论文部分内容阅读
本实验以安溪铁观音为研究材料,基于近红外光谱分析技术结合遗传算法,对茶样的近红外光谱特征波长进行筛选,优化并建立相关的数学分析模型,对安溪铁观音品质进行定量和定性测定,并实现安溪铁观音产地的快速、准确判别。完善茶叶快速无损检测体系,促进我国茶产业的标准化进程,也为我国茶叶地理标志产品保护提供技术支持。1、基于遗传算法的茶多酚快速测定模型优化研究本研究基于遗传算法建立GA-PLS多酚定量检测模型。优化结果表明,优化后的茶多酚GA-PLS测定模型,与全谱段PLS模型对比,建模波数从1557个数据精简为552个,有效简化模型,对验证集样品预测相关系数从0.73提高至0.97,提高了 32.9%;预测均方根误差也从0.91减小到0.3,降低了67%,能够很好的实现对安溪铁观音的茶多酚含量快速、准确的测定。2、基于遗传算法的安溪铁观音品质快速评价研究为探究一种快速无损的安溪铁观音品质评价方法,本实验利用遗传算法结合偏最小二乘法,建立全谱段的PLS分析模型与GA-PLS分析模型,分别用于安溪铁观音综合品质得分测定与单因子品质得分测定。（1）安溪铁观音综合品质得分测定模型结果显示:傅立叶变换近红外（FT-NIR）全谱段光谱在经过平滑+二阶导数+归一化处理后,PLS模型预测性能最高,模型分析结果为:校正集相关系数Rc=0.921,校正集均方根误差RMSEC=0.543,验证集相关系数RP=0.913,验证集均方根误差RMSEP=0.665。选用近红外光谱6670cm-4000cm-1谱区,采用遗传算法进行特征波长筛选,参与建模数据点数从1557缩减到408个。优选波段后,GA-PLS模型分析结果为:校正集相关系数Rc=0.959,校正集均方根误差RMSEC=0.413,验证集相关系数RP=0.94,验证集均方根误差RMSEP=0.587。可见,GA-PLS模型对校正集和验证集的预测结果均优于全谱段PLS模型。研究表明,综合品质评价GA-PLS模型具有较强的参考和推广价值。（2）建立滋味、香气和汤色3项单因子品质得分的GA-PLS测定模型,且3个模型对验证集样品的预测相关系数RP均在0.91以上,说明基于遗传算法的单因子品质得分GA-PLS测定模型均具备较好的预测能力。与综合品质得分GA-PLS测定模型相比较,综合品质得分GA-PLS模型的预测结果均优于三项单因子品质得分GA-PLS模型。研究表明,品质总分预测模型更加综合和精确的反映茶样整体品质情况,可应用于安溪铁观音的品质评价。3、基于遗传算法的安溪铁观音产地判别研究（1）应用近红外光谱分析技术结合遗传算法进行光谱特征波段的筛选,以径向基（RBF）函数作为支持向量机分类法的核函数,建立地理标志产品识别模型,对安溪县、大田县和华安县三个不同产区的铁观音产品进行判别。结果显示,在惩罚系数C为104,核参数g为0.0075的条件下,以一阶导+归一化方式处理后的光谱信息作为输入量,构建的安溪铁观音GA-SVM产地判别模型具有最强的预测能力。对安溪县、大田县和华安县三地的校正集样品正确判别率高达99.42%,对验证集样品正确判别率达95.18%,对校正集和验证集的交叉验证正确判别率达98.4%,与全谱段的SVM产地判别模型相比,很大程度提高了产地判别精度,对验证集茶样产地的正确判别率提高了 10.84个百分点,成功实现安溪铁观音和非原产地铁观音之间的产地判别。（2）建立安溪县长坑乡、感德镇和桃舟乡三地的铁观音茶原产地GA-SVM可追溯模型。结果表明,光谱信息经一阶导数+归一化处理后,安溪铁观音原产地GA-SVM可追溯模型的正确判别率相对较高。对校正集正确判别率为93.04%,但是对验证集正确判别率仅达72%,对50个验证集样本仅正确判别36个,错判14个,误差较大。可见,实验样品容量较小,且长坑乡、感德镇和桃舟乡三个地域靠近,相似的生态环境和制作工艺导致茶叶品质差异小,直接影响了模型的判别精度。还需进一步加强对建模方式的优化研究,暂不建议将此模型应用于实际生产。