为系统收集阿尔巴斯山羊的矿物质数据,并基于现代机器学习对其进行特征解析和建模,本实验采集鄂尔多斯市阿尔巴斯山羊以及周边5个旗县山羊和绵羊样本,共计149份背最长肌和股二头肌样本。测定各样品中28种矿物质元素含量,进行有监督的聚...为系统收集阿尔巴斯山羊的矿物质数据,并基于现代机器学习对其进行特征解析和建模,本实验采集鄂尔多斯市阿尔巴斯山羊以及周边5个旗县山羊和绵羊样本,共计149份背最长肌和股二头肌样本。测定各样品中28种矿物质元素含量,进行有监督的聚类分析和描述性统计,并建立评价阿尔巴斯山羊真实性判别模型。正交偏最小二乘判别分析(orthogonal partial least squares-discriminant analysis,OPLS-DA)模型显示阿尔巴斯山羊和其他品系、山羊与绵羊、6个产地、放牧与舍饲均存在明显分离趋势,筛选特征元素再做聚类分析的效果优于28种元素聚类分析。阿尔巴斯山羊肌肉的Na、P、Zn、Cr、Sr元素在5个品系山羊和绵羊中含量最高;山羊的Na、Ca和P等13种矿物质含量显著高于绵羊;阿尔巴斯山羊核心产地(鄂托克旗乌仁都西嘎查)山羊肉中的Se和Li在6个核心和非核心产地中含量最高。放牧羊的Na、Fe和Cu等14种矿物质含量显著高于舍饲羊。28种矿物质元素和筛选元素建立的OPLS-DA模型外部验证结果显示,阿尔巴斯山羊肉物种品系判别正确率均为100%,产地溯源正确率分别为95.71%和90.0%,放牧与舍饲判别正确率均为94.29%。展开更多
采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial le...采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R2C)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R2P)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。展开更多
文摘为系统收集阿尔巴斯山羊的矿物质数据,并基于现代机器学习对其进行特征解析和建模,本实验采集鄂尔多斯市阿尔巴斯山羊以及周边5个旗县山羊和绵羊样本,共计149份背最长肌和股二头肌样本。测定各样品中28种矿物质元素含量,进行有监督的聚类分析和描述性统计,并建立评价阿尔巴斯山羊真实性判别模型。正交偏最小二乘判别分析(orthogonal partial least squares-discriminant analysis,OPLS-DA)模型显示阿尔巴斯山羊和其他品系、山羊与绵羊、6个产地、放牧与舍饲均存在明显分离趋势,筛选特征元素再做聚类分析的效果优于28种元素聚类分析。阿尔巴斯山羊肌肉的Na、P、Zn、Cr、Sr元素在5个品系山羊和绵羊中含量最高;山羊的Na、Ca和P等13种矿物质含量显著高于绵羊;阿尔巴斯山羊核心产地(鄂托克旗乌仁都西嘎查)山羊肉中的Se和Li在6个核心和非核心产地中含量最高。放牧羊的Na、Fe和Cu等14种矿物质含量显著高于舍饲羊。28种矿物质元素和筛选元素建立的OPLS-DA模型外部验证结果显示,阿尔巴斯山羊肉物种品系判别正确率均为100%,产地溯源正确率分别为95.71%和90.0%,放牧与舍饲判别正确率均为94.29%。
文摘采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R2C)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R2P)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。
