楊 莉 夏阿林 張 榆

(邵陽(yáng)學(xué)院食品與化學(xué)工程學(xué)院，湖南 邵陽(yáng) 422000)

牛奶中除含有常見(jiàn)營(yíng)養(yǎng)成分蛋白質(zhì)、脂肪、乳糖、無(wú)機(jī)元素外，還含有能夠增強(qiáng)機(jī)體免疫系統(tǒng)、內(nèi)分泌系統(tǒng)的生物活性物質(zhì)，可以保護(hù)機(jī)體內(nèi)酶、活性肽、抑制劑及抗菌劑的良好運(yùn)行[1]。對(duì)于企業(yè)來(lái)說(shuō)品牌是核心競(jìng)爭(zhēng)力，品牌是立于不敗之地的利器[2]；對(duì)于消費(fèi)者來(lái)說(shuō)能夠購(gòu)買(mǎi)到貨真價(jià)實(shí)的品牌奶粉，若因質(zhì)量問(wèn)題可以找到廠家，以維護(hù)自身的合法權(quán)利。因此建立和完善奶粉品牌監(jiān)督管理體系，讓消費(fèi)者購(gòu)買(mǎi)到貨真價(jià)實(shí)的品牌奶粉，追溯各品牌奶粉，需建立一種能快速準(zhǔn)確地判別奶粉品牌的方法。

低場(chǎng)核磁共振技術(shù)可直接對(duì)樣品進(jìn)行測(cè)定分析，無(wú)需任何化學(xué)試劑提取，對(duì)環(huán)境友好且不損壞樣品內(nèi)部結(jié)構(gòu)。檢測(cè)時(shí)，低場(chǎng)核磁共振會(huì)發(fā)射射頻脈沖使得被測(cè)樣品中的氫質(zhì)子吸收脈沖產(chǎn)生共振，食品中的氫質(zhì)子相對(duì)較多，測(cè)定時(shí)產(chǎn)生的信號(hào)強(qiáng)度較大；而弛豫時(shí)間的變化與被測(cè)樣品中氫質(zhì)子的存在狀態(tài)息息相關(guān)，不同樣品的氫質(zhì)子存在狀態(tài)不同，可根據(jù)這一規(guī)律獲取樣品內(nèi)部信息進(jìn)行定性分析[3-5]。目前對(duì)品牌的判別有穩(wěn)定碳同位素判別濃香型白酒品牌[6]、近紅外光譜結(jié)合線性判別分析方法鑒別食醋品牌[7]、低場(chǎng)核磁共振結(jié)合化學(xué)模式識(shí)別方法判別休閑豆干品牌[8]、基于多源光譜分析技術(shù)判別魚(yú)油品牌方法[9]，而有關(guān)奶粉品牌的判別研究尚未見(jiàn)報(bào)道?；瘜W(xué)模式識(shí)別是通過(guò)現(xiàn)代先進(jìn)的分析儀器得到的化學(xué)數(shù)據(jù)經(jīng)過(guò)數(shù)學(xué)計(jì)算，結(jié)合統(tǒng)計(jì)學(xué)知識(shí)獲取有潛在價(jià)值的信息和物質(zhì)基本特性，已被應(yīng)用于樣品分類(lèi)、真假識(shí)別以及質(zhì)量控制等領(lǐng)域[8,10-11]。

使用多元校正方法[12-13]對(duì)不同品牌奶粉的低場(chǎng)核磁共振譜中的有效數(shù)據(jù)進(jìn)行提取分析，通過(guò)計(jì)算機(jī)輔助技術(shù)結(jié)合低場(chǎng)核磁共振技術(shù)達(dá)到化學(xué)模式識(shí)別的目的，為不同品牌奶粉判別分析提供一種快速、準(zhǔn)確的方法。

1 材料與方法

1.1 材料與儀器設(shè)備

1.1.1 材料

6種常見(jiàn)的不同品牌全脂奶粉：分別為品牌1、品牌2、品牌3、品牌4、品牌5、品牌6，每個(gè)品牌奶粉各9個(gè)不同批號(hào)(生產(chǎn)日期不同)，每個(gè)批號(hào)各5包，共270包。

1.1.2 儀器與設(shè)備

核磁共振儀：MQC-23型，自帶Win DXP數(shù)據(jù)分析軟件、26 mm專(zhuān)用樣品管，英國(guó)牛津公司；

電子天平：ME104型，梅特勒—托利多儀器(上海)有限公司。

1.2 試驗(yàn)方法

1.2.1 樣品處理 稱(chēng)取樣品8 g，轉(zhuǎn)移至26 mm專(zhuān)用的干凈樣品管中，按規(guī)定轉(zhuǎn)入測(cè)量池中，于32 ℃放置15 min后進(jìn)行測(cè)樣，用Carr-Purcell-meiboom-gill(CPMG)測(cè)橫向弛豫時(shí)間T2，每組樣品重復(fù)測(cè)定5次取平均值，實(shí)測(cè)波形經(jīng)曲線反演得到橫向弛豫時(shí)間反演譜(T2譜)，總計(jì)270個(gè)T2譜。

1.2.2 儀器參數(shù) 半回波時(shí)間3 000 μs；重復(fù)采樣時(shí)間2 000 ms；180°硬脈沖寬度10.0 μs；回波數(shù)4 096；累加次數(shù)為8；采樣頻率1 000 kHz；90°硬脈沖寬度為P90。

1.2.3 主成分分析(PCA) 樣品經(jīng)低場(chǎng)核磁共振儀檢測(cè)后，可得到被測(cè)樣品的數(shù)據(jù)信息，采用算法PCA對(duì)數(shù)據(jù)進(jìn)行處理，PCA對(duì)樣品的大部分信息進(jìn)行分析后篩選出部分不相關(guān)的綜合變量。依據(jù)方差貢獻(xiàn)率的累計(jì)數(shù)，值越大表示包含的信息越多[14]。

1.2.4 偏最小二乘判別(PLS-DA) 將樣品經(jīng)低場(chǎng)核磁共振儀檢測(cè)后儀器得到的大量數(shù)據(jù)采用算法偏最小二乘判別處理，基于偏最小二乘回歸的方法正交分解量測(cè)矩陣和響應(yīng)矩陣[15]，不同的主成分?jǐn)?shù)對(duì)應(yīng)不同的偏最小二乘模型。采用留一交互驗(yàn)證確定樣品的最優(yōu)主成分?jǐn)?shù)，再建立偏最小二乘模型[16]。試驗(yàn)的y值設(shè)定為-5，-3，-1，1，3，5，分別對(duì)應(yīng)奶粉品牌1、2、3、4、5、6，評(píng)價(jià)標(biāo)準(zhǔn)按式(1)進(jìn)行計(jì)算。

(1)

式中：

RMSECV——RMSECV值；

Kp—— 交互驗(yàn)證集樣本數(shù)；

Ci——第i個(gè)樣本的期望值。

偏最小二乘方法建立的模型對(duì)檢測(cè)的樣品進(jìn)行判別預(yù)測(cè)時(shí)會(huì)輸出預(yù)測(cè)值yi，根據(jù)輸出值對(duì)樣品類(lèi)別區(qū)間進(jìn)行判斷，yi<-4判定為品牌1； -4≤yi<-2判定為品牌2；-2≤yi<0判定為品牌3；0≤yi<2判定為品牌4；2≤yi<4判定為品牌5；yi≥4判定為品牌6。

1.2.5 誤差反傳人工神經(jīng)網(wǎng)絡(luò)(BP-ANN) BP-ANN由輸入層、隱含層和輸出層3部分構(gòu)成。Levenberg Marquardt算法用于改進(jìn)非線性最小方差優(yōu)化問(wèn)題[17-18]。因人工神經(jīng)網(wǎng)絡(luò)對(duì)選擇隱含層的要求較高，若選擇的隱含層不恰當(dāng)就會(huì)出現(xiàn)過(guò)擬合現(xiàn)象。試驗(yàn)采用誤差反傳人工神經(jīng)網(wǎng)絡(luò)優(yōu)化算法作為訓(xùn)練函數(shù)，按式(2)計(jì)算隱含層節(jié)點(diǎn)數(shù)。

(2)

式中：

n1——隱含層節(jié)點(diǎn)數(shù)；

n——輸入節(jié)點(diǎn)數(shù)，取128；

m——輸出節(jié)點(diǎn)數(shù)，取1；

a——調(diào)節(jié)常數(shù)，取1～10。

根據(jù)計(jì)算結(jié)果，a=3時(shí)輸出結(jié)果最好，故隱含層節(jié)點(diǎn)數(shù)為14。

采用與偏最小二乘相同的判別期望值和輸出區(qū)間，隱含層與輸出層按式(3)進(jìn)行轉(zhuǎn)換，人工神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)需按式(4)作為收斂判別依據(jù)。

(3)

(4)

式中：

SSE——SSE值；

m——樣本數(shù)；

n——輸出節(jié)點(diǎn)數(shù)；

Eij——期望值；

Oij——實(shí)際輸出值。

1.3 數(shù)據(jù)處理

采用Matlab 軟件進(jìn)行主成分、偏最小二乘判別和誤差反傳人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分析，采用Origin 2018軟件制圖。

2 結(jié)果與分析

2.1 樣品與低場(chǎng)核磁共振測(cè)量

用低場(chǎng)核磁共振在同一條件下將270個(gè)奶粉樣品分為兩部分：隨機(jī)取出若干組成共180個(gè)樣品的校正集，剩余90個(gè)組成預(yù)測(cè)集。由圖1可知，不同品牌的弛豫時(shí)間有所不同，但只能粗略區(qū)分為4種不同的樣品，無(wú)法正確區(qū)分6種不同品牌奶粉。因此，單獨(dú)采用低場(chǎng)核磁共振的弛豫時(shí)間很難區(qū)分不同品牌奶粉。

圖1 所有奶粉樣品的橫向弛豫時(shí)間(T2)反演曲線

2.2 主成分分析判別

由圖2可知，主成分1、2、3的貢獻(xiàn)率分別為75.29%，8.75%，5.31%，前3個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)89.35%，包含樣品的大部分信息，但每個(gè)品牌的樣本顯得有些離散，聚集性也不強(qiáng)，很難區(qū)分6種不同的奶粉品牌。

圖2 所有奶粉樣品的三維主成分得分圖

2.3 偏最小二乘判別和誤差反傳人工神經(jīng)網(wǎng)絡(luò)判別

采用留一交互驗(yàn)證確定樣品的最優(yōu)主成分?jǐn)?shù)[16]，當(dāng)主成分?jǐn)?shù)為7時(shí)交互驗(yàn)證均方根誤差最小，由圖3可知，因此選擇7為此模型的最優(yōu)主成分?jǐn)?shù)，再建立偏最小二乘模型。

圖3 交互驗(yàn)證均方根誤差與主成分?jǐn)?shù)的關(guān)系

PLS-DA方法的訓(xùn)練集和預(yù)測(cè)集的正確識(shí)別率如圖4和表1所示。結(jié)果表明，PLS-DA方法對(duì)樣本訓(xùn)練集和預(yù)測(cè)的識(shí)別率均不高，訓(xùn)練集中識(shí)別率最高為100.0%對(duì)應(yīng)品牌3，最低識(shí)別率為3.3%對(duì)應(yīng)品牌6，綜合識(shí)別率為66.1%；預(yù)測(cè)集中識(shí)別率最高為94.4%對(duì)應(yīng)品牌2，最低識(shí)別率為6.7%對(duì)應(yīng)品牌6，綜合識(shí)別率為52.2%；說(shuō)明該方法無(wú)法用于實(shí)際判別，需建立一種更加可靠的方法。

圖4 訓(xùn)練集及預(yù)測(cè)集奶粉樣品PLS-DA方法預(yù)測(cè)結(jié)果

表1 PLS-DA與BP-ANN模型的判別結(jié)果

由圖5和表1可知，BP-ANN方法可將6種不同品牌奶粉進(jìn)行準(zhǔn)確判別，訓(xùn)練集中除品牌5的正確識(shí)別率為96.6%外，其他品牌正確識(shí)別率均為100.0%；預(yù)測(cè)集中正確識(shí)別率均為100.0%，結(jié)果滿(mǎn)意。

圖5 訓(xùn)練集及預(yù)測(cè)集奶粉樣品BP-ANN方法預(yù)測(cè)結(jié)果

3 結(jié)論

采用低場(chǎng)核磁共振信號(hào)結(jié)合化學(xué)計(jì)量學(xué)的方法對(duì)6種不同品牌奶粉的內(nèi)部信息進(jìn)行了分析和判別。結(jié)果表明，不同品牌的奶粉由于加工工藝有所差異，可用低場(chǎng)核磁共振結(jié)合誤差反傳人工神經(jīng)網(wǎng)絡(luò)進(jìn)行有效識(shí)別，該方法的訓(xùn)練集和預(yù)測(cè)集的正確識(shí)別率分別為99.4%，100.0%。但在實(shí)際應(yīng)用中存在著奶粉品牌的代表性不足，所處的環(huán)境不同等，這些因素都會(huì)影響結(jié)果的準(zhǔn)確性，需擴(kuò)大樣品的類(lèi)型以及多種不同環(huán)境來(lái)提高低場(chǎng)核磁共振技術(shù)在奶粉品牌判別中的適用性。