茯砖茶感官特征分析及其产地判别模型构建研究

为客观准确地评价不同产地茯砖茶感官特征品质,结合感官审评、化学组分检测、化学计量学等研究茯砖茶感官品质特征及不同产地茯砖茶判别模型构建。结果表明:湖南、浙江、陕西等19个茯砖茶因原料物质基础的不同其感官品质有非常明显的差异。其中,茯砖茶滋味得分(taste score, TS)与咖啡碱(caffeine, CAF)、水浸出物(water leachate, WL)、儿茶素(catechin, CAT)和表儿茶素(epicatechin, EC)呈现出显著相关性,其相关系数(P<0.05)分别为0.81、0.62、0.55、0.50。同时,基于化学组分的主成分(PCA)表明,前4个主成分的累计方差贡献率为79.48%,并以前4个主成分的线性回归方程和贡献率构建了茯砖茶感官品质综合评价模型与产地判别模型。正交偏最小二乘法判别分析(OPLA-DA)显示,19个不同产地的茯砖茶样品被明显地划分为3组,评价模型对不同产地茯砖茶识别度较高。采用交叉验证法对模型进行验证,模型对自变量的拟合指数(R~2X)为0.879,对因变量的拟合指数(R~2Y)为0.992,预测指数(Q^(2))为0.53。经OPLS-DA共识别出6种预测变量重要性投影(VIP)值大于1的差异指标,其中茶多酚(tea polyphenols, TPP)、可溶性糖(soluble sugar, SS)、CAF、WL为茯砖茶感官特征标志性差异品质成分。结果表明,应用感官审评、化学组分检测、化学计量学等方法可以实现茯砖茶感官特征及其不同产地茯砖茶的快速、准确判别,同时也为茯砖茶感官特征及其不同产地判别提供一种新的参考方法。

不同发酵温度下低盐泡萝卜中氨基甲酸乙酯含量差异成因分析

氨基甲酸乙酯(ethyl carbamate,EC)是泡菜发酵过程中可能产生的一类2A级致癌物质,发酵温度可通过影响微生物代谢进而影响EC的积累。研究测定了10、20、30℃条件下泡萝卜发酵过程中EC含量及其前体物质、理化指标、挥发性物质、微生物数量及结构变化。结果表明,10℃下EC含量先增加再降低,发酵3 d达到最高值79.64μg/L,且发酵7 d后仍高于联合国粮农组织(Food and Agriculture Organization of the United Nations,FAO)最高允许量(20μg/L),而20和30℃在发酵3 d后低于标准。在理化指标和挥发性物质方面,随温度增加,还原糖消耗、总酸积累以及pH降低明显加快,且10、20、30℃下泡萝卜挥发性物质呈现较大差异;在菌群结构方面,随温度增加,乳杆菌属丰度增加,而片球菌属丰度下降;Pearson相关性分析表明,Pediococcus ethanolidurans(r=0.52)和Lactobacillus nagelii(r=0.59)与EC含量呈正相关。综上,发酵温度可能通过影响乳酸菌生长及其结构进而对EC的积累有较大影响,因此适当提高温度有助于控制泡萝卜发酵过程中EC的含量。

基于HS-SPME-GC-MS对禄丰香醋挥发性风味物质及成分分析

该研究采用顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC-MS)技术对4个不同年份禄丰香醋的挥发性物质以及理化指标进行分析测定。结果表明,不同年份禄丰香醋的还原糖含量和总酸含量无显著性差异,pH、氨基酸态氮含量存在差异。4个不同年份的样品中共检测到120种化合物,包括9种醇类物质、21种醛类物质、7种酸类物质、24种酯类物质、17种酮类物质、7种酚类物质、11种烷烃类物质、3种烯烃类物质以及21种杂环类物质,各组分含量占比在一定程度上存在差异,但含量组多的包括乙酸、异戊酸、异戊醛、苯乙醛、糠醛、乙醇、苯乙醇、2-甲基丁醇、2,3-丁二醇、乙酸苯乙酯、乙酸乙酯、乙酸甲酯、2-羟基-4-甲基戊酸乙酯、丙位壬内酯、2,3-丁二酮、2,3-戊二酮、2-丁酮、2-呋喃酮以及2-甲基-3辛酮。通过OPLS-DA结合VIP值判断乙醇、2,3-丁二酮、异戊酸、苯乙醛、乙酸乙酯、乙酸异戊酯是造成不同年份禄丰香醋风味差异的物质。

OPLS方法的原理及其在代谢组学数据判别分析中的应用

目的探讨orthogonal projection to latent structures(OPLS)方法的原理、特点及其在代谢组学高维数据分析中的应用。方法通过R语言编程实现OPLS方法,利用模拟试验探索OPLS的特性及适用条件,并通过实际数据进行验证。结果利用一个OPLS预测主成分的模型拟合效果与利用偏最小二乘(PLS)多个主成分的模型拟合效果相同,同时具有较好的判别能力,其得分图的可视化效果优于PLS。结论 OPLS能够有效去除自变量矩阵X中与因变量Y无关的信息,使模型变得简单、易于解释,同时具有较好的可视化效果,可有效地用于代谢组学数据分析中。

代谢组学数据处理方法——主成分分析

代谢组学在生命科学领域得到了越来越广泛的应用并展现出良好的前景。代谢组学分析产生的含有大量变量的数据难以用常规方法进行分析,如何正确分析和解释代谢组学的数据是研究的关键。本文主要介绍了在代谢组学数据分析中占主导地位的主成分分析基本方法,旨在加强代谢组学数据分析的基础知识并规范数据分析的方法。

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。

核磁共振波谱法结合化学计量学判别油菜蜜的成熟蜜、非成熟蜜和加工蜜

应用核磁共振波谱法,对采集自安徽、内蒙古和江苏3个地区油菜蜜的成熟蜜、非成熟蜜及加工蜜共计80个样品的氢谱进行测定,建立区分3种蜂蜜的方法,解析油菜蜜组分中未重叠的特征峰,对比3个地区3种蜜代表性样品的核磁波谱图(NOESY 1D),并分析不同蜂蜜中部分组分的含量。运用隐结构双向正交投影‒判别分析法(O2PLS-DA),对上述蜂蜜进行分组判别,选取R2Y和Q2值最大的积分间隔,可清晰地区分3个地区的成熟蜜。虽然加工蜜与非成熟蜜有部分重叠,但在三维图中可以区分。对同一地区的3种蜂蜜可以清晰地分组区分,3组R2Y值均大于0.97,Q2值均大于0.81。所建立的方法可用于鉴别同一地区的成熟、非成熟与加工油菜蜜,具有样品用量少、检测用时短和结果重现性好等优势。

核正交偏最小二乘在代谢组学数据分析中的应用

目的探索核正交偏最小二乘方法的特点及其在代谢组学数据分析中的应用。方法通过模拟实验和真实代谢组学数据,评价核正交偏最小二乘方法的模型预测能力及其可视化效果。结果模拟数据分析表明,当数据间存在线性关系时,KOPLS与传统的线性OPLS具有相同的效果;当数据间存在非线性关系时,KOPLS具有相对更高的预测能力,得分图的可视化效果更好。实际数据分析结果显示,应用KOPLS能够提高模型预测能力和改善可视化效果。结论对于高维非线性关系的代谢组学数据更适合使用KOPLS方法。

结构化稀疏线性判别分析

在监督场景下线性判别分析(linear discriminant analysis,LDA)是一种非常有效的特征提取方法.然而,LDA在小样本情况下通常会出现过拟合现象,并且学习的投影变换难以给出人类认知上的解释.针对这些问题,特别是可解释性结构的发现,借助于LDA的线性回归模型和结构化稀疏L2,1范数,提出了结构化稀疏线性判别分析(structured sparse LDA,SSLDA)方法.进一步,为了去除线性变换间的相关性,提出了正交化的SSLDA(orthogonalized SSLDA,OSSLDA),它能更加有效地学习到细致的结构信息.为了求解这2个模型,引入了一个半二次的优化算法,它在投影变换和新引入的辅助变量之间采用交替优化的思想.为了验证所提出的方法,在AR、扩展的YaleB和MultiPIE 3个人脸数据库上对比了LDA及其变种方法,实验表明了所提出方法的有效性以及可解释性.

半监督局部判别分析

针对无监督学习及有监督学习算法的缺点,提出一种半监督局部判别分析的线性降维算法。数据在没有足够的训练样本时,局部结构比全局结构更重要。算法在每一个局部区域利用有标签数据推导出数据的局部判别结构,无标签数据和有标签数据推导出数据的内在几何结构。在ORL和Yale人脸数据库上的实验结果表明该算法是有效的。

直接无监督正交局部保持特征提取算法

基于局部保持投影发展出的一系列特征提取算法,在应用于人脸识别等高维小样本问题时,均需先采用PCA算法对高维样本降维后才能应用,故此以无监督鉴别分析算法为理论基础,提出了一种直接无监督正交局部保持算法。该算法利用拉普拉斯矩阵的性质进行相应的矩阵分解,可直接从高维样本的原始空间中提取投影矩阵,因而无需先采用PCA降维处理,且解决了无监督鉴别分析算法的小样本问题。为了进一步提高算法的识别性能,给出了基于QR分解的正交投影矩阵的求解方法。人脸库和掌纹库上的实验结果表明了所提算法的有效性。

约束线性描述分析与人脸识别

针对高维、小样本模式识别中的特征提取问题,提出了一种约束线性描述分析方法(CLDA)。以线性变换后样本的类内距离与类间距离之比最小作为准则函数,同时加上约束条件使变换后的样本中心沿着特定的正交方向,通过白化变换、Gram-Schimdt正交化和正交子空间投影求解约束准则函数得到最优变换矩阵。针对人脸识别的小样本问题,根据奇异值分解定理实现白化变换。对ORL和UMIST人脸库进行了仿真研究,结果表明CLDA方法的性能接近于某些Fisher描述分析方法如直接Fisher描述分析(DDA)和改进的Fisher描述分析(R-LDA)。

一种自适应邻域选择半监督判别分析算法

为克服边界Fisher判别分析(MFA)只利用少量有标记样本和构建邻域不能充分反映流形学习对邻域要求的缺点,提出一种基于局部线性结构的自适应邻域选择半监督判别分析的算法。采用自适应算法扩大或者缩小近邻系数k来构建邻域以保持局部线性结构。MFA通过少量有类别标签样本进行降维的同时UDP对大量无标签样本进行学习,以半监督的方法对高维人脸数据进行维数约减。最后,在ORL和YALE人脸数据库通过实验结果验证了该算法的有效性。

用于人脸识别的正则正交化的局部判别分析

非线性结构保持能力的不足是正则正交化的线性判别分析ROLDA(Regularized Orthogonal Linear Discriminant Analysis)在人脸识别中的主要问题。提出一个用于人脸识别的正则正交化的局部Fisher判别分析ROLFDA(Regularized Orthogonal LocalFisher Discriminant Analysis)降维算法。该算法在ROLDA基础上引入局部结构保持,继承ROLDA的特性,克服了ROLDA的非线性能力的不足的问题。在YaleB和AR人脸数据集上的实验验证了该算法的有效性。

超临界流体萃取-GC-MS分析西黄丸中挥发性成分

建立西黄丸中挥发油成分乙酸辛酯的含量测定方法,为西黄丸的质控标准提供依据。方法:超临界CO2萃取西黄丸中挥发油成分,采用气相色谱法测定乙酸辛酯含量;研究压力、温度、时间和粒度因素对挥发油得率与乙酸辛酯含量的影响,并进行了化学计量学分析。采用GC-MS分析了适宜条件的挥发油的成分。综合考虑挥发油得率和乙酸辛酯含量双指标,确定的西黄丸挥发油萃取条件为:粉碎粒度为80目,萃取压力为25 MPa,温度为40℃,时间为2 h。在此条件下,挥发油得率达到7.76%,乙酸辛酯含量达到0.72 mg·g^(-1)。通过指纹图谱、主成分分析(PCA)、正交偏最小二乘判别分析(OPLS-DA)化学计量学分析可知,不同萃取条件对所提取的挥发油物质组分及其含量没有显著性差异。GC-MS鉴定出的主要成分有(1S-endo)-2-甲基-3-亚甲基-2-(4-甲基-3--3-戊烯基)-二环[2.2.1庚烷、10α-羟基日本刺参萜、(±)-麝香酮、4-亚甲基-2,8,8-三甲基-2-乙烯基-双环[5.2.0]壬烷和2-甲基-4-(2,6,6-三甲基-1-环己烯-1-基)丁醛。结论:西黄丸挥发油成分适宜萃取条件,及建立的乙酸辛酯含量测定方法准确、可靠,为有效控制西黄丸质量,完善其质量标准及进一步的药效成分研究提供了科学依据。

基于快速蒸发离子化质谱实时检测空气油炸鲳鱼的脂质组学轮廓

快速蒸发离子化质谱(rapid evaporative ionization mass spectrometry,REIMS)是一种无需样品预处理的新型质谱技术,通过手持智能手术刀切割样品采集数据从而获得脂质组学轮廓。本研究采用REIMS技术和主成分分析(principal component analysis,PCA)、隐结构正交投影(orthogonal projection to latent structure,OPLS)等数理统计方法实时监测鲳鱼在空气油炸过程中脂质组学轮廓变化,并探究不同空气油炸温度对鲳鱼肌肉组织脂质组成的影响。通过单因素条件优化得到适宜的REIMS系统参数,电刀输出功率20 W、电刀切割功率1 mm/s、辅助溶剂流速100μL/min,从而获得稳定可靠的质谱轮廓图。在PCA分析的基础上进行OPLS分析,得到10个重要的特征离子(VIP>1),其中PE(O-16∶1/22∶6)只在原料中检测到,为4.61%;此外,PE(22∶5/22∶6)在10个磷脂离子中的不饱和度最高,其相对含量随油炸温度的升高而降低,同样可见于PA(18∶1/22∶6)和PI(18∶0/22∶6),说明磷脂的饱和度有随油炸温度升高而上升的趋势。经方法验证显示,REIMS检测离子的信噪比范围为49.58~205.30,日内和日间精密度的相对标准偏差为3.10%~7.28%,灵敏度和精密度均较高,因此,该方法将成为脂质组学研究过程中一种简单、高效、准确的新型技术手段。

面向工业平稳/非平稳复杂系统的在线故障监测技术

针对复杂系统中关键性能指标(KPI)相关故障检测方法检测精度低的问题,提出基于双层改进潜结构投影(DL-IPLS)的KPI相关故障检测方法.利用协整分析和主元分析建立底层模型,对非平稳和平稳变量进行特征提取.将提取的信息进行融合,建立改进潜结构投影的上层模型,根据融合信息对KPI的贡献进行空间分解.在2个正交子空间中设计统计量,实现KPI相关故障的在线监测.田纳西-伊斯曼过程和青霉素发酵过程的仿真结果表明,在面向工业平稳和非平稳复杂工业系统检测时,所提方法有效提高了KPI相关故障的检测率,降低了KPI无关故障的误报率.

基于K-OPLS的无线传感网络室内定位跟踪算法

针对基于指纹的无线传感网络室内定位,提出了一种基于核隐变量正交投影(Kernel-based orthogonal projection to latent structures, K-OPLS)的定位算法。在O-PLS的模型框架下,K-OPLS算法应用“核技巧”将描述变量映射至高维特征空间,给出了描述变量和响应变量之间的非线性关系,以实现对模型的预测成分及与响应正交成分的计算。K-OPLS算法集核偏最小二乘建模和正交信号校正预处理方法于一体,在一定程度上有效地改进了模型性能,增强了模型解释性。基于RSSI指纹信息,构建锚节点与处于参考位置的非锚节点之间的非线性映射关系,K-OPLS算法可以实现WSN的室内定位跟踪。将所提出的算法应用于仿真与物理环境下的不同实例中,在同等条件下,还与核岭回归(KRR)、核极限学习机(KELM)、核信噪比(KSNR)、核偏最小二乘(KPLS)、核自适应滤波等其他核学习算法进行比较。仿真实验中,基于小波核的WK-OPLS算法在无噪声和有噪声环境下的跟踪估计误差分别为0.232 6、1.320 5 m。物理实验中,基于小波核的该算法跟踪估计误差为0.249 3 m。实验结果表明,所提算法有效提高了定位精度,而且具有一定的除噪能力。

面向局部线性回归分类器的判别分析方法

局部线性回归分类器(locality-regularized linear regression classification,LLRC)在人脸识别上表现出了高识别率以及高效性的特点,然而原始特征空间并不能保证LLRC的效率。为了提高LLRC的性能,提出了一种与LLRC相联系的新的降维方法,即面向局部线性回归分类器的判别分析方法(locality-regularized linear regressionclassification based discriminant analysis,LLRC-DA)。LLRC-DA根据LLRC的决策准则设计目标函数,通过最大化类间局部重构误差并最小化类内局部重构误差来寻找最优的特征子空间。此外,LLRC-DA通过对投影矩阵添加正交约束来消除冗余信息。为了有效地求解投影矩阵,利用优化变量之间的关系,提出了一种新的迹比优化算法。因此LLRC-DA非常适用于LLRC。在FERET和ORL人脸库上进行了实验,实验结果表明LLRCDA比现有方法更具有优越性。

基于OPLS-DA提取VIP值的塑料餐盒K-NN拉曼光谱分析

为了实现塑料餐盒这一食品包装材料的拉曼光谱特征提取和模式识别的系列研究,进行有监督的正交偏最小二乘判别分析算法模型的构建,样本在提取出的3个正交新变量上类与类之间明显区分开来。从已构建模型中提取出变量投影重要性局部极大值大于1的29个特征变量进行k值为1的K最近邻算法分类,最终训练集和测试集的分类正确率分别达到了92.3%和100%,表明包括模型构建、特征提取和模式识别在内的系列方法可有效对塑料餐盒样本进行分类识别。