性。由玉米油、大豆油、稻米油、葵花油和芝麻油配制成51个五元调和油样品,并采集各样品12 000～4 000 cm-1范围内的近红外透射光谱。首先,采用光谱-理化值共生距离（SPXY）算法将调和油样品划分为38个校正集和13个预测集样品。其次,考察了主成分回归（PCR）、偏最小二乘（PLS）、支持向量回归（SVR）、人工神经网络（ANN）、极限学习机（ELM）等五种多元校正方法对五元调和油各组分定量分析的建模效果。然后,在最佳建模方法的基础上比较了SG平滑、标准正态变量（SNV）、多元散射校正（MSC）、一阶导数（1st Der）、二阶导数（2nd Der）和连续小波变换（CWT）六种光谱预处理方法,并讨论了预处理方法有效地原因。最后,在最佳预处理方法的基础上进一步利用竞争自适应重加权采样（CARS）和蒙特卡罗无信息变量消除法（MCUVE）筛选与预测组分相关的变量。结果显示,在五种建模方法中,PLS是最佳的建模方法,对玉米油、大豆油、稻米油、葵花油和芝麻油五种组分的预测均方根误差（RMSEP）分别为5.564 4,5.559 2,3.592 6,7.421 8和4.193 0。经过光谱预处理-变量选择,再建立PLS模型,对五种组分的RMSEP分别降低至1.955 3,0.562 4,1.145 0,1.619 0和1.067 1,预测相关系数（R_p）均高于0.98,表明采用合适的光谱预处理和变量选择方法,可以明显提高五元调和油中各单组分油定量分析的预测准确度。该研究为多组分调和油的快速无损定量检测提供了一种参考。     

雷电电磁场峰值的概率分布

获得雷电电磁场的随机特性,是研究雷电电磁场对电子系统有害耦合效应评估的基础。基于雷电流的统计特性,在具有一般性的概率框架下讨论雷电电磁场,导出电磁场峰值的概率分布函数及密度函数,采用多重积分法计算出不同位置处电场强度和磁场强度峰值的概率分布图和累积概率分布图,计算结果与蒙特卡洛模拟结果吻合。     

雷电电磁场峰值的概率分布

获得雷电电磁场的随机特性,是研究雷电电磁场对电子系统有害耦合效应评估的基础。基于雷电流的统计特性,在具有一般性的概率框架下讨论雷电电磁场,导出电磁场峰值的概率分布函数及密度函数,采用多重积分法计算出不同位置处电场强度和磁场强度峰值的概率分布图和累积概率分布图,计算结果与蒙特卡洛模拟结果吻合。     

特征变量选择和回归方法相结合的土壤有机质含量估算

针对高光谱数据量大、信息冗余严重的现象,应用稳定竞争性自适应重加权采样(sCARS)、连续投影算法(SPA)、遗传算法(GA)、迭代保留有效信息变量(IRIV)和稳定竞争性自适应重加权采样结合连续投影算法(sCARS-SPA),从全波段光谱数据中筛选特征变量,并利用全波段和特征波段建立偏最小二乘回归(PLSR)、支持向量机(SVM)和随机森林(RF)模型预测土壤有机质含量。结果表明, PLSR和SVM模型结合特征变量选择,不仅提高了模型运算效率,而且模型预测能力较全波段均有一定提高;RF模型采用特征变量建模,对模型精度的提高不是十分明显,但其构建模型的变量数量却显著减少,大大提高建模效率。RF模型精度优于SVM和PLSR模型,IRIV结合RF建立的土壤有机质含量预测模型,变量数仅63个,校准集和验证集模型决定系数(R~2)分别为0.941和0.96,验证集相对分析误差(R_(PD))为4.8。与全波段建模相比,特征变量选择和回归方法相结合,在保证模型精度的同时,可有效提高建模效率。     

求解非线性偏微分方程的自适应小波精细积分法

以Burgers方程为例,提出了一种求解偏微分方程的自适应多层插值小波配置法,通过引入一种具有插值特性的拟Shannon小波并利用插值小波理论构造了多层自适应插值小波算子,从而在空间实现了偏微分方程的自适应离散.另外,精细时程积分方法和外推法的引入不但有助于提高求解速度和数值结果的精度,而且使时间积分步长的选取具有了自适应性.     

近红外光谱法快速测定原油密度的应用研究

建立近红外光谱法快速测定原油20℃密度的方法,在市售原油光谱数据库的基础上,添加广西石化常炼原油品种,采用拓扑法建立分析模型。用该方法和标准方法对炼厂原油密度进行了三个月的对比测试,115个实际样品的预测标准偏差为0.0024g/cm3。近红外光谱法测定原油密度具有分析速度快,测定方法简便,重复性好等特点,能够满足炼厂对原油密度快速测定的要求。     

几种食用植物油发热量的测定

利用WZR-1A型精密微电脑量热计系统地测量了10种食用植物油的恒容燃烧热.准确称取一定量的基准物质,放入氧弹中充人高压纯氧,将测试样品在氧弹中完全燃烧,并记录燃烧前后时间与量热计温度变化数据,运用仪器所带的数据处理软件计算出仪器热容量,然后再准确称取一定量的食用植物油,装入已准确测定热值的燃烧胶囊中后,将测试数据用自编的计算机处理程序对测试数据处理,从而得到食用植物油的燃烧热值.此法准确、简便、实用,可用于日常检测工作.     

基于衰减全反射式太赫兹时域光谱技术的食用油光谱特性研究

食用油是人类营养和能量的重要来源,为人体提供必需的脂肪酸,研究食用油在太赫兹波段光学特性,对食用油成分分析及品质评价具有重要价值。衰减全反射式太赫兹时域光谱技术是一种新型的太赫兹时域光谱技术,通过样品与倏逝波的相互作用,获取样品的太赫兹光谱。与透射式或反射式太赫兹时域光谱技术相比,该技术能有效地避免测量食用油等液体样品时样品池对光学参数的影响,并能获得样品的精确光学参数。分别利用透射式太赫兹时域光谱技术和衰减全反射式太赫兹时域光谱技术测量了大豆油的吸收光谱。结果表明,与透射式太赫兹时域光谱技术相比,衰减全反射式太赫兹时域光谱技术能更有效地提取大豆油的吸收系数、吸收峰分布等光学特性。进一步利用衰减全反射式太赫兹时域光谱技术研究了大豆油、核桃油、葡萄籽油在太赫兹波段的光学特性,获得了三种食用油在1~1.8 THz范围内的折射率谱和吸收光谱。利用密度泛函理论计算了食用油中四种主要成分(软脂酸、硬脂酸、油酸和亚油酸)在太赫兹波段的振动、转动模式,理论计算结果同实验测量结果吻合较好。研究表明,在太赫兹波段食用油的吸收峰与所含脂肪酸分子种类与含量有关,其主要来源为脂肪酸分子的低频振动和转动。研究成果对食用油成分定性定量分析及品质检测等具有指导意义。     

常见食用油和煎炸食用油的激光诱导荧光光谱特性

为了实现地沟油的快速检测,利用激光诱导荧光探测技术搭建了食用油类快速检测系统。对多种食用油和煎炸食用油(地沟油的一种)进行了光谱采集,建立了多种食用油和煎炸食用油的荧光光谱数据库,发现煎炸食用油的特征荧光光谱与常见食用油之间存在较大差异,在此基础上利用主成分分析法和BP神经网络实现了油类识别、地沟油的快速检测,总体识别率高达97.5%。实验证明激光诱导荧光光谱技术具有快速非接触和灵敏度高等优点,与BP神经网络相结合能够实现油类的快速识别,成为地沟油快速检测的一种新方法。     

紫外吸收光谱积分法分析蛋白质浓度-以碱性磷酸酶为例

利用矿物(针铁矿,蒙脱石)和太湖沉积物吸附碱性磷酸酶(alkaline phosphatase, APase),测定吸附后上清液中剩余碱性磷酸酶浓度时发现其紫外吸收光谱发生了变化,利用传统280 nm处紫外吸收法无法直接准确测定其浓度值。基于对碱性磷酸酶252～305 nm处吸收峰面积积分方法可以消除影响,并准确分析测定碱性磷酸酶浓度。其测定结果与考马斯亮蓝法测定结果进行比较,表明了该方法可以方便,快速和准确地测定此类实验中碱性磷酸酶浓度。同时,该方法还可以扩展至其他蛋白质的定量分析,甚至其他类似实验中,一定程度上克服传统方法应用单波长进行定量分析中存在的易受干扰的缺点。     

食用植物油中反式脂肪酸含量的激光拉曼光谱检测

油脂中的反式脂肪酸(TFA)有害人们的身体健康,有必要对其含量进行监测。共收集各类食用植物油样本79个,涉及9个品种和27个品牌,分配到校正集和预测集的样本数分别为53个和26个。采用QE65000拉曼光谱仪采集79个样本的拉曼光谱,利用自适应迭代惩罚最小二乘法去除样本拉曼光谱的荧光背景;在此基础上,采用多种归一化方法对样本拉曼光谱进行处理,并对拉曼光谱的建模波数范围进行初选;再利用竞争性自适应重加权采样(CARS)方法筛选与食用植物油TFA含量相关的光谱变量,并应用偏最小二乘(PLS)回归将食用植物油TFA的特征变量光谱强度与气相色谱测定的TFA真实含量进行关联,建立食用植物油中TFA含量的定量预测模型。研究结果表明,多种归一化方法中,有4种归一化方法均能提高PLS定量预测模型的性能,其中Area normalization方法的效果最优;经建模波数范围初选,波数范围由686~2 301 cm-1缩减为737~1 787 cm-1,确定较优的建模波数范围为737~1 787 cm-1;经CARS方法筛选,共有31个光谱变量被选择,其选择的光谱变量主要分布在1 265,1 303,1 442及1 658 cm-1拉曼振动峰附近,且974 cm-1拉曼振动峰两侧均有光谱变量被选择;此外,CARS方法的PLS建模结果优于常用的无信息变量消除及连续投影算法。由此可知,激光拉曼光谱技术结合化学计量学方法检测食用植物油中的TFA含量是可行的。归一化方法、建模波数范围初选及竞争性自适应重加权采样(CARS)方法能有效提高TFA定量预测模型的预测精度和稳定性,优化后的TFA定量预测模型的校正集及预测集的相关系数和均方根误差分别为0.949,0.953和0.188%,0.191%。与未优化的预测模型相比,预测均方根误差由0.361%下降为0.191%,下降幅度为47.1%;建模所用的变量数由683个下降为31个,仅占原变量数的4.54%。     

基于分子光谱图像识别的食用油快速分类研究

分子光谱分析技术结合化学计量学已成为一种非常活跃的食用油鉴别方法。然而,当不同类型的样本之间的光谱差异极其微小时,利用传统的分类技术也很难将其分开。为了完成相似品种食用油的快速识别和分类,收集了包括芝麻油、玉米油、油菜籽油、调和油、葵花油、花生油、橄榄油七种食用油的衰减全反射红外光谱,在此基础上,采用图像识别的方法对七种食用油进行快速分类。在所提出的图像识别方法中,首先,将通过多元散射校正预处理后的红外光谱吸光度矩阵进行自相关运算,利用等高线原理根据吸光度强度值的不同生成光谱图像,以扩大的光谱差异并提高光谱可视化。然后,根据图像膨胀的原理找到光谱图像的局部特征点,将其作为图像特征。最后,使用BP神经网络对特征点进行训练和分类预测。为了对比所提出的方法,PCA-BP和KL-BP的方法被用于与图像识别的方法进行比较,实验结果表明,图像识别方法的正确识别率为94.4%,高于PCA-BP的66.7%和KL-BP的83.3%。所提方法为实现食用油的快速识别和检测提供了一条新的有效途径。