CN101216419A - 一种快速检测黄酒品质指标的方法 - Google Patents
一种快速检测黄酒品质指标的方法 Download PDFInfo
- Publication number
- CN101216419A CN101216419A CNA200710306842XA CN200710306842A CN101216419A CN 101216419 A CN101216419 A CN 101216419A CN A200710306842X A CNA200710306842X A CN A200710306842XA CN 200710306842 A CN200710306842 A CN 200710306842A CN 101216419 A CN101216419 A CN 101216419A
- Authority
- CN
- China
- Prior art keywords
- sample
- model
- rice wine
- yellow rice
- quality index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及黄酒品质指标的检测方法,尤其是指一种快速检测黄酒品质指标的方法。本发明提供了一种操作简单,可加快测试速度,大大提高时效性和生产效率的快速检测黄酒品质指标的方法。包括以下步骤:1)用傅立叶变换近红外光谱仪和液体光纤探头对待测黄酒样品进行扫描,得到待测黄酒样品谱图;2)将步骤1)获得的待测黄酒样品谱图调入光谱定量分析软件包,利用预先建立的黄酒品质指标模型,得出待测黄酒样品品质指标的含量。其中,黄酒品质指标为酒精度、总酸、总糖、氨态氮、非糖固形物、挥发酯和色率中的一个或多个。本发明操作简单,可加快测试速度,且测试过程无污染,属于无损检测,可以进一步应用于生产线上,实现在线检测与控制。
Description
技术领域
本发明涉及黄酒品质指标的检测方法,尤其是指一种快速检测黄酒品质指标的方法。
背景技术
黄酒是以稻米、黍米、玉米、小米、小麦等粮食为主要原料,经蒸煮、糖化、发酵、压榨、过滤、贮存、勾兑等工艺生产的酿造酒。在黄酒生产过程中氨基酸态氮和酒精度是影响黄酒质量的两个重要的理化指标。氨基酸态氮,也称为氨基氮或氨态氮,它能反映黄酒含氨基酸总量的水平。酒精度是指在100ml酒样中,含酒精的毫升数,它关系到企业产品质量稳定性以及质量考核的重要内容,这两项指标对提高黄酒质量、限制劣质配制黄酒生产是有现实意义的。另外总糖、非糖固形物、氨基酸态氮、挥发脂和色率等指标也是对黄酒质量考核的重要方面。
目前检测黄酒中的酒精度、总酸、总糖、氨态氮、非糖固形物、挥发酯和色率等指标的国家标准,仍采用常规的分析方法,操作繁琐、复杂,所得到的分析结果时效性差。如何对其进行快速、准确的测定对降低成本、提高产品质量具有重要的意义。
近红外光谱(NIRS)技术是20世纪80年代迅速发展起来的一项测试技术,具有快速、无损耗、多成分同时分析、分析过程无污染、分析结果重现性高等优点,已成为现代分析测试技术中的重要工具。进入21世纪90年代,随着仪器、光纤和化学计量学技术的发展,近红外光谱分析技术被广泛应用于食品、制药、烟草、农业、化工等各个领域,并取得了显著的经济和社会效益。偏最小二乘法(PLS)是化学计量学的重要内容。
发明内容
为解决以上问题,本发明提供了一种操作简单,可加快测试速度,大大提高时效性和生产效率的快速检测黄酒品质指标的方法。
本发明所采用的技术方案为:一种快速检测黄酒品质指标的方法,包括以下步骤:
1)用傅立叶变换近红外光谱仪和液体光纤探头对待测黄酒样品进行扫描,得到待测黄酒样品谱图;
2)将步骤1)获得的待测黄酒样品谱图调入光谱定量分析软件包,利用预先建立的黄酒品质指标模型,得出待测黄酒样品品质指标的含量。
其中,黄酒品质指标为酒精度、总酸、总糖、氨态氮、非糖固形物、挥发酯和色率中的一个或多个。
其中,步骤2)所述的黄酒品质指标模型的建立和检验优化的方法包括如下步骤:
(1)收集黄酒作为建立模型的标准样品集;
(2)用傅立叶变换近红外光谱仪和液体光纤探头对标准黄酒样品进行扫描,得到标准样品集的近红外光谱图;
(3)以(2)中获得的标准样品集的近红外光谱图建立模型,根据不同品质指标选择建模区间及预处理方法,利用偏最小二乘法建立数学模型;
(4)参照国标GB/T13662-2000和GB17946-2000黄酒的检测方法测定标准样品集各样品的黄酒的各品质指标的化学值;
(5)参照步骤(4)中的化学值,用内部交叉验证法或光谱定量分析软件包对模型进行检验和优化。
进一步的,所述的黄酒品质指标模型建立和检验优化方法的步骤(3)中的光谱预处理为一阶导数法、矢量归一法、最小-最大归一法的一种或多种联合使用。
所述的黄酒品质指标模型建立和检验优化方法的步骤(4)中的内部交叉验证法的具体方法为:每次交叉剔除1个或几个样品,用其他样品建模预测被剔除的样品得到样品预测值,依次进行;并通过比较样品预测值与其化学值的决定系数(R2)和均方根差(RMSECV)来衡量模型的质量,其中,RMSECV和R2由以下公式计算:
其中:Differi表示第i个样品的化学值和样品预测值之差,M为样品数,yi为第i个样品的化学值,ym为M个样品预测值的平均值。
进一步的,所述的黄酒品质指标模型建立和检验优化方法的步骤(4)中的光谱定量分析软件包对模型进行检验的方法为:输入检验样品集的标准光谱和相应的数据,利用优化后建立的数学模型对检验样品集进行预测。通过比较预测的均方根差(RMSEP)与模型交叉检验的均方根差(RMSECV)来衡量模型的性能。
本发明的技术效果为:在化学计量学的基础上,用偏最小二乘法建立起模型,采用近红外光谱分析技术,与现行国标的方法测定黄酒样品中的酒精度、非糖固形物、总酸、总糖、氨态氮等主要成分作比较进行线型回归,建立起相关模型,再以所建立的模型对未知的黄酒样品中的上述主要成分进行预测。该方法操作简单,可加快测试速度,大大提高时效性和生产效率,且测试过程无化学反应,无需化学试剂,无污染,属于无损检测,可以进一步应用于生产线上,实现在线检测与控制。该检测方法快捷而准确,若能在黄酒企业生产中推广应用,为黄酒工业测定提供一套高效、准确、快速的分析方法,逐步推广近红外技术在黄酒领域的应用,有望成为检测黄酒主要成分的新的国家标准方法。
附图说明
图1为黄酒的近红外光谱图
图2为酒精度预测值与真值交叉检验图
图3为总酸预测值与真值交叉检验图
图4为总糖预测值与真值交叉检验图
图5为非糖固形物预测值与真值交叉检验图
图6为氨基酸态氮预测值与真值交叉检验图
图7为挥发酯预测值与真值交叉检验图
图8为色率预测值与真值交叉检验图
具体实施方式
1材料与方法
1.1仪器设备
傅立叶变换近红外光谱仪,半导体冷却高灵敏度的InGaAs检测器,选用液体光纤探头,以空气为参比,光谱分辨率为8cm-1,扫描次数32次。
1.2材料
建立模型所用的样品是选自绍兴某酒厂(建立预模型时所采用的样品是选用不同生产厂家和不同批次的同品种黄酒),每项指标分别选用了80份黄酒样品。
1.3方法
1.3.1标准样品集含量的化学测定
参照国标GB/T13662-2000和GB17946-2000黄酒的检测方法测定黄酒中主要成分的含量,即化学值。氨基酸态氮含量变化为0.1%-2.0%,酒精度含量变化为8.0%-20.0%,总酸范围3.0%-7.0%,糖含量变化为4.0%-53.0%,固形物含量变化范围为20%-55%,挥发酯含量变化范围为0.0%-0.5%。
1.3.2数学模型的建立与优化
本发明采用偏最小二乘法(PLS)作为建立数学模型的化学计量学方法。并使用内部交叉验证法对模型进行优化和验证。即是每次交叉剔除一个或若干个样品,用其他样品建模预测被剔除的样品,依次进行,并通过比较样品预测值与化学值的决定系数(R2)和均方根差(RMSECV)来衡量模型的质量。R2和RMSECV由以下公式计算:
其中:Differi表示第i个样品的化学值和交叉证实预测值之差,M为样品数,yi为第i个样品的化学值,ym为M个样品交叉预测值的平均值。
本发明也可用外部检验集对模型进行检验:输入检验样品集的标准光谱和化学值,利用优化后建立的数学模型对检验样品集进行预测,通过比较预测的均方根差(RMSEP)与模型交叉检验的均方根差(RMSECV)来衡量模型的性能。
2实例
2.1黄酒样品的近红外光谱图
利用傅立叶变换近红外光谱仪和液体光纤探头对黄酒样品进行扫描分析,都得到了清晰的光谱图(见图1)。鲜明的光谱吸收特征为黄酒的定量分析提供了丰富的信息基础。
2.2黄酒酒精度模型
2.2.1酒精度模型建立
采用一阶导数对光谱进行预处理,利用偏最小二乘法建立数学模型。对所得模型进行交叉检验,如图2,模型的预测值与真实值之间的相关系数R2可达99.71,交叉验证均方根差为0.143,预测平均偏差低至0.0008%,可见模型预测准确性很高。
2.2.2酒精度模型检验
用建好的模型对黄酒样品的酒精度进行预测,预测结果与国标方法测定结果及其偏差见表1。预测结果的平均偏差为0.85%,将预测结果与真值进行配对t检验,t值0.6888,表明近红外预测结果与化学方法测定的结果无显著性差异,所建立的酒精度模型应用于黄酒酒精度的检测是准确可靠的。
表1预测值与化学方法实测值比较结果
Tab.1 The compared result of predictive and actual data
真值 | 预测值 | 偏差 | 真值 | 预测值 | 偏差 |
11.516.517.611.5 | 11.5216.5217.5611.35 | -0.022-0.02470.03690.149 | 17.416.917.610 | 17.3417.1117.499.918 | 0.0596-0.2130.1080.0822 |
17.411.317.411.417.612.516.39.717.211.416.711.411.417.216.617.3 | 17.5111.4117.3411.4517.512.5416.469.83117.1411.5416.7311.2111.2517.0216.6917.32 | -0.113-0.1130.0559-0.04830.104-0.0443-0.16-0.1310.0554-0.139-0.02990.1930.1470.176-0.0874-0.01 86 | 14.711.617.317.117.817.511.611.817.417.617.517.69.617.616.917.5 | 14.5711.4717.317.0117.7117.6611.6511.5217.4217.3717.717.559.88517.5616.8817.51 | 0.130.129-0.002910.08760.0899-0.16-0.05160.279-0.02240.227-0.2010.0548-0.2850.04250.0209-0.0145 |
2.2.3酒精度模型预测重现性试验
随机取某一黄酒样品,用傅立叶变换近红外光谱仪和液体光纤探头对该样品进行扫描采集光谱图,采集10张光谱图,通过模型预测其酒精度。计算预测结果的相对标准偏差(RSD),以考察该模型的重现性。预测结果见表2,酒精度预测结果的RSD为0.7%,重现性良好,模型的测量精度能满足分析的要求。
表2.预测模型精度
Tab.2 The precision for models(n=10)
测定次数 | 酒精度(%) |
12345678910 | 16.3115.9416.1016.0916.1016.2615.9916.0016.2116.03 |
平均值标准偏差(SD)相对标准偏差(RSD) | 16.1030.12220.7% |
2.3黄酒总酸模型
2.3.1总酸模型的建立
采用一阶导数和矢量归一化对光谱进行预处理,利用偏最小二乘法建立数学模型。对所得模型进行交叉检验,如图3,模型的预测值与真实值之间的相关系数R2为87.47,交叉验证均方根差为0.127,预测平均偏差低至0.0002%,可见模型预测准确性较高。
2.3.2总酸模型检验
用建好的模型对黄酒样品的总酸进行预测,预测结果与国标方法测定结果及其偏差见表3。预测结果的平均相对标准偏差为1.6%,将预测结果与真值进行配对t检验,t值0.9712,表明近红外预测结果与化学方法测定的结果无显著性差异,表明所建立的总酸模型应用于黄酒总酸度的检测是准确可靠的。
表3预测值与化学方法实测值比较结果
Tab.3 The compared result of predictive and actual data
真值 | 预测值 | 偏差 | 真值 | 预测值 | 偏差 |
5.36655.55.35.64.96.15.25.84.9 | 5.3145.8415.9535.0675.665.3065.6365.0395.8885.1035.7944.925 | -0.01450.1590.0473-0.0667-0.16-0.00579-0.0359-0.1390.2120.09660.00603-0.025 | 5.75.55.25.65.95.75.65.65.455.85.6 | 5.495.6865.0275.6365.8735.7145.7615.5955.3415.1475.6615.514 | 0.21-0.1860.173-0.03560.0271-0.0138-0.1610.005160.0589-0.1470.1390.0857 |
5.45.25.35.865.85.75.8 | 5.2155.1895.2015.6976.2855.8345.7435.779 | 0.1850.0110.09940.103-0.285-0.034-0.04350.0207 | 5.65.55.25.15.65.65.55.5 | 5.6445.635.0175.1345.6695.6345.5545.618 | -0.0442-0.130.183-0.0341-0.0694-0.0337-0.0542-0.118 |
2.4黄酒总糖模型
2.4.1总糖模型的建立
采用矢量归一化对光谱进行预处理,利用偏最小二乘法建立数学模型。对所得模型进行交叉检验,如图4,模型的预测值与真实值之间的相关系数R2为99.52,交叉验证均方根差为0.753,预测平均偏差低至0.04144%,可见模型预测准确性较高。
2.4.2总糖模型检验
用建好的模型对黄酒样品的总糖进行预测,预测结果与国标方法测定结果及其偏差见表3。预测结果的平均相对标准偏差为1.87%,将预测结果与真值进行配对t检验,t值0.3417,表明近红外预测结果与化学方法测定的结果无显著性差异,表明所建立的总糖模型应用于黄酒总糖的检测是准确可靠的。
表5预测值与化学方法实测值比较结果
Tab.5 The compared result of predictive and actual data
真值 | 预测值 | 偏差 | 真值 | 预测值 | 偏差 |
51.528.82551.52151.723.650.7 | 52.328.9524.4952.5821.3350.3224.7250.38 | -0.801-0.1550.511-1.08-0.3281.38-1.120.323 | 2924.826.250.225.628.325.226.8 | 29.0224.6625.2849.7326.2428.9124.9827.59 | -0.01910.1420.9170.472-0.637-0.6130.22-0.793 |
20.639.629.449.525.650.217.251.5513025.226 | 21.0538.3929.348.4225.7448.717.2151.0650.7531.2925.8426.36 | -0.4541.210.09721.08-0.1381.5-0.01020.4410.249-1.29-0.637-0.365 | 23.847.9502526.62424.623.623.847.924.827.3 | 23.4348.7451.2825.5327.3623.8824.0824.952449.5724.4127.25 | 0.367-0.843-1.28-0.535-0.7590.1210.522-1.35-0.2-1.670.390.0535 |
2.5黄酒非糖固形物模型
2.5.1非糖固形物模型的建立
采用一阶导数和矢量归一化对光谱进行预处理,利用偏最小二乘法建立数学模型。对所得模型进行交叉检验,如图5,模型的预测值与真实值之间的相关系数R2为97.43,交叉验证均方根差为1.21,预测平均偏差0.012559%,可见模型预测准确性较高。
2.5.2非糖固形物模型检验
用建好的模型对黄酒样品的非糖固形物进行预测,预测结果与国标方法测定结果及其偏差见表7。预测结果的平均相对标准偏差为2.08%,将预测结果与真值进行配对t检验,t值0.8762,表明近红外预测结果与化学方法测定的结果无显著性差异,表明所建立的非糖固形物模型应用于黄酒非糖固形物的检测是准确可靠的。
表7预测值与化学方法实测值比较结果
Tab.7 The compared result of predictive and actual data
真值 | 预测值 | 偏差 | 真值 | 预测值 | 偏差 |
48.6 | 50.96 | -2.36 | 41.6 | 40.96 | 0.643 |
53.639.952.537.848.742.45338.342.652.745.140.749.928.249.552.540.744.751.6 | 5441.4853.5739.0649.4440.1750.4338.0241.3451.244.5841.0350.2227.348.3150.740.5444.6254.25 | -0.398-1.58-1.07-1.26-0.7412.232.570.2831.261.50.521-0.325-0.3160.8961.191.80.1610.0808-2.65 | 4444.852.240.950.941.148.131.251.54150.340.439.749.650.140.547.24140.1 | 46.1144.4151.2340.5751.1142.1746.7632.1350.3340.8949.4841.6240.1951.4950.1640.2147.0240.2240.11 | -2.110.3910.970.332-0.215-1.071.34-0.9281.170.1120.823-1.22-0.491-1.89-0.05930.2930.1 80.778-0.00543 |
2.6黄酒氨基态氮模型
2.6.1氨基态氮模型的建立
采用一阶导数和矢量归一化对光谱进行预处理,利用偏最小二乘法建立数学模型。对所得模型进行交叉检验,如图6,模型的预测值与真实值之间的相关系数R2为91.87,交叉验证均方根差为0.0216,预测平均偏差低至0.0009%。
2.6.2氨基态氮模型检验
用建好的模型对黄酒样品的氨基态氮进行预测,预测结果与国标方法测定结果及其偏差见表9。预测结果的平均相对标准偏差为2.44%,将预测结果与真值进行配对t检验,t值0.7918,表明近红外预测结果与化学方法测定的结果无显著性差异,表明所建立的氨基态氮模型应用于黄酒氨基态氮的检测是准确可靠的。
表9预测值与化学方法实测值比较结果
Tab.9 The compared result of predictive and actual data
真值 | 预测值 | 偏差 | 真值 | 预测值 | 偏差 |
0.710.80.870.80.710.850.670.790.670.780.550.850.670.80.70.710.80.840.820.78 | 0.70310.83180.83380.81490.68530.83480.68120.80560.65180.82230.58130.84590.6830.81830.68310.69990.78860.82780.8010.7795 | 0.0069-0.03180.0362-0.01490.02470.0152-0.0112-0.01560.0182-0.0423-0.03130.00413-0.013-0.01830.01690.01010.01140.01220.0190.000545 | 0.780.570.830.80.830.810.650.690.710.830.750.780.80.70.710.840.790.790.80.62 | 0.82230.54960.8070.82030.82360.80140.63930.74150.68860.81190.77720.7870.7940.71110.70640.85950.76050.76450.79650.6481 | -0.04230.02040.023-0.02030.006410.00860.0107-0.05150.02140.0181-0.0272-0.006980.00604-0.01110.00358-0.01950.02950.02550.00346-0.0281 |
2.7黄酒挥发酯模型
2.7.1挥发酯模型的建立
采用一阶导数和矢量归一化对光谱进行预处理,利用偏最小二乘法建立数学模型。对所得模型进行交叉检验,如图7,模型的预测值与真实值之间的相关系数R2为64.53,交叉验证均方根差为0.0217,预测平均偏差低至0.00075%。由于挥发酯的量非常少,近红外在检测微量成分的时候存在一定的误差,模型该模型的准确性较差。
2.7.2挥发酯模型检验
用建好的模型对黄酒样品的挥发酯进行预测,预测结果与国标方法测定结果及其偏差见表11。预测结果的平均相对标准偏差为7.1%,将预测结果与真值进行配对t检验,t值0.7531,表明近红外预测结果与化学方法测定的结果不存在显著性差异,表明所建立的挥发酯模型可以应用于黄酒挥发酯的检测,但存在一定的误差,对黄酒生产和品质控制仍然存在一定的指导作用。
表11预测值与化学方法实测值比较结果
Tab.11 The compared result of predictive and actual data
真值 | 预测值 | 偏差 | 真值 | 预测值 | 偏差 |
0.340.20.20.270.240.260.350.240.320.340.260.270.320.280.250.27030.340.250.28 | 0.29810.23120.22640.24910.26040.2550.35430.25830.3220.310.26240.30180.32940.31030.21930.26660.27720.30640.23910.3219 | 0.0419-0.0312-0.02640.0209-0.02040.00505-0.00431-0.0183-0.001970.03-0.00243-0.0318-0.00935-0.03030.03070.003430.02280.03360.0109-0.0419 | 0.260.270.270.270.260.330.290.270.260.280.250.340.240.270.250.270.280.320.230.29 | 0.25610.310.24660.26420.28840.29790.26450.24830.25620.28580.2670.32950.25460.25670.25410.26420.25130.28810.25840.3057 | 0.00393-0.040.02340.00585-0.02840.03210.02550.02170.00379-0.00581-0.0170.0105-0.01460.0133-0.004130.005810.02870.0319-0.0284-0.0157 |
2.8黄酒色率模型
2.8.1色率模型的建立
采用一阶导数和矢量归一化对光谱进行预处理,利用偏最小二乘法建立数学模型。对所得模型进行交叉检验,如图8,模型的预测值与真实值之间的相关系数R2为78.39,交叉验证均方根差为110,预测平均偏差1.18%。
2.8.2色率模型检验
用建好的模型对黄酒样品的色率进行预测,预测结果与国标方法测定结果及其偏差见表13。预测结果的平均相对标准偏差为4.8%,将预测结果与真值进行配对t检验,t值0.6286,表明近红外预测结果与化学方法测定的结果不存在显著性差异,表明所建立的色率模型可以应用于黄酒色率的检测。
表13预测值与化学方法实测值比较结果
Tab.13 The compared result of predictive and actual data
真值 | 预测值 | 偏差 | 真值 | 预测值 | 偏差 |
13102140185015601650138018601650169020201280184015501340133017201980191016401870 | 14621886191614601730137119661453176617681157188416091309142818192019182117201838 | -152254-65.7100-79.68.92-106197-75.6252123-43.7-58.731.2-98.3-98.5-3989.3-8031.8 | 18701820126017502020185017201750106016201230190016501780177013701190180018101710 | 18861839123518521909182918321698119415891325182117581806174013761315180818181786 | -16.3-1924.7-10211120.7-11252.5-13430.7-9578.9-108-25.929.7-5.94-125-7.87-8.44-76.5 |
3待测黄酒样品的检测
1)用傅立叶变换近红外光谱仪和液体光纤探头对待测黄酒样品进行扫描,得到待测黄酒样品谱图;
2)将步骤1)获得的待测黄酒样品谱图调入光谱定量分析软件包,利用上面建立和检验优化的黄酒品质指标模型,得出待测黄酒样品品质指标的含量。
本发明采用了近红外光谱法,具有分析速度快、不消耗化学试剂等特点。本发明可以同时检测酒精度、总酸、总糖、氨态氮、非糖固形物、挥发酯和色率等指标也可以检测单个指标,克服了常规分析方法的缺点,是黄酒质量控制和检测中的一种快速检测新方法。
Claims (6)
1.一种快速检测黄酒品质指标的方法,包括以下步骤:
1)用傅立叶变换近红外光谱仪和液体光纤探头对待测黄酒样品进行扫描,得到待测黄酒样品谱图;
2)将步骤1)获得的待测黄酒样品谱图调入光谱定量分析软件包,利用预先建立和检验优化的黄酒品质指标模型,得出待测黄酒样品品质指标的含量。
2.根据权利要求1所述的一种快速检测黄酒品质指标的方法,其特征在于:所述黄酒品质指标为酒精度、总酸、总糖、氨态氮、非糖固形物、挥发酯和色率中的一个或多个。
3.根据权利要求1或2所述的一种快速检测黄酒品质指标的方法,其特征在于:所述黄酒品质指标模型的建立和检验优化的方法包括如下步骤:
(1)收集黄酒作为建立模型的标准样品集;
(2)用傅立叶变换近红外光谱仪和液体光纤探头对标准黄酒样品进行扫描,得到标准样品集的近红外光谱图;
(3)以(2)中获得的标准样品集的近红外光谱图建立模型,根据不同品质指标选择建模区间及预处理方法,利用偏最小二乘法建立数学模型;
(4)参照国标GB/T13662-2000和GB17946-2000黄酒的检测方法测定标准样品集各样品的黄酒的各品质指标的化学值;
(5)参照步骤(4)中的化学值,用内部交叉验证法或光谱定量分析软件包对模型进行检验和优化。
4.根据权利要求3所述的一种快速检测黄酒品质指标的方法,其特征在于:所述的步骤(3)中的预处理方法为一阶导数法、消除常数偏移量、矢量归一法和最小-最大归一法中的一种或多种联合使用。
5.根据权利要求3所述的一种快速检测黄酒品质指标的方法,其特征在于:所述的黄酒品质指标模型建立和检验优化方法的步骤(4)中的内部交叉验证法的具体方法为:每次交叉剔除一个或若干个样品,用其他样品建模预测被剔除的样品得到样品预测值,依次进行;并通过比较样品预测值与其化学值的决定系数(R2)和均方根差(RMSECV)来衡量模型的质量,其中,RMSECV和R2由以下公式计算:
其中:Differi表示第i个样品的化学值和样品预测值之差,M为样品数,yi为第i个样品的化学值,ym为M个样品预测值的平均值。
6.根据权利要求3所述的一种快速检测黄酒品质指标的方法,其特征在于:所述的步骤(4)中的光谱定量分析软件包对模型进行检验的方法为:输入检验样品集的标准光谱和化学值,利用优化后建立的数学模型对检验样品集进行预测,通过比较预测的均方根差(RMSEP)与模型交叉检验的均方根差(RMSECV)来衡量模型的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA200710306842XA CN101216419A (zh) | 2007-12-28 | 2007-12-28 | 一种快速检测黄酒品质指标的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA200710306842XA CN101216419A (zh) | 2007-12-28 | 2007-12-28 | 一种快速检测黄酒品质指标的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101216419A true CN101216419A (zh) | 2008-07-09 |
Family
ID=39622897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA200710306842XA Pending CN101216419A (zh) | 2007-12-28 | 2007-12-28 | 一种快速检测黄酒品质指标的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101216419A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102023137A (zh) * | 2009-09-18 | 2011-04-20 | 贵州仁怀茅台镇金士酒业有限公司 | 一种白酒鉴别方法 |
CN102175638A (zh) * | 2011-01-05 | 2011-09-07 | 浙江科技学院 | 一种快速无损检测黄酒成分含量的装置 |
CN101655453B (zh) * | 2008-08-22 | 2011-09-28 | 劲牌有限公司 | 中药保健酒生产过程中总黄酮、总皂苷的近红外光谱快速无损在线监测方法 |
CN102590129A (zh) * | 2012-01-11 | 2012-07-18 | 中国农业科学院农产品加工研究所 | 近红外检测花生中氨基酸含量的方法 |
CN102759607A (zh) * | 2012-07-23 | 2012-10-31 | 福州大学 | 一种快速测定黄酒中非糖固形物的方法 |
CN102798606A (zh) * | 2012-08-08 | 2012-11-28 | 福建中烟工业有限责任公司 | 一种快速检测烟用香液料液配制比例的方法 |
CN104865360A (zh) * | 2015-06-03 | 2015-08-26 | 四川理工学院 | 一种浓香型大曲质量评价方法及*** |
CN104905636A (zh) * | 2015-07-02 | 2015-09-16 | 成都小爱未来智慧科技有限公司 | 基于近红外光谱检测液体物质的智能水杯 |
CN104949935A (zh) * | 2014-03-31 | 2015-09-30 | 徐军 | 利用近红外光谱实现白酒生产实时监测的方法 |
CN104949934A (zh) * | 2014-03-31 | 2015-09-30 | 徐军 | 利用近红外光谱快速检测白酒中主要成分的方法 |
CN104977296A (zh) * | 2015-06-30 | 2015-10-14 | 江苏大学 | 一种新型的酒精度的检测方法及装置 |
CN107643262A (zh) * | 2017-11-06 | 2018-01-30 | 陈如凯 | 8到10度黄酒非糖固形物简便快速测定方法 |
CN107796690A (zh) * | 2017-11-06 | 2018-03-13 | 陈如凯 | 10到12度黄酒非糖固形物简便快速测定方法 |
WO2019119615A1 (zh) * | 2017-12-21 | 2019-06-27 | 深圳出入境检验检疫局食品检验检疫技术中心 | 一种葡萄酒口感量化方法 |
CN110646532A (zh) * | 2019-09-20 | 2020-01-03 | 上海应用技术大学 | 基于矢量模型研究郎酒中酯类物质香气相互作用的方法 |
CN111721740A (zh) * | 2020-06-23 | 2020-09-29 | 佛山市海天(江苏)调味食品有限公司 | 一种基于定标模型的调味品理化指标检测方法 |
-
2007
- 2007-12-28 CN CNA200710306842XA patent/CN101216419A/zh active Pending
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655453B (zh) * | 2008-08-22 | 2011-09-28 | 劲牌有限公司 | 中药保健酒生产过程中总黄酮、总皂苷的近红外光谱快速无损在线监测方法 |
CN102023137B (zh) * | 2009-09-18 | 2014-05-14 | 贵州国台酒业有限公司 | 一种白酒鉴别方法 |
CN102023137A (zh) * | 2009-09-18 | 2011-04-20 | 贵州仁怀茅台镇金士酒业有限公司 | 一种白酒鉴别方法 |
CN102175638A (zh) * | 2011-01-05 | 2011-09-07 | 浙江科技学院 | 一种快速无损检测黄酒成分含量的装置 |
CN102590129B (zh) * | 2012-01-11 | 2014-03-26 | 中国农业科学院农产品加工研究所 | 近红外检测花生中氨基酸含量的方法 |
CN102590129A (zh) * | 2012-01-11 | 2012-07-18 | 中国农业科学院农产品加工研究所 | 近红外检测花生中氨基酸含量的方法 |
CN102759607A (zh) * | 2012-07-23 | 2012-10-31 | 福州大学 | 一种快速测定黄酒中非糖固形物的方法 |
CN102759607B (zh) * | 2012-07-23 | 2014-12-10 | 福州大学 | 一种快速测定黄酒中非糖固形物的方法 |
CN102798606A (zh) * | 2012-08-08 | 2012-11-28 | 福建中烟工业有限责任公司 | 一种快速检测烟用香液料液配制比例的方法 |
CN102798606B (zh) * | 2012-08-08 | 2015-09-30 | 福建中烟工业有限责任公司 | 一种快速检测烟用香液料液配制比例的方法 |
CN104949935A (zh) * | 2014-03-31 | 2015-09-30 | 徐军 | 利用近红外光谱实现白酒生产实时监测的方法 |
CN104949934A (zh) * | 2014-03-31 | 2015-09-30 | 徐军 | 利用近红外光谱快速检测白酒中主要成分的方法 |
CN104865360A (zh) * | 2015-06-03 | 2015-08-26 | 四川理工学院 | 一种浓香型大曲质量评价方法及*** |
CN104977296A (zh) * | 2015-06-30 | 2015-10-14 | 江苏大学 | 一种新型的酒精度的检测方法及装置 |
CN104905636A (zh) * | 2015-07-02 | 2015-09-16 | 成都小爱未来智慧科技有限公司 | 基于近红外光谱检测液体物质的智能水杯 |
CN107643262A (zh) * | 2017-11-06 | 2018-01-30 | 陈如凯 | 8到10度黄酒非糖固形物简便快速测定方法 |
CN107796690A (zh) * | 2017-11-06 | 2018-03-13 | 陈如凯 | 10到12度黄酒非糖固形物简便快速测定方法 |
WO2019119615A1 (zh) * | 2017-12-21 | 2019-06-27 | 深圳出入境检验检疫局食品检验检疫技术中心 | 一种葡萄酒口感量化方法 |
CN110646532A (zh) * | 2019-09-20 | 2020-01-03 | 上海应用技术大学 | 基于矢量模型研究郎酒中酯类物质香气相互作用的方法 |
CN111721740A (zh) * | 2020-06-23 | 2020-09-29 | 佛山市海天(江苏)调味食品有限公司 | 一种基于定标模型的调味品理化指标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101216419A (zh) | 一种快速检测黄酒品质指标的方法 | |
Chen et al. | Rapid measurement of total acid content (TAC) in vinegar using near infrared spectroscopy based on efficient variables selection algorithm and nonlinear regression tools | |
CN104062257B (zh) | 一种基于近红外光谱测定溶液中总黄酮含量的方法 | |
CN103134767B (zh) | 一种红外光谱校正鉴定白酒品质的方法 | |
CN102435556B (zh) | 用于复杂非均相混合物体系的准确光谱定量分析方法 | |
CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN102252972B (zh) | 基于近红外光谱快速鉴别油茶籽油真实属性的检测方法 | |
CN105092519B (zh) | 基于增量偏最小二乘法的样品成份测定方法 | |
CN107703097A (zh) | 利用衰减全反射探头与近红外光谱仪构建快速预测原油性质的模型的方法及其应用 | |
CN104062259A (zh) | 一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法 | |
Ouyang et al. | Measurement of non-sugar solids content in Chinese rice wine using near infrared spectroscopy combined with an efficient characteristic variables selection algorithm | |
CN108020526A (zh) | 一种丁羟推进剂药浆组分近红外检测方法 | |
CN105548027A (zh) | 基于近红外光谱测定调和油中茶油含量的分析模型及方法 | |
Cozzolino | State-of-the-art advantages and drawbacks on the application of vibrational spectroscopy to monitor alcoholic fermentation (beer and wine) | |
CN101701911A (zh) | 一种检测发酵物料中还原糖含量的方法 | |
CN103134763B (zh) | 由红外光谱预测原油密度的方法 | |
CN108072627A (zh) | 一种用中红外光谱快速检测酱油中氨基酸态氮和总酸含量的方法 | |
CN103487398B (zh) | 一种赖氨酸发酵液的分析方法 | |
CN103760130B (zh) | 近红外光谱测定复方麝香注射液中吐温-80含量的方法 | |
CN100443883C (zh) | 用近红外光谱测定加氢尾油链烷烃族组成的方法 | |
CN102954946A (zh) | 由红外光谱测定原油硫含量的方法 | |
CN105911014A (zh) | 一种白酒浓度的在线检测技术 | |
CN109540837A (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
CN107356556A (zh) | 一种近红外光谱定量分析的双集成建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080709 |