基于太赫兹光谱的三聚氰胺定量分析

为实现对奶粉中非法食品添加剂三聚氰胺的精确定量检测,使用太赫兹时域光谱系统测定了三聚氰胺(质量分数梯度为0%~20%)与奶粉混合物的太赫兹吸收谱曲线。首先,利用主成分回归、支持向量机回归、偏最小二乘回归和最小二乘支持向量机回归(LSSVR)对混合物中三聚氰胺质量分数进行预测。结果显示,LSSVR的预测精度最高,预测集相关系数RP为0.99838,预测集均方根误差fRMSEP为0.41%。其次,为进一步提升LSSVR预测的精度,使用粒子群算法、遗传算法、布谷鸟算法、灰狼算法对LSSVR中正则化参数C和已确定核函数为高斯核函数后核参数γ进行参数优化。结果表明,经过4种算法优化后LSSVR预测精度均明显提高,其中经灰狼算法优化后的LSSVR对混合物中三聚氰胺的预测精度最高(RP为0.99925,fRMSEP为0.28%)。该算法可为食品添加剂的定量检测提供新的方法和思路。

基于复合神经网络的食品添加剂太赫兹光谱分类识别方法

该研究利用太赫兹时域光谱技术,对苯甲酸、山梨酸、木糖醇、L-丙氨酸、三聚氰胺和苏丹红Ⅰ号6种食品添加剂进行光谱检测,并计算得到其在0.4~2.4 THz频段的太赫兹实验谱。采用Savitzky-Golay(S-G)平滑方法对实验谱数据进行校正与预处理,结合主成分分析法(PCA)对光谱数据降维,并分别将卷积神经网络(CNN)和长短时记忆网络(LSTM)应用于食品添加剂的定性分类识别模型。结果表明,CNN模型和LSTM模型的分类准确率分别为93.8%和92.7%,而引入Attention机制建立的复合神经网络(CNN-LSTM-Attention)模型的分类识别准确率得到大幅提升,达到99.5%。为了构建更客观以及更丰富的评价体系综合评价上述3种模型,采用F1分数作为评价指标,经对比发现,CNN模型和LSTM模型的F1分数分别为0.91和0.88,而CNN-LSTM-Attention模型的F1分数为0.95,明显优于上述两种模型。将3种模型应用于食品添加剂混合物的定性分析,结果显示,CNN-LSTM-Attention模型在对混合物的识别中表现出明显优势,识别准确率为90.0%,F1分数为0.87,优于CNN与LSTM模型,在食品添加剂混合物的定性识别中具有明显优势。研究结果表明,相比于CNN和LSTM模型,使用复合神经网络CNN-LSTM-Attention建立的定性分类模型在准确率、F1分数方面均为最优。该研究为食品添加剂的快速、准确、无损检测提供了理论支撑,有着极大的应用价值和潜在应用前景。