基于GC-MS技术结合PSO-SVM算法的植物油分类方法技术

本发明专利技术提出了一种基于气GC-MS技术结合PSO-SVM算法的植物油分类方法。利用GC-MS技术得到六种不同种类植物油脂中脂肪酸的定性和定量结果，建立了植物油的脂肪酸指纹图谱库。采用基于PSO最优参数的SVM分类算法对样本进行分类，建立PSO-SVM模型。将数据代入PSO-SVM模型，根据计算结果判断样品的类别，本分类方法前处理操作简单，灵敏度高，准确率高。

【技术实现步骤摘要】

本专利技术创造涉及植物油的分类方法。具体是指基于GC-MS技术得到的脂肪酸图谱数据结合PSO-SVM模型对不同种类的植物油进行分类，用于鉴别食用油的类别。
技术介绍
植物油中因含有多种人体所必需的脂肪酸，其营养价值高于动物油而受到人们的重视，现已基本成为人们日常生活中最常见的食用油。食用油是人们生活的必需品，是提供人体热能和必需脂肪酸、促进脂溶性维生素吸收的重要食物，为人体提供最直接的能量来源。随着经济的发展和人民生活水平的提高，人们越来越重视食用油的健康问题。由于食用油组成成分的复杂性，食用油可分为很多不同的种类并且在烹调和食品加工中其成分会发生变化。因此，建立高效、准确地鉴定植物油的方法具有重要的意义。目前检测鉴别食用油的仪器分析技术方法主要有紫外-可见分光光度法、近红外光谱法、荧光分光光度法、气相色谱法、液相色谱法、核磁共振法等。在相关文献中，Galtier等采用近红外光谱法分析橄榄油中三酰基甘油和脂肪酸的组成，然后利用偏最小二乘-判别式分析鉴别橄榄油的产地，取得了较好的结果。Dupuy等应用主成分分析对傅里叶变换红外导数光谱进行分析，实现了对花生油和橄榄油的区分。Olivers等采用顶空进样器与质谱直接相连，检测了不同产地初级橄榄油中的挥发性成分，并将此数据用PCA、LDA对橄榄油分类，正确率分别为94.3％、90.5％和80％。Shaw等利用核磁共振技术结合PCA、PLS对不同产地和不同类别的橄榄油进行了分类鉴定，PLS和PCA的预测能力分别为90％和70％。上述文献中各算法在解决线性问题上有很好的应用能力，但是在处理非线性分类问题上有很大的局限性。
技术实现思路
本专利技术创造要解决的问题是克服植物油样品前处理技术和分类技术的不足，提出了一种快速、准确区分植物油的方法。本专利技术的具体实施方案是：1)收集不同产地、不同种类的植物油样品；2)脂肪酸甲酯化处理与GC-MS技术分析：对植物油样品进行甲酯化处理，通过GC-MS技术采集植物油的脂肪酸指纹图谱；3)PSO优化的SVM模型区分植物油的种类：将收集的植物油样本被随机分成三个数据集，即校正集、验证集与预测集，每个数据集都包含不同种类的植物油样本，校正集和验证集用于构建PSO优化的SVM模型，预测集用于证明分类模型的性能。进一步，所述方法是GC-MS脂肪酸图谱与PSO优化的SVM模型的联合使用。进一步，步骤2)所述的脂肪酸甲酯化处理方法为：取0.1mL食用油于离心管中，加入2mL1:1(v/v)石油醚与甲苯的混合液，振摇使油脂溶解后，加入2mL5mol/LKOH的甲醇溶液，混匀后在室温下静置5min,再加入2mL2mol/L的盐酸，振摇，静置，加无水硫酸钠干燥，取上层清液待测。进一步，步骤3)所述GC-MS分析条件为：色谱柱为毛细管柱，进样口温度为250℃，进样量1μL，进样口分流比为40：1，炉温的升温程序为起始温度60℃，以15℃/min升至215℃，以10℃/min升至250℃，以2℃/min升至260℃，以5℃/min升至280℃，保持2min。载气为氦气，载气流量为1mL/min，数据采集方式为总离子流色谱图。离子源是EI，离子源温度为250℃，传输线温度为270℃。本专利技术创造具有的优点和积极效果是：1)本专利技术采取的食用油油脂甲酯化方法不需要加热，操作简单，节省时间。2)GC-MS技术既具有气相色谱高效分离的能力，又具有质谱准确鉴定化合物结构的特点，可达到同时进行定性、定量的要求，在化学分析领域得到广泛应用。3)粒子群优化(PSO)算法在不同的优化问题中有很好的表现，并且具有相对较高的收敛效率，并且同时又能保证解决方案的全局优化。以统计学习理论为基础的SVM具有较多优势，拥有坚实的理论基础、较好的推广能力、强大的非线性处理能力和高维数据处理能力。即使训练样本较少，SVM仍然具有良好的性能，保证了学习机器具有良好的泛化能力。除此之外，SVM最终转化成凸优化问题，保证了算法的全局最优，避免了算法陷入局部最小化的问题。SVM结合PSO算法建立的分类模型可以得到最优的结果。具体实施方式下面结合实施例对本专利技术进一步说明，下述实施例是说明性的，不是限定性的，不能以下述实施例来限定本专利技术的保护范围。实施例1样品收集：66个食用油样本均购与本地超市，大豆油14种、花生油8种、菜籽油14种、茶油8种、玉米油8种、芝麻油10种。植物油脂肪酸甲酯化：取0.1mL油于离心管中，加入2mL石油醚(30℃-60℃)与甲苯(按体积比1:1)的混合液，振摇使油脂溶解后，加入20mL5mol/LKOH的甲醇溶液，混匀后在室温下静置5min,再加入2mL2mol/L的盐酸，振摇，静置，加无水硫酸钠干燥，取上层清液待测。脂肪酸甲酯的GC-MS分析条件：所用仪器：LecoPegasus4DGC-TOFMS(美国力可公司)。气相色谱条件：色谱柱为毛细管柱，型号是DB-5MS(30m*0.25mm*0.25μm)，进样口温度为250℃，进样量1μL，进样口分流比为40：1，炉温的升温程序为起始温度60℃，以15℃/min升至215℃，以10℃/min升至250℃，以2℃/min升至260℃，以5℃/min升至280℃，保持2min。载气为纯度99.99％的氦气，载气流量为1mL/min，数据采集方式为总离子流色谱图。质谱条件：质谱所需总时间与气相色谱相同，溶剂延迟10min，所测质量范围为30-500amu，离子源是EI，其温度为250℃，传输线温度为270℃，电压是1500V，电子能量为-70eV。对66个植物油脂肪酸甲酯的图谱进行分析，计算每个样本中各脂肪酸含量百分比。具体结果表1表1植物油中脂肪酸相对含量的GC-MS分析结果A：大豆油B：菜籽油C：花生油D：玉米油E：芝麻油F：茶油SFA：饱和脂肪酸PUFA：多不饱和脂肪酸MUFA：单不饱和脂肪酸尽管个植物油间有不同之处，直接通过总离子流色谱图区分植物油的种类仍旧是十分困难的。本专利技术采用PSO优化的SVM模型区分植物油的种类。PSO优化的SVM模型的建立：根据表1植物油中脂肪酸相对含量数据构建了样本矩阵。当建立模型时，收集的66个植物油样本被随机分成三个数据集，其中校正集33个样本，验证集17个样本，预测集16个样本，每个数据集都包含六种不同植物油的样本。校正集和验证集用于构建PSO优化的SVM模型，预测集用于证明分本文档来自技高网...

【技术保护点】
基于GC‑MS技术结合PSO‑SVM算法的植物油分类方法，其特征在于，包括如下步骤：1)收集不同产地、不同种类的植物油样品；2)脂肪酸甲酯化处理与GC‑MS技术分析：对植物油样品进行甲酯化处理，通过GC‑MS技术采集植物油的脂肪酸指纹图谱；3)PSO优化的SVM模型区分植物油的种类：将收集的植物油样本被随机分成三个数据集，即校正集、验证集与预测集，每个数据集都包含不同种类的植物油样本，校正集和验证集用于构建PSO优化的SVM模型，预测集用于证明分类模型的性能。

【技术特征摘要】
1.基于GC-MS技术结合PSO-SVM算法的植物油分类方法，其特征在于，包括
如下步骤：
1)收集不同产地、不同种类的植物油样品；
2)脂肪酸甲酯化处理与GC-MS技术分析：对植物油样品进行甲酯化处理，通过
GC-MS技术采集植物油的脂肪酸指纹图谱；
3)PSO优化的SVM模型区分植物油的种类：将收集的植物油样本被随机分成三
个数据集，即校正集、验证集与预测集，每个数据集都包含不同种类的植物油样
本，校正集和验证集用于构建PSO优化的SVM模型，预测集用于证明分类模型
的性能。
2.根据权利要求1所述基于GC-MS技术结合PSO-SVM算法的植物油分类方法，
其特征在于：这种方法是GC-MS脂肪酸图谱与PSO优化的SVM模型的联合使用。
3.根据权利要求1所述基于GC-MS技术结合PSO-SVM算法的植物油分类方法，
其特征在于：所述步骤2)脂肪酸甲酯化处理方...

【专利技术属性】
技术研发人员：齐贯清，
申请(专利权)人：天津滨海无瑕农业生态设施有限公司，
类型：发明
国别省市：天津;12