一种提高近红外数据检测固态复合调味料鲜美度精度模型的建立方法技术

本发明专利技术提出一种提高近红外数据检测固态复合调味料鲜美度精度模型的建立方法，本发明专利技术对近红外光谱数据进行S

【技术实现步骤摘要】
一种提高近红外数据检测固态复合调味料鲜美度精度模型的建立方法


[0001]本专利技术涉及近红外光谱数据处理领域，尤其涉及一种提高近红外数据检测固态复合调味料鲜美度精度模型的建立方法。

技术介绍

[0002]近红外光谱技术是一种绿色分析技术，它利用有机物质在近红外光谱区内的光学特征，快速地检测该有机物中一项或多项化学成分的性质和含量，具有方便、快速、高效、准确、无污染，样品无需预处理且不会遭到破坏，不消耗化学试剂等优点。近年来，已被广泛应用到食品组成测定、食品生产控制、食品安全检测、食品感官分析等诸多方面。
[0003]随着生活质量的不断提高，人们对于调味料的要求逐步从单一型向复合型、低档向中高档演变，具有调味、增鲜、赋香等功能的固态复合调味料产品在市场上越来越受到青睐。对于固态复合调味料而言，独特的鲜美滋味对其口感品质起着决定性作用。目前，关于固态复合调味料的鲜美度滋味评判主要依靠经过培训且具有丰富经验的优秀评价员采用专业感官评价方法进行，该方法耗时长、难度大、要求高，评判结果容易受环境、身体、心情等诸多主观因素的影响，往往误差较大。因此，探索鲜美度的快速、准确、全面的评价方法，对固态复合调味料的鲜美度评价具有重要意义。
[0004]将近红外光谱技术应用在对固态复合调味料的鲜美度感官评价的过程中，由于近红外光谱有2000多个数据点构成，为了增加建立模型的可靠性和准确性，其中最重要的工作是对近红外光谱数据进行降维。近红外光谱数据降维方法有很多，如主成分方法、偏最小二乘法、无信息变量消除法等。虽然这些降维算法都基于近红外光谱数据建立快速检测模型提供了很好的技术支持，但对于基于近红外光谱数据建立固态复合调味料鲜美度快速检测模型时，还是出现了模型准确率比较低的问题。可能的原因是仅仅基于这几种降维算法近红外数据信息特征提取不够充分的问题。基于此，本专利专利技术了一种近红外光谱数据复合降维信息增强的方法，来增强近红外光谱降维后信息，进而增加鲜美度快速预报模型的可靠性和准确性。

技术实现思路

[0005]本专利技术的目的在于提出一种通过近红外光谱数据复合降维信息增强，进而增加固态复合调味料鲜美度快速预报模型的可靠性和准确性。
[0006]为达到上述目的，本专利技术提出一种提高近红外数据检测固态复合调味料鲜美度精度模型的建立方法，包括以下步骤：
[0007]步骤1：收集市场上多种固态复合调味作为样品，得到所述样品的近红外光谱数据；
[0008]步骤2：对多种样品进行鲜美度人工评测，将人工评测的平均数据作为建立鲜美度检测模型的因变量数据；
[0009]步骤3：对所述近红外光谱数据进行S
‑
G平滑和一阶导数预处理工作，增加近红外光谱数据的信噪比；然后对预处理的光谱数据分别进行主成分分析和偏最小二乘法降维；
[0010]步骤4：选择降维后的前6个主成分因子和偏最小二乘因子，构成新的信息增强的12个自变量结合所述因变量数据，利用人工神经网络算法建立鲜美度检测模型；
[0011]步骤5：对所述鲜美度检测模型进行精度检测。
[0012]进一步的，在步骤1中，从市场上收集固态调味料后，对其研磨后利用近红外仪器进行扫描得到所述近红外光谱数据。
[0013]进一步的，在步骤2中，多人对多种样品进行鲜美度人工测评，对不同评价人员的评测数据取平均值作为建立鲜美度检测模型的因变量数据。
[0014]进一步的，在步骤5中，通过与对照模型比较的方式来检测所述鲜美度检测模型的精度。
[0015]进一步的，所述对照模型包括第一对照模型和第二对照模型；
[0016]进一步的，所述第一对照模型以降维后的前12个主成分因子做为自变量，以鲜美度平均后的数据为因变量，利用人工神经网络算法建立；
[0017]所述第二对照模型以降维后的前12个偏最小二乘因子做为自变量，以鲜美度平均后的数据为因变量，利用人工神经网络算法建立。
[0018]进一步的，在步骤5中，对所述鲜美度检测模型进行精度检测步骤如下：
[0019]步骤5.1：从市场收集10个新的固态复合调味料，检测得到近红外光谱数据和鲜美度数据:
[0020]步骤5.2：分别对所述步骤5.1中近红外数据进行主成分分析和偏最小二乘法降维；
[0021]步骤5.3：选择前12个主成分因子代入第一对照模型，预报出新收集10个固态复合调味料的鲜美度数据；
[0022]选择前12个偏最小二乘因子代入所述第二对照模型，预报出新收集10个固态复合调味料的鲜美度数据；
[0023]分别选择降维后的前6个主成分因子和偏最小二乘因子组成信息增强的12个自变量，代入所述鲜美度检测模型，预报出新收集10个固态复合调味料的鲜美度数据；
[0024]步骤5.4：专业感官评价人员对新收集到10个固态复合调味料进行鲜美度人工评价，并对不同评价人员得到的鲜美度进行平均；
[0025]步骤5.5：计算第一对照模型、第二对照模型和鲜美度检测模型预报的鲜美度数值和人工评价数据之间的相对误差，对比三个模型查看信息增强效果。
[0026]与现有技术相比，本专利技术的优势之处在于：
[0027]1.本专利技术对固态复合调味料的光谱数据进行S
‑
G平滑和一阶导数预处理工作，增加近红外光谱数据的信噪比。然后对预处理的光谱数据分别进行主成分分析和偏最小二乘法降维，从而克服单一降维算法提取特征信息的不足。
[0028]2.本专利技术选取降维后的前6个主成分因子和偏最小二乘因子，构成新的信息增强的12个自变量，以鲜美度平均后的数据为因变量去建立鲜美度检测模型，有效提高了模型的检测精度和检测效率。
[0029]3.本专利技术方法在检测的整个过程中不涉及实验和不使用化学用品，不产生化学污
染，符合绿色环保理念；且操作简单，成本低，易于实现，适合推广应用。
附图说明
[0030]图1为本专利技术实施例中步骤1中固态复合调味料的近红外光谱图。
[0031]图2为本专利技术实施例中基于主成分分析降维的人工神经网络结果图。
[0032]图3为本专利技术实施例中基于偏最小二乘法降维的人工神经网络结果图。
[0033]图4为本专利技术实施例中基于信息增强建立的鲜美度定量预报模型建模结果。
具体实施方式
[0034]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案作进一步地说明。
[0035]本专利技术提出一种提高近红外数据检测固态复合调味料鲜美度精度模型的建立方法，包括如下步骤：
[0036]步骤1：从市场收集81个固态复合调味料，对其研磨后利用近红外仪器进行扫描，得到样品的近红外光谱数据。专业感官评价人员对收集到的固态复合调味料进行鲜美度人工评价，并对不同评价人员得到的鲜美度进行平均，以增加鲜美度数据的客观性。近红外光谱和鲜美度部分示例数据如表1所示：
[0037]表1.近红外光谱数据部分示例数据
[0038]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提高近红外数据检测固态复合调味料鲜美度精度模型的建立方法，其特征在于，包括以下步骤：步骤1：收集市场上多种固态复合调味作为样品，得到所述样品的近红外光谱数据；步骤2：对多种样品进行鲜美度人工评测，将人工评测的平均数据作为建立鲜美度检测模型的因变量数据；步骤3：对所述近红外光谱数据进行S
‑
G平滑和一阶导数预处理工作，增加近红外光谱数据的信噪比；然后对预处理的光谱数据分别进行主成分分析和偏最小二乘法降维；步骤4：选择降维后的前6个主成分因子和偏最小二乘因子，构成新的信息增强的12个自变量结合所述因变量数据，利用人工神经网络算法建立鲜美度检测模型；步骤5：对所述鲜美度检测模型进行精度检测。2.根据权利要求1所述的提高近红外数据检测调味料鲜美度精度模型的建立方法，其特征在于，在步骤1中，从市场上收集固态调味料后，对其研磨后利用近红外仪器进行扫描得到所述近红外光谱数据。3.根据权利要求1所述的提高近红外数据检测调味料鲜美度精度模型的建立方法，其特征在于，在步骤2中，多人对多种样品进行鲜美度人工测评，对不同评价人员的评测数据取平均值作为建立鲜美度检测模型的因变量数据。4.根据权利要求1所述的提高近红外数据检测调味料鲜美度精度模型的建立方法，其特征在于，在步骤5中，通过与对照模型比较的方式来检测所述鲜美度检测模型的精度。5.根据权利要求4所述的提高近红外数据检测调味料鲜美度精度模型的建立方法，其特征在于，所述对照模型包括第一...

【专利技术属性】
技术研发人员：张佳汇，王芳，
申请(专利权)人：上海太太乐食品有限公司，
类型：发明
国别省市：