学位论文 > 优秀研究生学位论文题录展示

近红外光谱分析技术在食品、饲料中的应用研究

作　者: 秦华俊
导　师: 曹树稳；刘波平
学　校: 南昌大学
专　业: 营养与食品卫生学
关键词: 近红外光谱技术化学计量学反向传播人工神经网络广义回归神经网络 Elman网络自组织竞争网络多组分检测模式识别
分类号: TS207
类　型: 硕士论文
年　份: 2007年
下　载: 498次
引　用: 1次
阅　读: 论文下载

内容摘要

本文通过近红外光谱技术结合化学计量学手段分别对食品、饲料的营养组分含量的快速检测以及属性判别进行了较为深入的方法研究。近红外光谱检测技术在测定周期、试剂损耗、操作方法等方面具有自身的优势，本文将化学计量学方法与近红外光谱技术相结合，用于食品、饲料的分析和质量控制。本论文共分四章，主要建立了不同的化学计量学方法结合近红外光谱技术对于食品、饲料主要营养组分的快速预测模型以及对巴氏杀菌乳与复原乳判别模型。研究了把反向传播人工神经网络、广义回归神经网络和Elman网络应用于近红外光谱快速检测技术以及用自组织特征映射神经网络建立近红外光谱技术模式识别模型。第一章对近红外光谱检测技术的发展进行了回顾，把化学计量学在近红外光谱检测技术的应用如光谱数据预处理、定量分析、定性(判别)分析等做了概述。对近年来近红外光谱检测技术在食品、饲料领域国内外的研究应用做了综述，同时指明了本文的研究内容。第二章研究了通过饲料的近红外光谱建立反向传播人工神经网络模型同时测定其中水分、灰分、蛋白质和磷四种组分含量；天门冬氨酸(Asp)、谷氨酸(Glu)、丝氨酸(Ser)和组氨酸(His)四种氨基酸含量；通过土豆的近红外光谱建立反向传播人工神经网络模型同时测定其中粗纤维、淀粉、蛋白质三种组分的含量；通过饲料的近红外光谱建立广义回归神经网络模型同时测定其中水溶性氯化物、粗纤维、脂肪三项组分含量；通过南丰蜜桔的近红外光谱建立广义回归神经网络模型同时测定其中总糖、总酸含量；通过土豆的近红外光谱建立广义回归神经网络模型同时测定其中粗纤维、淀粉、蛋白质三种组分的含量；通过饲料的近红外光谱建立Elman网络模型同时测定其中苯丙氨酸(Phe)、赖氨酸(Lys)、酪氨酸(Tyr)和胱氨酸(Cys)四种氨基酸含量；通过西红柿的近红外光谱建立Elman网络模型同时测定其中胡萝卜素总量。经过偏最小二乘法对饲料、土豆、南丰蜜桔和西红柿光谱数据进行压缩提取主成分，大大地减少了网络训练迭代次数，使得模型在保证良好预测精度的同时实现了快速检测的目标。第三章研究了采用自组织特征映射神经网络对鲜牛奶与复原乳的近红外光谱建立判别模型，准确、快速地区分了巴氏杀菌乳与复原乳。第四章主要对本研究工作进行了总结。

全文目录

中文摘要  8-9
英文摘要  9-11
英文缩略语  11-12
第一章绪论  12-23
  1 近红外光谱分析技术  12-17
    1.1 近红外光谱  13
    1.2 近红外光谱分析技术  13-14
    1.3 化学计量学  14-17
      1.3.1 光谱预处理方法  15
      1.3.2 化学计量学建立分析检测模型  15-17
        1.3.2.1 判别(定性)分析  15-16
        1.3.2.2 定量分析  16-17
  2 近红外光谱技术在食品、饲料多组分检测中的国内外研究应用进展  17-20
  3 本课题来源、研究意义及主要内容  20-23
    3.1 课题来源  20
    3.2 研究价值与意义  20-21
    3.3 主要研究内容  21-23
第二章近红外光谱技术结合不同的化学计量学方法在食品、饲料中的定量分析研究  23-78
  1 偏最小二乘与人工神经网络用于近红外光谱技术多成分定量分析研究  23-46
    1.1 饲料中水分、灰分、蛋白质、磷含量的同时测定  26-34
      1.1.1 仪器及主要软件  26
      1.1.2 样品的选择  26-27
      1.1.3 样品图谱采集  27-28
      1.1.4 样品光谱数据处理  28-30
      1.1.5 建立PLS-BP预测校正模型  30-32
        1.1.5.1 网络参数选择  30-31
        1.1.5.2 建立PLS-BP模型  31-32
      1.1.6 预测集样品对PLS-BP模型的检验  32-34
      1.1.7 模型预测能力重现性实验  34
    1.2 饲料中四种氨基酸含量的同时测定  34-41
      1.2.1 仪器及主要软件  35
      1.2.2 样品的选择  35
      1.2.3 样品图谱采集  35-36
      1.2.4 样品光谱数据处理  36-37
      1.2.5 建立PLS-BP预测校正模型  37-39
        1.2.5.1 网络参数选择  37-38
        1.2.5.2 建立PLS-BP模型  38-39
      1.2.6 预测集样品对PLS-BP模型的检验  39-41
      1.2.7 模型预测能力重现性实验  41
    1.3 土豆中三种营养成分含量的同时测定  41-45
      1.3.1 仪器及主要软件  42
      1.3.2 样品的选择  42
      1.3.3 样品图谱采集  42
      1.3.4 建立PLS-BP预测校正模型  42-43
      1.3.5 预测集样品对PLS-BP模型的检验  43-45
    1.4 小结  45-46
  2 偏最小二乘与广义回归神经网络用于近红外光谱技术多成分定量分析研究  46-65
    2.1 饲料中水溶性氯、粗纤维、粗脂肪含量的同时测定  47-54
      2.1.1 样品的选择  48
      2.1.2 仪器及主要软件  48-49
      2.1.3 样品图谱采集  49
      2.1.4 样品光谱数据处理  49-50
      2.1.5 GRNN光滑因子数的选择  50-51
      2.1.6 预测集样品对PLS-GRNN模型的检验  51-53
      2.1.7 模型预测能力重现性实验  53-54
    2.2 土豆中三种营养成分含量的同时测定  54-59
      2.2.1 仪器及主要软件  54
      2.2.2 样品的选择  54
      2.2.3 样品图谱采集  54-55
      2.2.4 样品光谱数据处理  55-57
      2.2.5 GRNN光滑因子数的选择  57-58
      2.2.6 预测集样品对PLS-GRNN模型的检验  58-59
    2.3 南丰蜜桔总糖、总酸含量的测定  59-64
      2.3.1 仪器及主要软件  59
      2.3.2 样品的选择  59-60
      2.3.3 样品图谱采集  60
      2.3.4 样品光谱数据处理  60-62
      2.3.5 GRNN光滑因子数的选择  62-63
      2.3.6 样品对PLS-GRNN模型的检验  63-64
      2.3.7 模型预测重现性检验  64
    2.4 小结  64-65
  3 偏最小二乘与Elman神经网络用于近红外光谱技术多成分定量分析研究  65-78
    3.1 饲料中四种氨基酸含量的同时测定  68-72
      3.1.1 仪器及主要软件  68
      3.1.2 样品的选择  68
      3.1.3 样品图谱采集  68-69
      3.1.4 样品光谱数据处理  69-70
      3.1.5 网络的设计与训练  70-71
      3.1.6 预测集样品对Elman网络模型的检验  71-72
    3.2 西红柿中的类胡萝卜素总量的测定  72-76
      3.2.1 仪器及主要软件  73
      3.2.2 样品的选择  73
      3.2.3 样品图谱采集  73-74
      3.2.4 样品光谱数据处理  74-75
      3.2.5 网络的设计与训练  75
      3.2.6 预测集样品对Elman网络模型的检验  75-76
    3.3 小结  76-78
第三章化学计量学用于近红外光谱技术模式识别(定性分析)研究  78-84
  1 自组织竞争神经网络用于近红外光谱技术模式识别分析研究  80-84
    1.1 巴氏杀菌乳与复原乳的快速区分  80-83
      1.1.1 仪器及主要软件  80-81
      1.1.2 样品的选择  81
      1.1.3 样品图谱采集  81
      1.1.4 样品光谱数据处理  81-82
      1.1.5 建立自组织竞争网络判别模型  82
      1.1.6 网络学习输出结果  82-83
    1.2 小结  83-84
第四章结束语  84-86
致谢  86-87
参考文献  87-99
附录  99-100

近红外光谱分析技术在食品、饲料中的应用研究

内容摘要

全文目录

相似论文