文献类型：期刊文章

作　　者：董春旺[1] 梁高震[1] 安霆[1] 王近近[1] 朱宏凯[1,2]

Dong Chunwang;Liang Gaozhen;An Ting;Wang Jinjin;Zhu Hongkai(Tea Research Institute, Chinese Academy of Agricultural Sciences, Hangzhou 310008, China;Department of Food Science, University of Copenhagen, Frederiksberg 999017, Denmark)

机构地区：[1]中国农业科学院茶叶研究所,杭州310008 [2]哥本哈根大学食品科学系

出　　处：《农业工程学报》

基　　金：国家重点研发项目(2017YFD0400800);浙江省自然科学基金(LY16C160002);中央级院所科研基本业务专项(1610212016018)

年　　份：2018

卷　　号：34

期　　号：24

起止页码：306-313

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：以在发酵过程中小叶种工夫红茶为研究对象,分别建立了基于近红外光谱检测技术的感官品质评分和理化品质指标(茶黄素、茶红素、茶褐素、儿茶素和酚氨比)的定量分析模型。在模型建立过程中,探讨了特征变量优选方法对预测模型的影响。首先,对获取的近红外光谱数据进行标准正态变量变换法(standard normal Z transformation,SNV)预处理,进而采用联合区间偏最小二乘回归(synergy interval PLS,Si-PLS)、随机蛙跳算法(shuffled frog leaping algorithm,SFLA)、竞争性自适应权重取样法(competitiveadaptivereweightedsampling,CARS)和连续投影(successive projections algorithm,SPA),筛选出各品质指标的最优特征波长变量;最后基于优选波长分别建立各发酵品质指标的偏最小二乘法(partial least squares regression,PLS)线性预测模型和支持向量机(support vector regression,SVR)非线性预测模型。模型结果比较表明,Si、CARS、SFLA和SPA等变量筛选方法可有效压缩变量,以及进一步提高模型精度。非线性模型的预测均方根误差值(root-mean-square error of prediction,RMSEP)均明显小于PLS模型,相关性系数(correlation coefficient,R)和相对分析误差(relative percent deviation,RPD)均高于PLS模型。对于红茶发酵品质的检测上,非线性模型性能优于线性模型。感官品质、茶褐素和儿茶素的最优变量SVR预测模型的RPD值分别为3.923、3.234和5.462,酚氨比和茶红素模型的RPD值分别为2.815和2.223。除茶黄素的评价模型外(RPD为1.77),基于最优特征波长的各品质指标SVR模型的RPD值均大于2,表明模型具有极好的预测性能。研究结果为实现工夫红茶发酵品质的近红外光谱快速检测的实际应用奠定理论基础。

关 键 词：近红外光谱 发酵  无损检测  红茶 发酵品质 变量筛选  化学计量学

分 类 号：TS272.2]