基于近红外光谱的潲水油快速鉴别方法与模型优化研究

在开展"潲水油检测指标体系和检测方法的研究制定"项目的基础上，首次将近红外光谱技术引入到潲水油快速鉴别中。主要内容包括：通过对所收集的样品进行感官、冷冻试验，测定胆固醇含量、脂肪酸组成、茴香脑、丁香酚含量，综合鉴别每份样品是潲水油还是合格食用油。通过测定所收集样品的近红外光谱，研究基于近红外光谱聚类分析的潲水油快速鉴别的可行性。建立基于近红外光谱的潲水油和合格食用油快速定性鉴别模型，探索基于近红外光谱的潲水油鉴别方法的可行性、快速性、高效性、实用性。并从近红外光谱信号预处理、谱区选择、样品选择、建模算法选择等方面对所建模型进行优化，以提高模型预测精度。本项目的开展，对于检测潲水油，推动食用植物油生产、检测的标准化，推动食用植物油产业的健康发展，促进餐饮产业的健康发展，贯彻《食品安全法》均具有重要意义。

本项目完成了预定研究内容，实现了预期研究目标。在核心期刊发表论文1篇，录用论文1篇(EI检索刊源)，发表会议论文1篇,组织一次国内学术会议。本项目主要研究工作及其结论如下：.1．收集了144份潲水油与合格油样品，采集了其近红外光谱，对每一份样品进行了理化鉴别，初步建立了一个潲水油与合格油近红外光谱库。.2．对144份油样品光谱进行了主成分分析(PCA)。使用原始光谱或主成分PC1、PC2，采用K-means聚类方法，得出聚类结果均为61.81%。使用主成分PC1、PC2，采用Gaussian Mixture Models聚类方法，得出聚类正确率为66.67%，使用聚类方法，鉴别效果不太好。.3．对原始光谱，全谱区，无处理方法，采用DPLS-LOO-CV鉴别正确率为89.58%。以校正集(108份样品)建立DPLS模型，对预测集(36份样品)进行鉴别，分别采用十种预处理方法进行比较，当无预处理时，总体鉴别正确率为89.88%，采用auto scale或[0 1]归一化预处理方法时，总体鉴别正确率为94.44%。.4.以校正集建立PCA-BP-NIR模型，对预测集进行鉴别，采用十种预处理方法进行比较试验，当无预处理时，总体鉴别正确率为89.88%，采用 [0 1]归一化预处理方法时，总体鉴别正确率可达到97.22%。.5.提出一种基于SVM与近红外光谱的潲水油鉴别方法，并研究了粒子群算法(PSO)对SVM惩罚参数c、RBF核参数g的优化方法。以校正集建立SVM模型，使用PSO优化，对预测集进行鉴别，采用十种预处理方法进行比较试验，当无预处理时，总体鉴别正确率为91.67%，auto scale或[0 1]归一化预处理方法时，总体鉴别正确率可达到97.22%。.6. 通过RSGA，将全谱区范围由12500～4000cm-1(光谱点数为2203)减少为特征谱区6553～4860cm-1(光谱点数为440)。采用特征光谱范围的鉴别正确率为96.5%，比采用全谱去的89.58%有较大提高。采用RSGA优选出的特征谱区，以校正集建立SVM模型，同时使用PSO优化参数，对预测集进行鉴别，不使用预处理方法，总体鉴别正确率达到100%。.综上，本研究通过理论分析、算法研究和实例分析，验证了基于近红外光谱技术快速鉴别潲水油与合格油是可行的。