论文部分内容阅读
油脂对人体来说必不可少,其质量安全尤为重要,近年来,对油脂中反式脂肪酸（TFAs）含量超标问题的关注度持续增高。油脂中的TFAs往往是在脱臭过程中产生的,但现有的TFAs检测方法存在检测速度慢、前期处理比较复杂等问题,无法达到快速现场检测的要求。近红外光谱技术便捷高效的特点适用于生产过程中的品质监控,因此,针对油脂脱臭过程中TFAs控制问题,本文提出一种基于近红外光谱分析的油脂中TFAs含量快速检测方法。制备100个不同TFAs含量的大豆油样本,利用气相色谱法测定样本TFAs含量作为标准值,近红外光谱仪扫描大豆油样本获得其谱图,然后用不同方法对光谱数据进行降噪处理,经过对比分析发现多元散射校正的去噪效果最佳;为了探讨TFAs在近红外区域的吸收特性,采用多种iPLS方法对光谱数据进行特征波段选择,优选出TFAs的特征吸收波段7258-7443/6502-6691/6120-6309cm-1,在此基础上再利用Kalman滤波算法进行特征波长变量的选择,优选出的27个TFAs的特征波长变量。采用深度信念网络（DBN）建立校正模型,通过多次对比发现,当迭代次数设置为30、隐含层层数为3、隐含层节点数设为50-35-90时,DBN模型性能最佳。最后将DBN模型与PLS方法建立的反式脂肪酸含量回归模型进行对比分析,结果表明:对降噪后的全谱进行建模,DBN模型的预测效果优于PLS,DBN模型预测集R2为0.8794、RMSEP为0.0603、相对标准偏差RSD为2.18%;对选择出的特征波段进行建模,PLS模型的预测效果比DBN模型好;对优选出来的27个的特征波长变量进行建模,DBN模型的预测效果较好,其决定系数R2为0.9584、预测误差均方根RMSEP为0.0350、相对标准偏差RSD为1.31%,说明DBN模型的泛化能力更好,并且可以利用少量的波长变量达到较好的预测效果,能够满足实际检测需求,为实现油脂加工过程中TFAs含量的在线检测和调控,生产低/零TFAs油脂产品提供技术支撑。