有关调和油快速准确定量检测的研究对于调和油质量控制具有重要意义。 以往对调和油定量分析的研究大多集中于二元、 三元和四元调和油, 对更高元数调和油的研究很少, 难以满足调和油检测需求。 该研究的目的是探讨近红外光谱结合化学计量学对五元调和油中各单组分油进行定量分析的可行性。 由玉米油、 大豆油、 稻米油、 葵花油和芝麻油配制成51个五元调和油样品, 并采集各样品12 000～4 000 cm-1范围内的近红外透射光谱。 首先, 采用光谱-理化值共生距离(SPXY)算法将调和油样品划分为38个校正集和13个预测集样品。 其次, 考察了主成分回归(PCR)、 偏最小二乘(PLS)、 支持向量回归(SVR)、 人工神经网络(ANN)、 极限学习机(ELM)等五种多元校正方法对五元调和油各组分定量分析的建模效果。 然后, 在最佳建模方法的基础上比较了SG平滑、 标准正态变量(SNV)、 多元散射校正(MSC)、 一阶导数(1st Der)、 二阶导数(2nd Der)和连续小波变换(CWT)六种光谱预处理方法, 并讨论了预处理方法有效地原因。 最后, 在最佳预处理方法的基础上进一步利用竞争自适应重加权采样(CARS)和蒙特卡罗无信息变量消除法(MCUVE)筛选与预测组分相关的变量。 结果显示, 在五种建模方法中, PLS是最佳的建模方法, 对玉米油、 大豆油、 稻米油、 葵花油和芝麻油五种组分的预测均方根误差(RMSEP)分别为5.564 4, 5.559 2, 3.592 6, 7.421 8和4.193 0。 经过光谱预处理-变量选择, 再建立PLS模型, 对五种组分的RMSEP分别降低至1.955 3, 0.562 4, 1.145 0, 1.619 0和1.067 1, 预测相关系数(Rp)均高于0.98, 表明采用合适的光谱预处理和变量选择方法, 可以明显提高五元调和油中各单组分油定量分析的预测准确度。 该研究为多组分调和油的快速无损定量检测提供了一种参考。

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization， QPSO)算法优化多输出最小二乘支持向量机（multi-output least squares support vector machine， MLSSVM）的新混合优化算法。 该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、 芝麻油、 葵花油和大豆油的快速定量鉴别。 采用基线校正去除背景荧光， 结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。 构建基于QPSO-MLSSVM混合优化算法的定量分析模型， 并采用20个组分组成的预测集对其进行模型校验。 实验结果表明， 基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好， 均方差(mean square error, MSE)为00241， 低于005， 各油分预测相关系数均高于98%。 研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法， 对四组分调和油中各油分进行快速定量检测可行， 具备较强的自适应能力和良好的预测精度， 可以满足多组分调和油的成分鉴别。

提出了一种将拉曼光谱和基于粒子群的最小二乘支持向量机(PSO-LSSVM)算法相结合快速定量检测三组分食用调和油含量的方法。 以三组分的食用调和油为研究对象, 对拉曼光谱分四步进行了预处理, 进而准确提取拉曼光谱的特征峰强度。 以训练集样本的特征峰强度和调和油样品的百分比含量作为回归预测模型的输入值和输出值, 建立LSSVM和PSO-LSSVM数学模型, 通过测试集样本的相关系数和均方误差对模型的预测能力进行分析。 非线性建模的最小二乘支持向量机(LSSVM)算法的核函数参数σ和正则化参数γ对模型的学习和泛化能力影响很大, 导致模型的预测精度和泛化能力过度依赖于参数——在优化步长过小时耗时较长, 过大时又无法得到全局最优值。 提出的PSO-LSSVM算法, 利用粒子群全局优化能力和收敛速度快的特点对LSSVM的模型参数σ和γ进行优化, 从而克服LSSVM算法中耗时与盲目性的问题。 分析结果表明, PSO-LSSVM算法对三组分食用调和油中大豆油、 花生油和葵花仁油定量预测模型的测试集相关系数分别为0.967 7, 0.997 2, 0.995 3； 均方误差分别为0.054 9, 0.009 2, 0.047 1。 与LSSVM算法相比, PSO-LSSVM模型的预测精度更高。 因此, 该方法可以快速、 准确地检测三组分食用调和油的含量。

目前食用调和油市场混乱, 存在混淆概念、 随意冠名、 以次充好等问题, 特别是调和油成分和配比标准模糊不清。 国家食用调和油标准历经八年仍未能如期出台, 其根本原因在于缺乏对调和油中植物油定性及定量检测的有效方法。 食用调和油是由不同的植物油按一定比例混合而成, 含有丰富的营养成分, 在日常生活中经常使用。 不同的植物油含有特定的组成成分, 将各种植物油进行混合可以充分利用其中的营养物质, 使调和油中营养成分更加均衡, 有利于人的身体健康。 因此准确测定调和油中单一植物油的含量可以有效对调和油市场进行监管。 同时由于调和油中植物油种类是确定的, 仅需对其含量进行准确测定。 利用三维荧光光谱对调和油中植物油含量进行测定, 提出一种新的数据处理方法, 采用拟蒙特卡洛原理对选定的特征区域进行特征峰积分, 结合神经网络方法求解非线性方程组, 得出调和油中各单一植物油含量。 选用花生油, 大豆油, 葵花油为研究对象, 用不同比例单一植物油调和成食用调和油, 不考虑每种单一植物油的具体组分, 仅将其作为整体研究。 通过测定10组不同调和比例的调和油的回收率, 验证特征峰积分法的有效性, 为高灵敏度检测混合物复杂组分含量提供一种有效方法,与常用的解线性方程组测定混合物组分浓度的方法进行比较, 回收率的准确度提高, 可以用于食品质量检测人员对食用调和油中所用植物油种类及含量进行检测, 为国家标准的出台提供一种有效参考。

应用激光拉曼光谱技术结合化学计量学方法实现了三组分食用调和油中菜籽油、花生油和芝麻油的快速定量检测。分别采用标准正态变量变换(SNV)+去趋势(de-trending)算法和正交信号校正(OSC)算法对600～3 000 cm-1波段的原始拉曼光谱进行预处理。建立了基于非线性支持向量机(SVM)和线性偏最小二乘(PLS)回归算法的定量分析模型,并采用19个预测集通过外部交叉验证法对模型进行验证。实验结果显示: 对含有菜籽油、花生油和芝麻油的三组分食用调和油,以OSC预处理后建立的线性PLS模型预测效果最好,其验证集决定系数R2p分别为0.990 4,0.965 8,0.977 1,均方根误差(RMSEP)分别为0.018 8,0.037 9,0.026 2。研究结果表明,利用激光拉曼光谱结合化学计量学方法快速定量检测三组分食用调和油中菜籽油、花生油和芝麻油的含量具有可行性,并获得了较高的预测精度。

以大豆油、 花生油和玉米油三组分食用调和油为研究对象， 采集样品在10 000～4 200 cm-1范围内的近红外透射光谱， 对光谱进行不同预处理后结合偏最小二乘法分别建立调和油中三组分的定量分析模型， 并检验模型预测的准确度和精密度。 结果显示， 一阶导数结合多元散射校正(FD+MSC)， 一阶导数结合减去一条直线（FD+SLS）以及一阶导数（FD）进行光谱预处理， 可以得到大豆油、 花生油以及玉米油含量的最优定标模型， 分别是在5 450.1～4 597.7 cm-1， 7 521.3～6 098.1 cm-1和9　993.7～7　498.2 cm-1谱区范围内获得的。 各预测模型的相关系数R2和预测均方根RMSEP分别为99.89%， 1.09%； 99.88%， 1.17%； 99.76%， 1.48%； 配对t检验值在0.371 9～0.007 9之间； 预测相对标准偏差RSD均小于1.50%。 表明傅里叶变换近红外透射光谱分析技术可以快速准确可靠地检测三组分食用调和油中大豆油、 花生油、 玉米油的含量。

采用偏最小二乘法(PLS)等方法建立了食用调和油中花生油含量定量分析的近红外光谱定标模型.采集食用调和油样品在4 000 cm-1～10 000 cm-1范围内的近红外漫反射光谱,光谱经一阶导数处理后,采用偏最小二乘法建立样品中花生油含量的定标模型,并用Leave-one-out内部交叉验证法对模型进行验证.模型相关系数为0.99961,校正均方根RMSEC为0.830 %.比较不同光谱预处理方法对定标模型的影响,结果表明一阶导数Corr.coeff最好.采用不同的化学计量学方法建立的定标模型中以偏最小二乘回归法最理想.