彭 丹，李曉曉，畢艷蘭

最小二乘支持向量機(jī)和脂肪酸融合信息應(yīng)用于花生油摻偽玉米油檢測

彭 丹，李曉曉，畢艷蘭

（河南工業(yè)大學(xué)糧油食品學(xué)院，河南 鄭州 450001）

將最小二乘支持向量機(jī)用于氣相色譜分析實(shí)現(xiàn)對花生油摻偽玉米油的鑒別，基于油脂的全樣和Sn-2位脂肪酸組成的不同，采用主成分分析消除融合數(shù)據(jù)中信息重疊的部分，利用粒子群優(yōu)化最小二乘支持向量機(jī)的參數(shù)，對花生油的摻偽進(jìn)行鑒別，識(shí)別率為100%；分別采用最小二乘支持向量機(jī)、偏最小二乘法和主成分回歸對花生油中摻入玉米油含量進(jìn)行預(yù)測，結(jié)果表明基于脂肪酸融合信息的最小二乘支持向量機(jī)的預(yù)測均方根誤差和相關(guān)系數(shù)R2分別為3.452 1%和0.986 6，與偏最小二乘法和主成分回歸法相比，最小二乘支持向量機(jī)具有更好的穩(wěn)定性和預(yù)測精度，同時(shí)也為食用油的真?zhèn)舞b別及摻偽情況確定提供一種新方法。

花生油；最小二乘支持向量機(jī)；脂肪酸組成；摻偽分析

花生油營養(yǎng)均衡、氣味獨(dú)特、富含油酸、亞油酸等不飽和脂肪酸及白藜蘆醇等活性成分，作為中國的“橄欖油”，深受消費(fèi)者喜愛[1]。目前，市場上花生油價(jià)格約為大豆油、玉米油、菜籽油等常用油的2 倍，一些不法商販為牟取暴利在花生油中摻入廉價(jià)油脂，損害消費(fèi)者和行業(yè)的利益[2]。對此，國家通過GB/T 1534—2003《花生油》和GB/T 5539—2008《糧油檢驗(yàn) 油脂定性試驗(yàn)》規(guī)定了花生油的理化性質(zhì)和識(shí)別方法，如感官評價(jià)[3-4]（色澤、氣滋味、狀態(tài)）、理化指標(biāo)[5]（折射率、黏度、碘值等）等，但無法準(zhǔn)確鑒別，更無法檢測摻偽油脂的比例。因此，亟需找到一種準(zhǔn)確檢測花生油摻偽的方法。

近年來，油脂摻偽檢測研究主要采用紅外光譜法（近紅外光譜和中紅外光譜）[6-8]、紫外光譜法[9]、氣相色譜法[10-11]、核磁共振法[12-14]、拉曼光譜法[15-16]、同位素法[17]、熒光光譜法[18]等。紅外光譜法快速、無損，但需要大量樣品建模；核磁共振法、拉曼光譜法、同位素法研究目前還不夠成熟，且儀器昂貴難以推廣應(yīng)用；紫外光譜法、熒光光譜法快速、檢測成本低，但模型穩(wěn)健性較差。氣相色譜法是利用油脂特征脂肪酸組成的差異來鑒別油脂的摻偽，具有信息量大、靈敏度高等優(yōu)點(diǎn)，現(xiàn)有的研究主要基于全樣脂肪酸組成的分析，對于Sn-2位脂肪酸組成的信息研究較少。由于摻偽油脂的全樣脂肪酸組成與花生油十分接近，且油脂的種類多、類別雜，同種油脂的成分受產(chǎn)地、氣候、生產(chǎn)工藝等因素影響較大[19]，使得檢測時(shí)獲得大量“雜亂無章”的數(shù)據(jù)，制約了該法在油脂摻偽檢測上的應(yīng)用?；瘜W(xué)計(jì)量學(xué)的出現(xiàn)和迅速發(fā)展，為復(fù)雜數(shù)據(jù)的解析提供了理論工具，該方法可將數(shù)據(jù)內(nèi)包含的復(fù)雜混合信息從數(shù)學(xué)維度上進(jìn)行“分離”，從而提取和歸納與研究對象本質(zhì)規(guī)律密切聯(lián)系的關(guān)鍵信息。本研究利用氣相色譜法檢測花生油、玉米油、摻偽油樣的全樣和Sn-2位脂肪酸的組成信息，采用粒子群算法優(yōu)化的最小二乘支持向量機(jī)對得到的融合數(shù)據(jù)進(jìn)行建模，實(shí)現(xiàn)花生油摻偽玉米油的識(shí)別，在此基礎(chǔ)上對花生油摻入玉米油的情況進(jìn)行定量分析，旨為準(zhǔn)確、快速鑒別花生油的真?zhèn)渭皳絺吻闆r提供技術(shù)支持。

1 材料與方法

1.1 材料與試劑

采集純花生油、玉米油共114 種，由生產(chǎn)廠家、超市及種子萃取而得。脂肪酸甲酯標(biāo)樣 美國Sigma-Aldrich公司；正己烷為色譜純，無水乙醚、石油醚、甲醇、氫氧化鉀均為國產(chǎn)分析純。

1.2 儀器與設(shè)備

GC-6890N型氣相色譜分析儀 美國Agilent公司。

1.3 方法

1.3.1 基本原理

最小二乘支持向量機(jī)[20]是對經(jīng)典支持向量機(jī)的一種擴(kuò)展，以求解線性方程替代支持向量機(jī)中的凸二次規(guī)劃問題[21]，簡化了計(jì)算復(fù)雜性，并加快了求解速度。

設(shè)樣本為n維向量，則m 個(gè)樣本組成的訓(xùn)練數(shù)據(jù)集為A=｛（xi，yi）|i＝1,2,…,m|｝，xi∈Rn為輸入樣本，yi∈R為輸出樣本。

首先，利用非線性函數(shù)φ（）將樣本映射到高維特征空間，在高維特征空間中構(gòu)造最優(yōu)決策函數(shù)，如式（1）所示：

式（1）中：ω為權(quán)值向量；b為偏移項(xiàng)。

根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，綜合考慮函數(shù)復(fù)雜度和擬合誤差，回歸問題可以表示成約束優(yōu)化問題，如式（2）、（3）所示：

式（2）、（3）中：C為懲罰因子；ξ為誤差變量；minJ為求J最小值；s.t.為約束條件；i＝1，2，…，l。

為避免高維空間的復(fù)雜計(jì)算，引入核函數(shù)K（x，xi）來處理輸入空間的映射問題。根據(jù)泛函數(shù)理論，采用K（x，xi）代替高維特征空間中的內(nèi)積運(yùn)算〈φ（x）T，φ（xi）〉，即K（x，xi）＝φ（x）Tφ（xi）。

然后，利用拉格朗日乘子法和Karush-Kuhn-Tucker（KKT）條件求解得到最小二乘支持向量機(jī)的估計(jì)函數(shù)如式（4）所示：

式（4）中：αi為拉格朗日乘子。采用最小二乘法求出α和b。

選擇不同的核函數(shù)可構(gòu)造出不同的最小二乘支持向量機(jī)，常用的核函數(shù)有線性核函數(shù)、Sigmoid核函數(shù)、多項(xiàng)式核函數(shù)和徑向基（radial basis function，RBF）核函數(shù)等，大量的研究成果表明[22-24]，RBF核函數(shù)的泛化能力較強(qiáng)，且僅涉及核參數(shù)G和懲罰因子C兩個(gè)參數(shù)，非常簡便。因此，本實(shí)驗(yàn)采用RBF核函數(shù)，其形式如式（5）所示：

式（5）中：x代表未知樣品；xi代表樣本集樣品；σ表示標(biāo)準(zhǔn)差。

在最小二乘支持向量機(jī)建模過程中參數(shù)C和G是影響其性能的主要因素，為了尋找最優(yōu)參數(shù)組合，本實(shí)驗(yàn)采用網(wǎng)格搜索法與粒子群算法相結(jié)合進(jìn)行搜索，具體過程參見文獻(xiàn)[25]。

1.3.2 脂肪酸數(shù)據(jù)融合

設(shè)油脂的全樣脂肪酸數(shù)據(jù)集為AT={ti|i=1,2,…,m}，ti∈Rn1

；Sn-2位脂肪酸數(shù)據(jù)集為AS={si|i=1,2,…,m}，si∈Rn2

，這里n1+n2=n。由于油脂全樣和Sn-2位的脂肪酸含量均為峰面積歸一化法計(jì)算得到的相對含量，因此數(shù)據(jù)融合時(shí)AT和AS權(quán)值均取為1，即融合后的數(shù)據(jù)集為{xi}={tisi}。

1.3.3 樣品制備

在摻偽花生油樣制備過程中，首先需要選取具有代表性的純花生油和純玉米油，具體過程如下：

步驟1：通過Kohonen自組織特征映射網(wǎng)絡(luò)[26]分別對2 種純油集合進(jìn)行聚類計(jì)算，得到2 個(gè)集合的聚類數(shù)量均為4，花生油和玉米油的樣品子集分別記為Apeanut,i和Acorn,i，其中i∈{1,2,3,4}。

步驟2：分別計(jì)算2 種純油樣品集脂肪酸含量的均

值，記為xpeanut,mean和xcorn,mean。

令xp∈Apeanut,i、xc∈Acorn,i，對Kohonen網(wǎng)絡(luò)得到的每一個(gè)聚類構(gòu)建代價(jià)函數(shù)，如式（6）、（7）所示：

式（6）、（7）中：dist為兩向量歐氏距離；mean為集合內(nèi)向量的均值；corrcoef為兩向量間的相關(guān)系數(shù)。

按照式（6）、（7）計(jì)算每個(gè)樣品的F值，每個(gè)類中最小F值所對應(yīng)的樣品即為所選擇的代表性樣品。

根據(jù)上述方法選取具有代表性的花生油和玉米油各4 種，將玉米油摻入花生油中配制摻偽比例（質(zhì)量分?jǐn)?shù)）為5%、10%、15%、20%、30%、50%、70%、90%、100%的摻偽油脂，共132 個(gè)。

1.3.4 基礎(chǔ)數(shù)據(jù)采集

油樣中全樣脂肪酸的分析：樣品先甲酯化，采用GB/T 17376—2008《動(dòng)植物油脂脂肪酸甲酯制備》；再采用GB/T 17377—2008《動(dòng)植物油脂脂肪酸甲酯的氣相色譜分析》測定。

油樣中Sn-2位脂肪酸的分析[27]：樣品采用豬胰脂酶水解后進(jìn)行薄層色譜分離，得到甘一酯組分經(jīng)甲酯化處理后進(jìn)行氣相色譜分析。

為保證實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)確、可靠，對油脂樣品脂肪酸組成進(jìn)行3 次測量，取其平均值。

氣相色譜條件：BPX-70色譜柱（30.0 m×250 μm，0.50 μm）；進(jìn)樣口溫度230 ℃；柱溫210 ℃；氫火焰離子化檢測器300 ℃；氮?dú)饬魉?.0 mL/min；氫氣流速35 mL/min；空氣流速400 mL/min。

1.4 數(shù)據(jù)處理

采用Unscrambler X 10.3分析軟件進(jìn)行主成分分析、主成分回歸、偏最小二乘法計(jì)算，最小二乘支持向量機(jī)計(jì)算程序由Matlab 2011軟件編寫完成。最小二乘支持向量機(jī)模型建立過程中，為了改善解的稀疏性及降低算法復(fù)雜度，采用基于排序支持向量譜的迭代剪枝算法[28]優(yōu)化支持向量機(jī)數(shù)量。

對2類植物油（純花生油和摻偽花生油）共242 個(gè)樣品，隨機(jī)分成2 組。第1組182 個(gè)樣品用于訓(xùn)練、建模，第2組60 個(gè)樣品作為預(yù)測集，采用最小二乘支持向量機(jī)方法建立花生油摻偽的定性鑒別和定量分析模型。為了保證模型的穩(wěn)定性，預(yù)測集樣品又分為2 組，即驗(yàn)證集（15 個(gè)樣品）和測試集（45 個(gè)樣品）。

2 結(jié)果與分析

2.1 花生油和玉米油的脂肪酸組成分析

表1 花生油和玉米油的全樣和Sn-2位脂肪酸組成Table 1 Compositions of total and Sn-2 position fat acids in corn and peanut oil

采用氣相色譜法測定114 個(gè)花生油和玉米油樣品的全樣和Sn-2位脂肪酸組成如表1所示。花生油和玉米油的全樣脂肪酸組成極為相似，均含有棕櫚酸、硬脂酸、油酸、亞油酸、花生酸等8 種脂肪酸，其中棕櫚酸、油酸和亞油酸均為主要脂肪酸，與國家標(biāo)準(zhǔn)規(guī)定花生油（GB/T 1534—2003）[29]、玉米油（GB/T 19111—2003）[30]的脂肪酸含量范圍基本相同；花生油和玉米油的Sn-2位脂肪酸主要為油酸和亞油酸，這與文獻(xiàn)[31]的研究結(jié)果基本一致。

2.2 主成分分析

采用主成分分析對純花生油及摻入玉米油的花生油脂肪酸（全樣+Sn-2位）融合數(shù)據(jù)進(jìn)行降維，消除自變量的共線性，如圖1所示。

圖1 前9 個(gè)主成分累計(jì)貢獻(xiàn)率（A）和前4 個(gè)主成分的載荷圖（B1、B2）Fig. 1 Cumulative contributions of the first 9 principal components and loadings of the first 4 principal components

由圖1可知，前4 個(gè)主成分?jǐn)?shù)的累計(jì)貢獻(xiàn)率超過99%，在第1主成分中（貢獻(xiàn)率為82.97%），18:1、18:2、C18:1和C18:2相關(guān)系數(shù)較大，表明它們是影響第1主成分的主要因素；第2主成分中（貢獻(xiàn)率為13.86%），18:2、C18:1和C18:2是主要的影響因素；第3、4主成分中（貢獻(xiàn)率分別為1.85%、0.66%），18:1、22:0和16:0分別為該主成分最大的影響因子。由于前4 個(gè)主成分能夠解釋樣本的絕大部分重要信息，因此選取前4 個(gè)主成分的得分作為支持向量機(jī)的輸入變量。

2.3 最小二乘支持向量機(jī)模型的建立和優(yōu)化

2.3.1 花生油中摻偽油的鑒別

圖2 最小二乘支持向量機(jī)模型中懲罰因子C和核參數(shù)G網(wǎng)格優(yōu)化過程Fig. 2 Grid optimization process of parameters C and G in LS-SVM model

最小二乘支持向量機(jī)模型的2個(gè)重要參數(shù)（懲罰因子C和核參數(shù)G）選取的好壞直接影響應(yīng)用的分類和預(yù)測精度。本研究采用網(wǎng)格搜索法和粒子群算法相結(jié)合確定（C，G）的最優(yōu)組合，結(jié)果如圖2所示。經(jīng)過網(wǎng)格搜索，（C，G）的最優(yōu)組合為一個(gè)范圍，采用粒子群算法結(jié)合驗(yàn)證集樣品搜尋最佳參數(shù)。經(jīng)過計(jì)算（C，G）的最佳組合為（76.4281，1.33×10-2），支持向量個(gè)數(shù)為26，建立的最小二乘支持向量機(jī)分類模型的結(jié)果如表2所示?；谥舅幔ㄈ珮?Sn-2位）融合數(shù)據(jù)信息建立的最小二乘支持向量機(jī)模型對摻偽油的識(shí)別率為100%，說明該方法可有效的識(shí)別花生油中的摻偽油脂。

表2 花生油摻偽鑒別結(jié)果Table 2 Comparison of results of detection of adulterated and pure oils using different information

2.3.2 花生油中摻偽油含量的預(yù)測

圖3 核參數(shù)G和懲罰因子C對預(yù)測誤差的影響Fig. 3 Effects of parameters G and C on the precision of prediction model

在花生油摻偽定量分析中，以均方根誤差（root mean square error，RMSE）為標(biāo)準(zhǔn)，尋找最佳的（C，G）組合。如圖3所示，C值固定時(shí)，隨著G值的增加RMSE先減小后增大再趨于平穩(wěn)，特別是當(dāng)C值為0.1時(shí)，G值變化極為顯著；G值固定時(shí)，隨著C值的增加RMSE先逐漸減小后趨于穩(wěn)定，C值在10～106范圍內(nèi)RMSE均低于5%。在上述最佳尋優(yōu)范圍內(nèi)，通過粒子群算法確定（C，G）的最優(yōu)組合為（177.827 9，0.316 2），支持向量個(gè)數(shù)為17，此時(shí)預(yù)測均方根誤差（root mean square error of prediction，RMSEP）為3.452 1%。

表3 不同建模方法的預(yù)測結(jié)果比較Table 3 Comparison of the results obtained with different prediction models

本研究同時(shí)采用最小二乘支持向量機(jī)、偏最小二乘法和主成分回歸對同一樣本進(jìn)行定量分析，如表3所示。通過最小二乘支持向量機(jī)方法建立的校正模型預(yù)測精度明顯好于偏最小二乘法和主成分回歸，這是因?yàn)橛椭旧硎腔熘舅岣嗜サ幕旌衔?，油摻油更是一種極為復(fù)雜的物質(zhì)體系，最小二乘支持向量機(jī)作為非線性定量校正方法，與線性的偏最小二乘法和主成分回歸算法相比，具有更強(qiáng)的處理復(fù)雜樣品信息及泛化的能力，可以更好地發(fā)現(xiàn)因變量與被測目標(biāo)含量之間的潛在關(guān)系。采用脂肪酸（全樣+ Sn-2位）融合信息建立的校正模型的預(yù)測結(jié)果RMSEP明顯低于單一脂肪酸（全樣或Sn-2位）的檢測結(jié)果；因此，基于脂肪酸融合信息建立的最小二乘支持向量機(jī)模型能夠較好地預(yù)測花生油中摻偽油脂的含量。

3 結(jié) 論

通過氣相色譜檢測油脂的全樣和Sn-2位脂肪酸組成，結(jié)合粒子群優(yōu)化的最小二乘支持向量機(jī)，建立了花生油摻偽玉米油的定性和定量模型。結(jié)果表明，該模型對摻偽花生油的識(shí)別率為100%，為摻偽油含量的定量分析提供了基礎(chǔ)。在預(yù)測模型中，與傳統(tǒng)建模方法偏最小二乘法和主成分回歸相比，基于脂肪酸融合信息的最小二乘支持向量機(jī)模型具有最佳的預(yù)測效果，但是油脂摻偽種類和方式多變且復(fù)雜，若摻偽種類增加，摻偽識(shí)別的難度將大幅度增加，需要建立更為豐富的摻偽油樣品庫，并及時(shí)更新鑒別、預(yù)測相關(guān)模型。

[1] 姚云游. 花生油與橄欖油營養(yǎng)價(jià)值的比較[J]. 中國油脂, 2005, 30(4): 66-68. DOI:10.3321/j.issn:1003-7969.2005.04.020.

[2] 孫淑敏, 謝巖黎, 張嚴(yán). 基于可見-近紅外光譜的花生油二元摻偽體系鑒別研究[J]. 糧油食品科技, 2015, 23(6): 84-88. DOI:10.16210/ j.cnki.1007-7561.2015.06.022.

[3] 卜宏建, 譚耀輝, 呼雪麗. 食用花生油摻雜的快速物理鑒別[J]. 食品科學(xué), 2000, 21(1): 55-56. DOI:10.3321/j.issn:1002-6630.2000.01.020. [4] 胡為, 韓鳳梅, 張良曉, 等. 基于頂空GC×GC-TOF/MS的花生油摻偽鑒別方法[J]. 湖北大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 38(2): 113-115; 147. DOI:10.3969/j.issn1000-2375.2016.02.005.

[5] 辛莉, 施江. 食用油品種及含量與油脂折射率關(guān)系的探究[J]. 食品工業(yè)科技, 2012, 33(15): 317-321. DOI:10.13386/j.issn1002-0306.2012.15.042.

[6] 吳靜珠, 劉翠玲, 李慧, 等. 基于近紅外光譜的純花生油摻偽快速鑒別方法研究[J]. 北京工商大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011, 29(1): 75-78. DOI:10.3969/j.issn.2095-6002.2011.01.017.

[7] XU L, CAI C B, DENG D H. Multivariate quality control solved by one-class partial least squares regression: identification of adulterated peanut oils by mid-infrared spectroscopy[J]. Journal of Chemometrics, 2011, 25(10): 568-574. DOI:10.1002/cem.1402.

[8] HIRRI A, BASSBASI M, PLATIKANOV S, et al. FTIR spectroscopy and PLS-DA classification and prediction of four commercial grade virgin olive oils from Morocco[J]. Food Analytical Methods, 2016, 9(4): 974-981. DOI:10.1007/s12161-015-0255-y.

[9] 楊晨, 于修燭, 王昕, 等. 基于紫外光譜的花生油摻偽檢測[J]. 食品科學(xué), 2012, 33(6): 186-189.

[10] 彭丹, 王靖云, 畢艷蘭. 花生油中摻入大豆油的鑒別研究[J]. 河南工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 36(6): 26-31; 36. DOI:10.16433/ j.cnki.issn1673-2383.2015.06.006.

[11] JABEUR H, ZRIBI A, BOUAZIZ M. Extra-virgin olive oil and cheap vegetable oils: distinction and detection of adulteration as determined by GC and chemometrics[J]. Food Analytical Methods, 2016, 9(3): 712-723. DOI:10.1007/s12161-015-0249-9.

[12] 王樂, 黎勇, 胡健華. 核磁共振法鑒別食用植物油摻偽餐飲業(yè)廢油脂[J]. 中國油脂, 2008, 33(10): 75-77. DOI:10.3321/ j.issn:1003-7969.2008.10.021.

[13] 周凝, 劉寶林, 王欣, 等. 米糠毛油摻偽食用植物油的低場核磁共振檢測[J]. 食品與發(fā)酵工業(yè), 2011, 37(3): 177-181. DOI:10.13995/ j.cnki.11-1802/ts.2011.03.020.

[14] 朱文冉, 王欣, 陳利華. 摻雜豬油比例對花生油脂肪酸組成及LF-NMR弛豫特性的影響[J]. 食品科學(xué), 2016, 37(12): 176-181. DOI:10.7506/spkx1002-6630-201612031.

[15] 王利軍, 王紅, 謝樂, 等. 拉曼光譜快速鑒別花生油摻棕櫚油的研究[J]. 中國油料作物學(xué)報(bào), 2013, 35(5): 604-607. DOI:10.7505/ j.issn.1007-9084.2013.05.021.

[16] SAMYN P, VAN NIEUWKERKE D, SCHOUKENS G, et al. Quality and statistical classification of brazilian vegetable oils using midinfrared and Raman spectroscopy[J]. Applied Spectroscopy, 2012, 66(5): 552-565. DOI:10.1366/11-06484.

[17] 金青哲, 謝峰, 丁志華, 等. 花生油和玉米油摻合物的碳同位素比值質(zhì)譜法檢測研究[J]. 中國糧油學(xué)報(bào), 2010, 25(5): 95-99.

[18] TOMAZZONI G, MEIRA M, QUINTELLA C M, et al. Identification of vegetable oil or biodiesel added to diesel using fluorescence spectroscopy and principal component analysis[J]. Journal of the American Oil Chemists’ Society, 2014, 91(2): 215-227. DOI:10.1007/ s11746-013-2354-5.

[19] 姜波, 胡文忠, 劉長建, 等. 九種植物油中脂肪酸成分的比較研究[J]. 食品工業(yè)科技, 2015, 36(8): 108-113; 118. DOI:10.13386/ j.issn1002-0306.2015.08.013.

[20] SUyKENS J A K, VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 9(3): 293-300. DOI:10.1023/A:1018628609742.

[21] CORTES C, VAPNIK V. Support-vector networks[J]. Machine learning, 1995, 20(3): 273-297. DOI:10.1023/A:1018628609742.

[22] GESTEL T V, SUyKENS J A K, BAESENS B, et al. Benchmarking least squares support vector machine classifiers[J]. Machine Learning, 2004, 54(1): 5-32. DOI:10.1023/B:MACH.0000008082.80494.e0.

[23] PENG D, BI y L, REN X N, et al. Detection and quantification of adulteration of sesame oils with vegetable oils using gas chromatography and multivariate data analysis[J]. Food Chemistry, 2015, 188: 415-421. DOI:10.1016/j.foodchem.2015.05.001.

[24] 張紅光, 楊秦敏, 盧建剛. 基于近紅外光譜和最小二乘支持向量機(jī)的聚丙烯酰胺類型鑒別[J]. 光譜學(xué)與光譜分析, 2014, 34(4): 972-976. DOI:10.3964/j.issn.1000-0593(2014)04-0972-05.

[25] 畢艷蘭, 任小娜, 彭丹, 等. 粒子群最小二乘支持向量機(jī)結(jié)合偏最小二乘法用于芝麻油質(zhì)量的鑒別[J]. 分析化學(xué), 2013, 41(9): 1366-1372. DOI:10.3724/SP.J.1096.2013.21110.

[26] KOHONEN T. Self-organized formation of topologically correct feature maps[J]. Biological Cybernetics, 1982, 43(1): 59-69. DOI:10.1007/BF00337288.

[27] FIRESTONE D. Official method and recommended practices of the AOCS[M]. American Oil Chemists Society: Champaign, IL, 1998.

[28] SUYKENS J A K, DE BRABANTER J, LUKAS L, et al. Weighted least squares support vector machines: robustness and sparse approximation[J]. Neurocomputing, 2002, 48(1): 85-105. DOI:10.1016/S0925-2312(01)00644-0.

[29] 全國糧油標(biāo)準(zhǔn)化技術(shù)委員會(huì). 花生油: GB/T 1534—2003[S]. 北京:中國標(biāo)準(zhǔn)出版社, 2003.

[30] 全國糧油標(biāo)準(zhǔn)化技術(shù)委員會(huì). 玉米油: GB/T 19111—2003[S]. 北京:中國標(biāo)準(zhǔn)出版社, 2003.

[31] 袁小武, 鄧澤元, 李靜, 等. 胰脂肪酶法測定食用油甘油三酯中脂肪酸的位置分布[J]. 食品科學(xué), 2008, 29(11): 544-547. DOI:10.3321/ j.issn:1002-6630.2008.11.126.

Detection of Peanut Oil Adulterated with Corn Oil Based on Information Fusion of Fatty Acid Composition and Least Squares Support Vector Machine

PENG Dan, LI Xiaoxiao, BI Yanlan
(College of Food Science and Technology, Henan University of Technology, Zhengzhou 450001, China)

This study aimed to develop a new hybrid method to detect and quantify adulterated peanut oil based on the compositions of total fatty acids and Sn-2 position fatty acids determined by gas chromatography (GC). Firstly, the information on total and Sn-2 position fatty acids was fused together by principal component analysis (PCA) to reduce the data dimension. Then, a least squares support vector machine (LS-SVM)-based model, whose parameters were optimized by particle swarm optimization (PSO), was established to discriminate between authentic and adulterated peanut oil with a 100% recognition rate. Besides, a partial least square model and a principal component regression model were constructed to predict the level of adulteration in the mixed oils. To validate the effectiveness of these methods, a set of samples was prepared by mixing peanut oil with corn oil. Experimental results showed that the LS-SVM method a higher prediction

accuracy with a root-mean-square error and a correlation coefficient of 3.452 1% and 0.986 6, respectively, indicating that this method is a potentially valuable tool in the detection of adulterated oils.

peanut oil; least squares support vector machine; fatty acid composition; adulteration analysis

10.7506/spkx1002-6630-201716037

TS207.3

A

1002-6630（2017）16-0234-05

彭丹, 李曉曉, 畢艷蘭. 最小二乘支持向量機(jī)和脂肪酸融合信息應(yīng)用于花生油摻偽玉米油檢測[J]. 食品科學(xué), 2017, 38(16): 234-238. DOI:10.7506/spkx1002-6630-201716037. http://www.spkx.net.cn

PENG Dan, LI Xiaoxiao, BI Yanlan. Detection of peanut oil adulterated with corn oil based on information fusion of fatty acid composition and least squares support vector machine[J]. Food Science, 2017, 38(16): 234-238. (in Chinese with English abstract)

10.7506/spkx1002-6630-201716037. http://www.spkx.net.cn

2016-10-17

國家自然科學(xué)基金青年科學(xué)基金項(xiàng)目（31601537）；國家重點(diǎn)攻關(guān)項(xiàng)目（CARS15-1-10）

彭丹（1979—），女，副教授，博士，研究方向?yàn)橛椭焚|(zhì)分析及安全檢測、化學(xué)計(jì)量學(xué)方法在食品檢測中的應(yīng)用。E-mail：pengdantju@163.com