同步荧光光谱技术结合支持向量机对掺杂牛奶智能判别研究

牛奶因其丰富的营养成分和易消化吸收的特点,受到消费者的青睐。牛奶掺杂行为的产生使得牛奶制品质量备受关注,快速、便捷地鉴别乳品质量对于乳制品行业经济的健康发展具有重要意义。利用同步荧光光谱对掺杂牛奶进行检测,寻求一种高效判别掺杂乳品方法。采用分子荧光分光光度计测定激发波长(Ex)为220~600nm,激发-发射间隔波长(Δλ)为10~180nm的纯牛奶、复原乳粉(全脂、脱脂)及其掺杂样本的牛奶样品的三维荧光光谱数据,利用平行因子分析方法(PARAFAC)降维获取特征光谱,通过支持向量机建立了掺杂牛奶的判别模型。结果所有乳品样品在激发波长为225~300nm范围内都有一个特征荧光峰,荧光峰在280nm附近,为色氨酸类物质,但该处纯牛奶荧光强度明显高于两种乳粉,且脱脂乳粉要强于全脂乳粉,这说明牛奶的主要成分都一样,发光基团一致,但由于处理方式不一致,使得其浓度存在差异。两种复原乳粉在350~400,450~500nm之外存在荧光物质,主要为维生素A和类胡萝卜素,且脱脂乳粉比全脂乳粉对应区域荧光强度要强,主要在于脂肪物质散射使得荧光强度增强。为更好获取乳品样本特征,通过PARAFAC对三维数据进行降维之后,显示当组分数为6,Δλ为40nm时载荷值最大,该处样本信息差异显著。提取Δλ为40nm特征波长和掺杂乳品品类值作为输入数据的支持向量机(SVM)分类器,采用了遗传算法(Ga-SVM)、粒子群优化算法(Pso-SVM)和网格搜索算法(Grid-SVM)三种SVM算法对掺杂牛奶进行分类识别。结果显示Grid-SVM模式交叉验证(CV)准确率为98.91%,其训练集和测试集的分类准确率均为100.00%,且模型运行时间仅6.724s,显著优于另两种分类器。结果表明荧光光谱与PARAFAC-SVM方法相结合,是一种简单且高效判别掺杂牛奶的方法。

基于2T2D相关特征切谱掺杂牛奶判别

提出并建立一种基于2T2D相关特征切谱掺杂牛奶判别方法。制备两个品牌纯牛奶和掺杂三聚氰胺牛奶(0.02~2 mg·mL^(-1))各80个样品,共160个,以浓度为外扰,构建同步2T2D相关红外谱,并在纯牛奶和三聚氰胺特征峰位置对同步谱进行切谱处理,得到每一个样品的特征切谱。分别基于2T2D相关特征切谱、同步谱和室温下一维中红外光谱建立两个品牌融合的掺杂牛奶判别模型。结果表明:所提出的2T2D相关特征切谱判别方法不仅压缩了数据,而且有效提取了特征信息,提高了判别准确率。

用二维相关近红外谱和多维主成分分析判别掺杂牛奶

为了有效地提取牛奶中微量的掺杂物特征信息,提出了基于二维相关近红外光谱多维主成分分析(MPCA)和最小二乘支持向量机(LS-SVM)判别牛奶掺杂物的方法。首先,采集纯牛奶、掺杂尿素牛奶和掺杂三聚氰胺牛奶的一维近红外谱,并对其进行相关计算,构建各样品的二维相关近红外谱。然后,采用多维主成分分析法分析二维相关谱矩阵,压缩数据,提取相关谱的得分矩阵。最后,将提取的得分矩阵输入最小二乘支持向量机,分别建立掺杂尿素牛奶、掺杂三聚氰胺牛奶及两种掺杂牛奶与纯牛奶的LS-SVM判别模型。用所建模型对测试集未知样品进行了判别,结果显示其判别正确率分别为92.3%,96.2%,92.3%。研究结果表明:所提出的方法不仅有效提取了牛奶中掺杂物的特征信息,而且缩短了建模所需时间,取得了较好的判别效果。

基于二维相关近红外谱参数化及BP神经网络的掺杂牛奶鉴别

将二维相关近红外谱参数化方法与BP神经网络结合，建立掺杂牛奶与纯牛奶的判别模型。分别配制含有尿素牛奶（1～20g·L＾－1）和三聚氰胺牛奶（O．01～3g·L＾－1）样品各40个。研究了纯牛奶、掺杂牛奶的二维相关近红外谱特性，在此基础上，分别提取了各样品二维相关同步谱的5个特征参数。将这5个特征参数作为BP神经网络的输入，分别建立掺杂尿素、掺杂三聚氰胺、两种掺杂牛奶与纯牛奶的判别模型，采用这些模型对未知样品进行预测，其预测正确率分别为95％，100％和96．7％。研究结果表明：该方法有效地提取了牛奶中掺杂目标物的特征光谱信息，同时又减少了BP神经网络输入变量的维数，实现了掺杂牛奶与纯牛奶的鉴别。

基于二维红外相关谱欧氏距离判别掺杂牛奶

基于纯牛奶、掺杂牛奶样品间二维红外相关谱欧氏距离，依据未知样品与校正集中“极值样品”欧氏距离平均值、组内、组间样品欧氏距离平均值，提出了一种掺杂牛奶判别的新方法。分别配置掺杂尿素牛奶（0．01～0．3 g＆#183;L-1）和掺杂三聚氰胺牛奶（0．01～0．3 g＆#183;L-1）样品各16个，采集纯牛奶及掺杂牛奶样品的红外光谱。以牛奶中掺杂物浓度为外扰，构建纯牛奶与掺杂牛奶的同步二维红外相关谱，并计算了各样品相关谱矩阵间的欧氏距离。在此基础上，分别建立掺杂尿素牛奶、掺杂三聚氰胺牛奶与纯牛奶的判别模型，确定模型中的“极值样品”，组内、组间样品欧氏距离平均值。利用所建模型，计算未知样品与“极值样品”的欧式距离，并依据判别规则，对未知样品进行判别。研究结果表明：基于样品红外相关谱矩阵间欧氏距离可实现掺杂牛奶的判别，其判别正确率为100％，验证了该方法的有效性。该研究为掺杂牛奶的检测提供了一种新的可能方法。

二维相关近红外谱结合NPLS-DA判别掺杂牛奶的研究

将二维相关近红外谱与多维偏最小二乘判别分析方法结合起来,建立了掺杂牛奶与纯牛奶的判别模型.分别配置掺杂尿素牛奶(1～20g/L)和掺杂三聚氰胺牛奶(0.01～3g/L)样品各40个,采集纯牛奶及掺杂牛奶样品的近红外光谱.在量化二维相关近红外同步谱的基础上,采用多维偏最小二乘判别分析法分别建立了掺杂尿素、掺杂三聚氰胺及两种掺杂牛奶与纯牛奶的判别模型对未知样品进行判别,其判别正确率分别为95%、90%和92.5%,并与偏最小二乘判别和隐变量正交投影判别建模方法进行了比较.结果表明:多维偏最小二乘判别分析法具有更强的预测能力可推广到其它食品的掺杂检测中.

基于参量化二维相关红外谱和最小二乘支持向量机判别掺杂牛奶

将参量化二维相关谱方法与最小二乘向量机结合起来,建立一种新的掺杂牛奶判别方法.采集48个合格纯牛奶样品,并分别配置浓度范围0.01~0.3g/L的掺杂尿素牛奶、掺杂三聚氰胺牛奶和掺杂四环素牛奶各16个.在研究纯牛奶和掺杂牛奶二维相关红外同步谱特性的基础上,提取并计算了各样品相关同步谱的6个统计特征参量.将处理后的6个特征参量输入最小二乘支持向量机,建立掺杂牛奶与纯牛奶的判别模型,该模型对未知样品的判别正确率为90.6%.结果表明:参量化二维相关谱和最小二乘支持向量机为快速判别牛奶是否掺杂提供了一种新的可能的方法.

红外光谱结合核隐变量正交投影法判别掺杂牛奶

为了快速、准确地检测掺杂牛奶,采用基于核隐变量正交投影(K-OPLS)法分析了掺杂牛奶的光谱。选用高斯函数作为核函数,内部交叉验证均方根(RMSECV)最小值作为评价指标,优选了核函数中的核宽度σ以及Y正交成分数。配置含四环素牛奶(0.01～0.3gL-1)、三聚氰胺牛奶(0.01～0.3gL-1)和葡萄糖牛奶(0.01～0.3gL-1)各36个,采集纯牛奶及掺杂牛奶样品的红外光谱,采用K-OPLS建立各掺杂牛奶与纯牛奶的判别模型。利用这些模型对未知样品进行判别,结果显示对掺杂四环素、三聚氰胺、葡萄糖牛奶的判别正确率分别为100%、100%、95.8%。建立了同时判别3种掺杂牛奶与纯牛奶的K-OPLS模型,该模型对未知样品的判别正确率为93.1%;同时,与偏最小二乘判别PLS-DA方法的预测结果进行了比较,结果表明:K-OPLS建模方法对于复杂的牛奶体系具有较好的预测能力。

KOPLS-DA在掺杂牛奶判别中的应用

运用核隐变量正交投影(kernel orthogonal projection to latent structure,KOPLS)方法,建立掺杂牛奶与纯牛奶的判别模型。分别配置含有三聚氰胺牛奶(0.01～3g.L-1)和尿素牛奶(1～20g.L-1)样品各40个,采集纯牛奶及掺杂牛奶样品的近红外光谱。选择4 200～4 800cm-1为建模区间,采用KOPLS分别建立掺杂三聚氰胺、掺杂尿素、两种掺杂牛奶与纯牛奶的判别模型,并利用这些模型对未知样品进行判别。研究结果表明:与偏最小二乘判别(partial least squares discriminant analysis,PLS-DA)和隐变量正交投影判别(orthogonal projections to latent structures discriminant analysis,OPLS-DA)建模方法相比,KOPLS-DA具有更强的掺杂判别能力,对掺杂三聚氰胺、掺杂尿素牛奶和两种掺杂牛奶的判别正确率分别为95%,100%和97.5%。

基于异谱二维NIR-IR相关判别掺杂牛奶

为更快、更准确的判别掺杂牛奶和纯牛奶,将二维异谱NIR-IR相关谱与多维偏最小二乘判别（NPLS-DA）相结合,建立了掺杂牛奶与纯牛奶NPLS-DA模型。首先,准备并配置纯牛奶和浓度范围为0.01～1g·L^-1掺杂淀粉牛奶样品各36个,并在室温的条件下采集所有样品的一维近红外透射光谱和中红外衰减全反射光谱。接着,计算了所有样品在4 200～4 800和900～1 700cm^-1范围的同步二维NIR-IR相关谱,研究了其二维相关谱特性,并指出虽然该技术可提供更多的信息,但由于掺杂物微量,仍旧无法根据相关图谱直接对比判定牛奶是否掺杂,需要借助模式识别的方法进行判别。最后,将同步二维NIR-IR相关谱与NPLS-DA结合建立掺杂牛奶与纯牛奶的判别模型,该模型对校正集内部样品和预测集外部样品的判别正确率分别为95.8%和100%。此外,为了比较,分别建立了基于二维NIR和IR相关光谱的NPLS-DA模型,两模型对未知样品的判别正确率均为95.8%。研究结果表明：采用NIR-IR相关谱的NPLS-DA模型能提供更好判别结果。该方法可有效提取食品中掺杂物的特征信息,为检测掺杂食品提供了一个新的方法。

二维相关红外谱结合PARAFAC-MLR判别掺杂牛奶

将二维相关红外谱与平行因子、多元线性回归方法相结合，建立了掺杂牛奶与纯牛奶的判别模型。采集48个合格牛奶样品，配置浓度范围均为0.01-0.30 g/L的掺杂三聚氰胺牛奶、掺杂尿素牛奶和掺杂四环素牛奶各16个，并在900-1700 cm-1采集各样品的常规一维谱。对各样品在900-1200 cm-1与1200-1700 cm-1进行同步二维相关计算，构建了纯牛奶与掺杂牛奶的二维红外相关谱。采用平行因子算法对所有样品二维相关谱构成的三维矩阵进行三线性分解，得到其得分矩阵。在此基础上，将其得分矩阵与多元线性回归方法相结合，分别建立了掺杂三聚氰胺牛奶、掺杂尿素牛奶、掺杂四环素牛奶与纯牛奶的判别模型。利用所建立的模型，对未知样品进行预测，取得了较好的判别结果。

基于近红外透射-漫反射光谱掺杂牛奶判别

将近红外透射和漫反射光谱数据进行融合,并结合偏最小二乘法建立了掺杂牛奶的判别模型。分别准备蒙牛、三元和完达山纯牛奶样品各40个、三个品牌掺杂尿素牛奶样品各40个。室温下,采集所有样品的近红外透射光谱和漫反射光谱。在此基础上,分别建立了三个品牌掺杂牛奶的透射、漫反射和透射-漫反射融合偏最小二乘判别模型,三个模型对未知样品的判别正确率分别为85.9%,91%和93.6%。研究结果表明:相比于单一的近红外透射和漫反射光谱,融合近红外透射-漫反射光谱所建立的模型可以减弱不同品牌牛奶对模型预测能力所造成的干扰,能提供更好的判别结果。

二维相关红外光谱与支持向量机和灰度共生矩阵统计法相结合判别掺杂牛奶

应用二维相关红外光谱与支持向量机(SVM)和灰度共生矩阵统计方法相结合对分别掺杂有尿素、三聚氰胺和葡萄糖的牛奶进行判别。以质量浓度为外扰,建立掺杂牛奶的二维相关红外光谱图,选择角二阶矩、主对角线惯性矩、相关系数、熵的均值和标准差作为图像纹理特征并分别建立3种掺杂牛奶的SVM判别模型。结果表明:在对同步谱的分析中,上述3种掺杂牛奶样品中,掺杂尿素的牛奶样品训练集分类准确率为91.7%,预测集的准确率为85.0%;掺杂三聚氰胺和葡萄糖的牛奶的训练集分类准确率和预测集分类准确率分别为96.7%,90.0%和91.7%,100%。用同步谱和异步谱相结合的方法对准确率较低的掺杂尿素的牛奶做进一步试验,两种准确率分别提升为98.1%和92.3%;这一数据的提升是由于两者相结合提供了更大的信息量,有利于掺杂牛奶的判别。据此认为,此方法对掺杂牛奶的判别是可行的。

基于二维红外相关谱的模式识别技术判别掺杂牛奶

将二维相关谱与化学计量学结合实现掺杂牛奶与纯牛奶的判别分析。配制40个掺杂尿素牛奶、40个掺杂三聚氰胺牛奶和80个纯牛奶样品,在室温下采集各样品的一维红外光谱。以掺杂物浓度为外扰,分别构建了900-1700 cm^-1和900-1200 cm^-1vs.1200-1700 cm^-1同步红外二维相关谱。在此基础上,分别建立了基于两个区间相关谱掺杂牛奶的多维偏最小二乘判别模型,并与传统一维的偏最小二乘判别模型的分析结果进行对比分析。结果表明：基于900-1200 cm^-1vs.1200-1700 cm^-1二维相关谱模型优于900-1700 cm^-1二维相关谱模型,相关谱的多维偏最小二乘判别模型优于传统一维谱的偏最小二乘判别模型。

基于二维相关近红外光谱判定牛奶中掺杂的目标物

分别配制含有不同浓度尿素(1～20g.L-1)、葡萄糖(1～20g.L-1)和三聚氰胺(0.01～3g.L-1)的牛奶溶液共120个,采用二维相关近红外光谱对掺杂牛奶进行了快速判别分析。以牛奶中掺杂目标物浓度为外扰,构建二维相关近红外光谱,研究了各掺杂牛奶的二维相关近红外特性,并进行对比、分析。掺杂尿素牛奶在同步图上出现两个较强的自相关峰,分别在4 552,4 648cm-1处;掺杂葡萄糖牛奶,在同步图中出现3个较强的自相关峰,分别在4 456,4 392,4 360cm-1处;而掺杂三聚氰胺牛奶也有两个较强的自相关峰,出现在4 256,4 328cm-1处。结果表明:所提出的方法能实现对含有上述掺杂物牛奶的正确识别,为快速判别牛奶的安全性提供新方法。

二维相关光谱结合偏最小二乘法测定牛奶中的掺杂尿素

为了检验牛奶中是否掺杂尿素并将其量化测定,配置含有尿素质量浓度范围为1～20g/L之间40个牛奶样品,以掺杂物尿素浓度为外扰,分别研究了掺杂尿素牛奶的二维相关(近红外-近红外,中红外-中红外,近红外-中红外)光谱特性,在此基础上,分别选择随浓度变化大的4200～4800cm-1和1400～1704cm-1为建模区间,采用偏最小二乘方法建立定量分析模型。研究结果表明:4200～4800cm-1建模分析效果优于1400～1704cm-1建模结果,其交叉验证均方根误差为0.266g/L,对未知样品集预测相关系数达到0.999,预测均方根误差为0.219g/L,这表明所建模型具有较好的预测效果。该方法无需样品处理,成本低,为快速判别牛奶是否掺杂提供了一种新的可能的方法。

红外光谱结合最小二乘支持向量机掺杂牛奶判别方法研究

基于红外光谱和最小二乘支持向量机建立掺杂牛奶与纯牛奶的判别模型。分别配置含有葡萄糖牛奶（0.01～0.3gL^-1）和三聚氰胺牛奶（0.01～0.3gL^-1）样品各36个,采集纯牛奶及掺杂牛奶样品的红外光谱。采用最小二乘支持向量机分别建立掺杂葡萄糖、掺杂三聚氰胺、两种掺杂牛奶与纯牛奶的判别模型,并利用这些模型对未知样品进行判别,其判别正确率都为95.8%。研究结果表明：与线性的偏最小二乘判别建模方法相比,最小二乘支持向量机方法具有更强的预测能力。

掺杂三聚氰胺牛奶二维相关红外光谱法的鉴别研究

将红外光谱与二维相关谱技术结合起来对牛奶中掺杂的目标物三聚氰胺进行了检测。配置浓度为3 g/L三聚氰胺牛奶溶液,并采集样品在不同温度下的红外光谱图。以温度为外扰,分别构建纯牛奶与掺杂三聚氰胺牛奶的二维相关谱,研究了各自的二维相关特性,并进行对比、分析。结果表明:在1 400～1 800 cm-1区间内,掺杂三聚氰胺牛奶在同步图上出现3个自相关峰,分别在1 448 cm-1,1 552 cm-1和1 640 cm-1,这三个峰是牛奶中掺杂三聚氰胺的特征吸收。该方法可实现对纯牛奶与掺杂牛奶的正确识别,对提高乳制品的质量和保护消费者的利益具有重要的意义。

基于红外光谱和PLS-DA掺杂牛奶判别方法研究

将红外光谱与偏最小二乘判别法（PLS-DA）结合起来对掺杂牛奶与纯牛奶进行判别分析。分别配置含有不同浓度三聚氰胺（0．02-1g／L）和蔗糖（0．1-12g／L）的牛奶溶液。采集了所有样品的红外光谱，在研究掺杂牛奶与纯牛奶红外光谱特性的基础上，选择1200-1800cm。波段为建模区间，分别建立掺杂三聚氰胺牛奶与纯牛奶、掺杂蔗糖牛奶与纯牛奶及其两种掺杂牛奶与纯牛奶的PLS—DA判别模型。各模型对未知样品的判别正确率分别为93．3％、86．7％、83．3％。研究可用于掺杂牛奶的快速判定或初筛，对于维护乳制品市场稳定，保护消费者权益具有非常重要的意义。