为更快、更准确的判别掺杂牛奶和纯牛奶,将二维异谱NIR-IR相关谱与多维偏最小二乘判别(NPLS-DA)相结合,建立了掺杂牛奶与纯牛奶NPLS-DA模型.首先,准备并配置纯牛奶和浓度范围为0.01~1 g·L-1掺杂淀粉牛奶样品各36个,并在室温的条件下采集所有样品的一维近红外透射光谱和中红外衰减全反射光谱.接着,计算了所有样品在4 200~4 800和900~1 700 cm-1范围的同步二维NIR-IR相关谱,研究了其二维相关谱特性,并指出虽然该技术可提供更多的信息,但由于掺杂物微量,仍旧无法根据相关图谱直接对比判定牛奶是否掺杂,需要借助模式识别的方法进行判别.最后,将同步二维NIR-IR相关谱与NPLS-DA结合建立掺杂牛奶与纯牛奶的判别模型,该模型对校正集内部样品和预测集外部样品的判别正确率分别为95.8%和100%.此外,为了比较,分别建立了基于二维NIR和IR相关光谱的NPLS-DA模型,两模型对未知样品的判别正确率均为95.8%.研究结果表明:采用NIR-IR相关谱的NPLS-DA模型能提供更好判别结果.该方法可有效提取食品中掺杂物的特征信息,为检测掺杂食品提供了一个新的方法.

为了有效地提取牛奶中微量的掺杂物特征信息, 提出了基于二维相关近红外光谱多维主成分分析(MPCA)和最小二乘支持向量机(LS-SVM) 判别牛奶掺杂物的方法。首先, 采集纯牛奶、掺杂尿素牛奶和掺杂三聚氰胺牛奶的一维近红外谱, 并对其进行相关计算, 构建各样品的二维相关近红外谱。然后, 采用多维主成分分析法分析二维相关谱矩阵, 压缩数据, 提取相关谱的得分矩阵。最后, 将提取的得分矩阵输入最小二乘支持向量机, 分别建立掺杂尿素牛奶、掺杂三聚氰胺牛奶及两种掺杂牛奶与纯牛奶的LS-SVM判别模型。用所建模型对测试集未知样品进行了判别, 结果显示其判别正确率分别为92.3%, 96.2%, 92.3%。研究结果表明: 所提出的方法不仅有效提取了牛奶中掺杂物的特征信息, 而且缩短了建模所需时间, 取得了较好的判别效果。

基于纯牛奶、 掺杂牛奶样品间二维红外相关谱欧氏距离, 依据未知样品与校正集中“极值样品”欧氏距离平均值、 组内、 组间样品欧氏距离平均值, 提出了一种掺杂牛奶判别的新方法。分别配置掺杂尿素牛奶(0.01～0.3 g·L-1)和掺杂三聚氰胺牛奶(0.01～0.3 g·L-1)样品各16个, 采集纯牛奶及掺杂牛奶样品的红外光谱。以牛奶中掺杂物浓度为外扰, 构建纯牛奶与掺杂牛奶的同步二维红外相关谱, 并计算了各样品相关谱矩阵间的欧氏距离。在此基础上, 分别建立掺杂尿素牛奶、 掺杂三聚氰胺牛奶与纯牛奶的判别模型, 确定模型中的“极值样品”, 组内、 组间样品欧氏距离平均值。利用所建模型, 计算未知样品与“极值样品”的欧式距离, 并依据判别规则, 对未知样品进行判别。研究结果表明: 基于样品红外相关谱矩阵间欧氏距离可实现掺杂牛奶的判别, 其判别正确率为100%, 验证了该方法的有效性。该研究为掺杂牛奶的检测提供了一种新的可能方法。

基于红外光谱和最小二乘支持向量机建立掺杂牛奶与纯牛奶的判别模型。分别配置含有葡萄糖牛奶(0.01~0.3 gL-1)和三聚氰胺牛奶(0.01~0.3 gL-1)样品各36个, 采集纯牛奶及掺杂牛奶样品的红外光谱。采用最小二乘支持向量机分别建立掺杂葡萄糖、掺杂三聚氰胺、两种掺杂牛奶与纯牛奶的判别模型, 并利用这些模型对未知样品进行判别, 其判别正确率都为95.8%。研究结果表明: 与线性的偏最小二乘判别建模方法相比, 最小二乘支持向量机方法具有更强的预测能力。

将参量化二维相关谱方法与最小二乘向量机结合起来, 建立一种新的掺杂牛奶判别方法.采集48个合格纯牛奶样品, 并分别配置浓度范围0.01~0.3 g/L的掺杂尿素牛奶、掺杂三聚氰胺牛奶和掺杂四环素牛奶各16个.在研究纯牛奶和掺杂牛奶二维相关红外同步谱特性的基础上, 提取并计算了各样品相关同步谱的6个统计特征参量.将处理后的6个特征参量输入最小二乘支持向量机, 建立掺杂牛奶与纯牛奶的判别模型, 该模型对未知样品的判别正确率为90.6%.结果表明：参量化二维相关谱和最小二乘支持向量机为快速判别牛奶是否掺杂提供了一种新的可能的方法.

将二维相关近红外谱参数化方法与BP神经网络结合, 建立掺杂牛奶与纯牛奶的判别模型。 分别配制含有尿素牛奶（1～20 g·L-1）和三聚氰胺牛奶（0.01～3 g·L-1）样品各40个。 研究了纯牛奶、 掺杂牛奶的二维相关近红外谱特性, 在此基础上, 分别提取了各样品二维相关同步谱的5个特征参数。 将这5个特征参数作为BP神经网络的输入, 分别建立掺杂尿素、 掺杂三聚氰胺、 两种掺杂牛奶与纯牛奶的判别模型, 采用这些模型对未知样品进行预测, 其预测正确率分别为95%, 100%和96.7%。 研究结果表明: 该方法有效地提取了牛奶中掺杂目标物的特征光谱信息, 同时又减少了BP神经网络输入变量的维数, 实现了掺杂牛奶与纯牛奶的鉴别。

为了快速、准确地检测掺杂牛奶，采用基于核隐变量正交投影(K-OPLS）法分析了掺杂牛奶的光谱。选用高斯函数作为核函数，内部交叉验证均方根(RMSECV）最小值作为评价指标，优选了核函数中的核宽度σ以及Y正交成分数。配置含四环素牛奶(0.01~0.3 gL-1）、三聚氰胺牛奶(0.01~0.3 gL-1）和葡萄糖牛奶(0.01~0.3 gL-1）各36个，采集纯牛奶及掺杂牛奶样品的红外光谱，采用K-OPLS建立各掺杂牛奶与纯牛奶的判别模型。利用这些模型对未知样品进行判别，结果显示对掺杂四环素、三聚氰胺、葡萄糖牛奶的判别正确率分别为100%、100%、95.8%。建立了同时判别3种掺杂牛奶与纯牛奶的K-OPLS模型，该模型对未知样品的判别正确率为93.1%; 同时，与偏最小二乘判别PLS-DA方法的预测结果进行了比较，结果表明：K-OPLS建模方法对于复杂的牛奶体系具有较好的预测能力。

运用核隐变量正交投影（kernel orthogonal projection to latent structure, KOPLS）方法, 建立掺杂牛奶与纯牛奶的判别模型。 分别配置含有三聚氰胺牛奶（0.01～3 g·L-1）和尿素牛奶（1～20 g·L-1）样品各40个, 采集纯牛奶及掺杂牛奶样品的近红外光谱。 选择4 200～4 800 cm-1为建模区间, 采用KOPLS分别建立掺杂三聚氰胺、 掺杂尿素、 两种掺杂牛奶与纯牛奶的判别模型, 并利用这些模型对未知样品进行判别。 研究结果表明: 与偏最小二乘判别（partial least squares discriminant analysis, PLS-DA）和隐变量正交投影判别（orthogonal projections to latent structures discriminant analysis, OPLS-DA）建模方法相比, KOPLS-DA具有更强的掺杂判别能力, 对掺杂三聚氰胺、 掺杂尿素牛奶和两种掺杂牛奶的判别正确率分别为95%, 100%和97.5%。

将二维相关近红外谱与多维偏最小二乘判别分析方法结合起来，建立了掺杂牛奶与纯牛奶的判别模型.分别配置掺杂尿素牛奶（1~20 g/L）和掺杂三聚氰胺牛奶（0.01~3 g/L）样品各40个，采集纯牛奶及掺杂牛奶样品的近红外光谱.在量化二维相关近红外同步谱的基础上，采用多维偏最小二乘判别分析法分别建立了掺杂尿素、掺杂三聚氰胺及两种掺杂牛奶与纯牛奶的判别模型对未知样品进行判别，其判别正确率分别为95%、90%和92.5%，并与偏最小二乘判别和隐变量正交投影判别建模方法进行了比较.结果表明：多维偏最小二乘判别分析法具有更强的预测能力可推广到其它食品的掺杂检测中.