遺傳算法聯(lián)合LS-SVM的蘋果原醋成分定量分析

李子文，熊雅婷，王　健，李宗朋，張海紅，馮斯雯，尹建軍（.中國(guó)食品發(fā)酵工業(yè)研究院，北京 0005；.寧夏大學(xué) 農(nóng)學(xué)院食品科學(xué)系，寧夏 銀川 7500）

遺傳算法聯(lián)合LS-SVM的蘋果原醋成分定量分析

李子文1，2，熊雅婷1，王健1*，李宗朋1，張海紅2，馮斯雯1，尹建軍1
（1.中國(guó)食品發(fā)酵工業(yè)研究院，北京 100015；2.寧夏大學(xué) 農(nóng)學(xué)院食品科學(xué)系，寧夏 銀川 750021）

利用近紅外光譜技術(shù)對(duì)蘋果原醋中的重要指標(biāo)進(jìn)行定量分析，并進(jìn)行模型優(yōu)化以提高性能。采用遺傳偏最小二乘法（GA-PLS）提取的特征波長(zhǎng)作為最小二乘支持向量機(jī)（LS-SVM）的輸入變量，先后建立蘋果原醋中總酸、可溶性固形物的近紅外定量模型，并與建立的偏最小二乘（PLS）模型結(jié)果進(jìn)行比較。用決定系數(shù)（R2）、預(yù)測(cè)均方根誤差（RMSEP）以及相對(duì)分析誤差（RPD）對(duì)模型進(jìn)行評(píng)價(jià)，確定最佳建模方法。結(jié)果表明，相比于PLS模型，總酸及可溶性固形物指標(biāo)的LS-SVM定量模型的R2、RMSEP以及RPD值均有更好的表現(xiàn)，且在進(jìn)行獨(dú)立測(cè)試集驗(yàn)證時(shí)，LS-SVM模型的預(yù)測(cè)精度也明顯優(yōu)于PLS模型。說(shuō)明遺傳算法聯(lián)合LS-SVM建立的定量模型有很高的準(zhǔn)確度及穩(wěn)定性，可以應(yīng)用于蘋果原醋總酸和可溶性固形物含量的快速檢測(cè)。

蘋果原醋；近紅外光譜技術(shù)；最小二乘支持向量機(jī)；遺傳算法；波段篩選

蘋果原醋發(fā)酵是蘋果醋飲料生產(chǎn)過(guò)程的重要環(huán)節(jié)，以蘋果原醋為原料可調(diào)配形成蘋果原醋飲料，即為日常所講的“蘋果醋”。但由于我國(guó)在蘋果醋生產(chǎn)方面還遠(yuǎn)不如生產(chǎn)糧食醋般成熟和完善，加上目前還沒有蘋果原醋生產(chǎn)的統(tǒng)一標(biāo)準(zhǔn)，致使市場(chǎng)上蘋果醋飲料魚目混雜，有的甚至是用糖精、醋精等調(diào)配而成，而蘋果原醋發(fā)酵直接影響蘋果醋的品質(zhì)生產(chǎn)，因此，對(duì)于蘋果原醋的質(zhì)量監(jiān)控需要引起高度重視［1］。而原醋中的總酸及可溶性固形物等主要成分含量，是衡量蘋果原醋品質(zhì)的重要指標(biāo)，目前常規(guī)的檢測(cè)過(guò)程復(fù)雜耗時(shí)，無(wú)法滿足蘋果醋飲料生產(chǎn)過(guò)程中品質(zhì)快速檢測(cè)的需求。

近紅外光譜分析技術(shù)是一種新興的綠色檢測(cè)技術(shù)，具有無(wú)需樣品前處理、分析速度快、分析效率高、操作簡(jiǎn)單、易于實(shí)現(xiàn)生產(chǎn)過(guò)程中的在線控制等優(yōu)點(diǎn)［2］，近年來(lái)在食醋及果醋安全檢測(cè)等方面得到了廣泛應(yīng)用：鄒小波等［3］的研究表明，近紅外光譜與食醋總酸含量呈非線性關(guān)系，采用最小二乘支持向量機(jī)（leastsquares-supportvectormachine，LS-SVM）建立的模型預(yù)測(cè)性能良好，有很高的預(yù)測(cè)精度。LIU F等［4］利用連續(xù)投影算法結(jié)合最小二乘支持向量機(jī)等方法，實(shí)現(xiàn)了不同濃度梅子醋中醋酸、酒石酸和乳酸等指標(biāo)的快速檢測(cè)。石吉勇等［5］采用模擬退火算法優(yōu)化，并結(jié)合偏最小二乘法（partial leastsquares，PLS）建立的模型能夠快速預(yù)測(cè)食醋中總酸指標(biāo)含量。但是，目前對(duì)于蘋果醋中各項(xiàng)指標(biāo)的近紅外研究分析仍較為少見，尤其是針對(duì)于蘋果原醋的研究更是未見報(bào)道。

本研究擬采用遺傳偏最小二乘法（genetic algorithmspartial leastsquares，GA-PLS）聯(lián)合最小二乘支持向量機(jī)對(duì)蘋果原醋中的重要品質(zhì)指標(biāo)——總酸及可溶性固形物進(jìn)行快速無(wú)損分析，建立蘋果原醋主要成分快速檢測(cè)模型，并與偏最小二乘法模型進(jìn)行比較，觀察LS-SVM算法對(duì)蘋果原醋指標(biāo)近紅外檢測(cè)模型性能的改善情況。提高模型運(yùn)算速度、準(zhǔn)確性及穩(wěn)定性，提高模型預(yù)測(cè)能力，為蘋果原醋品質(zhì)的快速檢測(cè)提供參考依據(jù)。

1　材料與方法

1.1料與試劑

本試驗(yàn)所用蘋果原醋樣品共340個(gè)，由某飲料公司提供，采用透反射方式掃描采集蘋果原醋的近紅外光譜，標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate，SNV）方法對(duì)光譜進(jìn)行預(yù)處理。利用WYT-32型手持折光儀測(cè)定蘋果原醋的可溶性固形物含量，重復(fù)測(cè)定3次，取平均值。蘋果原醋總酸值根據(jù)國(guó)標(biāo)GB/T 12456—2008《食品中總酸的測(cè)定》，采用NaOH酸堿滴定法測(cè)定。

NaOH（分析純）、酚酞：西隴化工股份有限公司。

1.2器與設(shè)備

NIRMasterM 54P傅里葉變換近紅外光譜儀：瑞士步琪有限公司；光譜儀光源為鹵鎢燈，檢測(cè)器為溫控InGaAs，配有固體測(cè)量池及透反射蓋。光譜范圍為10 000～4 000 cm-1，分辨率為8 cm-1，掃描次數(shù)為32次；利用配套軟件NIR WareOperator采集蘋果原醋樣品的近紅外光譜信息。

1.3驗(yàn)方法

1.3.1正集與驗(yàn)證集的劃分

在剔除掉5個(gè)個(gè)別異常點(diǎn)的基礎(chǔ)上，隨機(jī)保留56個(gè)蘋果原醋樣本作為獨(dú)立測(cè)試集，用于預(yù)測(cè)檢驗(yàn)最終模型性能，以2∶1的比例對(duì)剩余279個(gè)樣本進(jìn)行樣本集和驗(yàn)證集劃分。本實(shí)驗(yàn)采取Kennard-Stone（K-S）法［6］來(lái)進(jìn)行樣本集劃分。最終選擇校正集樣本186個(gè)，驗(yàn)證集樣本93個(gè)。校正集與驗(yàn)證集統(tǒng)計(jì)信息如表1所示。

表1　校正集與驗(yàn)證集統(tǒng)計(jì)結(jié)果Table 1 Statistical results of calibration setand validation set

1.3.2譜變量選擇及校正模型建立

最小二乘支持向量機(jī)（LS-SVM）是在經(jīng)典SVM基礎(chǔ)上擴(kuò)展的一種新興的非線性校正方法，可以進(jìn)行線性和非線性的多元建模，可以極大改善近紅外光譜定性、定量的預(yù)測(cè)能力［7］。但當(dāng)變量數(shù)過(guò)大、數(shù)據(jù)存在噪聲時(shí)，其求解過(guò)程就會(huì)越復(fù)雜，計(jì)算速度也越慢，同時(shí)性能會(huì)大大降低［8-9］。因此本實(shí)驗(yàn)采用遺傳偏最小二乘法（GA-PLS）篩選變量，減少建模變量數(shù)的同時(shí)剔除光譜無(wú)用信息，再結(jié)合LS-SVM建立蘋果原醋主要成分快速檢測(cè)模型。

GA-PLS［10］是以生物進(jìn)化論為基礎(chǔ)，模擬生物界物種競(jìng)爭(zhēng)選擇的進(jìn)化機(jī)制而建立的一種優(yōu)化方法，以適應(yīng)度函數(shù)為依據(jù)，通過(guò)對(duì)群體中個(gè)體施加遺傳操作來(lái)實(shí)現(xiàn)群體的迭代優(yōu)化。但當(dāng)變量數(shù)較多時(shí)，運(yùn)行GA-PLS可能會(huì)導(dǎo)致過(guò)擬合的風(fēng)險(xiǎn)［11］，因此本實(shí)驗(yàn)先采用后向間隔偏最小二乘法（backward interval partial least squares，BiPLS）［12］對(duì)全光譜1 501個(gè)變量進(jìn)行預(yù)選擇，再結(jié)合GA-PLS優(yōu)化建模變量。

1.3.3據(jù)處理與分析

BiPLS、GA-PLS、LS-SVM等程序均在MATLAB環(huán)境下運(yùn)行，偏最小二乘計(jì)算應(yīng)用UnscramblerX10.3光譜分析軟件（挪威CAMO公司）實(shí)現(xiàn)，模型的精確度與穩(wěn)定性通過(guò)決定系數(shù)R2、預(yù)測(cè)均方根誤差（rootmean square error of prediction，RMSEP）及相對(duì)分析誤差（relative percentdeviation，RPD）來(lái)評(píng)價(jià)。R2越接近1，RMSEP越接近0，RPD越大，表明模型分辨能力越高、效果越好［13］。

2　結(jié)果與分析

2.1譜波段優(yōu)選

2.1.1向間隔偏最小二乘波段選擇法

將預(yù)處理后的整條光譜分為15個(gè)子區(qū)間，運(yùn)行BiPLS程序采用留一法計(jì)算交叉驗(yàn)證均方差RMSECV值進(jìn)行變量預(yù)選。總酸、可溶性固形物兩個(gè)指標(biāo)經(jīng)篩選后所得RMSECV值最小分別為0.045 2和0.027 4。兩個(gè)指標(biāo)經(jīng)BiPLS分別共選擇了700、500個(gè)波長(zhǎng)點(diǎn)，占全譜的46.6%和33.3%。

2.1.2傳偏最小二乘波段選擇法

本實(shí)驗(yàn)采用GA-PLS分別對(duì)BiPLS刪選出的總酸及可溶性固形物兩個(gè)指標(biāo)的波數(shù)變量進(jìn)行進(jìn)一步篩選。

GA-PLS運(yùn)行參數(shù)設(shè)置為：種群大小30，變異概率Pm= 0.01，交叉概率Pc=0.5，最大因子數(shù)10，遺傳迭代次數(shù)100次，計(jì)算每個(gè)數(shù)據(jù)點(diǎn)標(biāo)識(shí)為“1”的概率，以RMSECV值確定出最佳的建模變量。GAPLS運(yùn)算過(guò)程中各變量被選用的頻次如圖1所示。

總酸、可溶性固形物兩個(gè)指標(biāo)經(jīng)GA-PLS進(jìn)一步篩選后分別得到56、46個(gè)波長(zhǎng)點(diǎn)，占全譜的3.7%及3.1%，篩選所得特征波長(zhǎng)點(diǎn)如表2所示，所選波數(shù)與C-H、C=O、O-H、C-O等主要官能團(tuán)的基頻與倍頻振動(dòng)吸收峰位置相對(duì)應(yīng)，如總酸指標(biāo)篩選出的4 460 cm-1處甲酸O-H伸縮振動(dòng)和C-H彎曲振動(dòng)的組合頻吸收，可溶性固形物篩選出的4 545 cm-1處碳水化合物C-H伸縮和C=O的組合頻吸收，4 760 cm-1處多糖O-H伸縮和C-O伸縮組合頻吸收等［14］，反映出了蘋果原醋總酸和可溶性固形物的特征吸收。說(shuō)明在經(jīng)GA-PLS篩選后保留了各指標(biāo)中最主要的吸收譜帶，同時(shí)剔除了絕大部分的無(wú)用信息。

圖1　各變量被選用的頻次圖Fig.1 Frequency of each variable by chosen

表2　GA-PLS波點(diǎn)篩選結(jié)果Table 2 Results of GA-PLS wave point se lection

2.2最小二乘法定標(biāo)模型建立

在BiPLS及GA-PLS變量篩選結(jié)果的基礎(chǔ)上，分別對(duì)蘋果醋總酸及可溶性固形物指標(biāo)建立全光譜-PLS，BiPLS，GA-PLS定量模型，模型計(jì)算結(jié)果如表3所示。

表3　蘋果原醋兩項(xiàng)指標(biāo)的不同PLS模型及性能評(píng)價(jià)結(jié)果Table 3 Different PLSmodels of two p roperties in apple vinegarand the results of performance evaluation

由表3可知，與全光譜相比，兩項(xiàng)指標(biāo)經(jīng)光譜波段選擇之后，R2、RPD均有提高，RMSEP值明顯減小，變量數(shù)及主成分?jǐn)?shù)均有不同程度的減小，PLS模型的準(zhǔn)確性及穩(wěn)定性都有顯著的改善，說(shuō)明波段篩選方法能夠在減少建模運(yùn)算變量數(shù)、簡(jiǎn)化模型的同時(shí)，有效地優(yōu)化模型性能。

比較BiPLS及GA-PLS兩種方法，GA-PLS是在BiPLS基礎(chǔ)上對(duì)變量進(jìn)行進(jìn)一步篩選，可有效避免BiPLS方法在一個(gè)小的區(qū)間或是兩個(gè)相鄰波段中存在的共線變量［15］。在保證模型穩(wěn)定性及準(zhǔn)確度的同時(shí)，將變量數(shù)極大減少，分別從總酸及可溶性固形物兩項(xiàng)指標(biāo)700、500個(gè)變量中進(jìn)一步篩選出了56、46個(gè)變量。有效保留了關(guān)鍵特征波長(zhǎng)，同時(shí)剔除了無(wú)用信息，進(jìn)一步減少了模型的主成分?jǐn)?shù)量，降低了模型復(fù)雜程度，同時(shí)加快了運(yùn)算速度。

2.3小二乘支持向量機(jī)定標(biāo)模型建立

根據(jù)前文GA-PLS篩選所得的結(jié)果，將所篩選出的有效波長(zhǎng)分別作為總酸、可溶性固形物L(fēng)S-SVM模型的輸入變量。本實(shí)驗(yàn)在LS-SVM建模中，選取比較常用的徑向基函數(shù)（RBF）作為核函數(shù)，以減少在訓(xùn)練過(guò)程中計(jì)算的復(fù)雜性。其兩個(gè)重要調(diào)節(jié)參數(shù)為回歸誤差權(quán)重γ（gam）和RBF核函數(shù)的核參數(shù)σ2［3］。其中，γ是RBF核函數(shù)的正則化參數(shù)，決定結(jié)構(gòu)風(fēng)險(xiǎn)和經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化之間的平衡，對(duì)于提高模型的泛化性起重要作用。而σ2則控制模型函數(shù)回歸誤差，關(guān)系模型的靈敏度，過(guò)小會(huì)導(dǎo)致過(guò)擬合，過(guò)大則會(huì)使模型過(guò)于簡(jiǎn)單，影響預(yù)測(cè)精度［16］。對(duì)這兩個(gè)參數(shù)的選擇，本實(shí)驗(yàn)采用了耦合模擬退火算法和留一交叉驗(yàn)證的尋優(yōu)方法以確定優(yōu)化參數(shù)。具體建模結(jié)果如表4所示。

表4　蘋果原醋兩項(xiàng)指標(biāo)LS-SVM建模結(jié)果Table 4 Results of LS-SVM modeling for the two p roperties in app le vinegar

由表4可知，將經(jīng)過(guò)GAPLS方法篩選所得到的有效波長(zhǎng)作為L(zhǎng)S-SVM模型的輸入變量，在保留準(zhǔn)確有效信息的基礎(chǔ)上，去除了光譜間的噪聲及其他無(wú)用信息，顯著降低了模型復(fù)雜度，提高了模型性能及運(yùn)算速度。蘋果原醋總酸及可溶性固形物兩項(xiàng)重要指標(biāo)的LS-SVM模型效果良好，RPD值均＞5，說(shuō)明模型的預(yù)測(cè)分辨能力較高，同時(shí)R2分別達(dá)到了0.964與0.979，RMSEP值也具有很好的表現(xiàn)，表明模型的準(zhǔn)確性及穩(wěn)定性均達(dá)到了較高水準(zhǔn)。

2.4較PLS模型與LS-SVM模型效果

比較PLS模型及LS-SVM模型效果，結(jié)果如圖2所示。由圖2可知，不論是R2、RMSEP還是RPD值之間的比較，對(duì)于蘋果原醋總酸及可溶性固形物兩項(xiàng)重要指標(biāo)而言，LS-SVM模型均獲得了更好的效果，模型的準(zhǔn)確度及性能均有較大的改善?？赡苁怯捎诋?dāng)蘋果原醋光譜信息與兩項(xiàng)理化指標(biāo)總酸及可溶性固形物間的變化關(guān)系呈現(xiàn)非線性時(shí)，傳統(tǒng)的線性建模方法不如LS-SVM方法，憑借其更好的利用光譜數(shù)據(jù)中非線性信息的能力及廣泛的適應(yīng)能力，能夠較好地解決處理蘋果原醋數(shù)據(jù)中的非線性數(shù)據(jù)集。

圖2 PLS模型與LS-SVM模型性能參數(shù)對(duì)比圖Fig.2 Com parison of perform ance parame ters of PLS m odels and LS-SVM models

2.5LS-SVM模型驗(yàn)證

將56個(gè)未參與建模的蘋果原醋樣品光譜分別帶入已建立的PLS及LS-SVM模型中進(jìn)行驗(yàn)證，分別計(jì)算預(yù)測(cè)結(jié)果與理化檢測(cè)值的相對(duì)偏差并以此繪制箱線圖，結(jié)果如圖3所示。由圖3可知，與PLS模型相比較，LS-SVM模型預(yù)測(cè)結(jié)果與理化檢測(cè)值相對(duì)偏差的上下兩端極值線更為接近，差異更小，且平均值及中位數(shù)均基本接近0值，相對(duì)偏差分布更為集中，表明LS-SVM模型預(yù)測(cè)結(jié)果與理化檢測(cè)值之間的差異更小，更為接近，說(shuō)明了LS-SVM模型在實(shí)際驗(yàn)證中具有更強(qiáng)的預(yù)測(cè)能力。

圖3　PLS模型與LS-SVM模型預(yù)測(cè)效果對(duì)比圖Fig.3 Com parison of predictive effect of PLS m odels and LS-SVM models

3　結(jié)論

本研究采用近紅外光譜技術(shù)對(duì)蘋果原醋的總酸和可溶性固形物指標(biāo)進(jìn)行了定量分析，用向后間隔偏最小二乘法（BiPLS）、遺傳偏最小二乘法（GA-PLS）對(duì)蘋果原醋光譜進(jìn)行了特征區(qū)域和特征波長(zhǎng)的選取，并結(jié)合偏最小二乘法（PLS）和最小二乘支持向量機(jī)法（LS-SVM）建立定標(biāo)模型，得出以下結(jié)論：

兩種波段優(yōu)化方法所建PLS模型均獲得了較高的模型精度，充分說(shuō)明了近紅外光譜分析技術(shù)可用于蘋果原醋成分分析，也證明了波段優(yōu)化對(duì)建模分析的重要性。而GA-PLS模型在保證穩(wěn)定性及準(zhǔn)確性的同時(shí)，大大減少了建模變量數(shù)，實(shí)現(xiàn)了波長(zhǎng)選擇的目標(biāo)。

比較在GA-PLS方法波段篩選基礎(chǔ)上建立的PLS模型與LS-SVM模型效果，發(fā)現(xiàn)不論是建模效果還是獨(dú)立的驗(yàn)證效果，LS-SVM模型均更為理想，表明了LS-SVM方法在果醋品質(zhì)分析方面的巨大潛力。遺傳算法結(jié)合最小二乘支持向量機(jī)方法所建立的蘋果原醋成分定量分析模型，具有準(zhǔn)確、穩(wěn)定的特點(diǎn)，可實(shí)現(xiàn)對(duì)蘋果原醋成分含量的快速無(wú)損檢測(cè)，為近紅外光譜技術(shù)在蘋果醋生產(chǎn)過(guò)程的應(yīng)用提供了技術(shù)借鑒。

［1］宋靜，陳平，王玉瑩，等.蘋果酒、醋中香氣物質(zhì)分析［J］.中國(guó)釀造，2013，32（6）：145-150.

［2］張德濤，鄒小波，石吉勇，等.近紅外光譜結(jié)合不同偏最小二乘法快速檢測(cè)鎮(zhèn)江香醋的渾濁度［J］.中國(guó)釀造，2012，31（1）：169-172.

［3］鄒小波，陳正偉，石吉勇，等.基于支持向量機(jī)的食醋總酸近紅外光譜建模［J］.中國(guó)釀造，2011，30（3）：63-65.

［4］LIU F，HE Y.Application of successive projections algorithm for variable selection to determ ineorganicacidsofp lum vinegar［J］.Food Chem，2009，115（4）:1430-1436.

［5］石吉勇，鄒小波，王開亮，等.模擬退火算法用于食醋總酸含量近紅外光譜模型的波數(shù)點(diǎn)優(yōu)選［J］.食品科學(xué)，2011，32（10）：120-123.

［6］陸婉珍.現(xiàn)代近紅外光譜分析技術(shù)［M］.北京：中國(guó)石化出版社，2007.

［7］劉飛，張帆，方慧，等.連續(xù)投影算法在油菜葉片氨基酸總量無(wú)損檢測(cè)中的應(yīng)用［J］.光譜學(xué)與光譜分析，2009，29（11）：3079-3083.

［8］馬英芝.基于遺傳模擬退火算法的LS-SVM參數(shù)選?。跩］.民營(yíng)科技，2011（11）：17-19，109.

［9］章海亮，劉雪梅，何勇.SPA-LS-SVM檢測(cè)土壤有機(jī)質(zhì)和速效鉀研究［J］.光譜學(xué)與光譜分析，2014，34（5）：1348-1351.

［10］屠振華，籍保平，孟超英，等.基于遺傳算法和間隔偏最小二乘的蘋果硬度特征波長(zhǎng)分析研究［J］.光譜學(xué)與光譜分析，2009，29（10）：2760-2764.

［11］N?RGAARD L，SAUDLAND A，WAGNER J，et al.Interval partial leastsquares regression（iPLS）:a comparative chemometric study w ith an examp le from near-infrared spectroscopy［J］.App l Spectrosco，2000，54（3）:413-419.

［12］吳靜珠，汪鳳珠，王麗麗，等.基于近紅外特征光譜的番茄苗氮含量快速測(cè)定方法研究［J］.光譜學(xué)與光譜分析，2015，35（1）：99-103.

［13］熊雅婷，李宗朋，王健，等.基于連續(xù)投影算法的黃酒成分檢測(cè)模型［J］.食品與發(fā)酵工業(yè)，2015，41（3）：185-190.

［14］WORKMAN J，JrWEYER L.褚小立，許育鵬，田高友，譯.近紅外光譜解析實(shí)用指南［M］.北京：化學(xué)工業(yè)出版社，2009.

［15］彭云發(fā)，詹映，彭海根，等.用遺傳算法提取南疆紅棗總糖的近紅外光譜特征波長(zhǎng)［J］.食品工業(yè)科技，2015，36（3）：303-307.

［16］SHAHLAEIM，F(xiàn)ASSIHIA，SAGHAIEL.Application of PC-ANN and PC-LS-SVM in QSAR of CCR1 antagonist compounds:A comparative study［J］.Eur JM ed Chem，2010，45（4）:1572-1582.

Quantitativeanalysisofapple vinegar compositionsbased on genetic algorithm combined with LS-SVM

LIZiwen1，2，XIONG Yating1，WANG Jian1*，LIZongpeng1，ZHANGHaihong2，F(xiàn)ENG Siwen1，YIN Jianjun1
（1.China NationalResearch Institute of Food&Fermentation Industries，Beijing 100015，China；2.DepartmentofFood Science，College ofAgriculture，NingxiaUniversity，Yinchuan 750021，China）

The compositionsof apple vinegarwere analyzed quantitatively by near infrared spectroscopy technology，and themodelwasoptim ized to improve theperformance.The characteristic wavelengthsextracted bygenetic algorithm partial leastsquares（GA-PLS）as leastsquaressupportvector machines（LS-SVM）of the inputvariables，NIR quantitativemodelsof total acid and soluble solid in apple original vinegarwere established，and the modelswere comparedwith partial leastsquares（PLS）model results.The establishedmodelswere evaluated using R2，RMSEPand RPD to determine the optimum modelingmethod.The results showed that R2，RMSEP，RPD and prediction accuracy in independent test set of LS-SVM quantitative model of total acid and soluble solid had better performance than PLSmodels.The quantitativemodel established by genetic algorithm combined w ith LS-SVM had high accuracy and stability.Itcould beused in the rapid detection of totalacid and solublesolidscontentin the applevinegar.

apple vinegar；near infrared spectroscopy；LS-SVM；genetic algorithm；band selection

TS261．7

0254-5071（2016）01-0120-05

10．11882/j．issn．0254-5071．2016．01．026

2015-10-09

科技部科研院所技術(shù)開發(fā)研究專項(xiàng)（2013EG111212）

李子文（1992-），男，碩士研究生，研究方向?yàn)檗r(nóng)產(chǎn)品無(wú)損檢測(cè)。

王?。?973-），男，高級(jí)工程師，博士，研究方向?yàn)檗r(nóng)產(chǎn)品無(wú)損檢測(cè)。