采用近红外光谱技术结合化学计量学方法实现鸡肉火腿肠水分、脂肪及蛋白质含量预测。制备鸡肉火腿肠120根,在4000~10000 cm-1波段采集其近红外光谱数据。为去除光谱噪声,采用Savitzky-Golay平滑预处理对光谱数据进行降维,剔除6个异常样...采用近红外光谱技术结合化学计量学方法实现鸡肉火腿肠水分、脂肪及蛋白质含量预测。制备鸡肉火腿肠120根,在4000~10000 cm-1波段采集其近红外光谱数据。为去除光谱噪声,采用Savitzky-Golay平滑预处理对光谱数据进行降维,剔除6个异常样本,采用114个样本进行建模分析。样品集按7∶3划分,随机选取80个样本作为校正集,其余34个样本作为预测集。基于主成分分析(principal component analysis,PCA)降维后,采用偏最小二乘回归(partial least squares regression,PLSR)法分别构建鸡肉火腿肠水分、脂肪和蛋白质定量模型。结果表明,水分含量PLSR模型的预测集决定系数(determination coefficient of prediction,R_(p)^(2))为0.914、预测集均方根误差(root mean square error of prediction,RMSEP)为0.673、相对分析误差(ratio of prediction to deviation,RPD)为2.468;脂肪含量PLSR模型的R_(p)^(2)为0.929、RMSEP为0.068、RPD为2.699;蛋白质含量PLSR模型的R_(p)^(2)为0.873、RMSEP为0.504、RPD为2.048。综上,近红外光谱技术结合PCA与PLSR具有较好的预测能力,可实现鸡肉火腿肠主要营养成分的快速无损检测。展开更多
文摘采用近红外光谱技术结合化学计量学方法实现鸡肉火腿肠水分、脂肪及蛋白质含量预测。制备鸡肉火腿肠120根,在4000~10000 cm-1波段采集其近红外光谱数据。为去除光谱噪声,采用Savitzky-Golay平滑预处理对光谱数据进行降维,剔除6个异常样本,采用114个样本进行建模分析。样品集按7∶3划分,随机选取80个样本作为校正集,其余34个样本作为预测集。基于主成分分析(principal component analysis,PCA)降维后,采用偏最小二乘回归(partial least squares regression,PLSR)法分别构建鸡肉火腿肠水分、脂肪和蛋白质定量模型。结果表明,水分含量PLSR模型的预测集决定系数(determination coefficient of prediction,R_(p)^(2))为0.914、预测集均方根误差(root mean square error of prediction,RMSEP)为0.673、相对分析误差(ratio of prediction to deviation,RPD)为2.468;脂肪含量PLSR模型的R_(p)^(2)为0.929、RMSEP为0.068、RPD为2.699;蛋白质含量PLSR模型的R_(p)^(2)为0.873、RMSEP为0.504、RPD为2.048。综上,近红外光谱技术结合PCA与PLSR具有较好的预测能力,可实现鸡肉火腿肠主要营养成分的快速无损检测。
