化學(xué)計(jì)量學(xué)在食品分類鑒別及防腐劑含量分析中的應(yīng)用.pdf

1、食品真實(shí)性鑒別和食品中的危害物質(zhì)分析是食品質(zhì)量與安全控制中兩個(gè)重要的研究?jī)?nèi)容,關(guān)系到消費(fèi)者切身利益和身體健康。研究快速有效的食品質(zhì)量鑒別、分類和有毒有害物質(zhì)分析技術(shù)具有重要的現(xiàn)實(shí)意義。
　　 化學(xué)計(jì)量學(xué)運(yùn)用數(shù)學(xué)、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)科學(xué)及其它相關(guān)科學(xué)的理論與方法,優(yōu)化化學(xué)測(cè)量過程,分辨復(fù)雜波譜,最大限度從化學(xué)測(cè)量數(shù)據(jù)中獲得有用的化學(xué)分類信息,是一門化學(xué)測(cè)量的理論與方法學(xué)。將化學(xué)計(jì)量學(xué)結(jié)合現(xiàn)代分析技術(shù)應(yīng)用在食品質(zhì)量與安全控制中,為食品安

2、全與檢測(cè)提供了新方法。
　　 本論文共分為六章。主要研究了將化學(xué)計(jì)量學(xué)模式識(shí)別方法結(jié)合可見-紅外、原子吸收、同步熒光等分析技術(shù),應(yīng)用于不同種類和產(chǎn)地的醬油、食醋和料酒的分類鑒別;將多元校正技術(shù)結(jié)合紫外-可見分光光度法應(yīng)用于食品防腐劑多組分重疊光譜解析和同時(shí)測(cè)定。
　　 第一章介紹了食品質(zhì)量研究中常用的一些化學(xué)模式識(shí)別方法(聚類分析、主成分分析、判別分析)的基本原理,并介紹了模式識(shí)別結(jié)合紅外、原子吸收、原子發(fā)射、氣相色譜、

3、液相色譜、質(zhì)譜、傳感器等檢測(cè)技術(shù)在食品質(zhì)量控制中的應(yīng)用;介紹了多元校正技術(shù)(偏最小二乘、主成分回歸、平行因子等)和人工神經(jīng)網(wǎng)絡(luò)在食品分析中的原理及應(yīng)用,指出了化學(xué)計(jì)量學(xué)方法在食品質(zhì)量控制和食品分析中的應(yīng)用前景。
　　 第二章研究了以醬油的9個(gè)理化指標(biāo)為變量,采用模式識(shí)別方法對(duì)不同種類和品牌醬油進(jìn)行分類和質(zhì)量鑒別。收集了三個(gè)不同品牌的53個(gè)醬油樣品,其中26個(gè)生抽,27個(gè)老抽樣品。通過化學(xué)方法測(cè)定了醬油的9個(gè)理化參數(shù)值(密度、酸度

4、、總固形物、灰分、電導(dǎo)、氨基酸氮、食鹽、粘度及總酸)作為醬油樣品的特征變量。采用夾角余弦法計(jì)算了不同樣品之間的相似度,評(píng)價(jià)產(chǎn)品質(zhì)量的穩(wěn)定信息和不同品牌樣品的區(qū)分度。結(jié)果表明相似度法對(duì)判斷醬油質(zhì)量的的穩(wěn)定性有一定作用,而對(duì)醬油品牌的區(qū)分有一定的局限性。聚類分析和主成分分析探討不同品牌和種類醬油區(qū)分的可行性,結(jié)果顯示不同品牌和種類的醬油能各自聚在一起,表明本研究所選擇的變量的有效性。分別采用偏最小二乘、線性判別和K-最鄰近法三種判別模型對(duì)預(yù)

5、報(bào)集中醬油的品牌和種類進(jìn)行判斷,結(jié)果表明三種模型均能很好的判斷醬油的品牌和種類。在建立線性判別和K-最鄰近法判別模型前,采用Fisher權(quán)重法計(jì)算不同變量對(duì)醬油分類的貢獻(xiàn)大小,采用交叉驗(yàn)證法計(jì)算變量個(gè)數(shù)對(duì)線性判別判斷準(zhǔn)確率關(guān)系曲線,得到前7個(gè)貢獻(xiàn)大的變量對(duì)預(yù)報(bào)集中醬油的品牌和種類判斷的準(zhǔn)確率能達(dá)到100％,即選擇密度、固形物、總酸、pH、氯化鈉、電導(dǎo)、灰分的測(cè)量數(shù)據(jù)建立數(shù)據(jù)矩陣。
　　 第三章研究分別以食醋中8種微量元素含量值和

6、5個(gè)理化指標(biāo)值為變量,探討模式識(shí)別方法對(duì)不同種類和產(chǎn)地食醋進(jìn)行分類鑒別的可行性。實(shí)驗(yàn)購(gòu)買4個(gè)不同品牌29個(gè)食醋樣品,包括陳醋和白醋。采用原子吸收分光光度法測(cè)食醋中8種微量元素含量,化學(xué)方法測(cè)定食醋5個(gè)理化指標(biāo)值,組成測(cè)量數(shù)據(jù)矩陣。采用向量相似法計(jì)算不同品牌和種類食醋的質(zhì)量穩(wěn)定性信息,研究?jī)煞N不同類型變量(金屬元素含量和理化指標(biāo)值)對(duì)食醋的區(qū)分效果。主成分分析分別用理化指標(biāo)、金屬元素含量值及理化指標(biāo)和金屬元素含量的混合數(shù)據(jù)為變量,以其得出

7、兩種不同類型變量對(duì)食醋種類和品牌區(qū)分的貢獻(xiàn)。從13個(gè)變量的載荷圖可以得出,金屬元素為變量對(duì)7個(gè)樣品類別區(qū)分的貢獻(xiàn)比5個(gè)理化指標(biāo)的貢獻(xiàn)大。在由。PC1-PC2-PC3前三個(gè)主成分構(gòu)成的三維得分圖中,32個(gè)樣本按種類和品牌被成功的區(qū)分為7組。采用夾角余弦計(jì)算樣品的距離,32個(gè)樣本能得到很好的聚類效果。采用建立的偏最小二乘和徑向基人工神經(jīng)網(wǎng)絡(luò)判別模型分別對(duì)測(cè)試集進(jìn)行種類預(yù)報(bào),預(yù)報(bào)準(zhǔn)確度分別達(dá)到100％和93％。
　　 第四章測(cè)定不同品

8、牌料酒的可見-近紅外光譜,建立模式識(shí)別方法對(duì)料酒品牌區(qū)分的新方法。實(shí)驗(yàn)購(gòu)買了3個(gè)不同品牌共37個(gè)料酒樣品,測(cè)定400-1400nm波長(zhǎng)范圍的可見近紅外的吸收光譜,分別采用一階導(dǎo)數(shù)法和小波變換技術(shù)對(duì)料酒的可見-近紅外光譜數(shù)據(jù)去噪和壓縮處理。探討了小波分解尺度對(duì)光譜信號(hào)的影響,最后選擇二階的Daubechies(db2)小波函數(shù)、分解尺度5對(duì)原始光譜數(shù)據(jù)進(jìn)行處理。對(duì)原始光譜數(shù)據(jù)、一階導(dǎo)數(shù)法和小波變換技術(shù)處理后的數(shù)據(jù)進(jìn)行主成分分析,比較了模糊

9、聚類的效果。結(jié)果表明,小波變換能夠有效去除光譜噪音和壓縮光譜變量,得到較好的聚類效果。采用偏最小二乘和人工神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型對(duì)料酒的品牌進(jìn)行判斷,預(yù)報(bào)正確率均為100％。
　　 第五章測(cè)定料酒的三維同步熒光,提取特征熒光變量,建立模式識(shí)別方法對(duì)料酒品牌區(qū)分的新方法。分別采用主成分分析降維和小波變換的方法提取三維熒光的特征變量。主成分分析取第一主成分作為料酒的熒光特征變量。通過比較小波分解尺度對(duì)光譜信號(hào)的影響的結(jié)果,最后選擇二階的D

10、aubechies(db2)小波分解尺度4對(duì)原始的光譜數(shù)據(jù)進(jìn)行處理,該方法能很好的壓縮和保留原始的熒光信息。對(duì)主成分降維和小波變換的方法提取三維熒光的特征變量進(jìn)行主成分分析和聚類分析,小波變換法能更好的對(duì)樣品品牌進(jìn)行區(qū)分。采用偏最小二乘和人工神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型對(duì)料酒的品牌進(jìn)行判斷,預(yù)報(bào)正確率均為100％。
　　 第六章研究了多元校正技術(shù)和人工神經(jīng)網(wǎng)絡(luò)等化學(xué)計(jì)量學(xué)方法解析光譜嚴(yán)重重疊的苯甲酸、對(duì)羥基苯甲酸甲酯、對(duì)羥基苯甲酸丙酯和山梨

11、酸四種防腐劑的紫外吸收光譜,建立了同時(shí)測(cè)定四種防腐劑的新方法?？疾焖岫葘?duì)吸收光譜的影響,發(fā)現(xiàn)在酸性溶液中,四種防腐劑的測(cè)定靈敏度較高。選擇在pH2.09的B-R緩沖溶液中,對(duì)四種防腐劑進(jìn)行同時(shí)測(cè)定。在優(yōu)化的酸度條件下苯甲酸、對(duì)羥基苯甲酸甲酯、對(duì)羥基苯甲酸丙酯單組分的線性范圍為0.5.20μg mL-1,山梨的線性范圍為0.25～10μg mL-1。四種防腐劑的檢測(cè)限分別為0.22μg mL-1,0.19μg mL-1,0.17μg mL

12、-1,0.085μg mL-1。采用多種校正模型(經(jīng)典最小二乘(CLS)、偏最小二乘(PLS)、主成分回歸(PCR)、一階導(dǎo)經(jīng)典最小二乘(DCLS)、一階導(dǎo)偏最小二乘(DPLS)、一階導(dǎo)主成分回歸(DPCR)及徑向基人工神經(jīng)網(wǎng)絡(luò)(RBF-ANN)對(duì)四組分的合成樣預(yù)報(bào)集濃度預(yù)報(bào)。結(jié)果表明,建立的校正模型均有較好的預(yù)報(bào)能力,相對(duì)預(yù)報(bào)誤差(RPET)小于10％。其中,PCR、DPCR和RBF-ANN的預(yù)報(bào)誤差相對(duì)較小,預(yù)報(bào)誤差分別為4.53％