采用超快速气相电子鼻对超高温灭菌(ultra high temperature,UHT)全脂、低脂和脱脂牛奶共36种样品的挥发性风味成分进行定性、定量分析,并结合主成分分析和多层感知器神经网络,对UHT牛奶的香气特征进行分类预测。结果表明,UHT牛奶中含...采用超快速气相电子鼻对超高温灭菌(ultra high temperature,UHT)全脂、低脂和脱脂牛奶共36种样品的挥发性风味成分进行定性、定量分析,并结合主成分分析和多层感知器神经网络,对UHT牛奶的香气特征进行分类预测。结果表明,UHT牛奶中含有29种共同的挥发性风味成分,主要为丙酮、正丁醇和δ-癸内酯等,其中丙酮含量最高,癸醛含量最低。异丁醇、乙偶姻、1-戊醇、E-3-己烯醛和癸醛只在UHT全脂牛奶中存在;3-甲基庚烷、2,6-二甲基吡嗪、E-2-壬烯-1-醇是UHT低脂牛奶的特有成分;α-蒎烯、5-甲基糠醛、癸酸仅在UHT脱脂牛奶中被检出。UHT牛奶主要香气特征体现为蔬菜味、奶油味、草香味、水果味及麦芽味。其中蔬菜味、奶油味、麦芽味在UHT全脂牛奶中分布最广泛;水果味在UHT低脂牛奶中分布最广泛;青草味在UHT脱脂牛奶中分布最广泛。主成分分析显示不同品牌UHT牛奶之间存在显著差异;多层感知器神经网络对UHT牛奶种类的预测准确率高达98.6%。展开更多
依据专家感官审评结果将14个红茶样本按香气品质的优劣划分为优质红茶与缺陷红茶2组,基于快速气相电子鼻(fast gas chromatography-electronic-nose,GC-E-Nose)和气相色谱-质谱(gas chromatography-mass spectrometry,GC-MS)融合技术结...依据专家感官审评结果将14个红茶样本按香气品质的优劣划分为优质红茶与缺陷红茶2组,基于快速气相电子鼻(fast gas chromatography-electronic-nose,GC-E-Nose)和气相色谱-质谱(gas chromatography-mass spectrometry,GC-MS)融合技术结合多元统计分析对2组茶样进行判别分析,筛选影响两类茶样分类的关键差异组分。结果显示:GC-E-Nose(44维)和GC-MS(73维)相融合可以得到117维融合数据集,用其建立的正交偏最小二乘判别分析模型可以实现两类红茶的准确分类,其模型解释能力和预测能力(R_(Y)^(2)=0.976,Q^(2)=0.959)较单一的GC-E-Nose或GC-MS数据模型更优。基于变量投影重要性>1.6和P<0.05双变量原则,共筛选出二甲基硫醚(B3、B25)、β-紫罗酮(A59)、(3E)-4,8-二甲基壬-1,3,7-三烯(A20)、二氢猕猴桃内酯(A64)、芳樟醇(A17)、苯乙醇(A19)、δ-辛内酯(A41)和γ-壬内酯(A45)8个关键香气组分对分类起重要作用。研究结果表明,GC-E-Nose与GC-MS融合技术可以实现缺陷红茶和优质红茶的快速、准确分类,该方法可作为传统感官审评方法的补充,为红茶品质控制和质量提升提供技术支撑。展开更多
文摘采用超快速气相电子鼻对超高温灭菌(ultra high temperature,UHT)全脂、低脂和脱脂牛奶共36种样品的挥发性风味成分进行定性、定量分析,并结合主成分分析和多层感知器神经网络,对UHT牛奶的香气特征进行分类预测。结果表明,UHT牛奶中含有29种共同的挥发性风味成分,主要为丙酮、正丁醇和δ-癸内酯等,其中丙酮含量最高,癸醛含量最低。异丁醇、乙偶姻、1-戊醇、E-3-己烯醛和癸醛只在UHT全脂牛奶中存在;3-甲基庚烷、2,6-二甲基吡嗪、E-2-壬烯-1-醇是UHT低脂牛奶的特有成分;α-蒎烯、5-甲基糠醛、癸酸仅在UHT脱脂牛奶中被检出。UHT牛奶主要香气特征体现为蔬菜味、奶油味、草香味、水果味及麦芽味。其中蔬菜味、奶油味、麦芽味在UHT全脂牛奶中分布最广泛;水果味在UHT低脂牛奶中分布最广泛;青草味在UHT脱脂牛奶中分布最广泛。主成分分析显示不同品牌UHT牛奶之间存在显著差异;多层感知器神经网络对UHT牛奶种类的预测准确率高达98.6%。
文摘依据专家感官审评结果将14个红茶样本按香气品质的优劣划分为优质红茶与缺陷红茶2组,基于快速气相电子鼻(fast gas chromatography-electronic-nose,GC-E-Nose)和气相色谱-质谱(gas chromatography-mass spectrometry,GC-MS)融合技术结合多元统计分析对2组茶样进行判别分析,筛选影响两类茶样分类的关键差异组分。结果显示:GC-E-Nose(44维)和GC-MS(73维)相融合可以得到117维融合数据集,用其建立的正交偏最小二乘判别分析模型可以实现两类红茶的准确分类,其模型解释能力和预测能力(R_(Y)^(2)=0.976,Q^(2)=0.959)较单一的GC-E-Nose或GC-MS数据模型更优。基于变量投影重要性>1.6和P<0.05双变量原则,共筛选出二甲基硫醚(B3、B25)、β-紫罗酮(A59)、(3E)-4,8-二甲基壬-1,3,7-三烯(A20)、二氢猕猴桃内酯(A64)、芳樟醇(A17)、苯乙醇(A19)、δ-辛内酯(A41)和γ-壬内酯(A45)8个关键香气组分对分类起重要作用。研究结果表明,GC-E-Nose与GC-MS融合技术可以实现缺陷红茶和优质红茶的快速、准确分类,该方法可作为传统感官审评方法的补充,为红茶品质控制和质量提升提供技术支撑。
