[发明专利]一种基于数据驱动拉曼光谱的乳品中乳清蛋白测量方法

权利要求书

1.一种基于数据驱动拉曼光谱的乳品中乳清蛋白测量方法，其特征在于，包括如下步骤：

(1)以面扫描或旋转样品杯的方式重复采集10-100次乳品样本的拉曼光谱，取其平均值作为乳品样本的拉曼光谱；

(2)利用高效液相色谱-质谱联用仪分别对乳品样本中α-乳白蛋白和β-乳球蛋白的含量信息进行定量分析；

(3)采用近似平移不变小波变换的方法对乳品样品的拉曼光谱进行小波多尺度分解，获取乳品样本拉曼光谱的近似平移不变小波变换系数；

(4)基于乳品样本拉曼光谱的近似平移不变小波变换系数，采用无监督分类算法将乳品样本拉曼光谱的近似平移不变小波变换系数分成多个类簇；

(5)根据每个类簇的乳品样本拉曼光谱的近似平移不变小波变换系数以及乳品样本中α-乳白蛋白和β-乳球蛋白的含量信息，采用变量筛选方法对每个类簇的近似平移不变小波变换系数进行变量筛选，构建每个类簇的数据驱动模型；

(6)对乳品样本拉曼光谱的近似平移不变小波变换系数进行光谱重构，获取每个类簇的重构光谱信息，构建已知乳品光谱数据库；

(7)针对未知乳品样本，先根据步骤(1)至(3)获取未知乳品样本拉曼光谱的近似平移不变小波系数，然后根据步骤(4)的无监督分类方法将其归类到所属类簇，并根据步骤(6)获取未知乳品样本的重构光谱信息；

(8)从同一个类簇的已知乳品光谱数据库中选择与未知乳品样本欧式距离或马氏距离最接近的15-30个已知乳品样本为校正集，根据已知乳品样本中α-乳白蛋白和β-乳球蛋白的含量信息采用多元校正方法分别建立单个未知乳品样本的α-乳白蛋白和β-乳球蛋白的数据驱动模型；

(9)单独划出一个独立的用于评估数据驱动模型性能的验证集，所述验证集中包含n个已知乳品样本，将步骤(8)重复n次以获得n个数据驱动模型和相应的预测值，并分别对验证集乳品样本中α-乳白蛋白、β-乳球蛋白的数据驱动模型性能进行量化评价；

步骤(9)中分别对验证集乳品样本中α-乳白蛋白、β-乳球蛋白的数据驱动模型性能进行量化评价，所采用的公式为：

E＝100×(R_tr²+R_vld²)/(RMSEC+RMSEP)

其中，E为模型性能量化值，R_tr²为校正集乳品样本的预测结果与α-乳白蛋白或β-乳球蛋白测量值之间的相关系数，R_vld²为验证集乳品样本的预测结果与α-乳白蛋白或β-乳球蛋白测量值之间的相关系数，RMSEC为校正集乳品样本中α-乳白蛋白或β-乳球蛋白的均方根误差，RMSEP为验证集乳品样本中α-乳白蛋白或β-乳球蛋白的均方根误差；

(10)根据步骤(8)所构建的α-乳白蛋白、β-乳球蛋白数据驱动模型预测未知乳品样本的α-乳白蛋白、β-乳球蛋白浓度，并将它们的含量信息折算成未知乳品样本中乳清蛋白含量信息。

2.根据权利要求1所述一种基于数据驱动拉曼光谱的乳品中乳清蛋白测量方法，其特征在于，步骤(1)中对乳品样本的拉曼光谱进行采集时，采集条件为激发光源波长为785nm至1064nm，激光输出功率为10mW至400mW，拉曼光谱波数范围从200cm^-1～2000cm^-1，光谱分辨率大于20cm^-1。

3.根据权利要求1所述一种基于数据驱动拉曼光谱的乳品中乳清蛋白测量方法，其特征在于，步骤(3)中所述近似平移不变小波变换的方法为高密度小波变换、双树小波变换、双树双密度小波变换、双树多进制小波变换中的任一种。

4.根据权利要求1所述一种基于数据驱动拉曼光谱的乳品中乳清蛋白测量方法，其特征在于，步骤(4)中所述无监督分类方法为K平均法、主成分分析法、聚类分析法中的任一种。

5.根据权利要求1所述一种基于数据驱动拉曼光谱的乳品中乳清蛋白测量方法，其特征在于，步骤(5)中对每个类簇的小波系数进行变量筛选所采用的方法为聚焦遗传算法、无信息变量消除算法、竞争自适应重加权算法及随机蛙跳算法中的任一种。