光譜預(yù)處理結(jié)合模擬退火算法的小麥粉面筋含量檢測(cè)

孫曉榮，周子健，劉翠玲，付新鑫，竇 穎

光譜預(yù)處理結(jié)合模擬退火算法的小麥粉面筋含量檢測(cè)

孫曉榮，周子健，劉翠玲，付新鑫，竇 穎

（北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，食品安全大數(shù)據(jù)技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048）

為得到可靠的小麥粉中面筋含量定量分析模型，基于光譜預(yù)處理及模擬退火算法（simulated annealing algorithm，SAA）對(duì)近紅外光譜（near infrared spectroscopy，NIR）進(jìn)行優(yōu)化處理。偏最小二乘（partial least squares，PLS）回歸用于建立預(yù)測(cè)模型，以決定系數(shù)R2、校正均方根誤差（root mean square error of calibration，RMSEC）、預(yù)測(cè)均方根誤差（root mean square error of prediction，RMSEP）為指標(biāo)，對(duì)比在不同光譜預(yù)處理?xiàng)l件下建立的回歸模型與光譜預(yù)處理結(jié)合模擬退火算法優(yōu)化處理?xiàng)l件下的回歸模型。結(jié)果表明光譜預(yù)處理結(jié)合SAA-PLS模型能夠有效提高模型的穩(wěn)定性和預(yù)測(cè)能力，將R2從0.763 7提高到0.949 1、RMSEC從1.371 2降低到0.589 8、RMSEP從1.450 2降低到0.534 1。結(jié)果說(shuō)明，光譜預(yù)處理結(jié)合模擬退火算法對(duì)光譜進(jìn)行優(yōu)化處理是可行的，模型預(yù)測(cè)能力和穩(wěn)定性均優(yōu)于未處理模型和僅進(jìn)行光譜預(yù)處理的模型。

近紅外光譜；模擬退火算法；光譜預(yù)處理；偏最小二乘法；面筋

小麥粉是我國(guó)最主要的主食之一，由于營(yíng)養(yǎng)價(jià)值高、容易貯藏等特點(diǎn)，國(guó)家將其作為重要的商品糧食。面筋是指將面粉制成面團(tuán)后在清水中搓洗，當(dāng)?shù)矸?、麩皮微粒、可溶于水和稀NaCl溶液的蛋白質(zhì)等成分洗去，最后剩余有黏性且不溶于水的膠狀物，其含量主要影響面食的彈性和黏性等[1-2]。目前最普遍使用的方法是水洗法測(cè)定，但水洗法存在許多因素影響面筋的收率及質(zhì)量。目前，也有些廠家使用面筋檢測(cè)儀代替手洗法測(cè)量以減少人為誤差，但效果參差，沒(méi)有得到廣泛應(yīng)用。近幾年，已經(jīng)有研究人員將近紅外光譜技術(shù)應(yīng)用于小麥粉中面筋含量的檢測(cè)，但在工廠實(shí)際生產(chǎn)中大多還是采用耗時(shí)耗力的國(guó)標(biāo)法測(cè)量。造成這種情況的因素很多，但主要還是因?yàn)獒槍?duì)小麥粉的近紅外定量分析模型大多只停留在驗(yàn)證模型的可行性與可靠性，模型實(shí)際應(yīng)用效果不理想，模型的穩(wěn)健性低不能滿足工廠實(shí)際檢驗(yàn)工作要求。因此研究出一個(gè)既保證模型預(yù)測(cè)準(zhǔn)確度又保證模型穩(wěn)健性高的定量分析模型迫在眉睫。

目前，已經(jīng)有相關(guān)研究人員將光譜分析用于面粉面筋含量的檢測(cè)，孫營(yíng)偉等[3]將10 種光譜預(yù)處理方法應(yīng)用于面粉中面筋含量的定量模型上，實(shí)驗(yàn)證明光譜預(yù)處理可以去除部分無(wú)用的光譜信息，提高模型的預(yù)測(cè)精度；錢海波等[4]將連續(xù)投影算法用于優(yōu)化面粉中面筋含量定量分析模型，實(shí)驗(yàn)說(shuō)明敏感波長(zhǎng)優(yōu)選算法能夠進(jìn)一步提高模型的穩(wěn)健性和可行性。但實(shí)驗(yàn)中都存在相應(yīng)問(wèn)題，不經(jīng)過(guò)波長(zhǎng)優(yōu)選的模型無(wú)法讓決定系數(shù)和均方根誤差同時(shí)達(dá)到最優(yōu)，且模型復(fù)雜，計(jì)算量較大；而使用連續(xù)投影算法優(yōu)化模型則存在陷入局部最優(yōu)以及均方根誤差較大等問(wèn)題。

光譜預(yù)處理結(jié)合模擬退火算法（simulated annealing algorithm，SAA）在許多領(lǐng)域都有應(yīng)用。石吉勇等[5]將近紅外光譜結(jié)合SAA＋標(biāo)準(zhǔn)正交變換方法應(yīng)用在草莓堅(jiān)實(shí)度檢測(cè)中，實(shí)驗(yàn)證明了模擬退火算法結(jié)合光譜預(yù)處理的定量分析模型具有很高的準(zhǔn)確性和穩(wěn)定性，可以實(shí)現(xiàn)草莓的無(wú)損檢測(cè)。王文秀等[6]利用近紅外光譜結(jié)合SAA定量檢測(cè)了豬肉的新鮮程度，實(shí)驗(yàn)結(jié)果表明SAA對(duì)模型的準(zhǔn)確性有很大的提高。這些實(shí)例也為面粉的無(wú)損檢測(cè)提供理論借鑒。

在此基礎(chǔ)上，本實(shí)驗(yàn)提出光譜預(yù)處理結(jié)合SAA建立偏最小二乘（partial least squares，PLS）法定量分析模型快速檢測(cè)小麥粉中的面筋含量。實(shí)驗(yàn)對(duì)比多種預(yù)處理結(jié)合SAA-PLS建模的決定系數(shù)R2、校正均方根誤差（root mean square error of calibration，RMSEC）、預(yù)測(cè)均方根誤差（root mean square error of prediction，RMSEP）和相對(duì)分析誤差（relative percent deviation，RPD）等指標(biāo)得到最優(yōu)模型。

1 材料與方法

1.1 材料

實(shí)驗(yàn)中所用164 份小麥粉樣本均取自古船小麥粉生產(chǎn)廠不同批次以及不同種類的小麥粉產(chǎn)品，待測(cè)組分真實(shí)值均來(lái)自該小麥粉廠依據(jù)國(guó)標(biāo)法測(cè)得的實(shí)驗(yàn)數(shù)據(jù)，面筋含量分布范圍為27%～38%。

1.2 儀器與設(shè)備

Vertex 70傅里葉紅外光譜儀 德國(guó)布魯克公司。

1.3 方法

1.3.1 儀器參數(shù)條件

分辨率8 cm-1，樣本掃描次數(shù)64 次，背景掃描次數(shù)64 次，采集光譜范圍12 000～4 000 cm-1，光闌設(shè)置6 mm，掃描速率10 kHz。

1.3.2 PLS法

PLS法是光譜多元校正分析中應(yīng)用最廣的方法之一[7]，但在建立模型時(shí)噪聲干擾不可避免，在一定范圍內(nèi)嚴(yán)重影響模型質(zhì)量，經(jīng)過(guò)光譜預(yù)處理和波長(zhǎng)優(yōu)選，能夠全面提高模型的穩(wěn)定性和準(zhǔn)確性[8-9]。

1.3.3 光譜預(yù)處理

在建模過(guò)程中，對(duì)光譜進(jìn)行預(yù)處理是必不可少的。采用合適的預(yù)處理方法可以有效減少光譜采集過(guò)程中無(wú)關(guān)變量和噪聲的干擾，保留有效信息，降低模型復(fù)雜度，提高模型穩(wěn)健度[10-13]。

常用預(yù)處理方法有均值中心化、標(biāo)準(zhǔn)化、歸一化、Savitsky-Golay（SG）平滑法、導(dǎo)數(shù)法、標(biāo)準(zhǔn)正態(tài)變量變換（standard normalized variate，SNV）、多元散射校正（multiplicative scatter correction，MSC）、正交信號(hào)校正等[14-17]。在眾多預(yù)處理方法中，根據(jù)本實(shí)驗(yàn)研究結(jié)合樣本特性和預(yù)處理方法功能，對(duì)比分析最終選擇了3 種預(yù)處理方法，分別為矢量歸一化、SG平滑法以及SNV。

1.3.4 常用波長(zhǎng)篩選算法原理及特征

波長(zhǎng)優(yōu)選在近紅外光譜分析檢測(cè)中有很重要的意義，一方面可以簡(jiǎn)化模型，提高運(yùn)算的效率，另一方面由于非線性變量的剔除，可以得到預(yù)測(cè)準(zhǔn)確度高，穩(wěn)健度好的校正模型[18-21]。目前在光譜分析中，常用波長(zhǎng)篩選方法很多，如相關(guān)系數(shù)法、方差分析法等[22-23]，隨機(jī)優(yōu)化方法有蟻群算法[24]、無(wú)信息變量消除法[25]、SAA[26-27]、遺傳算法[28-29]等，如表1所示。

表1 常用波長(zhǎng)篩選算法原理及特征Table 1 Principle and characteristics of commonly used wavelength selection methods

無(wú)信息變量消除法適用于處理數(shù)據(jù)量很大的樣本，但算法中至關(guān)重要的主因子數(shù)沒(méi)有合適的方法來(lái)直接確定[30]。競(jìng)爭(zhēng)性自適應(yīng)權(quán)重取樣法有自適應(yīng)性良好的優(yōu)點(diǎn)且能夠提高模型的準(zhǔn)確度，但多用于定性模型[31]，遺傳算法和SAA是更適用于復(fù)雜性問(wèn)題的全局性算法，但遺傳算法存在過(guò)早收斂的問(wèn)題，并且對(duì)實(shí)驗(yàn)初值設(shè)置要求很高[32]，而SAA魯棒性好可并行處理數(shù)據(jù)，且具有初始點(diǎn)不依賴性和一定概率接受劣質(zhì)解的特點(diǎn)，增強(qiáng)了模型尋優(yōu)能力和靈活性[33-34]。所以綜合各方面考慮，為了避免專業(yè)經(jīng)驗(yàn)不足對(duì)實(shí)驗(yàn)結(jié)果的影響，本研究選定SAA為波長(zhǎng)篩選方法。

1.3.5 SAA

SAA采用類似于物理退火的過(guò)程，先在一個(gè)高溫狀態(tài)下（相當(dāng)于算法隨機(jī)搜索），然后逐漸退火，在每個(gè)溫度條件下（相當(dāng)于算法的每一次狀態(tài)轉(zhuǎn)移）緩慢冷卻（相當(dāng)于算法局部搜索），最終達(dá)到物理基態(tài)（相當(dāng)于算法找到最優(yōu)解）。

1.3.5.1 固體退火過(guò)程的數(shù)學(xué)表述

在溫度T，分子停留在狀態(tài)r滿足Boltzmann概率分布，由式（1）、（2）函數(shù)確定：

式中：E為分子能量的一個(gè)隨機(jī)變量；E（r）為狀態(tài)r的能量；kB大于0為Boltzmann常數(shù)；Z（T）為概率分布的標(biāo)準(zhǔn)化因子；E（s）為狀態(tài)能量。

1.3.5.2 Metropolis接受準(zhǔn)則

Metropolis接受準(zhǔn)則使算法跳離局部最優(yōu)“險(xiǎn)井”。由解i到解j的接受概率由式（3）函數(shù)確定：

式中：f（i）、f（j）分別表示解i、j的目標(biāo)函數(shù)；Tk為k時(shí)刻的溫度/℃。

依據(jù)接受準(zhǔn)則可以看出，目標(biāo)函數(shù)越小越好。在本實(shí)驗(yàn)中，目標(biāo)函數(shù)可以選擇校正模型的決定系數(shù)R2、交互驗(yàn)證均方根誤差或者RMSEP作為參數(shù)。

1.3.5.3 冷卻進(jìn)度表

用冷卻進(jìn)度表控制算法進(jìn)程，使算法在多項(xiàng)式時(shí)間里給出一個(gè)近似解。降溫策略選擇指數(shù)降溫，公式為：Tk＋1=Tk×α。衰減因子α越小所需的馬爾科夫鏈越長(zhǎng)，因此通常選取小衰減量來(lái)避免，終止條件S為溫度降到一個(gè)接近0的數(shù)值。實(shí)驗(yàn)針對(duì)其中的初始溫度以及衰減因子2 個(gè)重要參數(shù)進(jìn)行了不同取值的對(duì)比分析，探索適合小麥粉面筋含量的定量模型的最優(yōu)設(shè)置[35-36]。通過(guò)實(shí)驗(yàn)以及參考相關(guān)文獻(xiàn)，研究最終選擇的冷卻進(jìn)度表參數(shù)為T0為400 ℃，α為0.97，內(nèi)循環(huán)次數(shù)Lk為200，S為0.000 001 ℃。

1.4 數(shù)據(jù)處理

實(shí)驗(yàn)中利用OPUS7.0軟件將收集到的光譜轉(zhuǎn)換為數(shù)據(jù)點(diǎn)格式以及單一PLS回歸預(yù)測(cè)曲線，光譜預(yù)處理＋SAA結(jié)合PLS由Matlab 2014軟件完成。

2 結(jié)果與分析

2.1 采集樣品的近紅外光譜

實(shí)驗(yàn)中共164 份小麥粉樣本，基于SPXY樣本劃分法選取其中115 份樣本作為校正集，49 份樣本作為測(cè)試集。實(shí)驗(yàn)每隔半小時(shí)采集一次背景光譜，并保持室內(nèi)恒溫26 ℃。光譜儀器掃描次數(shù)設(shè)置為64 次，分辨率為8 cm-1，采集部分小麥粉樣本近紅外光譜如圖1所示。小麥粉的近紅外譜區(qū)光譜嚴(yán)重重疊，近紅外光譜圖中的與成分含量相關(guān)的信息很難直接提取出來(lái)并給予合理的光譜解析，因此需要對(duì)近紅外光譜進(jìn)行預(yù)處理。

圖1 部分小麥粉樣本的近紅外光譜圖Fig. 1 Near infrared spectra of wheat flour samples

2.2 結(jié)合光譜預(yù)處理的PLS定量模型對(duì)比

表2 不同預(yù)處理方法的定量模型結(jié)果對(duì)比Table 2 Comparison of PLS models developed with different pretreatment methods

如表2所示，光譜預(yù)處理后所建定量模型相較原始光譜模型準(zhǔn)確性在一定程度上有所提升，同時(shí)保證了模型的穩(wěn)健性不受影響，優(yōu)化效果較好。但從相關(guān)系數(shù)R2、RMSEC和RMSEP可以看出優(yōu)化效果有限，模型的預(yù)測(cè)準(zhǔn)確度達(dá)不到實(shí)際生產(chǎn)的水平，因此還需要借助其他優(yōu)化方法提升模型的預(yù)測(cè)精度與穩(wěn)健性。

2.3 SAA結(jié)合預(yù)處理優(yōu)化模型

實(shí)驗(yàn)選定SAA對(duì)波長(zhǎng)進(jìn)行篩選。SAA思想最早由Steinbrunn等[37]提出，之后經(jīng)過(guò)Kirkpatrick等[38]研究，成功的將SAA引入組合優(yōu)化領(lǐng)域。SAA的基本觀念來(lái)源于金屬的退火原理，算法基于Monte-Carlo迭代求解策略，將固體加熱至高溫，原子脫離原始位置隨機(jī)在其他位置移動(dòng)，之后伴隨溫度參數(shù)的不斷下降，結(jié)合概率突跳特性在解空間中隨機(jī)尋找目標(biāo)函數(shù)的全局最優(yōu)解。相比于其他波長(zhǎng)優(yōu)選算法，SAA有以下特點(diǎn)：描述簡(jiǎn)單、運(yùn)行效率高和較少受到初始條件約束等優(yōu)點(diǎn)；其能夠保證局部尋優(yōu)的精度，且還能夠避免陷入局部最優(yōu)；SAA采用并行策略優(yōu)化提升了解的質(zhì)量；具有良好的魯棒性適合搜索復(fù)雜空間[39-40]。

將面筋全譜PLS定量模型采用各光譜預(yù)處理方法以及SAA優(yōu)化模型，優(yōu)化結(jié)果如表3所示。

表3 近紅外光譜經(jīng)預(yù)處理結(jié)合SAA優(yōu)化模型結(jié)果Table 3 Comparison of PLS models developed with spectral data pretreatment combined with SAA

經(jīng)SAA優(yōu)化光譜后，模型的預(yù)測(cè)準(zhǔn)確度明顯提升，其中結(jié)合歸一化預(yù)處理方法的優(yōu)化模型結(jié)果最好，其余模型參數(shù)也整體大幅提升。歸一化結(jié)合SAA建立的面筋PLS定量模型R2為0.949 1，RMSEC為0.589 8，RMSEP為0.534 1，驗(yàn)證集RPD為4.828 7，波數(shù)由2 074個(gè)點(diǎn)篩選為80 個(gè)點(diǎn)，所建定量分析模型校正集與檢驗(yàn)集，如圖2所示。

圖2 歸一化結(jié)合SAA的面筋PLS校正集（A）和測(cè)試集（B）定量模型Fig. 2 Comparison of actual and PLS model predicted values of gluten content in wheat flour samples in calibration (A) and test (B) sets

本研究在模型評(píng)價(jià)方面，除使用最常見(jiàn)的決定系數(shù)R2和RMSEP外，還引入穩(wěn)健性參數(shù)RMSEP/RMSEC和RPD兩個(gè)評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)模型的預(yù)測(cè)準(zhǔn)確性。在光譜采集過(guò)程中，待測(cè)樣本光譜會(huì)受到環(huán)境和儀器等因素的不可抗干擾，模型的穩(wěn)健性即抗干擾能力反映了光譜變動(dòng)時(shí)模型的包容力。國(guó)際谷物化學(xué)組織規(guī)定在正常容變范圍之內(nèi)RMSEP/RMSEC應(yīng)小于1.2，若穩(wěn)健性參數(shù)大于1.2則表示模型穩(wěn)健性不足；RPD=SD/RMSEP（SD為驗(yàn)證集標(biāo)準(zhǔn)偏差），RPD可以對(duì)預(yù)測(cè)精度進(jìn)行進(jìn)一步評(píng)價(jià)：如果RPD不大于2.5，則說(shuō)明模型精確度不足因此不適合進(jìn)行近紅外光譜定量分析；如果RPD在2.5與3之間，說(shuō)明預(yù)測(cè)精度基本滿足但仍需進(jìn)一步提高，可進(jìn)行近紅外光譜定量分析；如果RPD不小于3，說(shuō)明預(yù)測(cè)精度良好，建立的定量分析模型滿足實(shí)際檢測(cè)的要求[41-43]。

3 結(jié) 論

研究在不同光譜預(yù)處理組合方式與波長(zhǎng)篩選方法做了大量實(shí)驗(yàn)，旨在優(yōu)化小麥粉近紅外光譜定量分析模型，使模型具備良好的預(yù)測(cè)準(zhǔn)確性與穩(wěn)健性。在實(shí)驗(yàn)過(guò)程中探討了4 種光譜預(yù)處理及組合方式和5 種光譜預(yù)處理結(jié)合SAA對(duì)模型評(píng)價(jià)參數(shù)的影響。

近紅外光譜不經(jīng)過(guò)任何的預(yù)處理和波長(zhǎng)優(yōu)化，其模型的決定系數(shù)R2較低、RMSEC和RMSEP都較高，說(shuō)明不經(jīng)過(guò)優(yōu)化處理的PLS模型無(wú)法滿足實(shí)際生產(chǎn)檢測(cè)的需要；模型經(jīng)過(guò)光譜預(yù)處理后決定系數(shù)R2、RMSEC和RMSEP都得到一定的降低，誤差基本滿足生產(chǎn)檢測(cè)的要求，但模型的穩(wěn)健性和預(yù)測(cè)能力無(wú)法滿足實(shí)際需求；再將光譜預(yù)處理結(jié)合SAA優(yōu)化波長(zhǎng)，處理后的模型無(wú)論是3 個(gè)指標(biāo)還是預(yù)測(cè)能力都得到了顯著提高且預(yù)測(cè)精度良好，其中歸一化結(jié)合模擬退火優(yōu)化波長(zhǎng)所建立的模型效果最好。因此可以將模型應(yīng)用于小麥粉中面筋含量的快速檢測(cè)中，并且該模型具有綠色環(huán)保的特點(diǎn)。

[1] 王玉庭. 中國(guó)小麥消費(fèi)現(xiàn)狀及趨勢(shì)分析[J]. 中國(guó)食物物與營(yíng)養(yǎng),2010(5): 47-50. DOI:10.3969/j.issn.1006-9577.2010.05.013.

[2] 朱小喬, 劉通訊. 面筋蛋白及其對(duì)面包品質(zhì)的影響[J]. 糧油食品科技, 2001, 22(8): 90-93. DOI:10.3969/j.issn.1007-7561.2001.04.007.

[3] 孫營(yíng)偉, 周萍. 面粉濕面筋近紅外定量分析中的光譜預(yù)處理方法研究[J]. 中國(guó)釀造, 2016, 35(1): 137-140. DOI:10.11882/j.issn.0254-5071.2016.01.030.

[4] 錢海波, 孫來(lái)軍, 王樂(lè)凱, 等. 基于連續(xù)投影算法的小麥濕面筋近紅外校正模型優(yōu)化[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2011, 27(18): 51-56.

[5] 石吉勇, 殷曉平, 鄒小波, 等. 基于模擬退火波長(zhǎng)優(yōu)化的草莓堅(jiān)實(shí)度近紅外光譜檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2010, 41(9): 99-103.DOI:10.3969/j.issn.1000-1298.2010.09.020.

[6] 王文秀, 彭彥昆, 劉媛媛. 基于近紅外光譜的豬肉新鮮度無(wú)損檢測(cè)方法的改進(jìn)[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào), 2015, 6(8): 3007-3013.

[7] 陸洪濤. 偏最小二乘回歸數(shù)學(xué)模型及其算法研究[D]. 北京: 華北電力大學(xué), 2014: 2-40.

[8] 褚小立, 袁洪福, 陸婉珍. 近紅外分析中光譜預(yù)處理及波長(zhǎng)選擇方法進(jìn)展與應(yīng)用[J]. 化學(xué)進(jìn)展, 2004, 16(4): 528-542. DOI:10.3321/j.issn:1005-281X.2004.04.008.

[9] 褚小立. 化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù)[M]. 北京: 化學(xué)工業(yè)出版社, 2011: 83-84.

[10] 陳添兵, 劉木華, 黃林, 等. 不同光譜預(yù)處理對(duì)激光誘導(dǎo)擊穿光譜檢測(cè)豬肉中鉛含量的影響[J]. 分析化學(xué), 2016, 44(7): 1029-1034.DOI:10.11895/j.issn.0253-3820.160040.

[11] 孫營(yíng)偉, 周萍. 面粉濕面筋近紅外定量分析中的光譜預(yù)處理方法研究[J]. 中國(guó)釀造, 2016, 35(1): 137-140. DOI:10.11882/j.issn.0254-5071.2016.01.030.

[12] 黎文兵, 藥林桃, 劉木華, 等. 光譜預(yù)處理對(duì)LIBS檢測(cè)臍橙中Cu的偏最小二乘定量模型影響[J]. 光譜學(xué)與光譜分析, 2015, 35(5): 1392-1397. DOI:10.3964/j.issn.1000-0593(2015)05-1392-06.

[13] 張麗華, 郝莉花, 李順?lè)? 等. 基于支持向量機(jī)的近紅外光譜技術(shù)快速鑒別摻假羊肉[J]. 食品工業(yè)科技, 2015, 36(23): 289-293.DOI:10.13386/j.issn1002-0306.2015.23.051.

[14] 竇穎, 孫曉榮, 劉翠玲, 等. 基于拉曼光譜技術(shù)的小麥粉品質(zhì)快速檢測(cè)[J]. 食品科學(xué), 2014, 35(22): 185-189. DOI:10.7506/spkx1002-6630-201422035.

[15] 褚小立, 劉慧穎, 燕澤程. 近紅外光譜分析技術(shù)實(shí)用手冊(cè)[M]. 北京:機(jī)械工業(yè)出版社, 2016: 115-117.

[16] 劉永, 楊華蓉, 林大勝, 等. 近紅外光譜法測(cè)定三七通舒膠囊粉末的混合均勻度[J]. 華西醫(yī)學(xué)雜志, 2012, 27(4): 418-420. DOI:10.13375/j.cnki.wcjps.2012.04.013.

[17] 鄒昊, 田寒友, 劉飛, 等. 近紅外光譜的預(yù)處理對(duì)羊肉TVB-N模型的影響[J]. 食品科學(xué), 2016, 37(22): 180-186. DOI:10.7506/spkx1002-6630-201622027

[18] 劉澤蒙, 張瑞, 張廣明, 等. 基于離散螢火蟲(chóng)算法的近紅外波長(zhǎng)優(yōu)選方法研究[J]. 光譜學(xué)與光譜分析, 2016, 36(12): 3931-3936.DOI:10.3964/j.issn.1000-0593(2016)12-3931-06.

[19] 於海明, 李石, 吳威, 等. 稻谷千粒質(zhì)量近紅外光譜預(yù)測(cè)模型的波長(zhǎng)選擇方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(11): 275-279. DOI:10.6041/j.issn.1000-1298.2015.11.037.

[20] SUN X, ZHANG H, GONG Z, et al. Spectral pretreatment and wavelength selection for soluble solids content in Gannan navel orange[J]. Sensor Letters, 2010, 8(1): 140-144. DOI:10.1166/sl.2010.1216.

[21] 秦善知, 陳斌, 陸道禮, 等. 基于便攜式近紅外光譜儀檢測(cè)梨可溶性固形物[J]. 江蘇農(nóng)業(yè)科學(xué), 2014, 42(8): 284-286. DOI:10.3969/j.issn.1002-1302.2014.08.105.

[22] 黃承偉, 戴連奎, 董學(xué)鋒. 結(jié)合SNV的分段直接標(biāo)準(zhǔn)化方法在拉曼光譜模型傳遞中的應(yīng)用[J]. 光譜學(xué)與光譜分析, 2011, 31(5): 1279-1282. DOI:10.3964/j.issn.1000-0593(2011)05-1279-04.

[23] ZOU X B, ZHAO J W. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta, 2010, 667(1/2): 14-23.DOI:10.1016/j.aca.2010.03.048.

[24] 郭亮, 吉海彥. 蟻群算法在近紅外光譜定量分析中的應(yīng)用研究[J].光譜學(xué)與光譜分析, 2007, 27(9): 1703-1705.

[25] 郭成, 馬月, 梁夢(mèng)醒, 等. 基于近紅外光譜結(jié)合波長(zhǎng)優(yōu)選檢測(cè)單顆葡萄的SSC含量[J]. 食品與機(jī)械, 2016, 32(9): 39-43. DOI:10.13652/j.issn.1003-5788.2016.09.009.

[26] 張昊, 陶然, 李志勇, 等. 基于自適應(yīng)模擬退火遺傳算法的特征選擇方法[J]. 兵工學(xué)報(bào), 2009, 30(1): 82-85. DOI:10.3321/j.issn:1000-1093.2009.01.015.

[27] 谷筱玉, 徐可欣, 汪曣. 波長(zhǎng)選擇算法在近紅外光譜法中藥有效成分測(cè)量中的應(yīng)用[J]. 光譜學(xué)與光譜分析, 2006, 26(9): 1618-1620.DOI:10.3321/j.issn:1000-0593.2006.09.013.

[28] 陳紅艷, 趙庚星, 張曉輝, 等. 基于遺傳算法結(jié)合偏最小二乘的潮土堿解氮高光譜特征及含量估測(cè)[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2015, 31(2): 209-214. DOI:10.11924/j.issn.1000-6850.2014-0934.

[29] 馬永杰, 云文霞. 遺傳算法研究進(jìn)展[J]. 計(jì)算機(jī)應(yīng)用研究, 2012 ,29(4): 1201-1206. DOI:10.3969/j.issn.1001-3695.2012.04.001.

[30] 陳斌, 陳蛋. 無(wú)信息變量消除法在近紅外光譜測(cè)定的應(yīng)用[J]. 光譜儀器與分析, 2005(4): 26-30.

[31] 鄭劍, 周竹, 仲山民, 等. 基于近紅外光譜與CARS-PLS-LDA的褐變板栗識(shí)別[J]. 食品工業(yè), 2016, 37(2): 134-138.

[32] 曹道友. 基于改進(jìn)遺傳算法的應(yīng)用研究[D]. 合肥: 安徽大學(xué), 2010.DOI:10.7666/d.d157960.

[33] 宋祥珍, 張尊建, 徐建平. 廣義模擬退火優(yōu)化及其在計(jì)算分光光度分析中的應(yīng)用[J]. 中國(guó)藥科大學(xué)學(xué)報(bào), 1997, 28(5): 294-297.DOI:10.3321/j.issn:1000-5048.1997.05.012.

[34] CHEN X J, LEI X X. Application of a hybrid variable selection method for determination of carbohydrate content in soy milk powder using visible and near infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2009, 57(2): 334-340. DOI:10.1021/jf8025887.

[35] XIN Z. The principle of simulated annealing algorithm and some problems in applications[J]. Journal of Beijing University of Posts and Telecommunications, 1991, 14(2): 91-100.

[36] XIE Y. Principle and realization of the simulated annealing algorithm[J]. Numerical Mathematies a Journal of Chinese Universities, 1999(3): 212-218.

[37] STEINBRUNN M, MOERKOTTE G, KEMPER A. Heuristic and ran domized optimization for the join ordering problem[J]. The VLDB Journal, 1997, 6(3): 8-17.

[38] KIRKPATRICK S, GELATT C D, VECCHI M P J R. Optimization by simulated annealing[J]. Science, 1983, 220: 671-680.

[39] 楊瑋, 李民贊, 鄭立華, 等. 冬棗氮素含量預(yù)測(cè)模型中特征波長(zhǎng)選擇方法的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(增刊2): 164-168.DOI:10.11975/j.issn.1002-6819.2015.z2.025.

[40] 陳孝敬, 吳迪, 虞佳佳, 等. 一種用于可見(jiàn)-近紅外光譜特征波長(zhǎng)選擇的新方法[J]. 光學(xué)學(xué)報(bào), 2008, 28(11): 2153-2158. DOI:10.11975/j.issn.1002-6819.2015.z2.025.

[41] 付苗苗, 劉梅英, 牛智有, 等. 基于近紅外光譜法的水稻秸稈可溶性糖快速檢測(cè)[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào), 2016, 35(2): 115-121.DOI:10.13300/j.cnki.hnlkxb.2016.02.018.

[42] 王曉琴, 候會(huì)絨, 孫芝楊, 等. 石榴花色苷近紅外光譜定量分析模型[J].食品科學(xué), 2013, 34(13): 75-78. DOI:10.7506/spkx1002-6630-201313016.

[43] 林新, 牛智有. 綠茶茶多酚近紅外光譜定量分析模型優(yōu)化研究[J]. 食品科學(xué), 2009, 30(10): 144-148. DOI:10.3321/j.issn:1002-6630.2009.10.028.

Near Infrared Spectroscopic Detection of Gluten Content in Wheat Flour Based on Spectral Pretreatment and Simulated Annealing Algorithm

SUN Xiaorong, ZHOU Zijian, LIU Cuiling, FU Xinxin, DOU Ying
(Beijing Key Laboratory of Big Data Technology for Food Safety, School of Computer and Information Engineering,Beijing Technology and Business University, Beijing 100048, China)

This study aimed to establish a reliable predictive model for quantitative analysis of gluten in wheat fl our using near infrared (NIR) spectroscopy. The optimal spectral pretreatment method combined with simulated annealing algorithm(SAA) was obtained by comparison of the partial least squares (PLS) regression models developed after different spectral pretreatments alone and combined with SAA based on their coefficient of determination (R2), root mean square error of calibration (RMSEC) and root mean square error of prediction (RMSEP). The results indicated that the stability and prediction performance of the PLS model were greatly improved by using spectral pretreatment combined with SAA, as demonstrated by an increase in R2from 0.763 7 to 0.949 1, a reduction in RMSEC from 1.371 2 to 0.589 8, and a decrease in RMSEP from 1.450 2 to 0.534 1. The combination of spectral pretreatment and SAA was feasible for the development of a predictive model for quantitative analysis of gluten. Moreover, the optimized model exhibited better stability and prediction performance than the unoptimized model and the one developed with spectral pretreatment alone.

near infrared spectroscopy; simulated annealing algorithm (SAA); spectral pretreatment; partial least squares(PLS); gluten

10.7506/spkx1002-6630-201802035

TS211.7

A

1002-6630（2018）02-0222-05

孫曉榮, 周子健, 劉翠玲, 等. 光譜預(yù)處理結(jié)合模擬退火算法的小麥粉面筋含量檢測(cè)[J]. 食品科學(xué), 2018, 39(2): 222-226.

DOI:10.7506/spkx1002-6630-201802035. http://www.spkx.net.cn

2017-03-24

北京市教委科研計(jì)劃重點(diǎn)項(xiàng)目（KZ201310011012）；北京市教委科技創(chuàng)新平臺(tái)建設(shè)項(xiàng)目（PXM_2012_014213_000023）；北京市自然科學(xué)基金項(xiàng)目（4142012）；北京市優(yōu)秀人才資助項(xiàng)目（2012D005003000007）；北京市大學(xué)生科研訓(xùn)練計(jì)劃深化項(xiàng)目

孫曉榮（1976—），女，副教授，碩士，研究方向?yàn)橹悄軠y(cè)量技術(shù)與數(shù)據(jù)處理、系統(tǒng)建模與仿真方法、智能控制方法。E-mail：sxrchy@sohu.com

SUN Xiaorong, ZHOU Zijian, LIU Cuiling, et al. Near infrared spectroscopic detection of gluten content in wheat flour based on spectral pretreatment and simulated annealing algorithm[J]. Food Science, 2018, 39(2): 222-226. (in Chinese with English abstract)

10.7506/spkx1002-6630-201802035. http://www.spkx.net.cn