[发明专利]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

说明书

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，精简模型的同时提高多元校正模型的预测能力，从而实现葡萄酒品质参数的快捷、较准确的测定。具体过程如下：采集已知品质参数的葡萄酒的傅里叶变换红外光谱数据，随机分为训练集和检验集。对训练集光谱进行Fisher判别分析，得到变量的特征矩阵E，其绝对值的平均值为定义筛选阈值k，当第i个波长对应的时，被保留下来用于构建光谱和品质参数的定量模型。检验集样本用来优化筛选阈值k等参数，当检验集的预测误差达到最小值且数值稳定时，对应的阈值k为最佳筛选阈值，此时筛选出的波长用于建立定量模型，来预测未知葡萄酒样品(预测集)中的相应品质参数。

技术领域

本发明属于分析化学领域的分析手段，具体涉及一种通过筛选红外光谱特征波长用于检测葡萄酒品质参数的方法。

背景技术

中国是酒水消费大国，其中葡萄酒近年来不断得到大众的青睐，国产葡萄酒行业发展迅猛，而葡萄酒品质的鉴定非常重要。目前国内外传统的酒质量检测方法主要有气相色谱-质谱法、高效液相色谱法、气相色谱-质谱法、液相色谱-质谱法等。这些分析方法具备灵敏度高、检测限低等优势，但同时也存在不足，如检测时间长、样品的预处理方法复杂、无法同时检测乙醇、乳酸等多个质量参数。

光谱分析技术在食品工业分析中发挥着重要的作用。傅里叶变换红外光谱(Fourier transform infrared，FT-IR)法是一种常用的分析方法，可以对复杂体系进行整体宏观鉴定，快捷、分辨率高。由于葡萄酒成分多样、谱峰重叠引起的谱图特征减弱；以及由于生产工艺和原料的不同，不同品牌葡萄酒组成差异较大，因此将化学计量学技术引入红外光谱以实现客观量化的解析。从大量的光谱数据中提取代表样本组分的特征信息尤为关键。光谱中存在的一些包含无用或无关信息的变量，诸如噪声、背景等，识别和去除这些无用的信息可以精简模型并提高多元校正模型的预测能力。因此，筛选红外光谱特征波长是建立稳健预测品质参数模型的关键。

提出一种筛选红外光谱特征波长的方法-费舍判别波长筛选(FisherDiscriminant Variable Selection，FD-VS)。在FD-VS方法中，波长的特征矩阵(Eigenvector)作为波长(变量)选择的判据，特征矩阵中每个值反映其对应波长的重要性。特征矩阵的绝对值称为|E|，其值越大，对应的波长越为重要(关键)，即为代表样本组分信息的特征波长。筛选出的特征波长用于建立预测模型，对红酒多个主要品质参数进行同时定量分析。

发明内容

本发明的目的是提供一种快速、简捷的筛选红外光谱特征波长用于同时定量预测多个红酒品质参数的方法。

采集已知品质参数的葡萄酒样品的傅里叶变换红外光谱数据，随机分为训练集和检验集。将训练集的红外光谱数据进行Fisher判别分析，通过得到的特征矩阵E_n×1来衡量光谱中对应波长的重要性。第i个波长对应的特征矩阵值为E_i，特征矩阵E的绝对值的平均值为定义筛选阈值k，当时，相应的波长被保留下来用于构建光谱和多个葡萄酒品质参数的定量模型，从而实现对未知葡萄酒样本的品质参数的预测。

为实现本发明所提供的具体步骤包括：

1.数据采集：多个品牌的已知某些主要品质参数的葡萄酒，采用傅里叶变换红外光谱仪扫描其红外光谱数据A_m×n(m个样本，n个变量)；

2.数据分组：将光谱数据随机分为训练集和检验集，比例为3∶1。训练集用来筛选特征波长和建立模型，检验集样本用来优化筛选过程参数；

3.结合留一法交互验证原理，令训练集中每个样本作为类别1，其余样本作为类别2，经过Fisher判别分析(FDA)方法多次迭代分析后，得到光谱变量的特征矩阵E_n×1；