为满足不同种类食品对大豆分离蛋白(soybean protein isolate,SPI)不同功能性的需求,本研究利用红外光谱快速采集70组不同pH值处理后SPI的数据,探讨pH值变化对SPI结构含量的影响。使用均值中心化、多元散射校正、标准正态变量变换和归...为满足不同种类食品对大豆分离蛋白(soybean protein isolate,SPI)不同功能性的需求,本研究利用红外光谱快速采集70组不同pH值处理后SPI的数据,探讨pH值变化对SPI结构含量的影响。使用均值中心化、多元散射校正、标准正态变量变换和归一化算法对红外光谱数据进行预处理,基于二维相关红外光谱提取特征波段,再利用偏最小二乘(partial least square,PLS)法和算术优化算法-随机森林(arithmetic optimization algorithm-random forests,AOA-RF)建立不同pH值条件下SPI结构及含量的预测模型。结果表明,经均值中心化和多元散射校正结合处理后,α-螺旋、β-折叠、β-转角和无规卷曲模型的相对标准偏差分别为1.29%、1.60%、1.37%、7.28%,两者结合对光谱数据的预处理效果最佳。预测α-螺旋和β-折叠含量最优模型为AOA-RF(特征波段),校正集决定系数为0.9350和0.9266,预测集决定系数为0.8568和0.8701;预测β-转角和无规卷曲含量最优模型为PLS(特征波段),校正集决定系数为0.9154和0.8817,预测集决定系数为0.8913和0.7843。本研究结果可为工业生产过程中产品质量快速检测和工艺条件控制提供理论支撑。展开更多
大豆分离蛋白(Soybean protein isolate,SPI)对外界环境的变化极其敏感,中和工段中pH值微小的变化就会改变蛋白质的结构和功能性质。通过添加NaOH调控凝乳的pH值,利用红外光谱和内源荧光光谱分析SPI的结构及功能性质,研究发现在中性条件...大豆分离蛋白(Soybean protein isolate,SPI)对外界环境的变化极其敏感,中和工段中pH值微小的变化就会改变蛋白质的结构和功能性质。通过添加NaOH调控凝乳的pH值,利用红外光谱和内源荧光光谱分析SPI的结构及功能性质,研究发现在中性条件下SPI具有较好的起泡性,碱性条件时SPI具有较好的乳化性,当体系pH值为7时,SPI的起泡性最佳,当体系pH值为8.5时,SPI的乳化性最佳。建立了25 L大豆SPI中和工段pH值精细调控体系,利用Matlab模拟生产过程,通过动态线性与静态非线性拟合,采用模糊自适应控制结合Wiener模型调控中和罐的加碱量,当将中和罐中pH值调控为7时,调节时间为37.4 s,生产的SPI起泡性指数为57.22%,将中和罐中pH值调控为8.5时,调节时间为33.4 s,生产的SPI乳化活性指数为69.35 m^(2)/g,体系无超调量用碱。展开更多
针对现有含磷量检测方法无法通过实时监测指导调控精炼过程中酸碱的添加量问题,提出一种基于近红外光谱分析的大豆原油含磷量的快速检测方法。对比分析发现标准正态变换法对大豆原油样本含磷量光谱数据的去除噪声效果最优。采用组合区...针对现有含磷量检测方法无法通过实时监测指导调控精炼过程中酸碱的添加量问题,提出一种基于近红外光谱分析的大豆原油含磷量的快速检测方法。对比分析发现标准正态变换法对大豆原油样本含磷量光谱数据的去除噪声效果最优。采用组合区间偏最小二乘法优选出磷脂的最佳特征吸收波段,选用学习效率0.005、训练次数108,建立了大豆原油含磷量的BP神经网络预测模型。模型校正集的决定系数(R^(2))为0.979 7、均方根误差(root mean square error,RMSE)为0.859 3、相对标准偏差(relative standard deviation,RSD)为1.89%;预测集的R^(2)为0.978 5、RMSE为0.963 8、RSD为2.15%。以上结果说明近红外光谱技术能够实现大豆原油中含磷量的快速、精准、无损检测,为后续精炼工段及调控提供切实可行的方法。展开更多
文摘为满足不同种类食品对大豆分离蛋白(soybean protein isolate,SPI)不同功能性的需求,本研究利用红外光谱快速采集70组不同pH值处理后SPI的数据,探讨pH值变化对SPI结构含量的影响。使用均值中心化、多元散射校正、标准正态变量变换和归一化算法对红外光谱数据进行预处理,基于二维相关红外光谱提取特征波段,再利用偏最小二乘(partial least square,PLS)法和算术优化算法-随机森林(arithmetic optimization algorithm-random forests,AOA-RF)建立不同pH值条件下SPI结构及含量的预测模型。结果表明,经均值中心化和多元散射校正结合处理后,α-螺旋、β-折叠、β-转角和无规卷曲模型的相对标准偏差分别为1.29%、1.60%、1.37%、7.28%,两者结合对光谱数据的预处理效果最佳。预测α-螺旋和β-折叠含量最优模型为AOA-RF(特征波段),校正集决定系数为0.9350和0.9266,预测集决定系数为0.8568和0.8701;预测β-转角和无规卷曲含量最优模型为PLS(特征波段),校正集决定系数为0.9154和0.8817,预测集决定系数为0.8913和0.7843。本研究结果可为工业生产过程中产品质量快速检测和工艺条件控制提供理论支撑。
文摘针对现有含磷量检测方法无法通过实时监测指导调控精炼过程中酸碱的添加量问题,提出一种基于近红外光谱分析的大豆原油含磷量的快速检测方法。对比分析发现标准正态变换法对大豆原油样本含磷量光谱数据的去除噪声效果最优。采用组合区间偏最小二乘法优选出磷脂的最佳特征吸收波段,选用学习效率0.005、训练次数108,建立了大豆原油含磷量的BP神经网络预测模型。模型校正集的决定系数(R^(2))为0.979 7、均方根误差(root mean square error,RMSE)为0.859 3、相对标准偏差(relative standard deviation,RSD)为1.89%;预测集的R^(2)为0.978 5、RMSE为0.963 8、RSD为2.15%。以上结果说明近红外光谱技术能够实现大豆原油中含磷量的快速、精准、无损检测,为后续精炼工段及调控提供切实可行的方法。
