近紅外光譜分析技術(shù)在植物蛋白飲料定量分析中的應(yīng)用

王瓊雅,夏君霞,吳鎮(zhèn)君,陳紅光,王俊轉(zhuǎn),李子文,李宗朋,買書魁,王 健*

(1.中國(guó)食品發(fā)酵工業(yè)研究院,北京 100015;2.東北農(nóng)業(yè)大學(xué)工程學(xué)院 管理科學(xué)工程系,黑龍江 哈爾濱 150030;3.河北養(yǎng)元智匯飲品股份有限公司,河北 衡水 053000;4.紅牛維他命飲料有限公司,北京 100015)

近紅外光譜分析技術(shù)在植物蛋白飲料定量分析中的應(yīng)用

王瓊雅1,2,夏君霞3,吳鎮(zhèn)君4,陳紅光2,王俊轉(zhuǎn)3,李子文1,李宗朋1,買書魁1,2,王 健1*

(1.中國(guó)食品發(fā)酵工業(yè)研究院,北京 100015;2.東北農(nóng)業(yè)大學(xué)工程學(xué)院 管理科學(xué)工程系,黑龍江 哈爾濱 150030;3.河北養(yǎng)元智匯飲品股份有限公司,河北 衡水 053000;4.紅牛維他命飲料有限公司,北京 100015)

利用近紅外光譜分析技術(shù)對(duì)植物蛋白飲料中脂肪和可溶性固形物含量進(jìn)行定量分析。采用向后間隔偏最小二乘法(BiPLS)、組合間隔偏最小二乘法(SiPLS)、遺傳偏最小二乘法(GA-PLS)、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法(CARS)優(yōu)選波段,并結(jié)合偏最小二乘法(PLS)建立植物蛋白飲料中脂肪和可溶性固形物的定量分析模型。結(jié)果表明,4種方法對(duì)模型均有優(yōu)化效果,可提高模型的穩(wěn)定性和精準(zhǔn)性,其中GA-BiPLS、GA-SiPLS優(yōu)化效果最為明顯,脂肪、可溶性固形物的決定系數(shù)R2分別達(dá)到了0.984、0.97和0.988、0.990,預(yù)測(cè)標(biāo)準(zhǔn)均方差(RMSEP)分別為0.026、0.030和0.170、0.155,相對(duì)分析誤差(RPD)分別為8.077、7.000和9.112、10.000。表明近紅外光譜技術(shù)作為一種快速、便捷的檢測(cè)手段,適用于植物蛋白飲料品質(zhì)的快速檢測(cè)分析。

植物蛋白飲料;近紅外光譜分析技術(shù);定量分析;波段篩選

植物蛋白飲料是以植物的果核或種子為主料,經(jīng)過(guò)原料處理、浸泡、磨漿、過(guò)濾、均質(zhì)和殺菌等工序,調(diào)配制成的植物蛋白飲品[1]。因其風(fēng)味獨(dú)特且含有豐富的營(yíng)養(yǎng),深受廣大消費(fèi)者的喜愛[2]。植物蛋白飲料中含有豐富的脂肪和可溶性固形物(包括維生素、礦物質(zhì)及多糖等),這兩項(xiàng)評(píng)價(jià)指標(biāo)在很大程度上影響飲料的營(yíng)養(yǎng)價(jià)值以及口感和香味[3]。近年來(lái)部分企業(yè)為謀求利益,在生產(chǎn)過(guò)程中偷工減料,達(dá)不到國(guó)家的相關(guān)標(biāo)準(zhǔn)[4],而現(xiàn)有的檢測(cè)方法大多是化學(xué)分析,不僅費(fèi)時(shí)費(fèi)力,且耗時(shí)較長(zhǎng),不能滿足生產(chǎn)企業(yè)以及監(jiān)管部門的即時(shí)性現(xiàn)場(chǎng)檢測(cè)的迫切需求。

近幾年,近紅外光譜分析技術(shù)作為一種快速、準(zhǔn)確、無(wú)損的檢測(cè)技術(shù)手段[5],受到越來(lái)越多人的重視,一些學(xué)者也將其用于飲料的研究當(dāng)中。谷如祥等[6]通過(guò)遺傳算法結(jié)合支持向量機(jī)模型對(duì)蘋果飲料中原果汁含量快速測(cè)定,并取得了較好的結(jié)果。艾施榮等[7]運(yùn)用近紅外光譜技術(shù)成功地對(duì)3種茶飲料(龍井茶、烏龍茶和鐵觀音)進(jìn)行檢測(cè)。唐長(zhǎng)波[8]應(yīng)用近紅外光譜法測(cè)定了40個(gè)果汁飲料中富馬酸含量,模型取得了較高的準(zhǔn)確度。以上研究均體現(xiàn)出近紅外光譜分析技術(shù)在飲料行業(yè)品質(zhì)控制及成分分析中的巨大潛力,但對(duì)于植物蛋白飲料重要指標(biāo)的快速分析尚處于空白階段,尤其在模型優(yōu)化方面目前更是鮮見報(bào)道。

本研究擬采用近紅外光譜技術(shù)檢測(cè)植物蛋白飲料中的脂肪和可溶性固形物,運(yùn)用向后間隔偏最小二乘法(backwardintervalpartialleastsquares,BiPLS)、組合間隔偏最小二乘法(synergy interval partial least squares,SiPLS)、遺傳算法(genetic algorithms,GA)和競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(competitiveadaptivereweightedsampling,CARS)對(duì)植物蛋白飲料中的光譜波段進(jìn)行篩選,分別建立偏最小二乘(partialleastsquares,PLS)法模型并進(jìn)行驗(yàn)證。分析比較4種波段篩選方法對(duì)植物蛋白飲料脂肪和可溶性固形物模型預(yù)測(cè)結(jié)果的影響,獲取預(yù)測(cè)精度及魯棒性最優(yōu)的模型,以期為植物蛋白飲料品質(zhì)的快速檢測(cè)提供一定的參考依據(jù)。

1 材料與方法

1.1 材料與試劑

植物蛋白飲料樣本(266個(gè)):市售;無(wú)水乙醚、石油醚(均為分析純):天津市致遠(yuǎn)化學(xué)試劑有限公司。

1.2 儀器與設(shè)備

BuchiN-500傅里葉變換近紅外光譜儀:瑞士步琦有限公司;WYT-32手持折光儀:江蘇同君儀器科技有限公司;HH-6恒溫水浴鍋:上海谷寧儀器有限公司;ML204萬(wàn)分之一電子分析天平:梅特勒-托利多國(guó)際貿(mào)易(上海)有限公司;500 mL索氏抽提器:上海魅宇儀器設(shè)備有限公司。

1.3 方法

1.3.1 校正集和驗(yàn)證集的劃分

總之，本研究使用WGCNA構(gòu)建加權(quán)共表達(dá)網(wǎng)絡(luò)，篩選得到與腎透明細(xì)胞癌進(jìn)展相關(guān)的6個(gè)樞紐基因(TOP2A、CDK1、CDC20、KIF11、CCNB2、BUB1)并對(duì)其進(jìn)行初步驗(yàn)證，同時(shí)發(fā)現(xiàn)樞紐基因可能通過(guò)細(xì)胞周期相關(guān)通路來(lái)影響腎透明細(xì)胞癌進(jìn)展及預(yù)后。

實(shí)驗(yàn)采用Kennard-Stone(K-S)法[9]進(jìn)行樣本集的劃分。在剔除個(gè)別異常點(diǎn)的基礎(chǔ)上,保留264個(gè)樣本數(shù)據(jù),其中隨機(jī)選取66個(gè)樣本作為獨(dú)立測(cè)試集不參與數(shù)據(jù)建模。將剩下的198個(gè)樣本數(shù)據(jù)按照2∶1的比例進(jìn)行驗(yàn)證集和校正集的劃分,最終選擇132個(gè)樣本作為校正集,66個(gè)樣本作為驗(yàn)證集。脂肪和可溶性固形物含量的校正集與驗(yàn)證集的統(tǒng)計(jì)值如表1所示。

表1 校正集與驗(yàn)證集的統(tǒng)計(jì)結(jié)果Table 1 Statistical results of calibration set and validation set

1.3.2 光譜預(yù)處理的方法

采用透反射的方式掃描樣本,采集樣本的光譜數(shù)據(jù)。為了減少光譜中的不確定信息,提高光譜可靠性,采用標(biāo)準(zhǔn)正態(tài)變量變換(standardized normal variate,SNV)對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理,消除散射及顆粒大小造成的光譜改變,提高實(shí)驗(yàn)?zāi)Ｐ偷姆€(wěn)健型。光譜光源為鹵鎢燈,檢測(cè)器為溫控InGaAs,配有高性能測(cè)量杯和反射蓋,光譜范圍為4 000～10 000 cm-1,分辨率為8 cm-1,掃描次數(shù)為32次,利用配套軟件NIR Ware Operator采集植物蛋白飲料樣本的近紅外光譜信息。

1.3.3 特征波段的選擇方法

為剔除光譜數(shù)據(jù)中的無(wú)效信息,提高數(shù)學(xué)模型分析的準(zhǔn)確度和有效性,本實(shí)驗(yàn)分別采用BiPLS[10-11]、SiPLS[12]、GA[13-15]以及CARS[16-17]4種方法對(duì)全光譜進(jìn)行有效信息變量的篩選,再結(jié)合偏最小二乘法(PLS)建立優(yōu)化模型。

1.3.4 樣品中脂肪和可溶性固形物的檢測(cè)方法

植物蛋白飲料中脂肪含量根據(jù)GB 5009.6—2016《食品安全國(guó)家標(biāo)準(zhǔn)食品中脂肪的測(cè)定》中的方法,采用索氏抽提法測(cè)定;可溶性固形物含量根據(jù)GB/T 12143—2008《飲料通用分析方法》中折光計(jì)法,利用手持折光儀進(jìn)行測(cè)定。

1.3.5 數(shù)據(jù)分析軟件

BiPLS、SiPLS、GA、CARS等算法在MATLAB中運(yùn)行,光譜預(yù)處理、偏最小二乘算法在UnscramberX10.3光譜分析軟件中完成。采用決定系數(shù)(R2)、預(yù)測(cè)標(biāo)準(zhǔn)均方差(rootmean squre error of prediction,RMSEP)、相對(duì)分析誤差(relative percent deviation,RPD)分析與評(píng)價(jià)模型的穩(wěn)定性和精準(zhǔn)性。R2越接近1,RPD＞3時(shí)[18],則表明所建立的模型越穩(wěn)定,預(yù)測(cè)效果越好。

2 結(jié)果與分析

2.1.1 向后間隔偏最小二乘法對(duì)光譜波段的篩選

將整個(gè)光譜分割成k個(gè)等寬子區(qū)間,k取10～30,間隔為5,運(yùn)用向后間隔偏最小二乘法(BiPLS)篩選波段,并結(jié)合偏最小二乘法(PLS)建立模型,結(jié)果如表2所示。

表2 BiPLS對(duì)光譜波段的優(yōu)選結(jié)果Table 2 Optimization results of spectra waveband selected by BiPLS

續(xù)表

由表2可知,當(dāng)k=25時(shí),脂肪的模型最好;當(dāng)k=15時(shí),可溶性固形物的模型最好,所選波段分別為[14、16、9、21、3、8、2]、[6、15、7、2]。交互驗(yàn)證均方根誤差(rootmeansquare errorofcrossvalidation,RMSECV)分別為0.032、0.116,分別篩選出420、400個(gè)變量,占全譜28%、26.7%。

2.1.2 組合間隔偏最小二乘法對(duì)光譜波段的篩選

表3 SiPLS對(duì)光譜波段的優(yōu)選結(jié)果Table 3 Optimization results of spectra waveband selected by SiPLS

將整個(gè)光譜均勻分割為k個(gè)子區(qū)間,然后選其中的n個(gè)區(qū)間進(jìn)行組合建模。當(dāng)預(yù)測(cè)模型最優(yōu)時(shí),其對(duì)應(yīng)的n個(gè)子區(qū)間作為最佳建模區(qū)間。試驗(yàn)中k取10～30,間隔為5,n為1～4,運(yùn)用組合間隔偏偏最小二乘法(BiPLS)篩選波段,并結(jié)合偏最小二乘法(PLS)建立模型,結(jié)果如表3所示。

由表3可知,當(dāng)k為20、n為2時(shí),脂肪的RMSECV值最小,為0.035;當(dāng)k為25、n為3時(shí),可溶性固形物的RMSECV值最小,為0.109。所選波段分別為[2、7]、[1、2、5],分別篩選出150、181個(gè)變量,占全譜10%、12%。

2.1.3 CARS選取特征波長(zhǎng)

圖1 CARS對(duì)光譜波段的優(yōu)選結(jié)果Fig.1 Optimization results of spectra waveband selected by CARS

實(shí)驗(yàn)運(yùn)用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(CARS)對(duì)變量進(jìn)行多次篩選,并結(jié)合PLS建立模型。篩選結(jié)果如圖1所示(運(yùn)行次數(shù)為150)。圖1(a)、(b)中第一條曲線呈指數(shù)函數(shù)下降,表示隨著運(yùn)行次數(shù)的增加,選擇變量個(gè)數(shù)由快到慢的遞減,提高了函數(shù)篩選變量的效率;第二條曲線為交互驗(yàn)證均方根誤差(RMSECV)的變化趨勢(shì)圖,從圖中可以看出殘差圖的變化趨勢(shì)為先下降后上升,當(dāng)采樣次數(shù)為105次和50次時(shí),RMSECV值最小,這表明光譜中的無(wú)關(guān)信息被剔除,進(jìn)一步采樣將剔除與脂肪和可溶性固形物含量相關(guān)的關(guān)鍵變量,導(dǎo)致RMSECV的值增大;第三條曲線表示回歸系數(shù)的變化趨勢(shì),其中的“*”表示殘差的最低點(diǎn),與前兩條曲線相對(duì)應(yīng)[19-21]。由圖1可知,經(jīng)CARS法對(duì)脂肪和可溶性固形物分別篩選出62、50個(gè)變量,占全譜的4.1%、3.3%。

2.1.4 遺傳算法選取特征波長(zhǎng)

采用遺傳算法(GA)分別對(duì)BiPLS和SiPLS挑選后的光譜波段進(jìn)一步進(jìn)行篩選。控制參數(shù)設(shè)定為:種群數(shù)30,變異概率Pm=0.01,交叉概率Pc=0.5,最大因子數(shù)為10,遺傳迭代次數(shù)100次。

運(yùn)行結(jié)束后,根據(jù)變量在迭代過(guò)程中的入選頻率,按照從高到低的方式逐一選擇特征波長(zhǎng)參與建模,當(dāng)RMSECV值最小時(shí),所選變量為最優(yōu)建模變量。GA-BiPLS對(duì)脂肪、可溶性固形物含量篩選結(jié)果如圖2(a)、圖2(b)所示,GA-SiPLS對(duì)脂肪、可溶性固形物含量篩選結(jié)果如圖2(c)、圖2(d)所示。圖中顯示了每個(gè)波長(zhǎng)入選頻率,根據(jù)入選頻率選取變量并建立模型,對(duì)比分析模型效果。當(dāng)選擇入選頻率分別大于2、2、4、3時(shí)模型最好,此時(shí)分別選擇了152、114、137和109個(gè)波長(zhǎng)變量,占全光譜的10.1%、7.6%、9.1%、和7.3%。

圖2 GA法篩選變量的頻次圖Fig.2 Frequency graph of variables selected by GA

2.2 模型的建立與評(píng)價(jià)

基于上述4種方法篩選的光譜變量,分別建立脂肪和可溶性固形物含量的全光譜-PLS、BiPLS、SiPLS、GA-BiPLS、GA-SiPLS、CARS定量分析模型,并給出其主成分?jǐn)?shù)、決定系數(shù)R2、預(yù)測(cè)標(biāo)準(zhǔn)均方差(RMSEP)、相對(duì)分析誤差(RPD)等評(píng)價(jià)指標(biāo)。由表4可知,與全光譜-PLS相比,經(jīng)篩選后的光譜變量數(shù)均減少(篩選出的特征變量如圖3所示),模型的決定系數(shù)(R2)增大,預(yù)測(cè)標(biāo)準(zhǔn)均方差(RMSEP)減小,主成分?jǐn)?shù)減少,說(shuō)明波段篩選能夠有效地提高模型的穩(wěn)定性和準(zhǔn)確性。

表4 脂肪和可溶性固形物的不同PLS模型性能評(píng)價(jià)結(jié)果Table 4 Evaluation results of different PLS models performances of fat and soluble solid

比較4種波段優(yōu)化方法,對(duì)于可溶性固形物而言,相比于全光譜-PLS,BiPLS和SiPLS減少了建模變量數(shù),且模型的決定系數(shù)R2達(dá)到0.981、0.983,RMSEP為0.205和0.202。對(duì)于脂肪而言,CARS方法篩選后的建模結(jié)果比BiPLS和SiPLS更為理想,建模變量數(shù)少,且模型的決定系數(shù)R2達(dá)到0.972,RMSEP為0.035。但采用GA-BiPLS、GA-SiPLS方法篩選波段后建立的模型效果更優(yōu),GA-BiPLS、GA-SiPLS方法是在BiPLS和SiPLS方法的基礎(chǔ)上進(jìn)一步篩選變量,消除了相鄰變量之間可能存在的共線性,在減輕模型復(fù)雜程度的同時(shí)保留了關(guān)鍵變量,使模型具有較好的預(yù)測(cè)性和穩(wěn)定性,脂肪模型的決定系數(shù)R2達(dá)到0.984、0.979,RMSEP為0.026和0.030,可溶性固形物模型的決定系數(shù)R2達(dá)到0.988、0.990,RMSEP為0.170和0.155。

將4種方法篩選出的變量標(biāo)示在全光譜圖中,結(jié)果如圖3所示。由圖3可知,GA-BiPLS、GA-SiPLS方法篩選后的特征波段范圍和O-H、C-H、C=O分子結(jié)構(gòu)的伸縮振動(dòng)和倍頻吸收的位置相對(duì)應(yīng)。4 264 cm-1和4 329 cm-1附近區(qū)域?yàn)橹镜腃H2伸縮振動(dòng)和彎曲振動(dòng)的合頻;4 283～4 386 cm-1處為糖的C-H伸縮和CH2變形振動(dòng)的組合頻;5 666 cm-1和5 764 cm-1處是CH2伸縮振動(dòng)的一倍頻吸收,主要由脂肪中不飽和脂肪酸伸縮振動(dòng)引起。而在6 870 cm-1處的吸收峰與水中的O-H伸縮振動(dòng)的一級(jí)倍頻有關(guān),在篩選優(yōu)質(zhì)波段時(shí)被剔除[22]。因此,綜合分析認(rèn)為,本實(shí)驗(yàn)中GA-BiPLS、GA-SiPLS方法對(duì)植物蛋白飲料脂肪和可溶性固形物進(jìn)行定量分析時(shí),能夠在剔除無(wú)關(guān)變量的同時(shí)保留信噪比較高的變量,使模型效果較優(yōu)。

2.3 模型檢驗(yàn)

將66個(gè)獨(dú)立預(yù)測(cè)樣本分別帶入GA-BiPLS、GA-SiPLS模型當(dāng)中,對(duì)模型的精準(zhǔn)性和穩(wěn)定性進(jìn)行驗(yàn)證,結(jié)果如圖4所示。由圖4可知,植物蛋白飲料中脂肪、可溶性固形物含量的實(shí)測(cè)值與預(yù)測(cè)值呈對(duì)角線分布,經(jīng)成對(duì)t檢驗(yàn)分析,各項(xiàng)指標(biāo)預(yù)測(cè)值和實(shí)測(cè)值并無(wú)較大差異。經(jīng)驗(yàn)證,GA-BiPLS和GA-SiPLS方法所建模型,脂肪的R2分別達(dá)到0.971、0.966,RMSEP分別為0.036、0.039,可溶性固形物的R2分別達(dá)到0.974、0.984,RMSEP分別為0.243、0.202,說(shuō)明GA-BiPLS、GA-SiPLS模型的預(yù)測(cè)效果較為準(zhǔn)確。

圖4 GA模型實(shí)測(cè)值與預(yù)測(cè)值的分布Fig.4 Distribution of measured values and predicted values of GA model

3 結(jié)論

本研究采用BiPLS、SiPLS、GA-PLS、CARS方法篩選特征波段,并結(jié)合偏最小二乘法(PLS)建立模型,結(jié)果表明,4種波段篩選方法所建模型均取得較好效果,說(shuō)明近紅外光譜分析技術(shù)適用于植物蛋白飲料脂肪和可溶性固形物的定量分析,同時(shí)也說(shuō)明變量篩選能夠有效的使模型得到優(yōu)化。采用GA-BiPLS、GA-SiPLS方法篩選波段后建立的模型效果優(yōu)于其他方法,在剔除無(wú)關(guān)信息的同時(shí)保留植物蛋白飲料可溶性固形物和脂肪相關(guān)信息,提高了模型的穩(wěn)定性和精準(zhǔn)性。同時(shí),遺傳算法篩選出的波長(zhǎng)與可溶性固形物和脂肪在近紅外區(qū)域的特征吸收區(qū)域相對(duì)應(yīng),實(shí)現(xiàn)了優(yōu)化建模波段的目標(biāo),說(shuō)明該方法適用于植物蛋白飲料的定量分析,也為近紅外光譜分析技術(shù)在植物蛋白飲料可溶性固形物和脂肪的檢測(cè)方向研究提供了一定的參考依據(jù)。

[1]李驪璇.植物蛋白飲料穩(wěn)定性的相關(guān)研究[J].農(nóng)業(yè)工程,2011,1(3):58-60.

[2]趙 艷.植物蛋白飲料穩(wěn)定性的研究進(jìn)展[J].飲料工業(yè),2009,12(1):5-9.

[3]吳曉菊,楊清香,李春香,等.核桃巴旦木植物蛋白飲料的研制[J].食品研究與開發(fā),2011,32(4):98-100.

[4]高玉麗,左愛東,杜江美.復(fù)合植物蛋白飲料穩(wěn)定性影響因素分析[J].飲料工業(yè),2017,20(2):51-54.

[5]王 會(huì),陸建良.近紅外光譜法快速測(cè)定含乳飲料中增稠劑含量[J].食品研究與開發(fā),2016,37(24):132-134.

[6]谷如祥,趙武奇,石珂心,等.近紅外光譜測(cè)定蘋果飲料中原果汁含量[J].食品工業(yè)科技,2013,34(20):75-77.

[7]艾施榮,吳瑞梅,吳 燕.基于BP神經(jīng)網(wǎng)絡(luò)近紅外光譜鑒別茶飲料的研究[J].安徽農(nóng)業(yè)科學(xué),2010,38(14):7658-7659.

[8]唐長(zhǎng)波.近紅外光譜法快速檢測(cè)蘋果濃縮汁中的富馬酸[D].咸陽(yáng):西北農(nóng)林科技大學(xué),2007.

[9]KONG F,LIANG Z,LUAN D,et al.A glutathione(GSH)-responsive near-infrared(NIR)theranostic prodrug for cancer therapy and imaging[J].Anal Chem,2016,88(12)：6450-6456.

[10]瞿芳芳,任 東,侯金健,等.基于向前和向后間隔偏最小二乘的特征光譜選擇方法[J].光譜學(xué)與光譜分析,2016,36(2):593-598.

[11]ZOU X,ZHAO J,LI Y.Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of'Fuji'apple based on BiPLS and FiPLS models[J].Vib Spectrosc,2007,44(2)：220-227.

[12]LI T H,SHI G Y,WEI J M,et al.Prediction of lycopene content in late mature tomato based on NIR spectroscopy and SiPLS[J].Int J Appl Math Stats,2013,48(18)：172-180.

[13]王冰玉,孫威江,黃 艷,等.基于遺傳算法的安溪鐵觀音品質(zhì)快速評(píng)價(jià)研究[J].光譜學(xué)與光譜分析,2017,37(4):1100-1104.

[14]LIN H,ZHAO J,SUN L,et al.Freshness measurement of eggs using near infrared(NIR)spectroscopy and multivariate data analysis[J].Innov Food Sci Emerg Technol,2011,12(2)：182-186.

[15]李子文,熊雅婷,王 健,等.遺傳算法聯(lián)合LS-SVM的蘋果原醋成分定量分析[J].中國(guó)釀造,2016,35(1):120-124.

[16]TONG P J,DU Y P,ZHENG K Y,et al.Improvement of NIR model by fractional order Savitzky-Golayderivation(FOSGD)coupled with wavelength selection[J]. Chemometr Intell Lab Syst,2015,143：40-48.

[17]秦修遠(yuǎn),翟媛媛,李曉云,等.可見-近紅外光譜結(jié)合CARS優(yōu)化模型預(yù)測(cè)棕櫚油碘值[J].分析試驗(yàn)室,2017(7):790-793.

[18]SUNDARAM J,MANI S,KANDALA C V K,et al.Application of NIR reflectance spectroscopy on rapid determination of moisture content of wood pellets[J].Am J Anal Chem,2015,6(12)：923-932.

[19]賈柳君,王 健,張海紅,等.基于FT-NIR的葡萄酒發(fā)酵過(guò)程中揮發(fā)酸的定量分析[J].中國(guó)釀造,2016,35(10):166-170.

[20]JIANG H,ZHANG H,CHEN Q S,et al.Identification of solid state fermentation degree with FT-NIR spectroscopy：Comparison of wavelength variable selection methods of CARS and SCARS[J].Spectrochim Acta Part A,2015,149：1-7.

[21]劉燕德,姜小剛,熊松盛,等.基于CARS算法的臍橙果園土壤有機(jī)質(zhì)近紅外檢測(cè)[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào),2016,37(2):240-244.

[22]WORKMAN J J,WEYER L.褚小立,許育鵬,田高友,譯.近紅外光譜解析實(shí)用指南[M].北京:化學(xué)工業(yè)出版社,2009:48-65.

WANG Qiongya1,2,XIA Junxia3,WU Zhenjun4,CHEN Hongguang2,WANG Junzhuan3,LI Ziwen1,LI Zongpeng1,MAI Shukui2,WANG Jian1*
(1.China National Research Institute of Food&Fermentation Industries,Beijing 100015,China;2.Department of Management Science and Engineering,College of Engineering,Northeast Agricultural University,Harbin 150030,China;3.Hebei Yangyuan Zhihui Beverage Co.,Ltd.,Hengshui 053000;4.RedBull Vitamin Drink Co.,Ltd.,Beijing 100015,China)

TS275.4

0254-5071(2017)11-0143-06

10.11882/j.issn.0254-5071.2017.11.031

2017-09-06

國(guó)家自然科學(xué)基金項(xiàng)目(31671937)

王瓊雅(1992-),女,碩士研究生,研究方向?yàn)檗r(nóng)產(chǎn)品無(wú)損檢測(cè)。

*通訊作者:王 健(1973-),男,教授級(jí)高級(jí)工程師,博士,研究方向?yàn)檗r(nóng)產(chǎn)品無(wú)損檢測(cè)。