[发明专利]一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法

摘要

本发明公开了一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法，样品的选取与预处理；用高效液相色谱仪测定样品氨基酸含量；获取样品的光谱，利用联合区间偏最小二乘法建立氨基酸近红外光谱定量判别模型，找出氨基酸变化分布，对工夫红茶发酵质量进行判别。本发明是基于近红外光谱分析技术结合氨基酸变化的工夫红茶发酵质量的判别方法，利用标准正态变量变换SNVT对采集的原始光谱进行预处理，利用联合区间偏最小二乘回归法SiPLS构建氨基酸近红外判别模型。本发明为工夫红茶发酵质量进行科学、准确的判别提供了一种定量判断的方法。

主权项

一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法，其特征在于，包括以下步骤：(1)样品的选取与预处理；选取适度发酵、发酵不足、过度发酵的工夫红茶样品随机划分校正集和预测集；(2)用高效液相色谱仪测定样品氨基酸含量；(3)获取样品的光谱，利用联合区间偏最小二乘法建立氨基酸近红外光谱定量判别模型，找出氨基酸变化分布，对工夫红茶发酵质量进行判别：a、近红外光谱采集采用傅里叶变换近红外光谱仪对样品进行近红外光谱扫描，获得所述样品在近红外波长的所有光谱信息；b、光谱预处理对原始光谱进行不同的预处理，根据红茶发酵质量判别模型的预测效果，确定光谱最佳预处理方法；c、对训练集样品采用联合区间偏最小二乘法建立工夫红茶发酵质量的氨基酸预测模型，从而实现对发酵质量进行预测：1)通过相关系数R、交互验证均方根误差RMSEC、预测均方根误差RMSEV判断模型精度，R越高，RMSEC和RMSEP越小，模型的精度越高：$R=\sqrt{1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\stackrel{\‾}{y}}_i)}^2}}$式中，R为相关系数，n表示样本数，y_i和分别为样品集中第i个样品的实测值和预测值，包括校正集和预测集；为样品集中第i个样品的实测值的平均值；$\mathrm{RMSECV}=\sqrt{\frac{1}{N-P-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}$$\mathrm{RMSEP}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}$式中：y_i和分别为样品集中第i个样品的实测值和预测值；N为校正集样品数，n为预测集样品数，P为主成分数；2)联合区间偏最小二乘法siPLS算法步骤如下：第一步：将整个光谱区域划分为n个等宽的子区间；第二步：在每个子区间上进行偏最小二乘回归，建立待测品质的局部回归模型，得到n个局部回归模型；第三步：以交互验证时的均方根误差值RMSECV为各局部模型的精度衡量标准，对各局部模型的精度进行比较，找出精度较好的模型所对应的m个子区间，把这m个子区间联合起来进行偏最小二乘回归，建立待测品质的联合局部回归模型；第四步：同样以交互验证时的RMSECV值为各联合局部模型的精度衡量标准，对各个联合局部模型的精度进行比较，最小的RMSECV所对应的联合局部回归模型的子区间组合即为特征波谱区间组合；3)联合区间偏最小二乘法siPLS模型的建立：采用联合区间偏最小二乘回归法对上述样本的近红外光谱进行筛选时，将整个光谱区间分别划分为不同数目的子区间，在划分为相同子区间的情况下，分别联合2、3和4个子区间建立模型，从中获得最优氨基酸含量的siPLS模型；d、模型验证利用建立的校正集模型，对预测集的样品进行预测，若得到近红外光谱的预测值与实际值基本一致，则验证模型的预测效果良好。