一种提高小麦粉的粗蛋白校正模型适应性的建模方法技术

本发明专利技术提供了一种提高小麦粉的粗蛋白校正模型适应性的建模方法，属于品质检测分析技术领域。本发明专利技术首先收集3类小麦粉样品，并对所述3类小麦粉样品进行近红外光谱数据采集和粗蛋白理化值测量；然后将3类小麦粉样品分别划分为校正集和预测集；再通过校正集中的小麦粉样品近红外光谱数据与粗蛋白含量值之间的数学关系，建立3类小麦粉样品的三组分混合粗蛋白校正模型，最后利用三组分混合粗蛋白校正模型预测所述预测集的小麦粉样品粗蛋白含量。本发明专利技术扩大了校正模型的应用范围，有效提高了校正模型的稳定性。正模型的稳定性。正模型的稳定性。

【技术实现步骤摘要】
一种提高小麦粉的粗蛋白校正模型适应性的建模方法


[0001]本专利技术涉及品质检测分析
，具体涉及一种提高小麦粉的粗蛋白校正模型适应性的建模方法。

技术介绍

[0002]小麦粉制品以其高蛋白、高营养价值被人们作为饮食上解决温饱问题的主食。近年来，中国经济快速发展，消费者生活水平不断提高，特色面粉，如全麦面粉、自发面粉、专用面粉等越来越多。为适应中国市场的需求，对特色面粉的品质快速检测方法的研究是非常必要的。
[0003]目前大多数研究采用近红光谱技术建立单一品种的小麦粉品质指标的校正模型，结合化学计量学方法优化校正模型，虽然提升了校正模型的预测精度和预测速度，但是建模样品本身具有单一性，所建模型的适应性、应用范围和实际适用效果并不理想，对各种商业化面粉或者其他特色面粉的品质无法精准预测。

技术实现思路

[0004]针对现有技术中存在不足，本专利技术提供了一种提高小麦粉的粗蛋白校正模型适应性的建模方法，实现对商业化特色面粉的粗蛋白含量进行精准预测。
[0005]本专利技术是通过以下技术手段实现上述技术目的的。
[0006]一种提高小麦粉的粗蛋白校正模型适应性的建模方法，包括步骤：
[0007]S1，收集3类小麦粉样品，并对所述3类小麦粉样品进行近红外光谱数据采集和粗蛋白理化值测量；
[0008]S2，将3类小麦粉样品分别划分为校正集和预测集；
[0009]S3，通过校正集中的小麦粉样品近红外光谱数据与粗蛋白含量值之间的数学关系，建立3类小麦粉样品的三组分混合粗蛋白校正模型，利用三组分混合粗蛋白校正模型预测所述预测集的小麦粉样品粗蛋白含量。
[0010]进一步的技术方案，在建立三组分混合粗蛋白校正模型前，利用矢量归一化处理近红外光谱数据。
[0011]进一步的技术方案，所述3类小麦粉样品包括通用面粉、自发面粉和全麦面粉。
[0012]进一步的技术方案，所述三组分混合粗蛋白校正模型预测所述预测集的小麦粉样品粗蛋白含量，通过校正集相关系数Rc、校正集交互验证均方根误差RMSECV、预测集相关系数Rp和预测集交互验证均方根误差RMSEP进行评价。
[0013]进一步的技术方案，采集近红外光谱数据的光谱仪参数设置为：扫描波长范围为900
‑
2500nm、波长点为1601个、分辨率为8cm
‑1、扫描次数为16次。
[0014]进一步的技术方案，所述粗蛋白理化值的测量采用国标法。
[0015]进一步的技术方案，所述校正集和预测集的划分采用K
‑
S算法，即把所有的小麦粉样品均看作训练集候选样本，依次从中挑选样本划入训练集。
[0016]更进一步的技术方案，所述依次从中挑选样本划入训练集，具体为：首先选择欧氏距离最远的两个小麦粉样品划入训练集，然后通过计算剩下的每一份小麦粉样品到训练集内每一个已知小麦粉样品的欧式距离，找到距离已知小麦粉样品最远及最近的两个样本，并将这两个样本划入训练集，重复上述过程，直到样本数量达到要求。
[0017]与现有技术相比，本专利技术具有以下优点及有益效果：
[0018]本专利技术通过校正集中的小麦粉样品近红外光谱数据与粗蛋白含量值之间的数学关系，建立3类小麦粉样品的三组分混合粗蛋白校正模型，利用三组分混合粗蛋白校正模型预测所述预测集的小麦粉样品粗蛋白含量，扩大了校正模型的应用范围，有效提高了校正模型的抗干扰能力；本专利技术在建立三组分混合粗蛋白校正模型前，利用矢量归一化处理近红外光谱数据，进一步提升了校正模型的预测精度。本专利技术方法能快速检测各类商业化特色面粉的粗蛋白含量，解决了现阶段对特色面粉品质研究的市场需求，具有良好的实际应用价值。
附图说明
[0019]图1为本专利技术所述提高小麦粉粗蛋白校正模型适应性的建模方法流程图；
[0020]图2为3类小麦粉样品的近红外光谱图；
[0021]图3(a)为本专利技术矢量归一化预处理光谱数据后建立的三组分混合粗蛋白校正模型的校正集线性拟合图；
[0022]图3(b)为本专利技术矢量归一化预处理光谱数据后建立的三组分混合粗蛋白校正模型的预测集线性拟合图。
具体实施方式
[0023]下面结合附图以及具体实施例对本专利技术作进一步的说明，但本专利技术的保护范围并不限于此。
[0024]如图1所示，一种提高小麦粉粗蛋白校正模型适应性的建模方法，具体包括如下步骤：
[0025]步骤(1)，小麦粉样品的收集
[0026]共收集215份小麦粉样品，并分为3类：其中两类是分别购于国内各地区超市的市售通用面粉142份和市售自发面粉16份，另一类取自江苏某面粉厂提供的小麦颗粒，经多功能粉碎机粉碎、过100目筛后制成的全麦面粉57份。
[0027]步骤(2)，近红外光谱的采集
[0028]采用的仪器：上海棱光S450近红外光谱仪，配有积分球漫反射系统、PTFE参比模块和聚苯乙烯波长标准片，能自动完成参比校正和波长监控；
[0029]光谱测量条件：仪器扫描波长范围为900～2500nm，波长点共1601个，分辨率为8cm
‑1，扫描次数为16次；
[0030]光谱测量方法：将215份小麦粉样品各称重300g，装于仪器配套样品杯中，样品填充高度为3.0cm；采集光谱时，每个样品重复采集3次光谱，并取平均原始光谱，共得到215条原始光谱，得到如图2所示的3类小麦粉原始光谱图；每次样品测量前均采用相同的测量条件进行扫描并扣除背景。
[0031]步骤(3)，小麦粉粗蛋白理化值测量
[0032]小麦粉粗蛋白理化值测量参照国标法GB/T31578
‑
2015《粮油检验粮食及制品中粗蛋白测定杜马斯燃烧法》规定的方法和实验条件进行检测；每份小麦粉样品平行检测3次，保证3次检测的组内最大相对极差不大于4％，取3次检测结果的平均值；3类小麦粉样品的具体粗蛋白含量范围见表1。
[0033]表1 3类小麦粉理化实测粗蛋白含量值
[0034][0035]步骤(4)，小麦粉样品的样本集划分
[0036]基于Kennard
‑
Stone(K
‑
S)算法将小麦粉样品划分为校正集和预测集，即把所有的小麦粉样品都看作训练集候选样本，依次从中挑选样本划入训练集。首先选择欧氏距离最远的两个小麦粉样品划入训练集，然后通过计算剩下的每一份小麦粉样品到训练集内每一个已知小麦粉样品的欧式距离，找到距离已知小麦粉样品最远及最近的两个样本，并将这两个样本划入训练集，然后重复上述过程，直到样本数量达到要求。最终确定通用面粉校正集100份、预测集42份，自发面粉校正集11份、预测集5份，全麦面粉校正集40份、预测集17份。
[0037]步骤(5)，以通用面粉建立粗蛋白校正模型预测自发面粉和全麦面粉
[0038]取100份通用面粉校正集建立单一通用面粉粗蛋白校正模型(即利用偏最小二乘回归方法建立校正集小麦粉样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提高小麦粉的粗蛋白校正模型适应性的建模方法，其特征在于，包括步骤：S1，收集3类小麦粉样品，并对所述3类小麦粉样品进行近红外光谱数据采集和粗蛋白理化值测量；S2，将3类小麦粉样品分别划分为校正集和预测集；S3，通过校正集小麦粉样品的近红外光谱数据与粗蛋白含量值之间的数学关系，建立3类小麦粉样品的三组分混合粗蛋白校正模型，利用三组分混合粗蛋白校正模型预测所述预测集的小麦粉样品粗蛋白含量。2.根据权利要求1所述的粗蛋白校正模型适应性的建模方法，其特征在于，在建立三组分混合粗蛋白校正模型前，利用矢量归一化处理近红外光谱数据。3.根据权利要求1所述的粗蛋白校正模型适应性的建模方法，其特征在于，所述3类小麦粉样品包括通用面粉、自发面粉和全麦面粉。4.根据权利要求1所述的粗蛋白校正模型适应性的建模方法，其特征在于，所述三组分混合粗蛋白校正模型预测所述预测集的小麦粉样品粗蛋白含量，通过校正集相关系数Rc、校正集交互验证均方根误差RMSECV、预测集相关系数Rp和预测集交互验证均方根误差RMSEP进行...

【专利技术属性】
技术研发人员：薛莉沁，陆道礼，赵松光，田静，
申请(专利权)人：江苏大学，
类型：发明
国别省市：