全 文 ：２０ １６ 年 １ 月中国粮油学报Ｖ〇１ ． ３ １ ， Ｎｏ ． ｌ
第３ １卷第１期 ＪｏｕｒｎａｌｏｆｔｈｅＣｈ ｉｎｅｓｅＣｅｒｅａｌｓａｎｄＯ ｉｌｓＡｓｓｏｃｉａｔｉｏｎＪａｎ．２０ １ ６
基于ＳＩＭＣＡ 、ＰＬＳ－ＤＡ 、ＷＴ－ＡＮＮ模型的
椰子油掺混定性识别研究
曹飞宇 １ ＞２ 王兴 国 １ 陈卫军 ２ 王 挥２
（江南大学食品学院 、无锡 刀射２２ ）
（ 中 国热带农业科学院椰子研究所 ２ ，文 昌 ５７ １３３９ ）
摘 要 根据不 同 油脂的 紫外特征光谱 ，利 用 ＳＩＭＣＡ ， ＰＬＳ － ＤＡ ， ＷＴ － ＡＮＮ ３ 种模型对椰子 油 中掺混 大
豆油 、葵花籽油和玉米油的 油脂类别进行判定分析 。 结果显示 ，ＷＴ －ＡＮＮ 对 ３ 种掺混油脂类 别 的识别 效果最
佳 ，预测集 及２分别 达到 了０ ．９９８９ （ 大豆油 ） 、０ ？９８ １１ （葵花籽油 ） 、 ０．９９９９ （ 玉米油 ） ，且在不 同 农度下识别 率均
达到 了１００％ ， 而 ＳＩＭＣＡ 和 ＰＬＳ－ ＤＡ 的识别 准确度相对较低 ， 且受掺混浓度的影响较大 。 ＷＴ－ＡＮＮ 结合紫
外光谱是一种有效判定椰子油 中掺混油脂类别 的分析方法 。
关键词 椰子油 定性识别ＳＩＭＣＡＰＬＳ － ＤＡＷＴ － ＡＮＮ
中图分类号 ： ＴＳ２２７文献标识码 ： Ａ文章编号 ： １００３－０ １ ７４（ ２０ １６ ）０ １－ ０ １ ３７－０５
天然椰子油 （ ＶＣ０ ） 是一种新兴的健康油脂 ， 富本研究以紫外光谱分析技术为切人点 ，采用 目
含中链脂肪酸 （ Ｍ ＣＴ ） ， 月 桂酸含量高达 ４７．３６％ ， 同前植物油市场中售价较低的玉米油 、葵花籽油 、大豆
时还含有 ４２０ｍｇ／ｋｇ 的植物 甾醇 、 ８９． ８ｍｇ／ｋｇ 的维油与 ＶＣ０ 进行掺混 ，基于不同掺混油脂的紫外光谱
生素 Ｅ 以及 １８ｍｇ／ｇ 的总酚酸等多种功能性微量成差异 ［ ９ ］ ，采用簇类软独立模式识别 （ Ｓ ＩＭＣＡ ） ［ １ （ ）］ ，偏
分 ［ １ ］ ，其营养价值和功能特性已经得到 国 内外消费最小二乘法判别分析 （ ＰＬＳ － ＤＡ ） ［ Ｕ ］ ， 小波转换神经
者的普遍认可 ［２ ］ 。 近年来 ， 国 内市场上天然椰子油网络 （ＷＴ － ＡＮＮ ） ［ １ ２ ］分别构建识别模型 ，以期得到一
＆藤渐增＃ ， ｆ旦 ；ｉ Ｔｔ個 种快速 、准确的掺混油脂类别定性分析方法 。齐 ，可能存在着搀兑低价油 、 劣质油 ，甚至非食用油
的安全隐患 。１如＂料加古 法近年来 ，有关油脂掺混鉴别分析的模型研究逐
渐增多５（ ： ［ ３ ］ 、 １＾１＾ ［４ ］ 、 １ １＾ ５ ］ 、 同位素 腹１１ ［ ６ ］ 、 ０脱Ｌ １ 原料
分子标记 ［ ７ ］等掺混鉴别技术的应用均取得了 阶段 ‘性天然椰子油 （ ＶＣ０ ） ： 中 国热带农业科学院椰子
成果 ， 但是韻存補处繼琐 、卿长 、 、肖鮮 ！ａ酿所巾试工ｒ 。 大雜 、魏賴 、玉米油 ：市售 。
等不足之处。 紫外光谱是一种常见的光谱特征分析ｈ ２
技术 ，能够■〔撕懸分子略色陳祕醜Ｌ Ｚ １ｖｉＧ撕样品配制
特性 ，含有 ＴＴ 键电子及共辄双键的化合物 ， 因在紫外将大豆油 、玉米油 、藥花籽油按质量 比 以 １％ ￣
条件下有强烈的 ＴＴ—ＴＴ ＊跃迁 ， 易在 ２２０￣ ３００ｎｍ 区３０％ 的添加量分别掺混于 ＶＣ０ 中 ， 共 ９０ 个掺混样
域产生吸收峰 。 不同类别油脂由 于其不饱和脂肪酸 品 ，分别 为 ＶＣ０／大 豆油 （ Ｄ ） ，ＶＣ０／玉米油 （ Ｙ ） ，
种类及含量的差异 ， 其紫外吸收峰位置 、强度及其峰ＶＣ０／葵花軒油 （ Ｋ ） 。 超声波振荡器振荡 ３０ｍｉｎ 后 ，
型均存在一定的差异 ［ｓ ］ 。 并且紫外光谱技术检测样置于 （ ２８± ２ ） 丈 的避光环境中保存 。
品快捷简单 ， 对样品无破坏 、污染 ， 将紫外图谱信息１ ． ２． ２ 紫外光谱采集
结合化学分析模型 ， 可达到不同种类油脂定性分析扫描波长为 １ ９０ ？ ５００ｎｍ ，扫描速度 ６０ｍｎ／ｍ ｉｎ ，
的 目 的 。
采样间隔 １ｎｍ ， 狭缝宽 ２ 削 ，以无水乙醇为对照 。
收稿 日 期 ：２０ １ ．ｔ － ０５ － １ ６２－ ３ 数据处理方法
作者简介 ： 曹飞宇 ，男 ， １９ ３９ 年 出生 ，硕士 ，油脂工程采用 Ｕｎｓｃｒａｍｂｌｅｒ９ ．７ 、 Ｎｅｕｒｏｓｈｅ ｌｌ２ 、 Ｍａｔｌａｂ 、 Ｏｒｉ－通讯作者 ： 王兴国 ，男 ， １Ｗ３ 年出生 ，教授 ，食用油加工与安全控 ＿
制及功能性油脂 ｇｉｎ 软件进行数据预处理和模型建立。
１ ３ ８中国粮油学报２０ １ ６ 年第 １ 期
２结果和讨论为训 练集 ， 剩 余 ３〇 个作 为 预测 集 ， 通过 ＰＣＡ 判
２ ． １ 紫外光谱特性分析 别 ［ １ ４ ］ ，确认 ３ 种掺混油样定性区分可行性 。 然后采
天然椰子油 、玉米油 、大豆油和葵花籽油 ４ 种油 用 ＳＮＶ＇ Ｓｍｏ ｏ ｔｈ ｉｎｇ ＇ Ｎｏ ｒｍ ａｌ ｉ ｚｅ 等预处理方法提高模型
脂的紫外光谱如 图 １ 所示 。 图 １ 发现 ，在 ２００￣ ３００＾别能力 ［ １ ５ ］ 。 图 ３ ￣ 图 ５ 比较 了紫外数据预处理之
ｎｍ 范 围 内 ， 玉米油 、大豆油 和葵 花籽油 ３ 种油脂的 前 、预处理之后 、过度 预处理的识别效果 。 结果发
紫外光谱曲线差异较小 。 从 ３００ｎｍ 处开始 ， 随着波 现 ， ＳＮＶ 的 预处理效果最佳 ， 能够有效提升 ３ 种混合
长的增加 ，谱线差异逐渐变大 ， 而天然椰子油 的整条 油样聚类分析的精确性 （ 图 ４ ） ， 强化模型的识别度 。
谱带吸光度偏弱 ，与其他 ３ 种油差别较大 。 Ｊｉ ａｎｇＬ 图 ６￣ 图 ８ 比较了主成分数与剩余残差之间 的关系 ，
等 ［９ ］对葵花籽油 、大豆油 、玉米油的紫外光谱分析也 确定了 ３ 种掺混油样各 自 的最优主成分数如表 １ 所
有相似结果 ，这种差异可能是不 同油脂 中共轭双键 示 ，经 ＳＮＶ ＆Ｓ后油样得到 了 很好的分离 ， 然后经
含量的差别而引起 的 ［ １ ３ ］ 。 玉米油 、大豆油和葵花籽 ＳＩＭＣＡ 条件下模 型分析进行 油脂 掺混类别 的鉴
油中含有不同的亚麻酸和亚油酸含量 ， 其共轭双键含 定 ［ １ ６
＿
１ ７ ］
。 结果发现 ，预测集识别率 ： １ ８ ］ 分别为 ９ ３％
量的差异 ，使不饱和度较高油脂的吸收峰 向长波方 向 （ Ｙ ） ； ９５％ （ Ｄ ） ； ９６％ （ Ｋ ） （ 表 １ ） ，可 以对油脂掺混类
移动至 ３ １ ０ｎｍ 附近 ，而天然椰子油不饱和度低 ，共轭 别进行较好的定性区分 。
双键少 ，导致谱带强度弱且吸收峰位于 ３００．ｒ
＾
２＾ １ １／ｚＹ
４－°
３ Ｖ３
－
５
：ｆＫ，… 葵花籽 —＾
ｉ
－ｒ＼ ｉ：；／／／ｔ
１ ． ０ －ＪＶ －６ －４－２０２４
〇：〇 ！ ， 注 ： ｘ ， 样 品 － 模型 ｘ 方向得分 ； ｙ ， 样品 —翻
２００３００４００５００ Ｙ 方向得分 ；Ｚ ，样品 － 模型 Ｚ方向得分
＾ ／ ｎｍ ▲ 葵花籽 （ Ｋ ） ， ？大豆 （ Ｄ ） ， 鲁玉米 （ Ｙ ）
图 １ 大豆油 、玉米油 、葵花籽油 、 ＶＣ０４ 种油脂的紫外图谱图 ３ ３ 种掺混油样原始光谱数据 ＰＣＡ得分三维图
图 ２ 是 ＶＣ０ 中掺混 １ ０％ 、 ２０％ 、３０％ 的 玉米油 、２
大豆油和葵花籽油共 ９ 个样品 的光谱信息 。 分析发 １
现 ， ｖｃｏ 的紫外图谱因掺混油脂类别的不同 而存在
较大差别 ： 在 ３００ｎｍ 之前 ， 主要表现为峰高的差异 ； － １ｊ＾＼ ｘ （
３００ｒｕｎ 之后 ，则主要表现为峰型和峰高综合性差异 。 ￣ ？？．＿
同时发现 ，在某些特定区域内 ，不同类别掺混油脂的谱＂ ５ 〇 ５＾ ５ ＾线肉眼难以判别 ，故采用化学分析模型进一步分析 。 Ｗ＾ ＇ ２ ‘注 ：ｘ ， 样品 － 模型 Ｘ 方向得分 ； Ｙ ， 样 品 － 模型
１Ｙ 方向得分 ；Ｚ ，样品 －模型 Ｚ方向得分 。
５ —
— Ｄ３▲ 葵花籽 （ Ｋ ） ， 參大豆 （ Ｄ ） ， 蜃玉米 （ Ｙ ）
４ － ： ：Ｙ２ 图 ４ ３ 种掺混油样预处理光谱数据 ＰＣＡ 得分三维图
〇
２００ ３００４００￣＇ ＾
－ｉｆｃ＋｜）７ｎＸ＊？
＂ｊ波长７ 丨？ °
（？．＾ ４＾＾ ＋〇７＿ ２Ｅ＋ 〇７０〇． ２Ｅ＋０７ 〇 ．４ Ｅ＋０７ 〇－６Ｅ＾０７
＇
〇． ＢＥ＋０ ７
注 ： Ｙ 为 ＶＣＯ／玉米油 ； Ｋ 为 ＶＣＯ／葵花籽油 ； Ｄ 为 Ｖ ＣＯ／大豆油 。
图 ２ＶＣ０鎌祕 的紫外图 ｉ普 样品
－ 分 ； Ｙ ’样品 －＿
２２Ｓ ＩＭＣＡ 分类 ｉ□别 Ｙ方 向得分 ； Ｚ ， 样品
－ 模 型 Ｚ 方 向得分 。
Ｚ Ｉ Ｌ 方失 Ｖ、 ｓ ＿ｌ ▲雛 Ｗ （ Ｋ ） ， 攀大豆 （ Ｄ ） ， ？玉米 （ Ｙ ）
从 ９０ 个 ＶＣＯ 掺混样品中随机抽取 ６０ 个样品作图 ５３ 种掺混油样过度懸理光谱数据 ＰＣＡ 得分三维图
第 ３ １ 卷第 １ 期 曹飞宇等 基于 Ｓ ＩＭＣＡ 、 ＰＬＳ－ＤＡ 、ＷＴ－ＡＮＮ 模型的椰子油掺混定性识别研究１ ３９

表 １ｓ ｉ ｍｃａ 分析结果
种油 样 的 识别 率分 别 为 Ｄ ：９７％ ；Ｋ ：９５ ＿５％ ；Ｙ ：
ＩＩｉｔＳ？ｍｉｍＳｍ■％ ，对油脂类别判别分析的识别效果较 ｓ ｉｍｃａ 有
２００ － ４００ｎｍＹＳＮＶ４０ ． ００ １５ ３０ ． ０００７２９３所提高 。 同时发现 ， 当掺混油脂添加量大于 ５％ 时 ，
ＤＳＮＶ６０ ． ０００６４ ０ ． ００３ ９５９５其掺混识别率均为 １ ００％ ， 表明 ＰＬＳ－ＤＡ 模型在掺
 —￣￣
００００ １ ７ ００００６７
＿
＿
＾ 混浓度大于 ５％ 时具有更佳的识别效果 。
０ ．０２
＾ 
表 ２ＰＬＳ － Ｄ Ａ 分析结果

： ２ ， 光谱预处理 ＃＃ 主成 训练集均 预测集均 识别率
；
ｌ ｉ 范围方式分数 方根误差 方根误差／％
〇 〇 １Ｊ１ Ｄ９０ ． ０４ １０ ０ ． ０５４２９７
＼
＾９Ｋ８０ ．１ ４２ ６ ０ ． ２ １ ３ ３９５ ． ５
：Ｉ ４００ｎｍ＋ＳＮＶ
＼Ｙ７０ ． ０８ ７ ６ ０ ．１ ０６２１ ００
〇■＾＾＂＂ ＰＣｓ０ ．０６－
（０）（ ２）（４） （６）（８ ） （ １ ０）（ １ ２）（ １ ４） （ １ ６）（ １ ８ ） ：
０ ．０４－
注 ： 横轴 为主成分个数 ， 纵轴为 自 变量剩余残差 ， １ 为训练集 ，２ 为 ：＼＾２麵集 。 讀 」 
图 ６ 玉米 油 ＰＣＡ 模型主成分数与剩余残差的关系 ：  
０
－ ＰＣｓ
０．０６ — ￣ 丁  ■■｜■ ■ ■丨 ？■￣￣’ ■ ？？？ ＿
： ２ （０）（２）（４）（６） （８ ）（ １０ ）（ １ ２）（ １ ４） （ １ ６）（ １ ８）
０ ０４ ：＼注 ： 横轴为主成分个数 ， 纵轴为均方根误差 ， １ 为训练集 ，２ 为预测集 。
＼ 图 ９ 葵花籽油 ＲＭＳＥＣＶ 、ＲＭＳＥＰ 与主成分数规律 图０．０２－＼
〇 」
■ＰＣ ｓ〇 〇６１
（
０）（２） （４）（６）（ ８） （ １ ０） （ １ ２ ） （ １ ４）（ １ ６） （ １ ８ ）０．０４＼
注 ： 横轴 ： 主 成分个数 纵轴 ： 自 变量 剩余残差 ， １ 为训 练集 ， ２；、 ■ —４，
为预测集 。 １ ？
图 ７ 大豆油 ＰＣＡ模 型主成分数与剩余残 差的关系 ｐＣｓ
００６ －Ｉ
（
０
）（２ ） （４）（６） （８ ）（ １ ０） （ １２） （ １ ４）（ １６） （ １ ８ ）
００４ ＿ｉ ＼注 ： 横轴为主成分个数 ， 纵轴为均方根误差 ， ｉ 为训练集 ，２ 为预测集 。
；
＼ 图 丨 〇 玉米油 ＲＭＳＥＣＶ 、 Ｒ ＭＳ ＥＰ 与主成分数规律图
００２
：＼ ０ ． ０４
＾ ，
（０）（２）（４ ）（６）（８ ） （ １ ０） （ １ ２ ）（ １４ ）（ １ ６）（ １ ８ ）〇 ． 〇２ －＼
注 ： 横轴 ： 主成分个数 纵 轴 ： 自 变量剩 余残差 ， １ 为训练集 ， ２；
２
为预酿 。 ＇＾ＰＣ ｓ图 ８ 葵花籽油 ＰＣＡ 模型主成分数与剩余残差 的关系 （ ） １ ， ， ， ， ，  ，
２ ．３ＰＬＳ－ ＤＡ分类识别 （０）（２ ） （４）（６）（８ ） （ １ ０） （ １ ２） （ １ ４）（ １ ６）（ １ ８ ）
ＰＬＳ－ ＤＡ 模型是基于 ＰＬＳ 而行ｆ生 出的一种类另 ｉｊ注 ： 横轴 为主成分个数 ．纵轴 为均方根误差 ， １ 为训练集 ， ２ 为预测 集 。
判定分析方法 ，它将定性判别转化为量化分析 ， 继而 ａ ｎ 大豆油 ＲＭＳＥＣＶ 、 ＲＭＳＥＰ 与主成分数规律 图
进行类别判定 ［ １９ － ２ １ ］ 。 本研究选取 ６０ 个样品作为训２ ． ４ＷＴ － ＡＮＮ 紫外数据处理
练集 ， ３０ 个作为预测集 ，数据采用 ９ 点平滑 ＋ 标准归ＡＮＮ （ 神经网 络 ） 数学分析模型 自学 习 能力强 ，
一化 （ ＳＮＶ ） 进行预处理 ，考察了训 练集均方根误差精度高 ，在多个行业的非线性预测 中均具有广泛 的
（ ＲＭＳＥＣＶ ） 、预测集均方根误差 （ ＲＭＳＥＰ ） 同 主成分应用 。 本研究首先采用 ｄｂ２ 小波 函数 ，对 ６０ 个训练
数之间 的变化规律如 图 ９￣ 图 １ １ 所示 ， 选择 ＲＭ －集和 ３０ 预测集进行分解和压缩 ［ ２３ ＿ ２４ ］ ，样品集从原有
ＳＥＣＶ 和 ＲＭＳＥＰ趋近最小值且两者差最小时 的主成的 ９０ｘ ２ 〇０ 维降低到 ９０ｘ９ 维 。 然后经数据分析确
分数作为最优参数如表 ２ 所示 。 预测集结果表明 ， ３定最佳网络结构的各层节点为输入层 （ ９ 个 ）一隐含
１４〇

中国粮油学报

２０ １６ 年第 １ 期
层 （ １３ 个 ）一输出 层 （ ４ 个 ） ， 学习 方法为学 习速率类别定性分析 。 结果表明 ， ３ 种模型在一定程度上均
０．３
， 动量 ０ ．１ ，初始权重 ０ ．２ ，训练精度 ０ ．００００ １ 。 预能够对掺混油脂的类别进行定性分析 ， ＳＩＭＣＡ 对于 ３
测结果如表 ３ 所示 ， ３ 种油样的预测集护分别达到了种掺混油样的识别率分别为 ９３％（ Ｄ ） ， ９５％（ Ｋ ） 和
０？９９８９ （ Ｄ ） 、０ ．９ ８８１（ Ｋ ） 、０ ？９９９９（ Ｙ ） ，识别率显示９６％（ Ｙ ） ；ＰＬＳ－ＤＡ 对 ３ 种掺混油样的识别率分别
ＷＴ－ＡＮＮ 模型不受掺混浓度高低的影响 ，识别率均为 ９７％（Ｄ ） ，９５ ．５％（Ｋ ） 和 １００％ （Ｙ ） ； 而在 ＷＴ－
为 １〇〇％ 。ＡＮＮ 条件下 ， ３ 种掺混油 样的识别率则均达到 了
表 ３ＷＴ －ＡＮＮ 分析结果１００％〇 由此可见 ， ＷＴ ＿ＡＮＮ 结合紫外光谱技术能
１２ 够对椰子油 中娜＿旨的类臟行快速 、准确 的定
２００ －Ｄ
￣
０ ． ９９９９
￣￣
０． ９９８９
￣
０． ００７ １００性分析 ，且该模型的识别效果不受掺混浓度高低的
４〇〇 ｎｍ 小 ｛＾数 Ｋ０ － ９９９９０ ． ９８ １１０． ０ １ ３ １００影响 ，具有较广的适用度 。
Ｙ ０ ． ９９９９０． ９９９９０ ． ００ １１００
参考文献
２． ５ＷＴ － ＡＮＮ 模型的验证 ［ １ ］夏秋瑜 ？ 天然椰子油 的组分及其对花生油氧化稳定性的
为进一步确认 ＷＴ －ＡＮＮ 模型的优越性 ，另采用 － ６６
福临门大豆油 、玉米油 和葵花籽油作为掺混油 ，分别Ｍ ＭａｒｉｎａＡＩｅｈｅＭａｎ ’ ＩＡｍ ｉｎ ’Ｖ ｉ＃＿ｍｎｏｉｌ ： ｅｍ？ｇｉｎｇ
配制５％ 、 １０％ 、 １５％ 、 ２０％ 、 ２０％ 、 ２５％ 、 ３０％浓度样—ａｌｈｄｏｉ ｌ ［ ＪＬ Ｔ—ｆＭｄｓｃｉｅｎｃｅ＆ ｔｅ— ’
２００９ ，２０ （ １ ０ ） ： ４８ １－ ４８７品 ，对類进行验证 。 紫夕卜捕测定后对数据进行最
［ ３ ］Ｃｓｅｒｈ＾ＵＴ ．Ｃ＾ａｐｈｙ ｉｎａｕｔｈｅｎｔ ｉｃｉ ｔｙ．ａｃｅ＾优化预处理 ，基于已建立的ＷＴ －ＡＮＮ最优模型进行 ｔｅｓ ｔｓ 。￡ ｖｅｇｅｔａｂ ｌｅＷａ？ｄｄａｉ ｒｙｐｒａｄｕｅｔｓ ： ａ ｒｃｖｉｅｗ ［ Ｊ ］ ＿Ｂ ｉ（）＿定性识别 。 设定大豆油擦混油样为 （〇 ， 〇 ， １ ） ，葵花籽油ｍｅｄｉ ｃａｌＣｈｒｏｍａｔｏｇｒａｐｈｙ ， ２００５ ， １ ９ （ ３ ）： １ ８３ －１９０
渗混油样为 （〇 ， １ ， 〇 ） ，玉术油渗混油样为 （ １ ， 〇 ， 〇 ） ，并 ［ ４ ］ Ｌｅｅ ，Ｄ ， － Ｓ ， ｅｔ ａｌ ．Ｒｅｖｅｒｓｅｄｐｈａｓｅ ｌｉｑｕｉｄ ｃｈ ｒｏｍａｔｏｇｒａｐｈ ｉｃｄｅ－
规定预测值中 多 〇＿ ５判定为１ ， ＜ ０． ５判定为零 。 预测 ｔｅｒｍｉ ｎａｔｉ ｏｎｏｆ ｔｒｉａｃｙｌｇｌｙｃｅｒｏｌ ｃｏｍｐｏｓｉｔ ｉｏｎｉｎｓｅｓａｍｅ ｏｉｌｓａｎｄ
结果如表 ４ 所示 。 结果表明模型对 １８ 个验证油样都ｔｈｅｃｈｅｍｏｍｅｔｒｉ ｃｄｅｔｅｃｔｉｏｎｏｆａｄ ｕｌｔｅｒａｔ ｉｏｎ［Ｊ ］ ．Ａｎａｌｙｔ ｉｃａ
完成了准确判定 ，识别率均达到 ｌ〇〇％ 。Ｃｈｉｍｉ ｃａ Ａｃ ｔａ ， ２００ １ ，４２９Ｗ ：３ ２ １－ ３３０
表４ＷＴ －ＡＮＮ模型验证结果 ［ ５］ Ｒｏ ｈｍａｎＡ ，  ｅｔ ａｌ ．Ａｐｐｌ ｉｃａｔｉ ｏｎｏｆ ＦＴＩＲｓｐｅｃｔｒｏｓｃｏｐｙｆｏｒｔｈｅｄｅ－
光谱预处理讲 口古―汝筑咖故ｔｅｒｍｉ ｎａｔｉｏ ｎｏｆｖｉ ｒｇｉ ｎ ｃｏｃｏｎｕｔｏｉ ｌｉ ｎｂｉｎａｒｙｍｉｘｔｕｒｅｓｗｉｔｈｏｌ ｉｖｅ
ｈ±－？ －ｉｊ ． －ｐ ．样 具头值 琐测值很围刀瓦 ｏｉｌａｎｄｐａｌｍｏｉ ｌ ［ Ｊ ］ ？Ｊｏｕｒｎａｌｏｆ ｔｈｅＡｍｅｒｉｃａｎＯ ｉｌＣｈｅｍｉ ｓｔｓ’
Ｄ（ ０ ， ０ ， １ ） （ ０ ． ００４ ３ ，０ ． ０ １ ２ ９ ，０ ． ９８ １ ６ ）Ｓｏｃ ｉｅｔｙ ，２０ １０ ， ８７ （ ６ ）： ６０ １－ ６０６Ｄ（ ０ ， ０ ， １ ） （ ０ ． ０００６ ，０． ０００ ０ ，０ ． ９９８５ ）
Ｄ（ ０ ， ０ ， １ ） （ ０ ． ０００ ０ ，０ ． ００２ ５ ，０ ． ９９８ ７ ）［ ６ ］ Ｇｏｎｚａｌｖｅｚ ， ＡＳＡｉｍｅｎｔａ ， ＭＤｅＵＧｕａｒｄｉａ． Ｔｒａｃｅ－ｅｌｅｍｅｎｔ
Ｄ（ ０ ， ０ ， １ ） （ ０ ． ００００ ，０ ． ００００ ， １ ． ００００ ） ｃｏｍｐｏｓｉ ｔｉｏｎａｎｄｓｔａｂｌｅ－ ｉｓｏｔｏｐｅｒａｔ ｉｏｆｏｒｄｉｓｃｒｉｍｉｎａｔｉｏｎｏｆ
Ｄ （ ０ ， ０ ， １ ） （０． ００００ ，０． ０２１ ０ ， １ ． ００００ ）ｆｏｏｄｓｗ ｉｔｈＰｒｏｔｅｃ ｔｅｄＤｅｓ ｉｇｎａｔ ｉｏｎｏｆＯｒｉｇｉｎ ［ Ｊ ］ ．ＴｒＡＣＴｒｅｎｄｓ
Ｄ（ ０ ， ０ ， １ ）（０． ００ ３３ ，０． ００４２ ，０ ． ９９３ ７ ） ｉｎＡｎａｌｙｔ ｉ ｃａｌＣｈｅｍ ｉｓｔｒｙ ， ２００９ ， ２８ （ １ １ ）： １ ２９５－ １ ３ １ １
Ｋ （ ０ ， １ ，０ ）（０． ００ ８８ ，０ ． ９６７０ ， ０ ． ０２７７ ）［ ７ ］ Ａｇｒｉｍｏｎ ｔｉ Ｃ ．Ｔｈｅｕｓ ｅｏｆｆｏｏｄｇｅｎｏｍｉｃｓｔｏｅｎｓｕｒｅｔｈｅｔｒａｃｅａ－Ｋ （ ０ ， １ ，０ ）（０． ００２９ ，０ ． ９７６８ ， ０ ． ０２２７ ） ｒ ，
２００ －ｄｂ２Ｋ（０ ， １ ，０ ）（０ ． ０００ ４ ，０． ９８７１ ， ０ ． ０ １４９ ）ｂ ｉｌｉ ｔｙｏｆｏｌｉ ｖｅｏｉｌ ［ Ｊ ］ ． Ｔ ｒｅｎｄｓｉ ｎＦｏｏｄＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏ－
４００ ｎｒａ小波函数ｋ （０ ， １ ，０ ）（ ０． ００ １ ５ ，０． ９９４９ ， ０ ． ００５ ６ ） ｇｙ ， ２０ １ １ ， ２２ （ ５ ） ：２３７－ ２４４
Ｋ （０ ， １ ，０ ）（ ０ ． ００００ ， １ ． ００００ ，０ ． ００００ ）［ ８ ］朱明华 ． 仪器分析 ［Ｍ ］ 北京 ：高等教育出版社 ， １ ９９３ ：９８９
Ｋ （０ ， １ ，０ ）（ ０． ００６５ ， ０ ． ９８５ ９ ，０ ． ００５ ９ ）［ ９ ］Ｊ ｉａｎｇＬ ， ＨＺｈｅｎｇ ， ＨＬｕ ． Ａｐｐｌ ｉｃａｔｉ ｏｎ ｏｆＵＶｓｐｅｃ ｔｒｏｍｅｔ ｒｙａｎｄ
Ｙ（ １ ，０ ，０ ）（ ０ ． ９７０８ ， ０． ００００ ，０ ． ０６５ ５ ） ｃｈｅｍｏｍｅｔｒｉｃｍｏｄｅｌｓｆｏ ｒｄｅｔｅｃｔｉｎｇｏｌｉｖｅｏｉｌ－ｖｅｇｅｔａｂｌｅｏｉｌ
Ｙ（ １ ，０ ，０ ）（ ０ ． ９９９７ ， ０ ． ００００ ，０ ． ００２６ ）ｂｌｅｎｄ ｓａｄｕ ｌｔｅｒａｔ ｉｏｎ ［ Ｊ ］ ． ＪｏｕｒｎａｌｏｆＦｏｏｄＳｃ ｉｅｎｃｅａｎｄ Ｔｅｃｈｎｏｌ－Ｙ（ １ ，０ ，０ ）（ １ ． ００００ ， ０ ． ００３ ５ ，０ ． ００００ ）
Ｙ（ １ ，０ ，０ ）（ １ ． ００００ ，０ ． ００４５ ，０ ． ００００ ）ｏｇｙ ， ２０ １ ３ ： ｌ－ ７
Ｙ （ １，〇 ， 〇 ） （ １ ．００００ ，０ ．００００ ，０ ．００００ ）［ １０ ］ ＭｅｚａＭｄｒｑｕｅｚ ．Ａｐｐ ｌｉｃａｔ ｉｏｎｏｆｍｉｄ－ ｉｎｆｒａｒｅｄｓｐｅｃ ｔｒｏｓｃｏｐｙ

Ｙ（ １ ，０ ，０ ） （ ０．９６７ ０ ，０ ．００５ ６ ，０ ．０７６４ ） ｗｉ ｔｈ ｍｕｌ ｔｉｖａｒｉａｔｅａｎａｌｙｓ ｉｓａｎｄｓｏｆｔｉｎｄｅｐｅｎｄｅｎｔｍｏｄｅｌ ｉｎｇｏｆ
注 ： Ｄ 表 ｔｋ掺混油 为大 油 的样 ｎｎ ； Ｋ 表 掺混油为藥花好油 的ｅ ｌａｓｓａｎａｌｏｇｉｅＷ ＳＩＭＧＡ 丨 ｆｏ ｒ＊ｔｈｅｄｅｔｅｅｔｉ ａｎｏｆ ａｄｕｌ ｔｅｒａｎｔ ｓｉｎ样品 ； Ｙ表示掺混油为玉米油 的样品 。 ＾，ｍｉｎｃｅｄｂｅｅｆ ［ Ｊ ］ ，Ｍｅａｔｃ ｉｅｎｃｅ ， ２０ １ ０ ， ８６ （ ２ ）： ５ １ １－ ５ １ ９
［ １ １ ］Ｇａｌｔ ｉｅｒ０ ， ｅｔａｌ． Ｇｅｏ ｇｒａｐｈｉｃｏｒｉｇｉｎｓａｎｄ ｃｏｍｐｏｓｉ ｔｉｏｎ ｓｏｆ ｖｉ ｒ－
３ 结论 ｇｉｎ ｏｌｉ ｖｅｏｉｌ ｓｄｅｔｅｒｍ ｉｎａｔｅｄｂｙｃｈｅｍｏｍｅｔｒｉｃａｎａｌｙｓ ｉｓｏｆＮ ＩＲ
采用Ｓ ＩＭＣＡ 、ＰＬＳ－ ＤＡ 、ＷＴ－ＡＮＮ３种模型进打ｓｐｅｃ ｔｒａ［Ｊ ］ ．ＡｎａｌｙｔｉｃａＣｈｉｍ ｉｃａＡｃｔａ ，２００７ ，５９５（１ ） ：
椰子油中大豆油 、玉米油 、葵花籽油 ３ 种掺混油脂的１ ３６ － １ ４４
第 ３ １ 卷第 １ 期 曹飞宇等 基于 ５１ １价２ 、？１５ － ０人 、阶 － 人顺模型的椰子油掺混定性识别研究１４ １
［ １ ２ ］ ＳｈａｏＹ ，ＹＨｅ ，ＹＷａｎｇ． Ａｎｅｗａｐｐｒｏａｃｈ ｔｏｄｉ ｓｃｒｉｍ ｉｎａｔｅｖａ－ｂｒａｔｉ ｏｎａｌＳｐｅ ｃｔｒｏｓｃｏｐｙ ，２０ １ １ ，５ ５ （ １ ） ： １３２ － １４０
ｒｉｅｔ ｉｅｓ ｏｆ ｔｏｂａｃｃｏｕｓｉｎｇｖｉｓ／ｎｅａｒ ｉｎｆｒａｒｅｄｓｐｅｃｔｒａ［ Ｊ ］ ．Ｅｕｒｏ－［ １ ９ ］Ｒｏｕｓ ｓｅｌ Ｓ ， Ａｕｔｈｅｎｔ ｉｃａｔ ｉｎｇｗｈ ｉｔｅｇｒａｐｅｍｕｓｔ ｖａｒｉｅｔｙｗ ｉｔｈｃｌａｓ －
ｐｅａｎＦｏｏｄＲｅｓｅａｒｃｈａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ， ２００７ ， ２２４ （ ５ ）： ５９ １－ ｓｉｆｉｃａｔ ｉｏｎｍｏｄｅｌｓ ｂａｓｅｄｏｎａｒｏｍａｓｅｎｓｏｒｓ ， ＦＴ－ＩＲａｎｄＵＶ
５ ９６ ｓｐｅｃｔｒｏｍｅｔｒｙ［Ｊ］ ．ＪｏｕｒｎａｌｏｆＦｏｏｄＥｎｇｉｎｅｅｒｉｎｇ ，２００３ ，６０
［ １ ３ ］ 钟诚． 紫外光谱结合化学计量学检测初榨橄榄油掺伪研 （４ ）：４０７－ ４１ ９
究 ［ Ｊ ］ ？ 中国粮油学报 ， ２０ １ ３ ， ２８ （ １０ ） ： １ １ ３－ １ １ ７ ［ ２０ ］ Ｋｅｍ ｓｌｅｙＥ ．Ｄｉ ｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉ ｓｏｆｈｉ ｇｈ－ｄｉｍｅｎ ｓｉｏｎａｌｄａ－
［ １４ ］穆海波 ． 基于傅里叶变换红外光谱技术和软独立模式分ｔａ ： ａ ｃｏｍｐａｒｉｓｏｎｏｆ ｐｒｉｎｃ ｉｐ ａｌｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉ ｓａｎｄｐａｒｔ ｉａｌ
类法的 牛奶分类识别 ［ Ｊ ］ ． 乳业科学与技术 ， ２０ １ ２ ， ３５ ｌｅａｓ ｔｓｑｕａｒｅｓｄａｔａｒｅｄｕ ｃｔ ｉｏｎ ｍｅｔｈｏｄｓ ［  Ｊ ］ ．Ｃｈｅｍｏｍｅｔｒ ｉｃｓａｎｄ
（ ２ ）： ３４－ ３７ｉｎｔｅｌ ｌｉｇｅｎｔｌａｂｏｒａｔｏｒｙ ｓｙｓｔｅｍ ｓ ， １ ９９６ ， ３３ （ １ ） ：４７－ ６ １
［ １５ ］Ｔ〇ｒｒｅｃｉｌ ｌａ ，Ｊ Ｓ ．ＡＮｏｖｅｌＭｅｔｈｏｄＴｏＱｕａｎｔ ｉｆｙｔｈｅＡｄｕｌｔｅｒａｔ ｉｏｎ ［２ １］ＭｃＤｏｎａｌｄＲＳａｎｄＰ ＡＷ ｉｌｋ ｓ．ＪＣＡＭＰ －ＤＸ ：Ａｓ ｔａｎｄａｒｄ
ｏｆ ＥｌｘｔｒａＶｉｒｇｉｎＯ ｌｉｖｅＯｉ ｌｗｉ ｔｈＬｏｗ－ Ｇｒａｄ ｅＯ ｌ ｉｖｅＯｉｌ ｓｂｙＵＶ ｆｏｒｍ ｆｏｒ ｅｘｃｈａｎｇｅｏｆ ｉｎｆ ｒａｒｅｄｓｐｅｃｔｒａｉｎｃｏｍｐｕｔｅｒ ｒｅａｄａｂ ｌｅ
－Ｖｉｓ
［ Ｊ ］ ． Ｊｏｕｒｎａｌｏｆａｇｒｉｃｕｌｔｕｒａｌ ａｎｄ ｆｏｏｄｃｈｅｍ ｉｓｔｒｙ ， ２０ １ ０ ，ｆｏｒｍ ［ Ｊ ］ ．Ａｐｐｌ ｉｅｄ Ｓｐｅｃ ｔｒｏｓｃｏｐｙ ， １９８ ８ ， ４２ （ １ ）： １５ １－ １６２
５８ （ ３ ） ：  １６７９ － １６８４［ ２２ ］Ｈａｇａｎ ＭＴ ，ＨＢＤｅｍｕｔｈ ，ＭＨＢｅａｌｅ ．Ｎｅｕｒａｌｎｅｔｗｏｒｋ ｄｅｓｉｇｎ
［ １ ６ ］ 黄桂东 ． 黄酒酿造用大米品种的模式识别研究 ［ Ｊ ］ ． 食品［ Ｍ ］ ． Ｂ 〇Ｓｔ〇ｎ ： ＰｗＳ Ｐｕｂ ， １９９６
科学 ，２０ １ ３ ， ３４ （ １ ６ ）： ２８４ － ２８７ ［ ２３ ］ ＷｕＤ ．Ｄｅｔｅｒｍ ｉｎａｔ ｉｏｎｏｆ ａ－ ｌｉｎｏｌｅｎｉｃａｃｉｄａｎｄ ｌ ｉｎｏｌｅｉ ｃａｃｉｄ
［ １ ７ ］黄桂东 ． ＤＲ－ ＦＩＴＲ 结合 ＳＩＭＣＡ识别不同种类 ［ Ｊ ］ ． 食品ｉｎ ｅｄ ｉｂ ｌｅｏｉｌ ｓｕ ｓｉｎｇｎｅａｒ－ ｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｉｍｐｒｏｖｅｄ ｂｙ
科学 ， ２０ １ ３ ，３４ （ １ ４ ） ：２８５ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｎｄｕｎｉｎｆｏｒｍａｔｉ ｖｅｖａｒｉａｂｌｅｅｌｉｍｉｎａｔｉｏｎ
［ １ ８ ］ Ｇａｌｔｉｅｒ０ ． Ｃ ｏｍｐａｒ ｉｓｏｎ ｏｆ ＰＬＳ１－ＤＡ ， ＰＬＳ２ －ＤＡａｎｄＳ ＩＭＣＡ ［Ｊ ］ ． ＡｎａｌｙｔｉｃａＣｈｉｍｉｃａＡｃｔａ ， ２００９ ， ６３４ （ ２ ） ： １６６－１ ７ １
ｆｏｒｃｌａｓ ｓｉｆｉｃａｔｉｏｎ ｂｙｏｒｉｇｉｎｏｆ ｃｒｕｄｅｐｅｔ ｒｏｌｅｕｍｏｉｌｓｂｙＭ ＩＲａｎｄ ［ ２４ ］ 张欣． 近红外和拉曼光谱法测定蜂蜜掺假研究 ［ Ｄ ］ ． 长
ｖｉ ｒｇｉｎ ｏｌｉｖｅｏｉｌｓｂｙＮＩＲｆｏｒｄｉｆｆｅｒｅｎｔｓｐｅｃｔｒａｌｒｅｇｉｏｎｓ ［ Ｊ ］ ．Ｖｉ －沙 ： 中南大学 ， ２０ １ １ ．
ＴｈｅＳｔｕｄｙｏｆＳＩＭＣＡ ，ＰＬＳ－ＤＡ ，ＷＴ－ＡＮＮＭｏｄｅｌｓｆｏｒ
ＣｏｃｏｎｕｔＯｉ ｌＢｌｅｎｄｅｒＱｕａｌｉｔａｔｉｖｅＩｄｅｎｔｉｆｉｃａｔｉｏｎ
Ｃ ａｏＦｅｉｙｕ
１ ＇ ２ＷａｎｇＸｉｎｇｇｕｏ１ＣｈｅｎＷｅｉｊｕｎ２ＷａｎｇＨｕｉ２
（ Ｓ ｃｈｏｏｌｏｆＦｏｏｄＳｃ ｉｅｎｃｅａｎｄＴｅｃｈｎｏ ｌｏｇｙ ，ＪｉａｎｇｎａｎＵｎｉｖｅｒｓｉｔｙ １ ，Ｗｕｘｉ２ １４ １２２ ）
（ Ｃｏｃｏｎｕ ｔＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅＧＡＴＡＳ２ ，Ｗｅｎｃｈａｎｇ５７ １ ３３９ ）
ＡｂｓｔｒａｃｔＡｃｃｏｒｄｉｎｇ ｔｏｔｈｅ ｅｘｐｅｒｉｍｅｎ ｔａｌｒｅｓｕｌｔｏｆＵＶｓｐｅｃｔｒａｏｆｄｉｆｅｒｅｎｔｏ ｉ ｌｓ ， ｔｈｅｓｔｕｄｙｈａｓｕｔｉ ｌｉｚｅｄＳＩＭＣＡ ，
ＰＬＳ－ ＤＡａｎｄＷＴ － ＡＮＮｍｏｄｅｌｓｔｏｄｉｓｃｒｉｍｉｎａｔｅｔｈｅｃｏｃ ｏｎｕｔｏ ｉｌｍｉｘ ｉｎｇｓｏｙｂｅａｎｏ ｉｌ ，ｓｕｎｆｌｏｗｅｒｏ ｉ ｌａｎｄｃｏｍｏｉ ｌｃａｔｅ ？
ｇｏｒｉｅｓ ．Ｔｈｅｒｅｓｕｌ ｔｓｓｈｏｗｅｄｔｈａｔｒｅｃｏｇｎ ｉ ｔｉｏｎｅｆｆｅｃ ｔｏｆＷＴ－ＡＮＮｏｎｍ ｉｘｅｄｏ ｉｌｃａｔｅｇｏｒｉｅｓｗａｓ ｔｈｅｂｅｓｔａｍｏｎｇ ｔｈｅ ｔｈｒｅｅ；
ｐｒｅｄｉｃ ｔｉｏｎｓｅｔＲｚｒｅａｃｈｅｄ０ ． ９９ ８９（ ｓｏｙｂｅａｎ ），０ ． ９８ １１（ ｓｕｎｆｌｏｗｅｒ ） ，０ ．９９９９（ ｃｏｍ）ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｒｅｃｏｇｎ ｉｔｉｏｎ
ｒａｔｅｏｆ ｗｉ ｄｅｒａｎｇｅｏｆｄｉｆｆｅｒｅｎｔｃｏｎｃｅｎｔｒａｔｉｏｎ ｓｒｅａｃｈｅｄ１００％，ｗｈ ｉｌｅＳＩＭＣＡａｎｄＰＬＳ－ＤＡｒｅｃｏｇｎｉ ｔｉｏｎａｃｃｕｒａｃｙｗａｓ
ｒｅｌａｔｉｖｅｌｙｌｏｗｅｒ ，ｓｔｒｏｎｇｌｙ ｉｎｆｌｕｅｎｃｅｄ ｂｙｔｈｅｍｉｘｉｎｇｃｏｎｃｅｎｔｒａｔｉｏｎ ．Ａｓａｃｏｎｃｌｕｓｉｏｎ ，ＷＴ－ＡＮＮｃｏｍｂｉｎｅｄ ｗｉｔｈｕｌｔｒａｖｉ？
ｏｌｅ ｔｓｐｅｃ ｔｒｕｍｓｈｏｕｌｄｂｅａｎ ｅｆｆｅｃ ｔｉｖｅ ｊｕｄｇｍｅｎｔｏｆｃｏｃｏｎｕｔｏ ｉｌｍ ｉｘｔｕｒｅｃａｔｅｇｏｒｉｅｓｆｏｒｑｕａｌｉ ｔａｔｉｖｅｉｄｅｎｔｉｆｉ ｃａｔｉｏｎ ．
Ｋｅｙｗｏｒｄｓｃｏｃｏｎｕｔｏ ｉ ｌ ，ｑｕａｌｉ ｔａｔｉｖｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ ，ＳＩＭＣＡ ，ＰＬＳ－ＤＡ ，ＷＴ－ＡＮＮ