论文部分内容阅读
本研究以茶叶中的总氮、茶氮酸的含量为检测指标，结合化学计量学方法开展了近红外光谱分析技术定量分析，以及“金山翠芽”真假识别的定性分析的研究，主要从预处理方法选择、建模方法优化、波长优选等方面深入探讨了近红外光谱技术预测建模中的几个关键问题，旨在为茶叶品质的无损检测和鉴定提供新的参考。
本研究共收集了80个不同种茶叶样品，采用MPA型傅立叶近红外光谱仪采集茶叶的近红外漫反射光谱，分别同步检测了茶叶中的总氮、茶氨酸2个主要成分含量的化学值。
比较了一阶微分、二阶微分、MSC、SNV、OSC和小波等多种预处理方法的效果，找出了总氮和茶氮酸的最佳预处理方法是SNV、小波变换和一阶微分。进行优选小波基的研究，总氮和茶氨酸分别采用db6和Bior1.1小波基时所建模型精度最佳。同时，根据主成分权重在不同波长下分布，优化波长参与建模，结果表明去除10570.56213cm-1～9606.27075cm-1波段，能够增加模型的精度，此时茶叶总氮组分的预测相关系数为0.9531，预测均方差为0.0698；茶氨酸组分的预测相关系数为0.9489，预测均方差为0.2593。
建立PCs—BP—ANN和PCs—LS—SVM两种非线性模型。结果表明：PCs—BP—ANN模型对参与训练的校正集样本的自预测能力很好，但对预测集样本的预测能力(或泛化能力)较差，均低于PLS和PCs—LS—SVM所建模型的预测能力。PCs—LS—SVM模型的预测能力优于PLS模型和PCs—BP—ANN模型。此时茶叶总氮组分的预测相关系数为0.9580，预测均方差为0.0601；茶氨酸组分的预测相关系数为0.9505，预测均方差为0.2438。
对真假“金山翠芽”的快速识别的近红外光谱分析方法进行了研究。采用移动窗口偏最小二乘法结合人工神经网络(mwPLS+BP)的模式识别方法对“金山翠芽”进行了识别，通过预测集样品的预测验证，18个预测样品的预测判断正确率达94.44％。采用支持向量机建立“金山翠芽”真假预测模型，以一阶光谱主成分作为输入变量，当取7个主成分时，可以达到100％的预测正确率。表明茶叶近红外光谱结合支持向量机方法识别市场上真假“金山翠芽”是可行的。