NIRSA快速分析茶葉品質(zhì)方法的研究.pdf

1、本研究以茶葉中的總氮、茶氮酸的含量為檢測指標(biāo)，結(jié)合化學(xué)計量學(xué)方法開展了近紅外光譜分析技術(shù)定量分析，以及“金山翠芽”真假識別的定性分析的研究，主要從預(yù)處理方法選擇、建模方法優(yōu)化、波長優(yōu)選等方面深入探討了近紅外光譜技術(shù)預(yù)測建模中的幾個關(guān)鍵問題，旨在為茶葉品質(zhì)的無損檢測和鑒定提供新的參考。 本研究共收集了80個不同種茶葉樣品，采用MPA型傅立葉近紅外光譜儀采集茶葉的近紅外漫反射光譜，分別同步檢測了茶葉中的總氮、茶氨酸2個主要成分含量的

2、化學(xué)值。 比較了一階微分、二階微分、MSC、SNV、OSC和小波等多種預(yù)處理方法的效果，找出了總氮和茶氮酸的最佳預(yù)處理方法是SNV、小波變換和一階微分。進(jìn)行優(yōu)選小波基的研究，總氮和茶氨酸分別采用db6和Bior1.1小波基時所建模型精度最佳。同時，根據(jù)主成分權(quán)重在不同波長下分布，優(yōu)化波長參與建模，結(jié)果表明去除10570.56213cm-1～9606.27075cm-1波段，能夠增加模型的精度，此時茶葉總氮組分的預(yù)測相關(guān)系數(shù)為0.

3、9531，預(yù)測均方差為0.0698；茶氨酸組分的預(yù)測相關(guān)系數(shù)為0.9489，預(yù)測均方差為0.2593。 建立PCs—BP—ANN和PCs—LS—SVM兩種非線性模型。結(jié)果表明：PCs—BP—ANN模型對參與訓(xùn)練的校正集樣本的自預(yù)測能力很好，但對預(yù)測集樣本的預(yù)測能力(或泛化能力)較差，均低于PLS和PCs—LS—SVM所建模型的預(yù)測能力。PCs—LS—SVM模型的預(yù)測能力優(yōu)于PLS模型和PCs—BP—ANN模型。此時茶葉總氮組分的

4、預(yù)測相關(guān)系數(shù)為0.9580，預(yù)測均方差為0.0601；茶氨酸組分的預(yù)測相關(guān)系數(shù)為0.9505，預(yù)測均方差為0.2438。 對真假“金山翠芽”的快速識別的近紅外光譜分析方法進(jìn)行了研究。采用移動窗口偏最小二乘法結(jié)合人工神經(jīng)網(wǎng)絡(luò)(mwPLS+BP)的模式識別方法對“金山翠芽”進(jìn)行了識別，通過預(yù)測集樣品的預(yù)測驗(yàn)證，18個預(yù)測樣品的預(yù)測判斷正確率達(dá)94.44％。采用支持向量機(jī)建立“金山翠芽”真假預(yù)測模型，以一階光譜主成分作為輸入變量，當(dāng)取