涂 斌 宋志強(qiáng) 鄭 曉 曾路路 尹 成 何東平 亓培實(shí)

(武漢輕工大學(xué)機(jī)械工程學(xué)院1，武漢 430023)(武漢輕工大學(xué)食品科學(xué)與工程學(xué)院2，武漢 430023)(武漢百信環(huán)保能源科技有限公司3，武漢 430023)

樣品溫度對(duì)植物油的近紅外定性分析模型的影響

涂 斌1宋志強(qiáng)1鄭 曉1曾路路1尹 成1何東平2亓培實(shí)3

(武漢輕工大學(xué)機(jī)械工程學(xué)院1，武漢 430023)(武漢輕工大學(xué)食品科學(xué)與工程學(xué)院2，武漢 430023)(武漢百信環(huán)保能源科技有限公司3，武漢 430023)

主要研究不同的樣品溫度對(duì)基于激光近紅外食用植物油分類模型預(yù)測能力的影響。選擇樣品溫度分別為30、40、50、60 ℃作為研究對(duì)象，利用激光近紅外光譜儀采集4種溫度下的合格食用油樣品的光譜數(shù)據(jù)，用標(biāo)準(zhǔn)正態(tài)變量變換(SNV)對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，應(yīng)用支持向量機(jī)分類(SVC)方法建立獨(dú)立溫度分類模型和混合溫度分類模型，然后采用遺傳算法(GA)對(duì)模型參數(shù)組合(C，g)進(jìn)行尋優(yōu)，確定最佳參數(shù)組合，利用建立的8個(gè)模型對(duì)4種不同溫度下的預(yù)測集樣品分別進(jìn)行預(yù)測。試驗(yàn)結(jié)果表明：某個(gè)樣品溫度下的獨(dú)立模型對(duì)于該溫度下的樣品的預(yù)測準(zhǔn)確率較高，但是對(duì)于其他溫度下的樣品的預(yù)測準(zhǔn)確率不夠理想；混合模型對(duì)不同溫度的樣品預(yù)測能力相對(duì)較好，具有更好的預(yù)測穩(wěn)定性和溫度適應(yīng)性。研究表明：樣品溫度對(duì)模型的預(yù)測能力有很大的影響，是建立食用植物油分類模型過程中需要考慮的重要變量。

油脂 激光近紅外 樣品溫度 模型 遺傳算法 支持向量機(jī)

由于計(jì)算機(jī)技術(shù)、光譜技術(shù)和化學(xué)計(jì)量學(xué)的快速發(fā)展，近紅外光譜分析技術(shù)(Near Infrared Spectrum，NIRS)因其分析速度快、效率高、樣品無需預(yù)處理、無損分析和易于實(shí)現(xiàn)在線分析等特點(diǎn)，在醫(yī)藥、食品、煙草、農(nóng)業(yè)和石化等行業(yè)得到了廣泛的應(yīng)用[1-3]。由于近紅外光譜分析技術(shù)所擁有的優(yōu)點(diǎn)，國內(nèi)外許多學(xué)者應(yīng)用近紅外技術(shù)對(duì)植物油脂進(jìn)行品質(zhì)分析，劉瑩等[4]利用研制的近紅外山茶油品質(zhì)分析系統(tǒng)，對(duì)攙兌玉米油的山茶油進(jìn)行體積分?jǐn)?shù)的建模與預(yù)測，結(jié)果顯示，體積分?jǐn)?shù)的預(yù)測值與真實(shí)值基本一致，能夠?qū)崿F(xiàn)山茶油的品質(zhì)分析。Julia Kuligowski等[5]結(jié)合近紅外光譜技術(shù)與偏最小二乘法建立1個(gè)全局模型和4個(gè)子模型，對(duì)煎炸油中的聚合甘油三酯(polymerised triacylglycerides，PTG)進(jìn)行定量預(yù)測，結(jié)果顯示，5個(gè)模型都能實(shí)現(xiàn)PTG含量的預(yù)測，其中全局模型預(yù)測效果更好、更準(zhǔn)確。一般近紅外光譜分析流程包括：第一步，分析樣品，分析樣品的組成成分，可能出現(xiàn)波峰、波谷的波段；第二步，建立數(shù)學(xué)模型，研究適合待測物光譜數(shù)據(jù)預(yù)處理、建模方法等，應(yīng)用最佳建模參數(shù)建立可以應(yīng)用于分析的數(shù)學(xué)模型；第三步，優(yōu)化并確定模型參數(shù)，確定最優(yōu)建模參數(shù)；但是建立的數(shù)學(xué)模型一般只能適應(yīng)一定的時(shí)間和空間范圍，隨著測量時(shí)間、光程、樣品溫度和樣品狀態(tài)的改變對(duì)模型的預(yù)測能力和穩(wěn)定性產(chǎn)生一定的影響[6-9]。加熱對(duì)樣品的含氫基團(tuán)產(chǎn)生影響，導(dǎo)致吸光度變化，即不同溫度的樣品的光譜存在差異，容易造成待測樣品溫度與建立數(shù)學(xué)模型時(shí)的溫度有較大差別時(shí)預(yù)測結(jié)果偏差較大。在特定條件下采集的光譜，建立的模型，只適應(yīng)于該條件下的樣品品質(zhì)分析，對(duì)于其他條件下的樣品的品質(zhì)分析的結(jié)果不理想，影響模型的推廣應(yīng)用，同時(shí)制約了近紅外光譜分析技術(shù)的發(fā)展[10-12]。

本試驗(yàn)采用激光近紅外光譜儀采集食用油的光譜，以新型的超輻射發(fā)光二極管(super luminescent Light Emitting Diode， SLED)作為光源，具有寬光譜、高能量、低噪聲和小發(fā)射角等特點(diǎn)，不僅消除了鹵鎢燈熱效應(yīng)，避免因鹵鎢燈發(fā)射的紫外等光譜的能量轉(zhuǎn)化為熱能，對(duì)儀器和樣品起到加熱作用，而且線性度、單色性更好。同時(shí)食用油是多種脂肪酸甘油三酯的混合物，其化學(xué)成分含氫基團(tuán)(C-H、O-H)振動(dòng)的合頻和倍頻的吸收區(qū)與近紅外光譜區(qū)是一致的，因此近紅外適用于對(duì)食用油的快速檢測[13]。試驗(yàn)中以樣品溫度為變量，在其他條件不變的情況下，采用支持向量機(jī)(Support Vector Machine，SVM)方法建模，應(yīng)用遺傳算法(Genetic Algorithm，GA)進(jìn)行參數(shù)尋優(yōu)，研究樣品溫度對(duì)于植物油脂分類模型預(yù)測能力的影響，找到消除樣品溫度對(duì)模型預(yù)測準(zhǔn)確性和穩(wěn)定性影響的建模方法。

1 材料與儀器

1.1 試驗(yàn)樣品

試驗(yàn)樣品來源包括在武漢各大超市購買的不同品牌、不同種類的合格植物食用油以及一些油脂生產(chǎn)廠家提供的合格食用油共7類，總共79個(gè)樣品，見表1。試驗(yàn)采用K-S(Kennard-Stone)算法按3∶1的比例選取校正集和預(yù)測集樣本，隨機(jī)選擇60個(gè)樣品組成校正集，其余的作為預(yù)測集，其中校正集樣本用于模型建立，預(yù)測集樣本用于模型預(yù)測性能的檢驗(yàn)，以預(yù)測的準(zhǔn)確率來判別所建模型的好壞。

表1 樣品的種類、數(shù)量

1.2 試驗(yàn)儀器與軟件

試驗(yàn)中采用課題組研制的植物油脂激光近紅外檢測儀采集光譜，主機(jī)為美國Axsun科技公司生產(chǎn)的Axsun XL410型激光近紅外光譜儀，光譜測定范圍為1 350～1 800 nm，掃描次數(shù)32次，分辨率為3.5 cm-1，信噪比(250 ms,RMS)>5 500∶1，測量方式為透射，可以選用2、5、10 mm光程的比色皿，溫控范圍為20～100 ℃，可以準(zhǔn)確的控制樣品溫度；本次試驗(yàn)主要采用：50 μL移液槍，石英比色皿(2 mm光程)，數(shù)顯恒溫水浴鍋；基于MATLAB_2012a平臺(tái)自主設(shè)計(jì)的光譜數(shù)據(jù)處理系統(tǒng)，主要包括光譜的預(yù)處理、特征波長提取、模型的建立、未知樣品預(yù)測等功能。

1.3 試驗(yàn)方法

針對(duì)試驗(yàn)樣品，分別保持樣品溫度在30、40、50、60 ℃下進(jìn)行激光近紅外光譜的掃描，得到4組樣品光譜數(shù)據(jù)。在掃描光譜之前，把樣品置于數(shù)顯恒溫水浴鍋中，調(diào)節(jié)到相應(yīng)的檢測溫度，待達(dá)到設(shè)定溫度，靜置10 min，以保證試劑瓶中的樣品溫度相同，每次取出1個(gè)樣品進(jìn)行光譜掃描。樣品裝樣與圖譜采集：取光程為2 mm比色皿，進(jìn)行空載掃描，去除暗背景，使用移液管將樣本注入比色皿約3/4處，將比色皿放入樣品池中，恒溫靜置1～2 min，試驗(yàn)中采用儀器自帶的軟件完成樣品圖譜采集。每個(gè)樣品采集3次穩(wěn)定的譜圖后取其平均圖譜作為最終圖譜，原始光譜見圖1。試驗(yàn)期間保證室內(nèi)溫度(25 ℃)、濕度、光線的基本一致。

圖1 原始光譜(30、40、50、60 ℃)

2 結(jié)果與討論

2.1 技術(shù)路線

2.1.1 預(yù)處理方法

通過近紅外光譜儀采集的光譜，包含豐富的信息，但是同時(shí)伴有譜帶重疊嚴(yán)重、信噪比低等，這些影響模型好壞的因素使得必須對(duì)采集的原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。一般比較好的預(yù)處理方法應(yīng)盡可能放大不同種類植物油樣品光譜數(shù)據(jù)的差異，同時(shí)減小相同種類植物油樣品光譜數(shù)據(jù)的差異，達(dá)到提高建立的模型的準(zhǔn)確率和泛化能力。主要考察了3種預(yù)處理方法，包括：原始光譜(RWA)(不處理)、標(biāo)準(zhǔn)正態(tài)變量變換(Standard normal variate transformation，SNV)、矢量歸一化(Unit vector normalization，UVN)。UVN可以消除因微小光程差異帶來的光譜變動(dòng)；SNV可以消除光譜的基線漂移及光程的影響。圖2為SNV處理后的50 ℃光譜圖。

圖2 預(yù)處理光譜圖

2.1.2 建模方法

本試驗(yàn)中將SVM作為建立模型的方法。支持向量機(jī)是數(shù)據(jù)挖掘中的一項(xiàng)技術(shù)，是借助最優(yōu)化方法來解決機(jī)器學(xué)習(xí)問題的新工具，最初由V. Vapnik領(lǐng)導(dǎo)的AT&T Bell實(shí)驗(yàn)室研究小組在1995年提出的，在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢，成為克服“維數(shù)災(zāi)難”和“過學(xué)習(xí)”等困難的強(qiáng)有力手段，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中[14-15]。

試驗(yàn)中將原始數(shù)據(jù)作為支持向量機(jī)分類模型的輸入，建立支持向量機(jī)分類(Support Vector Machine Classifier，SVC)模型，采用遺傳算法(GA)進(jìn)行尋優(yōu)，確定影響SVC分類器準(zhǔn)確率的懲罰參數(shù)C和徑向基(RBF)參數(shù)g，使得C-SVC分類器能夠更好得實(shí)現(xiàn)分類預(yù)測功能，同時(shí)保證有較高的分類準(zhǔn)確率。本試驗(yàn)選用RBF核，因?yàn)镽BF核的參數(shù)少，參數(shù)過多將會(huì)影響到模型的選擇，同時(shí)實(shí)際應(yīng)用表明RBF核具有很強(qiáng)的SVM學(xué)習(xí)能力[16]。以預(yù)測準(zhǔn)確率的高低評(píng)價(jià)模型，準(zhǔn)確率越高，模型的預(yù)測能力越好。

2.2 研究樣品溫度對(duì)模型的影響

2.2.1 溫度對(duì)近紅外光譜的影響

同一個(gè)菜籽油樣品分別在30、40、50、60 ℃等4個(gè)溫度點(diǎn)下按照?qǐng)D譜采集方法采集的近紅外光譜，如圖3，可以看出，隨著溫度的變化，同一樣品的激光近紅外光譜圖發(fā)生了變化，其中1700～1800 nm波段的波峰、波谷位置的吸光度相比較其它波段的變化較顯著。通過圖3中可以看出變化是微弱的，不能夠確定溫度對(duì)近紅外光譜是否有本質(zhì)的影響，這有可能是加熱的過程中含氫基團(tuán)受到了破壞，導(dǎo)致吸光度的變化；也有可能是選擇的樣品數(shù)量少，存在隨機(jī)性誤差，因此需要進(jìn)一步研究溫度對(duì)樣品近紅外光譜的影響。

圖3 4種溫度下相同樣品的原始光譜

2.2.2 光譜預(yù)處理

根據(jù)表2中各種預(yù)處理方法建立的模型的準(zhǔn)確率的判斷、對(duì)比，發(fā)現(xiàn)使用標(biāo)準(zhǔn)正態(tài)變量變換(SNV)處理的原始光譜數(shù)據(jù)建立的模型預(yù)測準(zhǔn)確率最高，因此本試驗(yàn)選用此方法作為預(yù)處理方法。

表2 預(yù)處理方法的對(duì)比分析

注：建模方法為GA-SVC。

2.2.3 建立模型

2.2.3.1 獨(dú)立模型

分別對(duì)30、40、50、60 ℃的光譜數(shù)據(jù)建立獨(dú)立的植物油分類模型，并對(duì)建立的4個(gè)獨(dú)立溫度模型進(jìn)行交叉檢驗(yàn)，驗(yàn)證所建模型對(duì)不同溫度的樣品的預(yù)測能力，以預(yù)測集的預(yù)測準(zhǔn)確率(%)為評(píng)價(jià)標(biāo)準(zhǔn)，評(píng)價(jià)結(jié)果(見表3)。

表3 獨(dú)立模型交叉檢驗(yàn)結(jié)果/%

通過表3可以看出，各個(gè)獨(dú)立溫度模型對(duì)該溫度下的樣品預(yù)測準(zhǔn)確率均在84%以上，30、40 ℃模型的預(yù)測效果最好，預(yù)測集準(zhǔn)確率為94.74%，出現(xiàn)了1個(gè)錯(cuò)判(見圖4)；50、60 ℃模型的預(yù)測能力相對(duì)差一點(diǎn)，但是錯(cuò)判數(shù)僅為3個(gè)；表明當(dāng)采用相同的方法建立數(shù)學(xué)模型，不同溫度下的光譜數(shù)據(jù)建立的模型的預(yù)測能力差異性很小。同時(shí)也可得出，某個(gè)樣品溫度下的獨(dú)立模型對(duì)于該溫度下的樣品的預(yù)測準(zhǔn)確率是最高的，但是對(duì)于其他溫度下的樣品的預(yù)測準(zhǔn)確率仍然不夠理想，溫度相差越大，預(yù)測準(zhǔn)確率越低，達(dá)不到實(shí)際應(yīng)用中的需要，其中60 ℃模型相比較另兩個(gè)獨(dú)立溫度模型的預(yù)測能力強(qiáng)，但是對(duì)于30、40 ℃樣品預(yù)測準(zhǔn)確率遠(yuǎn)遠(yuǎn)小于94.74%。說明獨(dú)立模型的溫度普適性不是很強(qiáng)，適合獨(dú)立模型溫度下的樣品預(yù)測，很難實(shí)現(xiàn)對(duì)不同溫度的待測樣品進(jìn)行準(zhǔn)確預(yù)測，同時(shí)建立獨(dú)立模型對(duì)試驗(yàn)條件有著嚴(yán)格的要求，一般只適合在實(shí)驗(yàn)室完成，不僅阻礙了模型的推廣應(yīng)用，而且制約了獨(dú)立模型的建立。綜上表明，溫度對(duì)近紅外光譜有實(shí)質(zhì)性的影響，在不同的溫度下，吸光度是變化的；獨(dú)立模型單一溫度的預(yù)測能力較強(qiáng)，多溫度的預(yù)測能力相對(duì)差一點(diǎn)，但是隨著樣品溫度的升高，獨(dú)立模型的多溫度預(yù)測能力逐漸增強(qiáng)；在能夠保證試驗(yàn)條件的前提下，獨(dú)立模型是最好的選擇。

圖4 預(yù)測集分類結(jié)果圖

2.2.3.2 混合模型

從上述的獨(dú)立模型的交叉檢驗(yàn)可以看出，獨(dú)立溫度模型對(duì)該溫度下的樣品預(yù)測能力較強(qiáng)，但是對(duì)其他不同溫度的樣品預(yù)測能力相對(duì)弱一點(diǎn)，可以發(fā)現(xiàn)樣品溫度對(duì)模型的預(yù)測能力是有影響的。從理論上分析，加熱有可能導(dǎo)致油脂中含氫基團(tuán)破壞，影響吸光度，因此對(duì)于不同溫度的樣品光譜數(shù)據(jù)，是存在差異的，并且包含特有的樣品溫度信息。為了減小溫度對(duì)模型預(yù)測能力的影響，建立了2元和3元溫度混合模型，消除獨(dú)立模型溫度的單一性，加強(qiáng)模型的溫度適應(yīng)性，也就是增強(qiáng)所建模型的多溫度預(yù)測能力。為了和獨(dú)立模型對(duì)比，混合模型的校正集取自獨(dú)立模型的校正集數(shù)據(jù)，預(yù)測集也是取自相應(yīng)的預(yù)測集數(shù)據(jù)。混合模型包括混合模型1(40、50 ℃2種溫度光譜集混合)、混合模型2(40、60 ℃2種溫度光譜集混合)、混合模型3(50、60 ℃2種溫度光譜集混合)、混合模型4(40、50、60 ℃3種溫度光譜集混合)，建模結(jié)果(見表4)。

從表4中看出，混合模型相比較獨(dú)立溫度模型，多溫度預(yù)測能力、穩(wěn)定性較好，錯(cuò)判數(shù)都是在3個(gè)左右。混合模型中包含某一溫度的樣品，對(duì)該溫度下的樣品預(yù)測準(zhǔn)確率較高，有的甚至優(yōu)于在該溫度下獨(dú)立模型的預(yù)測準(zhǔn)確率。對(duì)30、40 ℃樣品的預(yù)測效果仍然不是很好，錯(cuò)判數(shù)為3～5個(gè)，但是通過4個(gè)混合模型與4個(gè)獨(dú)立模型對(duì)比，可以看出混合模型的預(yù)測穩(wěn)定性、多溫度適應(yīng)性優(yōu)于獨(dú)立溫度模型，究其原因，主要是因?yàn)楠?dú)立溫度模型的光譜數(shù)據(jù)偏少，雖然校正集和預(yù)測集的光譜數(shù)的選擇具有隨機(jī)性，但仍然容易造成隨機(jī)誤差相對(duì)偏大；混合模型的校正集包含的光譜數(shù)據(jù)是獨(dú)立模型的2～3倍，減小了隨機(jī)誤差，提高了模型的預(yù)測穩(wěn)定性和溫度適應(yīng)性。結(jié)果表明：雖然混合模型對(duì)某個(gè)溫度的樣品預(yù)測能力低于獨(dú)立模型，但是對(duì)于多溫度的綜合預(yù)測能力是優(yōu)于獨(dú)立模型。在模型的推廣應(yīng)用過程中，當(dāng)不能夠滿足特定溫度條件的時(shí)候，可以采用混合模型。

表4 獨(dú)立模型和混合模型檢驗(yàn)預(yù)測集樣本的準(zhǔn)確率表(%)

3 結(jié)論

本試驗(yàn)將溫度作為唯一變量引入，作為植物油分類模型預(yù)測穩(wěn)定性的影響因素，采用SVC方法建立獨(dú)立溫度與混合溫度模型。通過對(duì)比所有模型的預(yù)測準(zhǔn)確率，結(jié)果表明：1)某個(gè)樣品溫度下的獨(dú)立模型對(duì)于該溫度下的樣品的預(yù)測能力很強(qiáng)，對(duì)于其他溫度下的樣品的預(yù)測能力較弱；當(dāng)能夠保證試驗(yàn)條件時(shí)，獨(dú)立模型是最佳的選擇。2)混合模型單一溫度預(yù)測能力相對(duì)弱一點(diǎn)，但是對(duì)于不同溫度下樣品預(yù)測能力相對(duì)較好，具有更好的預(yù)測穩(wěn)定性、溫度適應(yīng)性；當(dāng)不能夠保證獨(dú)立模型的溫度要求，混合模型可以作為一種選擇。3)溫度對(duì)模型的預(yù)測能力有很大的影響，是在采集光譜數(shù)據(jù)、建立數(shù)學(xué)模型過程中需要考慮的一個(gè)重要因素。本試驗(yàn)只是粗略的討論了樣品溫度對(duì)模型預(yù)測能力的影響，沒有更加深入的解決這一問題，但是為以后建立溫度修正模型提供了參考。

[1]陳蛋，陳斌，陸道禮，等.近紅外光譜分析法測定菜籽油中芥酸的含量[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23(1)：234-237

[2]彭嚴(yán)芳，史新元，周璐薇，等.基于四種NIR儀器類型的清開靈注射液中黃芩苷成分的多變量檢測限研究[J].光譜學(xué)與光譜分析，2013，33(9)：2363-2368

[3]趙峰，林河通，楊江帆，等.基于近紅外光譜的武夷巖茶品質(zhì)成分在線檢測[J].農(nóng)業(yè)工程學(xué)報(bào)，2014(1)，30(2)：269-277

[4]劉瑩，胡云龍.基于ARM9的近紅外山茶油無損檢測儀研究[J].傳感器與微系統(tǒng)，2013，32(4)：72-75

[5]Julia Kuligowski, David Carrión, Guillermo Quintás,et al. Direct determination of polymerised triacylglycerides in deep-frying vegetable oil by near infrared spectroscopy using Partial Least Squares regression[J].Food Chemistry, 2012, 131(1):353-359

[6]嚴(yán)衍祿 趙龍蓮 李軍會(huì)，等，現(xiàn)代近紅外光譜分析的信息處理技術(shù)[J].光譜學(xué)與光譜分析，2000，20(6)：777-780

[7]于海燕, 應(yīng)義斌, 劉燕德. 農(nóng)產(chǎn)品品質(zhì)近紅外光譜分析結(jié)果影響因素研究綜述[J].農(nóng)業(yè)工程學(xué)報(bào), 2005，21(11): 160-163

[8]杜敏，吳志生，林兆洲，等.光程對(duì)清開靈注射液中黃芩苷近紅外定量模型的影響[J].藥物分析雜志，2012，32(10)：1796-1800

[9]王冬，熊艷梅，黃蓉，等，溫度對(duì)復(fù)配乳油的近紅外光譜定量分析模型的影響[J].分析化學(xué)，2010(9)：1311-1315

[10]Hideyuki Abe, Toyoko Kusama, Sumio Kawano.et al. Analysis of hydrogen bonding related to water in foods[J]．Japanese Spectrum Research,1995,44(5):247

[11]徐志龍，趙龍蓮，嚴(yán)衍祿.減小樣品溫度對(duì)近紅外定量分析數(shù)學(xué)模型影響的建模方法[J].現(xiàn)代儀器，2004(5)：29-31

[12]孔翠萍，褚小立，杜澤學(xué)，等.近紅外光譜方法預(yù)測生物柴油主要成分[J].分析化學(xué)，2010(6)：805-810

[13]徐廣通，陸婉珍.柴油近紅外光譜與性質(zhì)的相關(guān)性分析[J].石油學(xué)報(bào)(石油加工)，2001，17(2)：91-95

[14]Vapnik, Vladimir Naumovich. The Nature of Statistical Learning Theory[M].New York：Springer-Verlag，1999

[15]司守奎，孫璽.數(shù)學(xué)建模算法與應(yīng)用[M]. 北京：國防工業(yè)出版社，2011

[16]宋志強(qiáng)，沈雄，鄭曉，等．應(yīng)用近紅外光譜對(duì)低碳數(shù)脂肪酸含量預(yù)測[J].光譜學(xué)與光譜分析，2013(8)：2079-2082.

Effect of Sample Temperature on Near-Infrared Qualitative Analysis Models of Vegetable Oil

Tu Bin1Song Zhiqiang1Zheng Xiao1Zeng Lulu Yin Cheng1He Dongping2Qi Peishi3

(School of Mechanical Engineering, Wuhan Polytechnic University1, Wuhan 430023)(College of Food Science and Engineering, Wuhan Polytechnic University2, Wuhan 430023)(Pashun Group3, Wuhan 430023)

The paper has mainly emphasized that different sample temperature has different effect on the predictive ability based on the classification model of laser near infrared edible vegetable oil. First, three sample temperatures have been selected as 30, 40, 50, 60 ℃, respectively; the spectral data of qualified edible oil samples were collected by laser near infrared spectrometer. The spectral data were preprocessed through Standard Normal Variate (SNV), and classification model of independent temperature and classification model of mixing temperature were established by Support Vector Machine (SVM). Further, after the model parameters (C, g) being optimized by application of Genetic Algorithm (GA), the optimal parameters have been finally defined. The the prediction samples with the four different temperatures were predicted by exploiting 8 established mathematical models respectively. According to the analysis, at a certain temperature, independent model had high predicting accuracy in the temperature, while it was far from ideal for the samples in the other temperature. Hybrid model had the better predicting stability and thermal adaptability on the ability of predicting samples at different temperatures. The results showed that sample temperatures had great effect on the predictive ability of classification model, which could be a very important variable in establishment of classification model of edible vegetable oil.

oil, laser near infrared, sample temperature, model, genetic algorithm, support vector machine

O657.3

A

1003-0174(2016)04-0133-05

“十一五”國家科技支撐計(jì)劃(2009BADB9B08)，武漢市科技攻關(guān)計(jì)劃(2013010501010147)，武漢工業(yè)學(xué)院食品營養(yǎng)與安全重大項(xiàng)目培育專項(xiàng)(2011Z06)

2014-09-29

涂斌，男，1990年出生，碩士，智能檢測技術(shù)

鄭曉，男，1958年出生，教授，油脂壓榨原理與智能檢測