为实现花生粕常规营养组分的快速检测,本试验收集我国花生主产区的205份样品,采用主成分分析(PCA)法划分校正集(184份)和预测集(21份),利用傅立叶变换近红外光谱(NIRS)技术,建立花生粕水分、粗蛋白质、粗灰分、粗脂肪和粗纤维含量的定...为实现花生粕常规营养组分的快速检测,本试验收集我国花生主产区的205份样品,采用主成分分析(PCA)法划分校正集(184份)和预测集(21份),利用傅立叶变换近红外光谱(NIRS)技术,建立花生粕水分、粗蛋白质、粗灰分、粗脂肪和粗纤维含量的定量分析模型。结果表明:采用偏最小二乘法(Partial Least Square Method,PLS method),结合不同的光谱预处理方法,得到水分、粗蛋白质和粗脂肪的最优NIRS模型交互验证决定系数(R^(2)cv)分别为0.9431、0.9547、0.9760,交叉验证均方根误差(RMSECV)分别为0.234、0.423、0.264,交互验证相对分析误差(RPDcv)分别为4.19、4.70、6.45,外部验证决定系数(R^(2)p)分别为0.9754、0.9665、0.9183,外部验证相对分析误差(RPDp)分别为6.12、2.92、2.88;粗灰分和粗纤维的最优NIRS模型R^(2)p分别为0.6997、0.7704,RPDp分别为1.29、1.95。本试验证明了NIRS技术对花生粕Moi、CP、EE含量能精准预测,而对Ash和CF含量预测效果不理想,仍需进一步优化。展开更多
文摘为实现花生粕常规营养组分的快速检测,本试验收集我国花生主产区的205份样品,采用主成分分析(PCA)法划分校正集(184份)和预测集(21份),利用傅立叶变换近红外光谱(NIRS)技术,建立花生粕水分、粗蛋白质、粗灰分、粗脂肪和粗纤维含量的定量分析模型。结果表明:采用偏最小二乘法(Partial Least Square Method,PLS method),结合不同的光谱预处理方法,得到水分、粗蛋白质和粗脂肪的最优NIRS模型交互验证决定系数(R^(2)cv)分别为0.9431、0.9547、0.9760,交叉验证均方根误差(RMSECV)分别为0.234、0.423、0.264,交互验证相对分析误差(RPDcv)分别为4.19、4.70、6.45,外部验证决定系数(R^(2)p)分别为0.9754、0.9665、0.9183,外部验证相对分析误差(RPDp)分别为6.12、2.92、2.88;粗灰分和粗纤维的最优NIRS模型R^(2)p分别为0.6997、0.7704,RPDp分别为1.29、1.95。本试验证明了NIRS技术对花生粕Moi、CP、EE含量能精准预测,而对Ash和CF含量预测效果不理想,仍需进一步优化。
