[发明专利]一种提高牛奶中蛋白质预测精度的近红外光谱分析方法

说明书

本发明涉及一种提高牛奶中蛋白质含量预测精度的近红外光谱变量选择方法，属于食品分析领域。具体实施过程如下：测量牛奶近红外光谱数据及其蛋白质含量化学值；其次，通过计算样本子集光谱变量贡献值，得到新的变量空间，并运用自助采样结合偏最小二乘法，保留交互检验均方根误差最小的变量子集M，进一步计算每个变量的回归系数，进行求和归一化，生成变量权重；最后，运用加权自助采样结合偏最小二乘法，保留加权自助采样后的最佳变量子集N，比较变量子集M和N的预测模型交互检验均方根误差，确定交互检验均方根误差最小的变量子集为最终的变量选取结果，建立牛奶中蛋白质含量的预测模型。该方法与现有技术相比较，提高了模型的预测精度及稳定性。

技术领域

本方法发明属于食品分析领域，具体涉及一种提高牛奶中蛋白质预测精度的近红外光谱分析方法。

背景技术

牛奶是最古老的天然饮料之一，被誉为白色血液。牛奶中含有丰富的蛋白质、脂肪、维生素和矿物质等营养物质，对于改善睡眠和心情，提高注意力、记忆力与思维能力都起着非常重要的作用。牛奶蛋白又称牛乳蛋白，是牛奶中很多种蛋白质混合物总称，主要由酪蛋白和乳清蛋白两大部分组成。乳清蛋白是水溶性蛋白质，由α-乳白蛋白和乳铁蛋白两个部分组成，α-乳白蛋白含有大量人体必需而自身不能合成的亮氨酸、异亮氨酸等氨基酸，如果食物里没有这几种氨基酸，人就不能存活，因此，快速无损检测牛奶中蛋白质含量的方法和技术，对于食品加工检验领域有重要意义。

近红外光谱技术可以同时、快速、无损的对牛奶中多个指标进行检测分析，由于近红外光谱主要是物质的倍频与合频吸收，信号相对较弱，并且谱带较宽、重叠严重，因此需要结合基于变量选择算法的化学计量方法来对近红外光谱数据进行处理，提取样品的特征信息，从而实现对未知样品化学值的预测。

国内外常见的光谱分析方法即光谱变量选择方法有：变量组合集群分析法(Variable Combination Population Analysis,VCPA,参见YongHuan Yun,WeiTing Wang,BaiChuan Deng etc..Using variable combination population Analysis forvariable selection in multivariate calibration[J].Analytica ChimicaActa.2015.862:14-23)、蒙特卡洛无信息变量消除法(Monte Carlo UninformativeVariable Elimination,MC-UVE,参见王怡淼,朱金林,张慧,赵建新,顾小红,朱华新.基于MC-UVE、GA算法及因子分析对葡萄酒酒精度近红外定量模型的优化研究[J].发光学报,2018,39(9):1310-1316)、竞争自适应重加权采样算法(Competitive AdaptiveReweighted Sampling，CARS，参见Li HongDong,Liang YiZeng,Xu QingSong,et al.Keywavelengths screening using competitive adaptive reweighted sampling methodfor multivariate calibration[J].Analytica Chimica Acta,2009,648(1):77-84)、引导软阈值算法(Bootstrapping Soft Shrinkage,BOSS)等。

在牛奶中蛋白质含量预测中，现有的变量选择方法都强制删除了次要变量与贡献较少的变量，忽视了变量组合对预测性能的影响，当这些变量组合在一起时会存在重要的特征信息，当变量数目很大时，一些变量选择方法会导致非常高的过拟合风险，产生很高的预测误差，使得预测结果不准确，此外现有算法模型复杂，预测精度低，模型不稳定。

发明内容

为解决上述现有技术的不足，本发明提出一种提高牛奶中蛋白质预测精度的近红外光谱分析方法，具体技术方案如下，该方法包括如下步骤：