为促进花生粕的综合利用,以13株乳酸菌发酵花生粕乳,采用逼近理想解排序(TOPSIS)法分别从酸度、黏度、氨基酸态氮浓度、持水力、活菌数和感官属性等方面进行综合评价,探究乳酸菌在花生粕乳中的发酵性能。结果表明,植物乳杆菌植物亚种(L6...为促进花生粕的综合利用,以13株乳酸菌发酵花生粕乳,采用逼近理想解排序(TOPSIS)法分别从酸度、黏度、氨基酸态氮浓度、持水力、活菌数和感官属性等方面进行综合评价,探究乳酸菌在花生粕乳中的发酵性能。结果表明,植物乳杆菌植物亚种(L6)的产酸速率最高,达到9.57°T/h,其次是植物乳杆菌(X2),为9.26°T/h。植物乳杆菌(X2)和副干酪乳杆菌(X5)的后酸化能力较弱,贮藏期间酸度变化量分别为10.84°T和9.58°T,且这两株菌产氨基酸态氮浓度较高,分别为589.87μg/mL和562.28μg/mL。嗜热链球菌(S2)的产黏能力和持水力最强,分别为1227.33 mPa·s和42.62%,且其综合感官评分最高,为89.75分。发酵乳杆菌(FYa1)和植物乳杆菌(MDb2)的活菌数最高,分别为8.89 lg CFU/mL和8.80 lg CFU/mL。采用TOPSIS法综合评价,得出嗜热链球菌(S2)为综合发酵性能较优良的菌株,以其为核心菌株辅以乳酸杆菌作为发酵剂应用于花生粕乳的发酵,可为花生粕乳发酵产品的开发提供有效路径。展开更多
目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结...目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_(CAL)^(2))为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_(CV)^(2))为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。展开更多
文摘为促进花生粕的综合利用,以13株乳酸菌发酵花生粕乳,采用逼近理想解排序(TOPSIS)法分别从酸度、黏度、氨基酸态氮浓度、持水力、活菌数和感官属性等方面进行综合评价,探究乳酸菌在花生粕乳中的发酵性能。结果表明,植物乳杆菌植物亚种(L6)的产酸速率最高,达到9.57°T/h,其次是植物乳杆菌(X2),为9.26°T/h。植物乳杆菌(X2)和副干酪乳杆菌(X5)的后酸化能力较弱,贮藏期间酸度变化量分别为10.84°T和9.58°T,且这两株菌产氨基酸态氮浓度较高,分别为589.87μg/mL和562.28μg/mL。嗜热链球菌(S2)的产黏能力和持水力最强,分别为1227.33 mPa·s和42.62%,且其综合感官评分最高,为89.75分。发酵乳杆菌(FYa1)和植物乳杆菌(MDb2)的活菌数最高,分别为8.89 lg CFU/mL和8.80 lg CFU/mL。采用TOPSIS法综合评价,得出嗜热链球菌(S2)为综合发酵性能较优良的菌株,以其为核心菌株辅以乳酸杆菌作为发酵剂应用于花生粕乳的发酵,可为花生粕乳发酵产品的开发提供有效路径。
文摘目的:建立一种无损、快速高效的稻谷水分含量检测方法。方法:研究收集了不同年份的稻谷样品161份,运用近红外光谱结合化学计量学方法,通过剔除异常光谱和光谱预处理,采用偏最小二乘法建立稻谷水分含量预测模型。结果:采用主成分分析结合马氏距离的方法剔除异常光谱样品15个,最佳的光谱预处理方式为消除常数偏移量。训练集建立的预测模型(R_(CAL)^(2))为0.9943,模型标准偏差(RMSEC)为0.21%,模型交叉验证决定系数(R_(CV)^(2))为0.9936,模型交叉验证标准偏差(RMSECV)为0.32%,表明预测模型交叉验证预测样品水分含量准确度高。用验证集样品检验预测模型,模型验证集验证决定系数R 2 VA L为0.9801,模型验证集验证标准偏差(RMSEP)值为0.36%,相对分析误差(RPD)值为7.14,表明预测模型对未知样品的预测准确度高。验证集样品实测值与预测值均值方程T检验结果P值(双侧)为0.879,验证集样品实测值与预测值之间差异不显著,表明预测模型的预测结果可信度高,验证集样品预测值与实测值的误差在±1%,且90%以上的验证集样品其预测值与实测值的误差都在±0.5%以内。结论:建立的稻谷水分预测模型可以实现收储稻谷的无损、快速、准确检测。
