焦愛權，徐學明，金征宇*

（1.江南大學 食品學院，江蘇 無錫214122；2.食品科學與技術國家重點實驗室，江南大學，江蘇 無錫214122）

基于近紅外及中紅外光譜融合技術快速檢測黃酒中的總酚含量及其抗氧化能力

焦愛權1，2，徐學明1，金征宇*1，2

（1.江南大學 食品學院，江蘇 無錫214122；2.食品科學與技術國家重點實驗室，江南大學，江蘇 無錫214122）

為了實現(xiàn)對黃酒中總酚含量（TPC）及其抗氧化能力（TAC）的快速檢測，探索了將傅立葉紅外光譜技術應用于快速檢測這兩項重要指標的可行性。協(xié)同區(qū)間偏最小二乘算法（SiPLS）用于選出有效波長區(qū)間以提高模型的預測能力。支持向量機（SVM）和主成分分析（PCA）用來融合由SiPLS選出的中紅外 （ATR-IR）和近紅外 （FT-NIR）光譜的有效波段。實驗結(jié)果表明基于SiPLS篩選的有效光譜變量而建立的偏最小二乘回歸模型（PLS）的精度優(yōu)于基于全光譜建立的經(jīng)典PLS模型?；贏TR-IR建立的模型的效果略優(yōu)于基于FT-NIR光譜建立的模型。此外，基于提取自ATR-IR合FT-NIR的有效區(qū)間而建立的SVM模型的預測能力要好于建立的PLS或SiPLS模型。因此，ATR-IR及FT-IR結(jié)合特征譜區(qū)篩選方法可以作為理化檢測的替代手段實現(xiàn)對黃酒中的TAC和TPC的快速檢測，同時基于兩種光譜的融合技術可顯著提高模型的預測精度。

黃酒；總抗氧化能力；總酚含量；數(shù)據(jù)融合；支持向量機

黃酒歷史悠久，酒體柔和，顏色鮮亮，風味獨特。黃酒的營養(yǎng)價值極高，含有19種氨基酸，其氨基酸總量比啤酒和葡萄酒要高出2～36倍，居各種釀造酒之首。黃酒不僅是一種富含營養(yǎng)的獨特飲品，還經(jīng)常在中藥中使用［1-2］。隨著生活水平的不斷提高，人們健康飲酒的意識逐漸增強，崇尚低度健康、營養(yǎng)保健的全新飲酒價值理念正在形成?？寡趸芰Γ═AC）和總酚含量（TPC）逐漸成為評價黃酒質(zhì)量（功能特性）的兩項重要指標。準確的對黃酒中的TAC和TPC進行定量分析不論對于黃酒的營養(yǎng)價值，還是對酒質(zhì)的控制都具有重要的意義。

目前，黃酒中TAC的檢測主要是基于DPPH法、ABTS法、FRAP法等。TPC的檢測方法則主要是酒石酸鐵法和Folin-Ciocalteu法。高效液相色譜（HPLC）法檢通常用來測定具體酚類組分的含量［3］。盡管這些傳統(tǒng)分析方法通常非常精密，但往往需要昂貴的化學藥品，且耗時耗力，難以適應現(xiàn)代化的大工業(yè)生產(chǎn)。因此，急需一種簡單、有效的手段來快速測定黃酒中的TPC和TAC，從而降低成本、提高效率。

紅外光譜技術是一種基于分子內(nèi)部原子間的相對振動和分子轉(zhuǎn)動等信息來確定物質(zhì)分子結(jié)構和鑒別化合物的分析方法。其通常與化學計量學有機結(jié)合在一起通過建立數(shù)學模型以實現(xiàn)對特定組分或特性的分類或預測。近年來，因其快速、綠色、適用范圍廣和可在線檢測等顯著優(yōu)點，F(xiàn)T-NIR和ATR-IR技術均已作為傳統(tǒng)理化檢測的替代手段被廣泛應用于過程控制、品質(zhì)鑒真和種類區(qū)分等諸多領域［4-7］。在TAC和TPC的檢測方面，已有許多研究者成功地將紅外光譜技術 （FT-NIR和ATR-IR）應用到可可豆、紅酒和橄欖等食品中的TPC或TAC的檢測中［8-10］，然而，目前還沒有采用 FT-NIR或ATR-IR技術對黃酒中的TAC和TPC進行快速檢測的報道。而且其他研究者建立的模型往往是基于全波長的偏最小二乘模型（PLS）。全光譜中包含很多共線變量和無關變量。如果這些冗雜變量包含在建模變量中，模型的預測精度和穩(wěn)定性將不可避免的受到影響。因此，波長選擇就顯得尤為重要。此外，之前的研究主要是基于單一的光譜分析技術（FT-NIR或ATR-IR），還沒有關于兩者比較的研究。同時，也未發(fā)現(xiàn)用兩者融合的方法來建立模型的報道。

作者同時采用FT-NIR和ATR-IR技術來實現(xiàn)對黃酒中TPC和TAC的快速檢測，并使用波長選擇算法提高模型預測精度，同時對比兩種技術的優(yōu)劣，還采用了數(shù)據(jù)融合技術串聯(lián)FT-NIR和ATRIR中的有效信息以期提高所建立的回歸模型的穩(wěn)健性。

1　材料與方法

1.1樣品來源

黃酒樣品：購自無錫本地的家樂福和歐尚超市，其中20個樣品來自“古越龍山”，23個樣品來自“會稽山”，23個樣品來自“沙洲優(yōu)黃”，27個樣品來自“閩族紅”，23個樣品來自“石庫門”，共計116個樣本。

1.2儀器設備

Nicolet iS10傅立葉紅外光譜儀，Thermo AntarisⅡ傅里葉近紅外快速分析儀：美國賽默飛公司產(chǎn)品。

1.3實驗方法

1.3.1TAC和TPC的測定參考Feliciano等［11］的方法。首先將25mL 300mmol/L的醋酸鹽緩沖液與2.5 mL溶解在40 mmol/L HCl溶液中的Fe（Ⅱ）-TPTZ溶液 （10 mmol/L）混合，再加入2.5 mL 20 mmol/L的Fecl3·6H2O溶液，震蕩均勻后與300μL的酒樣混合。室溫下靜置10 min，于593 nm波長處測定吸光度。FRAP試劑作為空白對照。TAC采用Trolox當量表示（mg TEAC/L）。

TPC采用經(jīng)典的Folin-Ciocalteu法測定。首先，黃酒樣品適當稀釋使其吸光度在0.20～0.80的范圍內(nèi)。然后取0.3 mL稀釋后的黃酒樣品與1.5 mL福林酚試劑（0.2 mol/L）混合。靜置5min，加入1.2mL 0.7mol/L Na2CO3溶液。于室溫暗處反應120min后在760 nm波長處測定吸光度。TPC含量采用沒食子酸當量表示（mg/L）。

1.3.2FT-NIR光譜掃描光譜采集條件為：掃描范圍4 200～10 000 cm-1，光源11.9W/7 V鹵鎢燈，掃描分辨率8 cm-1、工作電壓6 V、掃描次數(shù)16次。每個樣品采集3次光譜，以克服樣品的不均勻性。數(shù)據(jù)采集使用RESULT 8.0軟件。

1.3.3ATR-IR光譜掃描取100μL黃酒樣品直接置于晶片上進行ATR-IR光譜掃描。光譜采集條件為：掃描范圍800～4 000 cm-1，分辨率4 cm-1，掃描次數(shù)16，光譜間隔點1.93 cm。使用去離子水按照與樣品相同的條件掃描作為空白對照。每次完成掃描后，使用去離子水清洗晶片，并用紙巾擦拭干凈。數(shù)據(jù)采集使用OMINIC軟件。

1.3.4多變量回歸模型的建立模型建立前，所有光譜首先經(jīng)過Savitzky-Golay 9點平滑處理，然后采用標準矢量歸一化（SNV）、多元散射校正（MSC）、一階導數(shù)（D1）、二階導數(shù)（D2）及消除趨勢（BC）5種預處理方法對FT-NIR和ATR-IR光譜進行處理以消除基線漂移或顆粒散射等影響造成的誤差，從而能夠的提取出光譜中的有效信息。依照PLS模型的交互驗證均方根誤差（RMSECV）的大小選出最佳的光譜預處理方法。通過比較，F(xiàn)T-NIR的最佳預處理是SNV，ATR-IR光譜的最適預處理方法是D1。SNV處理過的FT-NIR光譜和D1處理后的ATRIR光譜如圖1（b）和（d）所示。

所有的116個黃酒樣品劃分為兩組：校正組和驗證組。校正組樣本用于黃酒各指標紅外模型的建立，驗證組樣本用于驗證所建模型的準確度與可靠性。所有樣品依照TAC（或TPC）的化學參考值的大小排序。然后連續(xù)4個樣品為一個小組，4個樣品中的任意3個分配到校正組中，剩余一下分配到驗證組中。最終，校正組有87個樣品，驗證組包含29個樣品。

作者采用了線性模型 （PLS）和非線性模型（SVM）兩種模型。RMSECV、預測均方根誤差（RMSEP）、交互驗證相關系數(shù)（R2（cal））、預測相關系數(shù)（R2（pre））及殘余預測偏差（RPD）被用來評價所建立的回歸模型的預測性能。一般來說，R2和RPD的值越大，RMSECV和RMSEP值越小，模型的穩(wěn)健性越好。R2和RPD評價模型的標準如表1所示。所有數(shù)據(jù)分析均在MATLAB 2010a軟件（美國MathWorks公司產(chǎn)品）平臺上完成。

表1　校正模型的評價標準Table 1　Criteria used for the evaluation of the calibration models

2.1黃酒中的TAC和TPC化學參考值結(jié)果分析

測定校正組和驗證組中樣品的TAC和TPC的平均值、標準偏差、變化范圍和變異系數(shù)。黃酒的TPC質(zhì)量濃度在405.58～898.60mg/L之間，平均值則高達 668.92 mg/L。TAC質(zhì)量濃度在 48.86～276.14mg/L之間，平均值為130.38mg/L。TAC和TPC的化學參考值范圍均很寬，以校正組中數(shù)值為例，TAC和 TPC的 CV值分別高達 48.21%和20.55%。作者采用的黃酒樣品取自不同的產(chǎn)地和廠家，各個酒廠采用的釀造技術和生產(chǎn)原料不同。此外，即使是出自同一廠家的同一品牌的黃酒樣品，它們的生產(chǎn)日期也有不同。這些因素都可能導致黃酒TAC和TPC的差異。此外，校正組中TAC合TPC的化學參考值范圍包含了整個驗證組的范圍，且兩個子集的標準偏差基本相同，這說明，所有的黃酒樣品被合理的分配到了兩個子集中。

2.2黃酒的紅外光譜（FT-NIR和ATR-IR）譜圖解析

黃酒的紅外光譜有著豐富的吸收峰。圖1（a）所示為所有黃酒樣品的FT-NIR光譜圖。由圖可以看出，F(xiàn)T-NIR的主要特征峰在6 896、5 100、4 453、4 338 cm-1附近。6 896、5 100 cm-1處的強峰分別與水和乙醇中O-H基團的伸縮振動和變形振動有關。本試驗中，它們與目的指標（TAC或TPC）無關。位于4 453、4 338 cm-1附近的特征吸收峰則主要是由C-H基團的組頻和O-H基團的伸縮振動引起。此外，分別位于5 917、5 586 cm-1處的兩處小峰則主要歸因于CH3基團的一級倍頻和來自葡萄糖和蔗糖中的C-H基團和O-H基團的伸縮振動［12］。圖1 （c）所示為所有樣品的ATR-IR光譜圖。與FT-NIR譜圖類似，其吸收峰主要來自于水和乙醇，因為它們是黃酒中的主要化學成分。其中1 503～1 687、2 975～3 650 cm-1區(qū)域處的兩個負的吸收峰是由水的伸縮振動產(chǎn)生的。乙醇的特征吸收峰則主要位于1 042、1 085 cm-1處。位于2 891～2 985 cm-1波段內(nèi)負的吸收峰也與乙醇中的CH3和CH2中的C-H的伸縮振動有關。965～1 500 cm-1處的眾多復雜的吸收峰則主要來源于糖類、有機酸和蛋白質(zhì)的中的CHOH的伸縮振動［13］。不同黃酒樣品吸收光譜波形相似，但又不完全重合，既顯示了大樣本群體的一致性，又體現(xiàn)出不同樣品之間的差異。

2.3模型構建和評價

2.3.1基于PLS和SiPLS算法的回歸模型黃酒的成分組成十分復雜，含有多種多樣的化學成分，有些光譜區(qū)間所包含的信息與黃酒的TAC和TPC之間缺乏相關性，如果輸入變量中包含這些波長信息，會嚴重影響模型的預測精度，因此需篩選出特征區(qū)間。為了避免全光譜中存在的大量的共線和無關變量，采用協(xié)同區(qū)間偏最小二乘算法（SiPLS）從全波段中篩選出與TAC或TPC最相關的特征譜區(qū)，以提高模型的可靠性。SiPLS將全波段等分成若干個子區(qū)間，然后組合其中的2個、3個或4個子區(qū)間建立基于局部區(qū)間的回歸模型，對比各個模型得到的RMSECV，RESECV值最小的模型所對應的子區(qū)間組合即是最佳區(qū)間組合［14］。作者將整個光譜區(qū)劃分為11～25個子區(qū)間。篩選結(jié)果如表2所示。

圖1　樣品的FT-NIR和ATR-IR光譜圖Fig.1　FT-NIR and ATR-IR of all samples

基于FT-NIR和ATR-IR建立的黃酒中TAC 和TPC的校正模型的結(jié)果如表3所示。無論是基于FT-NIR還是基于ATR-IR所建立的SiPLS模型，均取得了令人滿意的結(jié)果。TAC和TPC的SiPLS模型的R2（pre）均大于0.90，而RPD值則均在3.0之上。依照表1所列出的評價回歸模型效果的標準，這些SiPLS模型均可用作黃酒中TAC和TPC的定量預測。值得注意的是TAC的RMSEP（%）較高，不管是基于FT-NIR還是基于ATR-IR建立的模型，即使經(jīng)過SiPLS優(yōu)化，其值仍大于10。這可能與其較寬的變化范圍有關。一般來說，范圍越寬，RMSEP（%）越大，反之亦然［15］。這也與表2中數(shù)據(jù)吻合：與TPC相比，TAC的CV值明顯較大。

表2　17種氨基酸的最佳SiPLS參數(shù)Table 2　Optimal parameters of SiPLSmodels for 17 am ino acids

為突出SiPLS模型的優(yōu)越性，本研究將SiPLS模型的結(jié)果與PLS模型的結(jié)果進行了對比。如表4所示，基于有效區(qū)間建立的SiPLS模型的效果明顯好于基于全波段的經(jīng)典PLS模型的效果。全光譜區(qū)內(nèi)含有大量與TAC或TPC無關的冗余信息，特別是水的吸收，這些噪音信息和無關信息的加入無疑將會影響模型的可靠性。SiPLS模型是通過篩選出與目標變量最相關的幾個光譜子區(qū)間而建立的模型，簡化了模型的同時最大程度的保留了有效信息。因此，與PLS模型相比，SiPLS的性能有明顯的提高。

表3　不同校正模型的結(jié)果對比Table 3　Com parison of results of different calibration models

2.3.2基于FT-NIR和ATR-IR建立的模型的比較如表3所示，ATR-IR的模型精度略優(yōu)于FT-NIR。與FT-NIR光譜相比，ATR-IR光譜反映的是分子振動的基頻信息，其敏感性比FT-NIR高幾個數(shù)量級，因此其吸收峰一般較為尖銳，重疊峰少，能夠產(chǎn)生更多有效的特征吸收峰。此外，F(xiàn)T-NIR對水更加敏感，這將不可避免的影響模型的預測效果。因此，與FT-NIR相比，基于AIR-IR建立的模型能產(chǎn)生更好的效果。

2.3.3基于數(shù)據(jù)融合的回歸模型ATR-IR和FTNIR光譜基于不同的光譜區(qū)間，探測的分子振動信息也不盡相同。FT-NIR趨向于探測倍頻和組頻信息，而ATR-IR則主要反映分子基頻振動的信息。因此二者具有互補性。如果能夠?qū)崿F(xiàn)FT-NIR和ATR-IR光譜的融合，則會擴大信息的來源，提高回歸模型預測黃酒中TAC和TPC的能力。

嘗試建立了3種數(shù)據(jù)融合模型。第一種模型（PLSC）是FT-NIR和ATR-IR光譜數(shù)據(jù)的簡單疊加。融合后的數(shù)列矩陣的行數(shù)等于樣品的數(shù)量，列數(shù)為兩種光譜數(shù)據(jù)的列數(shù)之和。如表3所示，無論對于TAC還是TPC，PLSC模型的效果均次于基于ATR-IR或FT-NIR建立的經(jīng)典PLS模型的效果。這可能是由于兩種來源的光譜數(shù)據(jù)的簡單疊加反而增加了模型的復雜性，從而影響了建模效果。為了解決這個問題，作者又嘗試通過提取來自兩種光譜的特征信息建立第二和第三種模型。首先，采用SiPLS由FT-NIR和ATR-IR光譜中提取出目標變量（TAC或TPC）的最佳子區(qū)間組合，歸一化后，采用主成分降維提取出前幾個主成分，提取出的來自FT-NIR和ATR-IR的主成分融合在一起作為輸入變量建立回歸模型，建立的PLS模型稱為SiPLSC，建立的SVM模型我們稱之為SiSVMC。SiPLS模型的預測結(jié)果明顯要好于PLSC的，但是又差于基于任何一種光譜（ATR-IR或FT-NIR）所建立的SiPLS模型。而SiSVMC模型則是所建立的模型中預測精度最好的。這是因為黃酒成分十分復雜，目標變量與光譜變量之間的關系趨于非線性。此外，來自不同信息源的數(shù)據(jù)的融合進一步增加了模型的非線性。因此，SiSVMC模型的效果要明顯好過SiPLSC模型的效果。

較之基于全波段建立的經(jīng)典PLS模型，SiSVMC模型的預測精度有顯著提升。對于TAC來說，與基于 FT-NIR和 ATR-IR的經(jīng)典 PLS模型相比，SiSVMC模型的R2（pre）分別提升7.22%和6.06%。對TPC來講，則分別提高7.51%和6.45%。另外，通過建立的TAC和TPC的SiPLS和SiSVMC模型的參考值與預測值的散點圖分析，與SiPLS模型相比，基于數(shù)據(jù)融合的SiSVMC模型表現(xiàn)出更好的擬合效果。

3　結(jié)語

以成品黃酒為研究目標，采用FT-NIR，ATRIR及二者的數(shù)據(jù)融合對黃酒酒中的TAC和TPC進行了定量檢測，同時利用SiPLS對波長變量進行優(yōu)選，以提高模型的穩(wěn)定性和預測精度。結(jié)果顯示，經(jīng)波長篩選，建模所用的變量數(shù)大大減少，運算時間顯著縮短，而且預測精度得到明顯提高，表明了波長篩選的必要性?；贏TR-IR所建立的模型效果略好于基于FT-NIR建立的模型。此外，基于SVM的數(shù)據(jù)融合模型效果較基于單一光譜而建立的PLS 或SiPLS模型均有顯著提高?？偟膩碚f，紅外光譜技術結(jié)合有效的波長篩選技術可以作為一種經(jīng)濟、綠色的方法用于黃酒中TAC和TPC的快速檢測。

［1］LiH Y，Jin ZY，Xu X M，etal.Design and optimization of an efficientenzymatic extrusion pretreatment for Chinese ricew ine fermentation［J］.Food Control，2013，32（2）：563-568.

［2］Que F，Mao L C，Zhu C G，etal.Antioxidant properties of Chinese yellow w ine，its concentrate and volatiles［J］.LW T-Food Science and Technology，2006，39（2）：111-117.

［3］Silva SD，F(xiàn)eliciano RP，Boas L V，etal.Application of FTIR-ATR to Moscateldessertw ines for prediction of totalphenolic and flavonoid contentsand antioxidantcapacity［J］.Food Chem istry，2014，150（0）：489-493.

［4］馮宇，顧小紅，湯堅，等.中紅外光譜與模式識別相結(jié)合鑒別茶葉種類［J］.食品與生物技術學報，2007，26（2）：7-11. FENG Yu，GU Xiaohong，TANG Jian，etal.Discrim ination of tea varieties bym id-infrared spectroscopy combined w ith pattern recognition［J］.Journal of Food Science and Biotechnology，2007，26（2）：7-11.（in Chinese）

［5］Wu Z Z，Xu E B，Long J，et al.Measurement of fermentation parameters of Chinese rice w ine using Raman spectroscopy combinedw ith linearand non-linear regressionmethods［J］.Food Control，2015，56（0）：95-102.

［6］楊麗君，李兆杰，王靜，等.傅里葉變換紅外光譜技術對三種李斯特氏菌的快速分類檢測［J］.食品與生物技術學報，2013，32 （2）：169-173. YANG Lijun，LI Zhaojie，WANG Jing，et al.Rapid differentiation and identification of three species of Listeria by FT-IR spectroscopy［J］.Journal of Food Science and Biotechnology，2013，32（2）：169-173.（in Chinese）

［7］宮元娟，匡立學，馮敘橋.蘋果近紅外光譜無損檢測技術的研究進展［J］.食品與生物技術學報，2012，31（6）：570-574. GONG Yuanjuan，KUANG Lixue，F(xiàn)ENG Xuqiao.Advances on near-infrared nondestructive testing technology of apples［J］. Journal of Food Science and Biotechnology，2012，31（6）：570-574.（in Chinese）

［8］Huang X Y，Teye E，Sam-Amoah L K，etal.Rapid measurementof total polyphenols content in cocoa beans by data fusion of NIR spectroscopy and electronic tongue［J］.Analytical M ethods，2014，6（14）：5008-5015.

［9］Fragoso S，Acena L，Guasch J，etal.Quantification of phenolic compounds during red w inemaking using FT-M IR spectroscopy and PLS-Regression，2011，59（20）：10795-10802.

［10］Machado M，Machado N，Gouvinhas I，etal.Quantification of chem ical characteristics of olive fruitand oilof cv Cobrancosa in two ripening stages using M IR spectroscopy and chemometrics［J］.Food Analytical Methods，2014，DOI 10.1007/ s12161-014-0017-2.

［11］Feliciano R，Bravo M，Pires M，et al.Phenolic content and antioxidant activity of moscatel dessert w ines from the Setúbal region in portugal［J］.Food AnalyticalM ethods，2009，2（2）：149-161.

［12］Yu H Y，Niu X Y，Ying Y B，etal.A feasibility study on on-line determination of ricew ine composition by Vis-NIR spectroscopy and least-squares supportvectormachines［J］.Food Chem istry，2009，113（1）：291-296.

［13］Wu Z Z，Xu E B，Long J，et al.Monitoring of fermentation process parameters of Chinese rice w ine using attenuated total reflectancem id-infrared spectroscopy［J］.Food Control，2015，50（0）：405-412.

［14］Teye E，Huang XY，Takrama J，etal.Integrating NIR spectroscopy and electronic tongue togetherw ith chemometric analysis for accurate classification of cocoa bean varieties［J］.Journal of Food Process Engineering，2014，37（6）：560-566.

［15］Shen F，Ying Y Y，Li B B，et al.Prediction of sugars and acids in Chinese ricew ine bymid-infrared spectroscopy［J］.Food Research International，2011，44（5）：1521-1527.

Com parison and Joint Use of FT-NIR and ATR-IR Spectroscopy for the Determ ination of Total Antioxidant Capacity and Total Phenolic Content of Chinese RiceW ine

JIAO Aiquan1，2，XU Xueming1，JIN Zhengyu*1，2
（1.School of Food Science and Technology，Jiangnan University，Wuxi 214122，China；2.State Key Laboratory of Food Science and Technology，Jiangnan University，Wuxi 214122，China）

In this study，F(xiàn)ourier-transform near infrared（FT-NIR）spectroscopy，attenuated total reflectance infrared（ATR-IR）spectroscopy and their combination for measurements of total antioxidant capacity（TAC）and total phenolic content（TPC）of Chinese ricew ine（CRW）were compared.Synergy intervalpartial least-squares（SiPLS）algorithm wasused to selectwavelengths to improve PLSmodels and support vectormachine（SVM）and principal component analysis（PCA）were applied to pre-process themerged data from two individual instruments.Itwas observed that modelsbased on the efficientspectrum intervalsselected by siPLSweremuch better than those based on the full spectra.Models from ATR-IR performed slightly better than those from FT-NIR. Moreover，SVM modelsbased on the combination of two spectroscopieswere superior to those from either FT-NIR or ATR-IR spectra，while PLSmodels based on the same information performed worse than those based on a single spectrum，whichmay be explained by some non-linearity in the data.Therefore，the integration of FT-NIR and ATR-IR was possible and could improve the prediction accuracy of TAC and TPC in Chinese ricew ine.

Chinese ricew ine，total antioxidant capacity，total phenolic content，data fusion，support vectormachine

TS 261.7

A

1673—1689（2016）04—0357—07

2015-01-09

國家“十二五”科技支撐計劃項目（2012BAD37B02；2012BAD37B06）。

焦愛權（1982—），男，江蘇泰州人，工學博士，副教授，碩士研究生導師，主要從事食品組分與物性研究。E-mail：jiaoaq@jiangnan.edu.cn

金征宇（1960—），男，江蘇揚州人，工學博士，教授，博士研究生導師，主要從事食品組分與物性研究。E-mail：jinlab2008@yahoo.com