下载文档原格式
近红外光谱技术在中药材鉴定中的应用研究近红外光谱技术（NIRS）是近年来在中药材鉴定中备受关注的一种新兴技术。
以其快速、无损、高效的特点，NIRS技术在中药材鉴定中发挥着越来越重要的作用。
本文将从NIRS技术的原理和特点、在中药鉴定中的应用现状及未来发展方向等方面展开论述。
一、NIRS技术的原理和特点NIRS是一种基于化学分子振动引起的光的吸收和散射产生的光谱技术。
当近红外光照射到被检样品时，样品中的分子会产生振动，从而吸收和散射光线。
通过光谱仪测定这些光线的吸收和散射情况，就能得到样品的光谱图谱。
NIRS技术适用于几乎所有的有机和无机样品，包括固体、液体和气体。
NIRS技术的特点主要体现在以下几个方面：NIRS技术具有快速、无损、非破坏性的优势，可以在不破坏样品的前提下进行快速测定，节省样品和时间成本。
NIRS技术操作简单，不需要进行样品的复杂预处理，减少了操作失误的可能性。
NIRS技术可以对多个成分同时进行检测，大大提高了检测效率。
NIRS技术可以实现在线、实时监测，适用于生产现场和野外环境。
二、NIRS技术在中药鉴定中的应用现状近年来，NIRS技术在中药材鉴定中得到了广泛的应用。
一方面，NIRS可以用于中药材的成分分析和含量测定。
通过建立中药材的近红外光谱数据库，结合化学计量学方法，可以对中药材中的活性成分进行快速、准确的定量分析。
NIRS可以用于中药材的真伪鉴别和地理产地鉴定。
通过与中药材的物种、产地、生长环境等相关信息进行对比分析，可以快速判断中药材的真伪和产地地理。
NIRS技术还可以用于中药鉴别的质量控制和过程监测。
在生产过程中，可以通过在线检测样品的近红外光谱，及时发现生产中的问题并进行调整，实现质量的实时控制。
在传统的中药鉴定方法中，往往需要耗费大量的时间和物力成本，同时受到操作技术人员的水平和主观判断的影响。
NIRS技术的应用可以在一定程度上解决这些问题，提高中药材鉴定的准确性和可靠性。
第26卷第12期农业工程学报Vbl．26 No．122010笠12月Tr a ns a ct i on s o f t h e C S A E D e c．2010373基于可见／近红外光谱与SIMCA和PLS．DA的脐橙品种识别郝勇，孙旭东，高荣杰，潘媛媛，刘燕德※(华东交通大学机电工程学院，南昌330013)摘要：脐橙的优良品种选育是通过芽变选种获得，为了选择一些具有特殊性状的脐橙芽变进行培植，需要对脐橙的品种进行鉴别。
该研究应用可见／近红外光谱分析方法结合软独立模式分类(SIMCA)和偏最,b-乘判别分析(PLS．DA)模式识别方法对赣南脐橙的品种进行识别。
研究结果表明，采用原始近红外光谱结合SIMCA方法，实现了纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的100％的识别；应用近红外光谱结合PLS．DA方法对校正样本建立判别模型，其校正及验证结果与实际分类变量的相关系数均大于0．970，交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)都小于O．100，利用模型对验证集中纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的识别率均为100％。
为脐橙优良品种的选育提供快速鉴别分析方法。
关键词：近红外光谱，脐橙，PLS．DA，SIMCA，品种识别，赣南doi：l O．3969／j．issn．1002—6819．2010．12．063中图分类号：0657．3 文献标志码：A 文章编号：1002—6819(2010)-12-0373-05 郝勇，孙旭东，高荣杰，等．基于可见／近红外光谱与SIMCA和PLS．DA的脐橙品种识别[J]．农业工程学报，2010，26(12)：373--377．H a o Y o n g，S u n X u d o n g，G a o Rongjie，et a1．Ap p li c at i on o f visible and in f ra r e d s p ec t r o sc o p y to i dentific ation o f n av elorange varieties using SI MCA and P L S-D A methods[J]．Transactions of the CSAE，2010，26(12)：373—377．(in Chinese丽th English a b s t ra c O判别分析中S IM CA(so ft ind e p e n de n t m o d el i n g o f cla ss 0引言analogy)降7】和PLS—DA(partial least s q ua r e s．d i sc r i m in a n t 柑橘是果树中最易发生芽变的种类之一，目前生产anal ys is)[s-l o]方法是常用的两种方法。
近红外光谱rpd-概述说明以及解释1.引言1.1 概述概述随着科学技术的不断进步和人类对事物认识的不断深化，近红外光谱技术作为一种非破坏性、无接触、快速、准确、可重复性好的分析检测方法，在农业领域得到了广泛应用。
近红外光谱技术以其独特的物理特性和高度灵敏的分析能力，为农业种植、育种、病虫害检测、食品质量检测等方面提供了有力的支持。
近红外光谱技术基于物质与电磁波的相互作用原理，通过测量物质在近红外波段的吸收、反射和散射特性，获取物质的光谱信息。
通过对物质光谱进行分析和处理，可以推断出物质的组分、结构和性质等关键信息。
这使得近红外光谱技术在农业领域的应用变得无比重要和有益。
在农业生产领域，近红外光谱技术已经广泛用于对农作物品质、营养成分、水分含量、疾病害虫的快速检测和分析。
通过非破坏性的近红外光谱分析手段，可以准确、快速地对作物的成熟度、病虫害情况等进行检测评估，为农业生产提供科学依据和决策支持。
此外，近红外光谱技术在农业领域的应用还包括农产品质量检测、土壤养分分析、农药残留检测等方面。
通过测量近红外光谱与农产品的相互作用，可以检测和评估农产品的质量指标，如含水量、营养成分、残留农药等。
这为农产品的质量控制和食品安全提供了可靠手段。
尽管近红外光谱技术在农业领域的应用已取得了显著的成果，但也面临着一些挑战和困难。
比如，如何优化光谱数据处理算法，提高分析的准确性和稳定性；如何降低设备成本，提高仪器的可靠性和使用便捷性；如何加强标准化管理和监测体系建设，确保检测结果的可靠性和可比性等。
对于这些挑战，我们需要进一步研究和探索，以不断完善和拓展近红外光谱技术在农业领域的应用。
综上所述，近红外光谱技术在农业领域具有巨大的应用潜力和发展前景。
通过充分发挥近红外光谱技术的优势，我们可以更好地满足农业生产和食品安全领域的需求，提高农业生产效率和质量，推动农业可持续发展。
1.2 文章结构文章结构部分的内容可以包括以下内容：文章结构：本文主要由引言、正文和结论三个部分组成。
近红外光谱技术在中药材鉴定中的应用研究近红外光谱技术是一种非常先进的分析技术，它可以通过检测物质在近红外光谱区域吸收或散射辐射来获取样品的化学信息。
近红外光谱技术具有快速、准确、无损伤等优点，因此在中药材鉴定中得到了广泛的应用。
本文将探讨近红外光谱技术在中药材鉴定中的应用研究。
一、近红外光谱技术在中药材鉴定中的原理近红外光谱技术是利用近红外光谱仪对中药材样品进行扫描，通过收集样品在近红外光谱区域的吸收或散射光，然后进行数据处理和分析，从而获取样品的化学信息。
具体原理是，当样品受到近红外光的照射时，样品中的化学成分会吸收、散射或透射光线，形成特征光谱，通过对这些特征光谱的分析，可以得到样品的化学成分信息。
2. 中药材真伪鉴定近红外光谱技术可以对中药材的真伪进行鉴定。
由于中药材的真伪鉴定对药效和质量有着至关重要的影响，因此采用近红外光谱技术进行真伪鉴定可以快速准确地判断中药材的真伪。
通过对不同来源、不同品种的中药材进行近红外光谱图像采集和比对分析，可以获得中药材的指纹图谱，从而进行真伪鉴定。
3. 中药材质量评价近红外光谱技术可以对中药材的质量进行评价。
中药材的质量评价主要包括湿度、含水率、杂质含量等指标，这些指标与中药材的质量密切相关。
通过近红外光谱技术可以对这些指标进行快速准确地测定，从而评价中药材的质量。
4. 中药材加工工艺控制近红外光谱技术可以对中药材的加工工艺进行控制。
中药材的加工工艺对其质量有着重要影响，而近红外光谱技术可以对中药材在加工过程中的主要化学成分进行实时监测，从而及时调整加工工艺，确保中药材的质量。
三、近红外光谱技术在中药材鉴定中的应用案例近年来，近红外光谱技术在中药材鉴定中得到了广泛的应用，并取得了一系列的成果。
以中药材仙灵脾为例，研究人员利用近红外光谱技术对仙灵脾进行了成分分析和真伪鉴定，通过构建仙灵脾近红外光谱数据库，可以实现对仙灵脾真伪的快速鉴定。
利用近红外光谱技术对不同加工工艺的仙灵脾进行了研究，为仙灵脾的加工工艺控制提供了科学依据。
近红外光谱分析在药品检测中的应用【摘要】近红外光谱技术（Near Infrared, NIR）在我国发展起步相对较晚，除部分专业分析人员，该项技术很少有人知晓。
自九十年代起，NIR通过持续发展，成为了一项发展迅速、夺目的原位分析技术，渐渐获得了公众的认可，并以惊人的速度广泛应用在农牧业、食品、化工、石化、制药、烟草等多个领域，为科学研究、生产控制提供了非常广阔的空间。
现阶段，NIR在制药领域的应用已经成熟，被欧美药典视为标准的检测方法，其检测数据的准确性也获得了FDA的认可。
通过对药物的定性和定量分析以及对生产过程的所有阶段的实时监测，包括混合、干燥、加工、制剂、压片及包装等，近红外技术的潜力得到了充分发挥。
与以往传统的药物检测技术相较，NIR在很大程度上使药物检测质量与能效得到了提升，对我国医药工业的发展起到了较大的推动作用。
因此，有关技术科研人员应重视分析NIR相应特性，进一步强化 NIR在药物检测应用价值。
【关键词】药品检测；近红外光谱分析；应用研究红外光谱为研究人员在吸收光谱中发现的第一个非可见光区域，其介于红外光谱、可见光之间的介质称为近红外光谱。
近红外区的光谱吸收带是有机物质中能量较高的化学键（主要是 CH、OH、NH）在中红外光谱区基频吸收的倍频、合频和差频吸收带叠加而成的。
近红外光谱的发现历史悠久，但真正开始较好地使用是在上个世纪五十年代。
现代近红外光谱技术成为分析技术的一场革命，是一种把化学计量学算法与近红外光谱检测技术融合到一起，利用有机化学物质在近红外谱区内的光学特性快速判定物质化学组分及测定含量的光谱技术[1-2]。
因其具备分析样品直接、快速、准确且不需要预先处理样品等优点，被广泛地应用在矿物加工、食品和药品等领域[3]。
1技术特征1.1优势（1）无损检测：采用NIR施以药品质量检测工作时，该项技术并不会对被测药物的内、外结构造成破坏、损伤，可见将NIR用于药品质量检测，能保证被测药品的完整性，且有着很高的检测精度[4]。
第１期光谱学与光谱分析１２３为３４５～１１００ｎｍ，信噪比为２５０１，光源为卤钨灯，环形布置。
他们利用此系统对砂糖橘等水果的糖度和酸度进行了初步的在线检测研究。
Ｆｉ昏１ＣｏｎｃｅｐｔｖｉｅｗｓｏｆＮＩＲｔｒａｎｓｍｉｓｓｉｏｎｓｙｓｔｅｍｓｖｉｅｗｅｄｆｒｏｍａｂｏｖｅ，（ａ）ＴＩ）ＩＳｓｙｓｔｅｍａｎｄ（ｂ）ＬＡＳｓｙｓｔｅｍ１．２鱼、畜肉类品质在线检测Ｔａｇｅｒｓｅｎ等［１３］利用近红外仪器（ＭＭ５５，ＩｎｆｒａｒｅｄＥｎｇｉ－ｎｅｅｒｉｎｇＬｔｄ，Ｍａｌｄｏｎ，Ｅｓｓｅｘ，ＵｎｉｔｅｄＫｉｎｇｄｏｍ）构建了肉品质在线检测系统（图２）。
在近红外仪器上安装了波长为１４４１，１５１０，１６５５，１７２８和１８１０ｎｍ的滤光片，并以２０Ｈｚ的频率旋转滤光片，获得各个波长下的肉的吸光度。
ＴＣｌｇｅｒｓｅｎ等ｒ”］对１５４个肉样本（猪肉和牛肉）的脂肪、水分以及蛋白质含量（工业范围）进行在线检测，建立了猪肉和牛肉的脂肪、水分、蛋白质含量联合模型以及猪肉和牛肉各自的脂肪、水分、蛋白质含量模型。
其结果如下：脂肪（ｒ—Ｏ．８７～ｏ．９７，ＳＥＰ＝０．８２％～１．４９％），水分（ｒ＝０．８４～０．９６，ＳＥＰ＝０．３５％～０．７０％），蛋白质（ｒ＝０．６２～０．９０，ＳＥＰ＝０．９４％～１．３３％）。
Ｔａｇｅｒｓｅｎ等ｃ１４］在工业范围内对半冰冻牛肉的化学成分（脂肪、湿度、蛋白质）进行在线检测。
实验研究了不同温度对光谱的影响以及不同的颗粒度对建模结果的影响。
建立了颗粒度为４和１３ｒｒｌｒｎ的样本的模型以及所有样本的模型。
Ｆｉ昏２Ｉｌｌｕｓｔｒａｔｉｏｎｏｆｔｈｅ∞－ｌｉｎｅＮ１Ｒｓｙｓｔ哪（ａ）：ＧｒｉｎｄｅｒＩ（ｂ）：ＭＭ５５ｓｅｎｓｉｎｇｈｅａｄ；（ｃ）｝Ｅｌｅｃｔｒｏｎｉｃｃｏｎｔｒｏｌｕｎｉｔ；（ｄ）：Ｒｅｍｏｔｅｄｉｓｐｌａｙ；（ｅ）：Ｌａｐｍｐ；（ｆ）：ＭｅａｔｓｔｒｅａｍＡｎｄｅｒｓｏｎ等［１５］利用ＤＡ－７００近红外分析系统建立了肉品质在线检测系统（图３）。
红外光谱分析技术在白酒行业中的应用进展摘要：傅里叶变换红外光谱分析技术具有制样简单，检测方便快捷的特点，在实际工农业生产过程中发挥着重要作用。
该文评述了近20年来傅里叶变换红外光谱分析技术在白酒行业研究与应用进展，内容涉及白酒酒体质量控制研究，白酒香型、真伪、年份及等级等真实性特征鉴别，高粱原料、大曲、酒醅等生产过程主要物料的关键指标检测，并对今后红外光谱技术在白酒行业的应用发展方向进行了展望，旨在为红外光谱分析技术在白酒行业的深入应用提供参考依据。
关键词：红外光谱；化学计量学；白酒；应用随着我国白酒行业的发展，白酒产品的质量及安全检测日益得到重视。
分子能选择性吸收某些波长的红外线，而引起分子中振动能级和转动能级的跃迁，检测红外线被吸收的情况可得到物质的红外吸收光谱。
傅里叶变换红外光谱（Fourier transform infrared spectroscopy，FTIR）主要包括傅里叶变换近红外光谱（Fourier transform near infrared spectroscopy，FTIR-NIRS）、傅里叶变换中红外光谱（Fourier transform mid-infrared spectroscopy，FTIR-MIR）等。
红外光谱分析技术具有多项优点：①简便易操作，配备不同的测样器件可直接测定液体、固体、膜和气体等多种形态样品，检测成本低；②检测速度快，大部分样品可在1 min内完成测样；③可实现在线分析及监测，适于生产过程和复杂环境下的样品分析；不损伤样品可称为无损检测；④信噪比高，重现性好，可同时对样品多个组分进行定性和定量分析。
自20世纪70年代开始，国外将红外光谱广泛应用于葡萄酒、啤酒和蒸馏酒的质量分析，在国内用于白酒质量分析则兴起于20世纪90年代。
因其与化学计量学方法结合后在定性与定量分析上的优势，红外光谱技术在白酒行业中的应用也日益广泛和深入。
本文综述了近年来红外光谱分析技术在白酒行业研究与应用进展，内容包括白酒酒体质量控制研究，白酒香型、真伪、年份及等级等真实性特征鉴别，生产过程的关键指标检测，并对红外光谱技术在白酒行业的应用发展方向进行了展望，以期为白酒行业从事红外光谱分析技术应用研究的相关人员提供参考。
第３１卷，第１２期 光谱学与光谱分析Ｖｏｌ．３１
，Ｎｏ．１２，
ｐｐ３２６９－３２７２
２ ０ １ １年１ ２月 Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ Ｄｅｃｅｍｂｅｒ，２０１１
基于可见－近红外光谱技术的葡萄酒真伪鉴别的研究郭海霞１，王 涛１，刘 洋１，吴海云１，左月明１＊，宋海燕１，贺晋瑜２
１．山西农业大学工学院，山西太谷 ０３０８０１
２．山西省农业科学院果树研究所，山西太谷 ０３０８１５
摘 要
研究收集了不同品牌的９０个葡萄酒样品，为了消除各光谱基线不同带来的影响，对所有光谱曲线
都进行了一阶求导，以一阶导数谱线作为有效数据，通过独立主成分（ＰＣ）分析可知，
前两个主成分的贡献
率达到８０％以上，主成分聚类使得真伪葡萄酒样品明显分为两类；以前四个主成分作为ＢＰ神经网络的输入建立了一个三层人工神经网络的识别模型，该模型对葡萄酒样品的预测识别率达到１００％
。研究表明，可见
－
近红外透射光谱结合主成分分析建立的ＢＰ神经网络模型能为快速、无损鉴别葡萄酒真伪提供一种准确可靠的新方法。
关键词 葡萄酒；可见－近红外光谱
；
ＢＰ神经网络；真伪；鉴别
中图分类号：ＴＳ２６１．４，ＴＳ２６２．６ 文献标识码：Ａ ＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００－０５９３（２０１１）１２－３２６９－０４
收稿日期：２０１１－０２－２３，修订日期：２０１１－０６－１０
基金项目：国家自然科学基金项目（３０８７１４４５），山西省高等学校高新技术产业化项目（２００９００１４）和山西省科技攻关项目（２０１００３１１０６６－５）资
助 作者简介：郭海霞，女，１９７７年生，山西农业大学工学院讲师 ｅ－ｍａｉｌ：ｇｈｘ０３５４＠１６３．ｃｏｍ＊通讯联系人 ｅ－ｍａｉｌ：ｚｙｕｅｍｉｎｇ８８＠ｙ
ａｈｏｏ．ｃｎ
引 言
近年来，随着人们经济条件改善、生活水平提高和消费观念的改变，葡萄酒以其营养、保健、尊贵、享受的特点越来越受关注。葡萄酒是以鲜葡萄或葡萄汁为原料，经全部或部分发酵酿制而成的酒精度不低于７．０％
、含多种营养成分
的滋补性高档酒种［１］。
随着中国葡萄酒市场和国际市场的接
轨，葡萄酒消费呈快速增长趋势，据统计，２０１０年中国葡萄酒产量为１０８．９万千升，同比增长１２．４％［２］，长城、张裕、王朝、威龙等一批强势品牌已引领国内市场［３］。２０１０年１２月２３日，央视《焦点访谈》曝光河北省昌黎县葡萄酒制假售假事件，这是继２００２年１２月１日和２００７年２月３日之后再次报道的用水和酒精、糖精、香精、色素等添加剂勾兑的所谓１００％原汁葡萄酒。诸如此类的劣质葡萄酒冒充品牌葡萄酒销售，使得近年来国内葡萄酒市场局面比较混乱，而中国的葡萄酒业常用的评判标准只是理化指标、卫生指标以及凭专家经验判断的感官指标，在添加剂方面还没有明确的规定，这些都是导致葡萄酒出现质量问题的因素［４］。可见－近红外光谱技术以其快速、高效、无损、低成本的特点，已被广泛应用于农业、工业、食品、饮料、司法、医药、化工、探矿、纺织［５－１０］等领域。目前可见－近红外光谱技术应用于葡萄酒的检测主要集中在对其酒精含量、含糖量、品种等的分析中，而对葡萄酒的真伪鉴别尚未见报道。本文基于可见－近红外透射光谱技术对葡萄酒的真伪进行了鉴别，为葡萄酒真伪的快速无损鉴别提供了新方法。１ 实验部分１．１
仪器与样品
试验采用美国ＡＳＤ
（ａｎａｌｙｔｉｃａｌ ｓｐｅｃｔｒａｌ ｄｅｖｉｃｅ）公司生产
的ＦｉｅｌｄＳｐｅｃ３便携式近红外光谱仪，视场角范围２５°
。
样品为山西太谷怡园酒庄的怡园精选葡萄酒和当地超市所售山东烟台的张裕、长城、威龙等三种品牌葡萄酒及小商户所售的吉林通化聖地葡萄酒（假酒）样品共９０个。随机选择其中各３０个样品分别用于训练及测试。１．２
光谱采集
在测定葡萄酒时采用近红外透射光谱图，仪器采集到的是样品的近红外透射光谱反射率Ｒ
，在样品光谱采集时先将
每瓶酒摇匀，为了保证样品数据具有代表性，每个样品扫描三次，取其平均值作为样品的最终光谱。光谱采集软件为光谱仪自带软件ＡＳＤ ＶｉｅｗＳｐｅｃ Ｐｒｏ，扫描区域为３５０～２ ２５０
ｎｍ，数据点的间隔为２ｎｍ，采集的光谱数据点数为２ １５２个。在实际测量中，有用信号通常表现为低频信号或是一些比较平稳的信号，而噪音信号则表现为高频信号。光谱的一阶和二阶导是光谱分析中常用的基线校正和光谱分辨率预处理方法，导数光谱可有效消除基线和其他背景的干扰［１１］，
为
了突出光谱曲线的变化部分、消除各光谱基线不同带来的影响，对所有光谱曲线都进行了一阶求导，以一阶导数谱线作为有效的研究曲线。
２
结果与讨论
２．１
近红外光谱图
在实验得到的葡萄酒可见－近红外光谱图中，由于信息量大，把５５０～１ １００ｎｍ区域的光谱作为分析对象，每种葡萄酒任选２条谱线，所得光谱图如图１所示。不同葡萄酒的光谱曲线有明显的区别，具有一定的特征性和指纹性，特别是真伪葡萄酒的谱线在可见光区域内差异较大，这些差异为葡萄酒的真伪鉴别奠定了数学基础。
Ｆｉｇ．１ Ｖｉｓｉｂｌｅ－Ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ ｏｆｄｉｆｆｅｒｅｎｔ ｖａｒｉｅｔｉｅｓ ｏｆ ｒｅｄ ｗｉｎｅｓ
２．２
葡萄酒主成分分析
主成分分析是应用较为广泛的数据降维方法之一，它在不丢失信息的前提下达到降维目的，并将多波长下的光谱数据压缩到有限因子空间内，尽可能多的消除信息重叠部分，用较少数目的新变量最大限度的表征原变量的数据结构特征［１２］。
采用主成分分析法对预处理后的９０个葡萄酒样品光谱数据进行聚类分析，前五种主成分的贡献率见表１
。
Ｔａｂｌｅ １ Ｃｏｎｔｒｉｂｕｔｉｏｎ ｒａｔｅ ｏｆ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓ ｏｆ ｗｉｎｅ独立主成分ＰＣ１ＰＣ２ＰＣ３ＰＣ４ＰＣ５
贡献率／％６１．８４ ２１．２０ ８．５８ ３．６２ ６．９
前两个主成分的贡献率达到８３％以上，因此主成分１和主成分２可表示原始近红外光谱的主要信息，根据主成分１
和２所作的二维散点图如图２
。
由图２可直观地看出真伪葡萄酒的聚合度都很好，其中四种品牌葡萄酒聚合分布在坐标系第一、三象限上半部分及第二象限，假葡萄酒聚合分布在坐标系的第一象限右下方及第四象限，图２说明主成分１和２的聚类使得葡萄酒样品明
显分为两类。Ｆｉｇ．２ Ｓｃｏｒｅｓ ｐｌｏｔ ｏｂｔａｉｎｅｄ ｆｒｏｍ ｔｈｅＰＣＡ１ａｎｄ ＰＣＡ２ｏｆ ｔｈｅ ｓａｍｐｌｅｓ
虽然主成分分析能较好的区分真伪葡萄酒，但这只是进行了定性分析，下面采用ＢＰ神经网络建立定量分析的鉴别模型。２．３
基于ＢＰ神经网络的模型建立
若把全部光谱波段作为ＢＰ神经网络的输入，不仅加大ＢＰ神经网络的计算量，而且某些区域的光谱信息与样品的组成或性质缺乏一定的相关性。通过独立主成分分析可知前四个主成分的贡献率达到９５％以上，取前四个主成分作为ＢＰ神经网络的输入，建立了一个三层人工神经网络结构。ＢＰ神经网络的输入层节点数为４，网络的输出层节点数为５
，通过多次试验调整网络的
参数，当调整隐含层的节点数为５（即模型结构为４－５－５
）时，
得到最优化的神经网络结构及最优的预测模型。它的相关参数分别是：最大训练次数为５０，训练精度为１０－６
，传递函数
为“ｌｏｇｓｉｇ”，训练函数为“ｔｒａｉｎｌｍ”。
２．４
预测模型结果分析讨论
对３０个样品进行预测，经过七次训练后结束，其训练误差、验证误差和测试误差曲线见图３
，可看出测试结果合理，
测试误差和验证误差性质相似。
Ｆｉｇ．３ Ｃｕｒｖｅｓ ｏｆ ｔｈｅ ｔｒａｉｎｉｎｇ ｅｒｒｏｒ，ｖａｌｉｄａｔｉｏｎ ｅｒｒｏｒ ａｎｄ ｔｅｓｔ ｅｒｒｏｒ
０７２３光谱学与光谱分析 第３１卷Ｔａｂｌｅ ２ Ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｕｎｋｎｏｗｎｗｉｎｅ ｓａｍｐｌｅｓ ｂｙ ＢＰ－ｍｏｄｅｌ样本真实值预测值（０１）—（０６）１ １．０００ ０
（０７）—（１２）２ ２．０００ ０
（１３）—（１８）３ ３．０００ ３
（１９）—（２４）４ ４．０００ ０
（２５）—（３０）５ ４．９９９ ９
经ＢＰ神经网络分析所得预测结果如表２所示。其中设定（０１）—（０６），（０７）—（１２），（１３）—（１８），（１９）—（２４）
和
（２５）—（３０）依次代表怡园精选葡萄酒、长城葡萄酒、张裕葡
萄酒、威龙葡萄酒、假葡萄酒，它们的真实值依次为“１”，
“２”，“３”，“４”和“５”。表
２的预测结果显示，采用独立主成分
分析，取前４个主成分作为神经网络输入建立的模型既能鉴别葡萄酒的真伪，也能鉴别葡萄酒的品牌，且预测正确率达
到１００％
。
３ 结
论
为了减小光谱基线漂移的影响，对可见－近红外光谱曲线进行了一阶求导处理，利用近红外光谱技术建立了基于独立主成分分析和ＢＰ神经网络相结合的葡萄酒真伪鉴别模型。用可见－近红外光谱技术可快速鉴别葡萄酒真伪，且采用所建立的模型对样品的预测识别率达到１００％。因此可见－近红外光谱结合主成分分析建立的人工神经网络模型对葡萄酒的真伪进行鉴别是可行的，并为葡萄酒真伪的快速无损判别提供了一种新的方法。由于采用透射方法时葡萄酒酒瓶对光谱采集具有一定的影响，对如何消除此影响正在进行深入研究。
Ｒｅｆｅｒｅｎｃｅｓ［１］ ＺＨＵ Ｊｉ－ｙｉ，ＷＡＮＧ Ｚｈｅｎ－ｈａｉ（朱济义，王振海）．Ｃｈｉｎａ Ｓｔａｎｄａｒｄｉｚａｔｉｏｎ（中国标准化），２００１，１（２）：２３．
［２］ ＷＡＮＧ Ｈｕａ，ＺＨＡＯ Ｘｉａｎ－ｈｕａ，ＬＩＵ Ｊｉｎｇ，ｅｔ ａｌ（王 华，赵现化，刘 晶，等）．Ｓｃｉｅｎｔｉａ Ａｇｒｉｃｕｌｔｕｒａ Ｓｉｎｉｃａ（中国农业科学），２０１０，４３
（１５）：３２０４．
［３］ ＷＵ Ｙｕ－ｔａｏ（武玉涛）．Ｊｏｕｒｎａｌ ｏｆ Ｈａｎｄａｎ Ｐｏｌｙｔｅｃｈｎｉｃ Ｃｏｌｌｅｇｅ（邯郸职业技术学院学报），２００９，２２（３）：３８．
［４］ ＤＵ Ｘｕｅ－ｃｈｕｎ，ＺＨＵ Ｘｉａｏ－ｋａｉ（杜学春，朱孝凯）．Ｔｅｃｈｎｏｌｏｇｙ Ｗｉｎｄ（科技风），２００９，（２０）：１９０．
［５］ ＺＯＵ Ｘｉａｏ－ｂｏ，ＺＨＡＯ Ｊｉｅ－ｗｅｎ（邹小波，赵杰文）．Ａｃｔａ Ｏｐｔｉｃａ Ｓｉｎｉｃａ（光学学报），２００７，２７（７）：１３１６．
［６］ ＬＩＵ Ｙａｎ－ｄｅ，ＣＨＥＮ Ｘｉｎｇ－ｍｉａｏ，ＯＵＹＡＮＧ Ａｉ－ｇｕｏ（刘燕德，陈兴苗，欧阳爱国）．Ａｃｔａ Ｏｐｔｉｃａ Ｓｉｎｉｃａ（光学学报），２００８，２８（３）：４７８．
［７］ ＬＩＮ Ｘｉｎ，ＮＩＵ Ｚｈｉ－ｙｏｕ，ＬＩＵ Ｍｅｉ－ｙｉｎｇ，ｅｔ ａｌ（林 新，牛智有，刘梅英，等）．Ｊｏｕｒｎａｌ ｏｆ Ｈｕａｚｈｏｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ（华中农业大学
