论文部分内容阅读
本文利用红外光谱技术,研究了花椒品质指标与红外光谱图之间的内在联系,目的在于为花椒品质检测提供新的方法和工具。通过相应的数据分析软件,分别采用多元线性回归、主成分回归和偏最小二乘法建立了花椒挥发油、蛋白质特征峰值与挥发油含量、蛋白质含量之间的回归方程,获得了检测花椒品质的回归模型。同时,采用多类逐步判别分析和BP神经网络两种模式识别方法建立不同产地花椒的鉴别模型。主要内容包括三个部分：第一部分：花椒红外光谱图分析,同时建立同一品种不同产地的鉴别模型,探讨利用红外光谱技术鉴别花椒产地的最优方法；第二部分：建立基于红外光谱技术的快速测定花椒挥发油含量的预测模型,寻找建立预测模型的最优方法；第三部分：建立基于红外光谱技术的快速测定花椒蛋白质含量的预测模型,寻找建立预测模型的最优方法。主要研究结果如下：(1)获得挥发油的红外光谱特征峰值为：3303cm-1、2926cm-1、1730cm-1、1235cm-1、1019cm-1、916cm-1、770cm-1；蛋白质的红外光谱特征峰值：2926cm-1、1628cm-1、1550cm-1、1400cm-1、1371cm-1、770cm-1。(2)利用多类逐步判别分析法建立同一品种不同产地的花椒鉴别模型。校正集的回判率为96%,验证集的判别正确率为92%。结果证明基于多类逐步判别分析法建立的花椒产地鉴别模型是可靠的。(3)基于BP神经网络建立的鉴别花椒产地的预测模型,通过试验发现,当隐含层节点数选择8时,即网络结构为11-8-1时,BP神经网络建立的预测模型判别率最高,模型的拟合残差最小,模型的预测能力最好。校正集和验证集的正确判别率均为100%。(4)利用BP神经网络建立的同一品种花椒产地鉴别模型效果优于多类逐步判别分析法建立的预测模型。(5)分别采用多元线性回归、偏最小二乘法、主成分回归建立了花椒挥发油含量的预测模型。通过比较得到：采用多元线性回归建立的挥发油含量预测模型预测精度较高。(6)分别采用多元线性回归、偏最小二乘法、主成分回归建立了花椒蛋白质含量的预测模型。通过比较得到：采用多元线性回归建立的花椒蛋白质含量预测模型较优。