化学计量学算法在食用植物油质量研究中的应用

摘要

不同类别的植物油因其化学成分的不同而具有不同的品质。在中国，原装进口的特级初榨橄榄油(EVOO)的价格比一般食用植物油的价格高出几倍甚至数十倍，使得平常百姓难以承担起如此昂贵的生活成本，因此寻找出与EVOO品质相当的植物油从而为人们提供更多的选择具有一定的实际意义。另外，为满足对植物油现场实时快速检测的需要，本文建立了基于拉曼光谱的食用植物油检测方法。
　　本论文中，将植物油中的脂肪酸甲酯化后，采用GC/MS对脂肪酸甲酯(FAME)进行检测;分别采用NIST库结合等效链长值(ECL)和内标法对其进行定性和定量分析;接着采用主成分分析(PCA)和无监督的随机森林算法（RF）对定量数据进行聚类分析。结果表明RF比PCA具有更好的聚类效果，六类植物油各自聚为一类。同时，由聚类结果可知，茶油与EVOO的距离最为接近，因此从脂肪酸组分来看，茶油与EVOO最相似。除此之外，RF算法还提供了变量重要性评价，即可将每个变量对聚类模型的贡献程度进行排序，结果表明软脂酸、亚油酸、亚麻酸、硬脂酸、油酸对聚类模型的贡献最大，也就是说这五个成分是区分植物油的最重要的指标。
　　本论文中，针对色谱方法定量测定脂肪酸成分所具有的价格昂贵、耗时和前处理复杂的缺点，采用拉曼光谱建立了对植物油中的单不饱和脂肪酸(MUFA)和多不饱和脂肪酸(PUFA)这两个指标的快速测定方法。将获得的光谱数据进行平滑、背景扣除和特征峰强度归一化处理后，采用偏最小二乘回归(PLS)与上述两个指标的相对含量建立校正模型。预测结果表明:植物油中的MUFA和PUFA与拉曼光谱具有很强的线性相关性。MUFA和PUFA的预测集相关系数(Q2)分别为0.9522和0.9944;预测均方根误差(RMSEP)分别为0.2195和0.0673，均达到了定量测量的标准。因此，拉曼光谱法快速测定植物油中MUFA和PUFA这两个重要指标的方法是可行的。

目录

声明

摘要

第1章 绪论

1．1 常见植物油简介

1．1．1 橄榄油(Olive Oil)

1．1．2 茶油(Tea-seed Oil)

1．1．3 菜籽油(Rapeseed Oil)

1．1．4 玉米油(Corn Oil)

1．1．5 葵花籽油(Sunflower Oil)

1．1．6 芝麻油(Sesame Oil)

1．2 植物油中的主要成分

1．2．1 脂肪酸

1．2．2 微量物质

1．3 植物油脂肪酸成分的常见分析方法和应用现状

1．3．1 检测手段

1．3．2 化学计量学算法的应用

1．4 本论文的目的和主要研究内容

第2章 GC-MS用于植物油中脂肪酸成分的定性定量分析

2．1 引言

2．2 样品、仪器与试剂

2．2．1 样品

2．2．2 仪器设备

2．2．3 主要试剂

2．3 实验部分

2．3．1 脂肪酸成分的衍生及提取

2．3．2 气相色谱-质谱(GC-MS)分析条件

2．3．3 方法学考察

2．4 六类植物油的脂肪酸总离子流图

2．5 植物油中脂肪酸成分的定性定量分析

2．5．1 定性分析

2．5．2 定量分析

2．6 本章小结

第3章 化学计量学算法用于食用植物油的聚类分析

3．1 引言

3．2 理论部分

3．2．1 自标度化(Autoscaling)

3．2．2 主成分分析(Principal Component Analysis，PCA)

3．2．3 随机森林分类算法(Random Forest，RF)

3．3 结果与讨论

3．3．1 植物油脂肪酸成分的主成分分析

3．3．2 无监督随机森林算法对植物油进行模式识别并筛选优质植物油

3．3．3 无监督随机森林算法用于评价植物油脂肪酸变量的重要性

3．4 本章小结

第4章 基于拉曼光谱的植物油脂肪酸成分分析

4．1 引言

4．2 理论背景

4．2．1 Kennard-Stone样本划分算法

4．2．2 Savitsky-Golay平滑算法

4．2．3 airPLS背景扣除算法

4．2．4 PLS回归算法

4．3 实验部分

4．3．1 样本

4．3．2 实验设备

4．4 定量分析流程图

4．5 模型评价

4．6 结果与讨论

4．6．1 拉曼光谱的获取

4．6．2 拉曼光谱预处理

4．6．3 Kennard-Stone法选取校正集和预测集

4．6．4 MUFA定量分析模型的建立和预测

4．6．5 PUFA定量分析模型的建立和预测

4．7 本章小结

第5章 结论与展望

5．1 本文主要结论

5．2 前景展望

参考文献

攻读硕士学位期间主要研究成果

致谢