CN109214423B - 一种基于动静态数据融合的食品质量判别分析方法 - Google Patents
一种基于动静态数据融合的食品质量判别分析方法 Download PDFInfo
- Publication number
- CN109214423B CN109214423B CN201810871104.8A CN201810871104A CN109214423B CN 109214423 B CN109214423 B CN 109214423B CN 201810871104 A CN201810871104 A CN 201810871104A CN 109214423 B CN109214423 B CN 109214423B
- Authority
- CN
- China
- Prior art keywords
- data
- food
- dynamic
- static data
- static
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 91
- 230000003068 static effect Effects 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000012512 characterization method Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 41
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000002211 ultraviolet spectrum Methods 0.000 claims description 17
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000012490 blank solution Substances 0.000 claims description 5
- 239000010453 quartz Substances 0.000 claims description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 5
- 239000000243 solution Substances 0.000 claims description 5
- HORQAOAYAYGIBM-UHFFFAOYSA-N 2,4-dinitrophenylhydrazine Chemical compound NNC1=CC=C([N+]([O-])=O)C=C1[N+]([O-])=O HORQAOAYAYGIBM-UHFFFAOYSA-N 0.000 claims description 4
- 239000003153 chemical reaction reagent Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000008267 milk Substances 0.000 claims description 4
- 239000000843 powder Substances 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 3
- 210000004080 milk Anatomy 0.000 claims description 3
- 235000013336 milk Nutrition 0.000 claims description 3
- 239000002904 solvent Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 235000014101 wine Nutrition 0.000 description 50
- 238000011160 research Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 4
- 238000012850 discrimination method Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- XEKOWRVHYACXOJ-UHFFFAOYSA-N Ethyl acetate Chemical compound CCOC(C)=O XEKOWRVHYACXOJ-UHFFFAOYSA-N 0.000 description 3
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 3
- 241000222455 Boletus Species 0.000 description 2
- SHZIWNPUGXLXDT-UHFFFAOYSA-N ethyl hexanoate Chemical compound CCCCCC(=O)OCC SHZIWNPUGXLXDT-UHFFFAOYSA-N 0.000 description 2
- 238000007417 hierarchical cluster analysis Methods 0.000 description 2
- 235000012736 patent blue V Nutrition 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- 238000001157 Fourier transform infrared spectrum Methods 0.000 description 1
- XINCECQTMHSORG-UHFFFAOYSA-N Isoamyl isovalerate Chemical compound CC(C)CCOC(=O)CC(C)C XINCECQTMHSORG-UHFFFAOYSA-N 0.000 description 1
- 229920000877 Melamine resin Polymers 0.000 description 1
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 239000005428 food component Substances 0.000 description 1
- 238000010813 internal standard method Methods 0.000 description 1
- 238000001871 ion mobility spectroscopy Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000020068 maotai Nutrition 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- JDSHMPZPIAZGSV-UHFFFAOYSA-N melamine Chemical compound NC1=NC(N)=NC(N)=N1 JDSHMPZPIAZGSV-UHFFFAOYSA-N 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 235000020097 white wine Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于动静态数据融合的食品质量判别分析方法，分别采集食品的静态数据及动态数据，采用加权相似度算法对静态数据及动态数据进行融合，得到相关系数，从而对食品质量进行判别；静态数据是指食品在某一特定条件下被测量所获得的表征数据，动态数据是指食品体系变化状态下的表征数据，即在特定扰动条件下（如时间、温度、浓度及化学反应），食品体系变化序列谱图数据；本发明能够将食品质量检测过程中获取的静态数据与动态数据联合使用，克服了传统单纯的利用静态数据或动态数据的片面性，信息利用率大大提升，达到100%，实现了更为准确、全面的食品质量判别分析。
Description
技术领域
本发明属于食品质量控制、质量判别分析技术领域，具体涉及一种基于动静态数据融合的食品质量判别分析方法。
背景技术
食品质量安全问题是现阶段科研人员、社会大众普遍关注的热点问题之一，基于仪器分析方法进行食品质量安全评价是目前常用的食品质量判别方法。常用的测试仪器有光谱、色谱、质谱等，测试结果即为谱图数据，数据x轴表示波长、波数、保留时间或质荷比，数据y轴表示在各x坐标处信号所对应的强度值，化学内涵各异，但数据输出基本表现形式均为二维点表数据，因此可进行数据处理分析。常规的数据分析方法是，根据谱图数据中的特征峰(峰高、峰面积)与测试样品中的特征分子间函数关系，利用标准曲线法、标准加入法、内标法等，定性、定量评估被分析样品的特征物质成分存在与否和含量信息，据此结合国家标准规定，进行食品质量安全评价。如根据白酒中风味物质乙酸乙酯、己酸乙酯含量，判别白酒质量水平，根据甲醇含量判别白酒真伪。这种判别方法简单、直接，但一般只利用了特征峰的峰高/峰面积，忽略了物质间的相关性，信息利用率低，判别效果也较一般，如容易被不法分子所利用，通过非法添加实现以假乱真，如三聚氰胺事件，以及使用价格低廉产品冒充质优产品，以次充好，如2016年上海假奶粉事件。
近年来，利用全谱图数据进行数据挖掘，实现食品质量准确判别成为研究趋势，不过现有研究主要分别集中在静态数据和动态数据。
(1)基于静态数据的食品质量判别
静态数据是指食品在某一特定条件下被测量所获得的表征数据，数据输出基本表现形式均为二维点表数据，常规分析可据此进行食品组分定性、定量、结构解析。本发明聚焦食品质量判别，各样品间x轴在相同测试条件下数值不变，故使用y轴数值数据即可，数学形式为Y＝[y1,y2,y3……yn]，式子中Y表示某一样品在某一条件下所获取的谱图数据矩阵，y表示的是y轴数值，n表示的是y轴数值的数目，n≥1，据此可实现静态数据联合分析。如Yao等利用傅里叶变换红外光谱和紫外光谱结合多元统计分析对牛肝菌的地理鉴别(Yao Sen,Li Tao,Li JieQing,Liu HongGao and Wang YuanZhong,Geographic identification ofBoletus mushrooms by data fusion of FT-IR and UV spectroscopies combined withmultivariate statistical analysis.Spectrochimica Acta Part A:Molecular andBiomolecular Spectroscopy,2018,198:257-263)。Sha等利用正负离子迁移谱结合层次聚类分析法实现了苹果香精的质量控制判别(Sha Min,Zhang Zhengyong,Gui Dongdong,Wang Yanbo,Fu Linglin and Wang Haiyan,Data Fusion of ion MobilitySpectrometry Combined with Hierarchical Clustering Analysis for the QualityAssessment of Apple Essence.Food Analytical Methods,2017,10(10):3415-3423)。
(2)基于动态数据的食品质量判别
动态数据是指食品体系变化状态下的表征数据，本发明中是指在特定扰动条件下(如时间、温度、浓度、化学反应等)食品体系变化序列谱图数据，并基于此序列数据进行二维相关分析，获得食品体系动态变化过程中各测试参量间的相关关系(Noda I.,and OzakiY.Two-dimensional correlation spectroscopy–applications in vibrational andoptical spectroscopy.Chichester John Wiley&Sons,Ltd.2005,1-195)。具体计算过程是，以外扰变量为t(外扰形式包括时间、温度、浓度、化学反应等)，考察食品体系初始阶段T1至达到新平衡T2阶段变化过程仪器(如光谱仪)信号强度y(ν,t)变化情况，此处某一状态下的y(v)即等于上述中的某一静态数据，即y(v)＝[y1,y2,y3……yn]，整个体系变化过程信号统称动态数据，即y(v,t)＝[y(v1,1)；y(v2,2)；……y(vt,t)]，t≥1。以整个体系变化过程的平均光谱或某一光谱为参考光谱，构建如下式的融合相关分析，式中X(ν1,ν2)表示外扰条件下变化区间内，收集的不同信号变量ν1和ν2的强度变化动态数据的函数比较。Θ(ν1,ν2)表示t值的变化，两个在不同变量条件下测量所得的ν1和ν2的强度的相似性变化，常称之为同步图。ψ(ν1,ν2)表示的是其相异性变化，常称之为异步图。由于异步图常常受到噪声的干扰，实际使用常常使用的是同步图，本发明中动态数据矩阵指的即是同步图。如Zhang等考察了氢氧化钠反应条件下白酒紫外光谱变化情况，结合二维相关分析实现了白酒品质控制(Zhang Zhengyong,Jiang Jiuying,Wang Guoxiang,Wang Hu,Liu Jun and Wang Haiyan,Application of Two-Dimensional Correlation UV-Vis Spectroscopy in ChineseLiquor Moutai Discrimination.American Journal of Analytical Chemistry,2015,6:395-401)。
X(ν1,ν2)＝Θ(ν1,ν2)+iΨ(ν1,ν2)
前述研究表明，数据融合分析可以提高数据利用效率、提高判别准确性，不过现有研究或侧重于静态数据的挖掘算法研究，或侧重于动态数据的获取策略研究，仍旧存在评价片面的问题，而综合静态数据与动态数据，实现更为全面的食品质量判别鲜有报道。
因此，很有必要在现有技术的基础之上，研究设计一种能准确、可量化、信息综合利用率高，评价更为全面的食品质量判别的新方法。
发明内容
本发明所要解决的技术问题是，克服现有技术的缺点，提供一种基于动静态数据融合的食品质量判别分析方法。
为了解决以上技术问题，本发明提供一种基于动静态数据融合的食品质量判别分析方法，分别采集食品的静态数据及动态数据，采用加权相似度算法对静态数据及动态数据进行融合，得到相关系数，从而对食品质量进行判别。
本发明进一步限定的技术方案是：
进一步的，前述的基于动静态数据融合的食品质量判别分析方法，静态数据是指食品在某一特定条件下被测量所获得的表征数据，动态数据是指食品体系变化状态下的表征数据，即在特定扰动条件下(如时间、温度、浓度及化学反应)，食品体系变化序列谱图数据。
前述的基于动静态数据融合的食品质量判别分析方法，融合的具体计算过程如下：对静态数据计算食品测试样品数据与食品标准样品数据之间的相似度，对动态数据计算食品测试样品数据矩阵与食品标准样品数据矩阵之间的相似度，此处食品标准样品数据是指食品的标准品的测试数据，食品标准样品数据也可以用多批次食品样品测试数据的平均值作为其估计值，以相关系数表征相似度，则静态数据相关系数的计算公式如下所示：
其中，Rj表示静态数据相关系数，cov表示协方差运算，Yaj表示测试样品的静态数据，Ybj表示食品标准样品数据；
动态数据相关系数的计算公式如下所示：
其中，Rd表示动态数据相关系数，cov表示协方差运算，Yad表示测试样品的动态数据矩阵，Ybd表示食品标准样品数据矩阵；
利用如下公式计算总相关系数：
Rz＝αRj+βRd
其中，Rz表示总相关系数，α表示静态数据所占权重，β表示动态数据所占权重，(Rz,Rj,Rd)∈[-1,1]，(α,β)∈[0,1]，β＝1-α；判别分析原则是Rz越接近于1，表明测试样品与标准样品越正相关，为真的概率越大，Rz越接近于0，表明测试样品与标准样品越远离，为假的概率越大。
前述的基于动静态数据融合的食品质量判别分析方法，静态数据的获取选以紫外光谱，光谱扫描范围190–1100nm，步长0.001-100nm，测试容器包括石英比色皿及玻璃比色皿，空白溶液包括水及乙醇，食品如白酒能够直接使用紫外光谱仪进行光谱数据收集，食品如乳粉等不能直接使用紫外光谱仪进行光谱数据收集的，需使用乙醇溶剂进行提取，而后对提取液进行光谱采集。
前述的基于动静态数据融合的食品质量判别分析方法，动态数据的获取选紫外光谱化学反应扰动，如使用2,4-二硝基苯肼试剂与白酒反应，溶液由无色变为红色而后缓慢消失，收集反应过程中的紫外光谱图，即为动态数据。
本发明的有益效果是；本发明将食品质量检测过程中获取的静态数据与动态数据联合使用，克服了传统单纯的利用静态数据或动态数据的片面性，信息利用率大大提升，达到100％，实现了更为准确、全面的食品质量判别分析；加权相似度算法为量化方法，使得结果输出更为具体，有利于直观的数字判别。
附图说明
图1为本发明的判别分析方法的流程示意图；
图2为海之蓝酒的紫外光谱图(静态数据)；
图3为海之蓝酒的紫外光谱图(动态数据)；
图4为海之蓝酒的二维相关紫外光谱图(动态数据)。
具体实施方式
实施例1
如图1所示，本实施例提供的一种基于动静态数据融合的食品质量判别分析方法，分别采集食品的静态数据及动态数据，采用加权相似度算法对静态数据及动态数据进行融合，得到相关系数，从而对食品质量进行判别。
进一步的，静态数据是指食品在某一特定条件下被测量所获得的表征数据，动态数据是指食品体系变化状态下的表征数据，即在特定扰动条件下(如时间、温度、浓度及化学反应)，食品体系变化序列谱图数据。前述的基于动静态数据融合的食品质量判别分析方法，融合的具体计算过程如下：对静态数据计算食品测试样品数据与食品标准样品数据之间的相似度，对动态数据计算食品测试样品数据矩阵与食品标准样品数据矩阵之间的相似度，此处食品标准样品数据是指食品的标准品的测试数据，食品标准样品数据也可以用多批次食品样品测试数据的平均值作为其估计值，以相关系数表征相似度，则静态数据相关系数的计算公式如下所示：
其中，Rj表示静态数据相关系数，cov表示协方差运算，Yaj表示测试样品的静态数据，Ybj表示食品标准样品数据；
动态数据相关系数的计算公式如下所示：
其中，Rd表示动态数据相关系数，cov表示协方差运算，Yad表示测试样品的动态数据矩阵，Ybd表示食品标准样品数据矩阵；
利用如下公式计算总相关系数：
Rz＝αRj+βRd
其中，Rz表示总相关系数，α表示静态数据所占权重，β表示动态数据所占权重，(Rz,Rj,Rd)∈[-1,1]，(α,β)∈[0,1]，β＝1-α；判别分析原则是Rz越接近于1，表明测试样品与标准样品越正相关，为真的概率越大，Rz越接近于0，表明测试样品与标准样品越远离，为假的概率越大。
前述的静态数据的获取选以紫外光谱，光谱扫描范围190–1100nm，步长0.001-100nm，测试容器包括石英比色皿及玻璃比色皿，空白溶液包括水及乙醇，食品如白酒能够直接使用紫外光谱仪进行光谱数据收集，食品如乳粉等不能直接使用紫外光谱仪进行光谱数据收集的，需使用乙醇溶剂进行提取，而后对提取液进行光谱采集。
前述的动态数据的获取选紫外光谱化学反应扰动，如使用2,4-二硝基苯肼试剂与白酒反应，溶液由无色变为红色而后缓慢消失，收集反应过程中的紫外光谱图，即为动态数据。
在实际验证中，我们以海之蓝酒为测试对象，天之蓝、梦之蓝酒为干扰项的食品质量判别分析案例，运用紫外光谱法测试白酒样品分别活动静态数据、动态数据，3个批次的海之蓝酒的样品测试数据的平均值作为海之蓝酒标准样品数据估计值，以相关系数表征相似度，分别计算静态、动态、动静态情况下，海之蓝酒与海之蓝酒(均值)，天之蓝酒与海之蓝酒(均值)，梦之蓝酒与海之蓝酒(均值)间的相关系数，进行动静态数据融合表征。具体实施步骤如下：
步骤1：白酒静态数据的获取与相关系数运算，白酒样品使用紫外光谱仪采集其紫外光谱数据，光谱扫描范围选择220–700nm，步长间隔1nm，测试容器使用石英比色皿，空白溶液为乙醇，白酒直接上样测量，采集的海之蓝酒紫外光谱数据绘图结果如图2所示。
3个批次的海之蓝酒的样品测试数据的平均值作为海之蓝酒标准样品数据估计值，按公式
计算海之蓝酒与海之蓝酒(均值)间的相关系数，以及同样测试条件下获得的干扰项天之蓝、梦之蓝紫外光谱静态数据，并计算天之蓝酒与海之蓝酒(均值)，梦之蓝酒与海之蓝酒(均值)间的相关系数，计算结果见表1所示，海之蓝酒与海之蓝酒(均值)间的相关系数为0.9998，天之蓝酒与海之蓝酒(均值)间的相关系数为0.9993，梦之蓝酒与海之蓝酒(均值)间的相关系数为0.9921，由静态数据结果可以看出海之蓝酒间具有高度一致性，天之蓝酒与海之蓝酒间有较高相关性，梦之蓝酒与海之蓝酒间有一定的相关性。
步骤2：白酒动态数据的获取与相关系数运算，采集手段依然使用紫外光谱仪，测试容器使用石英比色皿，空白溶液为乙醇，以紫外光谱化学反应扰动为扰动项，使用3mL白酒(分别是海之蓝酒、天之蓝酒、梦之蓝酒)与3mL，10mg/L的2,4-二硝基苯肼试剂50℃条件下反应30分钟，而后加入200μL，100g/L的氢氧化钾溶液，以5分钟为间隔，收集反应过程中的紫外光谱图，即为动态数据，如图3所示，而后按照说明书中动态数据运算规则，计算得到白酒的动态数据矩阵，绘图结果如图4所示。
同样，3个批次的海之蓝酒的样品测试数据的平均值作为海之蓝酒标准样品数据估计值，按照公式
计算海之蓝酒与海之蓝酒(均值)间的相关系数，以及同样测试条件下获得的干扰项天之蓝酒、梦之蓝酒紫外光谱动态数据矩阵，并计算天之蓝酒与海之蓝酒(均值)，梦之蓝酒与海之蓝酒(均值)间的相关系数，计算结果见表1所示，海之蓝酒与海之蓝酒(均值)间的相关系数为0.9954，天之蓝酒与海之蓝酒(均值)间的相关系数为0.9654，梦之蓝酒与海之蓝酒(均值)间的相关系数为0.9184，由动态数据结果可以看出海之蓝酒间依旧具有高度一致性，天之蓝酒与海之蓝酒间相关性较差，梦之蓝酒与海之蓝酒间相关性更差。
步骤3：由步骤1静态数据分析，可以看出海之蓝、天之蓝、梦之蓝酒间相关性较高，由步骤2动态数据分析，可以看出海之蓝、天之蓝、梦之蓝酒间相关性较差，均有片面之嫌。
按照公式Rz＝αRj+βRd选取静态数据所占权重为0.5，动态数据所占权重为0.5，计算得到总相关系数，如表1所示，海之蓝酒与海之蓝酒(均值)间的总相关系数为0.9976，天之蓝酒与海之蓝酒(均值)间的总相关系数为0.9824，梦之蓝酒与海之蓝酒(均值)间的总相关系数为0.9553；
按照公式Rz＝αRj+βRd选取静态数据所占权重为0.2，动态数据所占权重为0.8，计算得到总相关系数，如表1所示，海之蓝酒与海之蓝酒(均值)间的总相关系数为0.9963，天之蓝酒与海之蓝酒(均值)间的总相关系数为0.9722，梦之蓝酒与海之蓝酒(均值)间的总相关系数为0.9331。可以看出，海之蓝酒间具有高度一致性，天之蓝酒、梦之蓝酒与海之蓝酒均属于同一厂家生产，具有一定的相关性，同时，天之蓝酒、梦之蓝酒与海之蓝酒属于不同层次的白酒，具有一定的差异性，通过动静态数据融合分析，可以更好的兼顾这种相似性和差异性，实现更为准确的白酒品质控制判别。
表1
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (3)
1.一种基于动静态数据融合的食品质量判别分析方法，其特征在于，分别采集食品的静态数据及动态数据，采用加权相似度算法对静态数据及动态数据进行融合，得到相关系数，从而对食品质量进行判别；
所述静态数据是指食品在某一特定条件下被测量所获得的表征数据，动态数据是指食品体系变化状态下的表征数据，即在特定扰动条件下，食品体系变化序列谱图数据；
所述融合的具体计算过程如下：对静态数据计算食品测试样品数据与食品标准样品数据之间的相似度，对动态数据计算食品测试样品数据矩阵与食品标准样品数据矩阵之间的相似度，此处食品标准样品数据是指食品的标准品的测试数据，食品标准样品数据也可以用多批次食品样品测试数据的平均值作为其估计值，以相关系数表征相似度，则静态数据相关系数的计算公式如下所示：
其中，Rj表示静态数据相关系数，cov表示协方差运算，Yaj表示测试样品的静态数据，Ybj表示食品标准样品数据；
动态数据相关系数的计算公式如下所示：
其中，Rd表示动态数据相关系数，cov表示协方差运算，Yad表示测试样品的动态数据矩阵，Ybd表示食品标准样品数据矩阵；
利用如下公式计算总相关系数：
Rz＝αRj+βRd
其中，Rz表示总相关系数，α表示静态数据所占权重，β表示动态数据所占权重，(Rz,Rj,Rd)∈[-1,1]，(α,β)∈[0,1]，β＝1-α；判别分析原则是Rz越接近于1，表明测试样品与标准样品越正相关，为真的概率越大，Rz越接近于0，表明测试样品与标准样品越远离，为假的概率越大。
2.根据权利要求1所述的基于动静态数据融合的食品质量判别分析方法，其特征在于，所述静态数据的获取选以紫外光谱，光谱扫描范围190–1100nm，步长0.001-100nm，测试容器包括石英比色皿及玻璃比色皿，空白溶液包括水及乙醇，白酒能够直接使用紫外光谱仪进行光谱数据收集，乳粉不能直接使用紫外光谱仪进行光谱数据收集的，需使用乙醇溶剂进行提取，而后对提取液进行光谱采集。
3.根据权利要求1所述的基于动静态数据融合的食品质量判别分析方法，其特征在于，所述动态数据的获取选紫外光谱化学反应扰动，当使用2,4-二硝基苯肼试剂与白酒反应，溶液由无色变为红色而后缓慢消失，收集反应过程中的紫外光谱图，即为动态数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810871104.8A CN109214423B (zh) | 2018-08-02 | 2018-08-02 | 一种基于动静态数据融合的食品质量判别分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810871104.8A CN109214423B (zh) | 2018-08-02 | 2018-08-02 | 一种基于动静态数据融合的食品质量判别分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109214423A CN109214423A (zh) | 2019-01-15 |
| CN109214423B true CN109214423B (zh) | 2022-09-13 |
Family
ID=64988781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810871104.8A Active CN109214423B (zh) | 2018-08-02 | 2018-08-02 | 一种基于动静态数据融合的食品质量判别分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109214423B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110186854A (zh) * | 2019-06-12 | 2019-08-30 | 六盘水市食品药品检验检测所 | 一种食品安全性信息检测方法 |
| CN111693658A (zh) * | 2020-06-11 | 2020-09-22 | 上海交通大学 | 基于多种智能感官数据融合的食品品质鉴定方法 |
| CN113379569B (zh) * | 2021-06-09 | 2022-10-21 | 华南理工大学 | 餐饮垃圾精细化产排图谱的绘制方法、系统、装置及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107402192A (zh) * | 2017-03-03 | 2017-11-28 | 广西中烟工业有限责任公司 | 一种快速分析香精香料质量稳定性的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1604139A (zh) * | 2004-10-28 | 2005-04-06 | 上海交通大学 | 图像融合评价系统的构建方法 |
| CN102095780A (zh) * | 2010-12-10 | 2011-06-15 | 广州珠江啤酒股份有限公司 | 一种啤酒新鲜度的评价方法 |
| CN106372454A (zh) * | 2016-11-28 | 2017-02-01 | 贵州大学 | 一种评定鸭肉质评定的评估方法 |
-
2018
- 2018-08-02 CN CN201810871104.8A patent/CN109214423B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107402192A (zh) * | 2017-03-03 | 2017-11-28 | 广西中烟工业有限责任公司 | 一种快速分析香精香料质量稳定性的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109214423A (zh) | 2019-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | Determination of Chinese liquors from different geographic origins by combination of mass spectrometry and chemometric technique | |
| CN109214423B (zh) | 一种基于动静态数据融合的食品质量判别分析方法 | |
| Martínez-Jarquín et al. | Automated chemical fingerprinting of Mexican spirits derived from Agave (tequila and mezcal) using direct-injection electrospray ionisation (DIESI) and low-temperature plasma (LTP) mass spectrometry | |
| CN107478595B (zh) | 一种快速鉴别珍珠粉真伪及定量预测掺伪贝壳粉含量的方法 | |
| CN111198165A (zh) | 一种基于光谱数据标准化进行水质参数的测定方法 | |
| Yu et al. | Quality determination of Chinese rice wine based on Fourier transform near infrared spectroscopy | |
| Huang et al. | A low cost smart system to analyze different types of edible Bird's nest adulteration based on colorimetric sensor array | |
| da Silva et al. | 1 H NMR spectroscopy combined with multivariate data analysis for differentiation of Brazilian lager beer according to brewery | |
| CN115905881A (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
| Ouyang et al. | Rapid determination of free amino acids and caffeine in matcha using near-infrared spectroscopy: A comparison of portable and benchtop systems | |
| Lu et al. | Identification of Chinese red wine origins based on Raman spectroscopy and deep learning | |
| CN108445134B (zh) | 酒类产品鉴别的方法 | |
| Huang et al. | Multigranularity cascade forest algorithm based on hyperspectral imaging to detect moisture content in Daqu | |
| CN110987899B (zh) | 一种测定白酒中总酸总酯含量及鉴别白酒质量等级的方法 | |
| Xia et al. | Rapid discrimination of quality grade of black tea based on near-infrared spectroscopy (NIRS), electronic nose (E-nose) and data fusion | |
| WO2023123329A1 (zh) | 近红外光谱的净信号提取方法及其系统 | |
| CN116952896A (zh) | 一种啤酒厂糖化麦汁中总氮的近红外快速检测方法 | |
| CN112326574B (zh) | 一种基于贝叶斯分类的光谱波长选择方法 | |
| Tao et al. | Discriminant analysis of red wines from different aging ways by information fusion of NIR and MIR spectra | |
| Lin et al. | Rapid authentication of red wine by MALDI-MS combined with DART-MS | |
| Zhang et al. | Characterization of fresh milk products based on multidimensional Raman spectroscopy | |
| CN113533587A (zh) | 基于气相离子迁移谱鉴别辣椒粉品种的方法 | |
| CN111027025A (zh) | 一种筛选红外光谱特征波长用于预测葡萄酒品质参数的方法 | |
| Sun et al. | SRPAIS: Spectral Matching Algorithm Based on Raman Peak Alignment and Intensity Selection | |
| CN111220561A (zh) | 一种川西獐牙菜产地的红外光谱鉴定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |