ＤＯＩ：１０．１３９９５／ｊ．ｃｎｋｉ．１ １—１８０２／ｔｓ．２０１７０２０３２ 采用近红外光谱定量分析葡萄酒发酵液中 总酸含量和ｐＨ值 贾柳君 ，张海红 ，王健ｈ，李宗朋 ，李子文 ，熊雅婷 ，李冬冬 １（中国食品发酵工业研究院，北京，１０００１５）２（宁夏大学农学院，宁夏银川，７５００２１） 摘 要 利用近红外光谱分析技术对葡萄酒发酵液中总酸含量和ｐＨ值进行定量分析，并通过偏最小二乘法 （ＰＬＳ）建立定量分析模型，同时采用组合间隔偏最小二乘法（ＳｉＰＬＳ）、移动窗口偏最小二乘法（ＭＷＰＬＳ）并结合 遗传算法（ＧＡ）对整个谱区进行光谱特征波长变量筛选。以决定系数（ ）、校正标准偏差（ＲＭＳＥＣ）、预测标准 偏差（ＲＭＳＥＰ）、相对分析误差（ＲＰＤ）以及最佳主因子数作为模型质量的评价指标。其中ＳｉＰＬＳ—ＧＡ对模型的优 化效果最佳，总酸含量和ｐＨ值优化模型的Ｒ 分别达到０．９７８ ５和０．９８３ ８，ＲＭＳＥＣ为０．０７４ ５和０．０６５ ４，ＲＭ— ＳＥＰ为０．０７６ ３和０．０６２ ７，ＲＰＤ为４．８５和５．５８。结果表明：进行变量筛选可提高模型准确度和稳定性，降低解 析难度，达到优化模型的作用。 关键词 葡萄酒；总酸；ｐＨ；近红外光谱技术；定量分析；波段筛选 随着葡萄酒市场的迅猛发展，人们对其品质有了 分析这几种波段筛选方法对葡萄酒发酵液中总酸 更高的要求，而葡萄酒品质与其发酵过程中各项指标 的变化息息相关¨ 。其中，葡萄酒中涩味、澄清效果 含量和ｐＨ值预测模型效果的影响，提高模型准确度 和稳定性。 和微生物活性等因素的稳定在很大程度上受到总酸 含量和ｐＨ值变化的制约 。目前采用传统方法 检测总酸含量和ｐＨ值时，前处理复杂，使用化学试 剂可能会对环境造成污染，很难进行大量样品的快速 检测，监测信息滞后 。 近红外光谱分析技术具有分析速度快、检测效率 高、操作简便、无需前处理且无污染、可同时对样品的 ｌ 材料与方法 １．１材料与试剂 本试验所用葡萄酒发酵液样品共４１６个，由某葡 萄酒企业提供，采用透反射方式扫描采集葡萄酒发酵 液的近红外光谱。葡萄酒发酵液中总酸含量根据 ＧＢ／Ｔ １５０３８－－２００６４葡萄酒、果酒通用分析方法》，采 用指示剂法测定，ｐＨ值由ｐＨ计测定。 １．２仪器与设备 多个指标进行检测，快速完成大批量样品生产过程的 监测等优点，已应用到了食品、药品、化妆品、石油化 工等许多行业 。目前，基于近红外技术的葡萄酒 快速检测方面，国内外学者进行了大量的研究 “ 。 实验使用Ｂｕｃｈｉ Ｎ一５００傅立叶变换近红外光谱 仪，瑞士步琦有限公司。光谱仪光源为卤钨灯，检测 器为温控ＩｎＧａＡｓ，配有高性能测量杯及透反射盖。 光谱范围为４ ０００～１０ ０００ ｃｍ～，分辨率为８ ｃｍ。。， 扫描次数为３２次；利用配套软件ＮＩＲＷａｒｅ Ｏｐｅｒａｔｏｒ 研究均表明了近红外光谱技术可用于葡萄酒发酵液 中主要参数的检测，但在总酸含量和ｐＨ值的定量分 析中，对波段和模型进行深入筛选优化的研究较为 少见。 采集葡萄酒发酵液样品的近红外光谱信息。 １．３实验方法 １．３．１ 校正集与验证集的划分 本研究拟对葡萄酒发酵液中总酸含量和ｐＨ值 进行快速无损检测，利用组合间隔偏最小二乘法 （ＳｉＰＬＳ）、移动窗口偏最小二乘法（ＭＷＰＬＳ）并结合 遗传算法（ＧＡ）对全光谱波段进行筛选优化，探讨 第一作者：硕士研究生（王健高级工程师为通讯作者，Ｅ－ｍａｉｌ ｏｎｌｙｋｉｓｓｊｇｏｈｎ＠ｈｏｔｍａｉｌ．ｃｏｒｎ）。 在随机保留５０个葡萄酒发酵液样本作为测 试集的基础上，采用Ｋｅｎｎａｒｄ．Ｓｔｏｎｅ（Ｋ．ｓ）法 以２：１ 的比例将剩余３６６个样品进行样本集和验证集的划 分。选择校正集样本２４４个，验证集样本１２２个。校 正集与验证集的值统计如表１所示。 基金项目：国家自然科学基金（３１６７１９３７） 收稿日期：２０１６—０７—２０，改回日期：２０１６—１１—１４ 生蔓 鲞蔓 塑ｆ璺筻曼 塑２ Ｊ １９１ 表１校正集与验证集统计结果 Ｔａｂｌｅ １ Ｓｔａｆｉｓｆｉｃａｌ ｒｅｓｕｌｔｓ ｏｆ ｃａｌｉｂｒａｔｉｏｎ ｓｅｔ ａｎｄ ｖａｌｉｄａｔｉｏｎ ｓｅｔ １．３．２光谱预处理 为了消除近红外光谱中的基线漂移和不重复性 等干扰因素对模型的影响，提高模型稳定性与准确 度，本试验采用标准正态变量变换（ＳＮＶ）对光谱进行 预处理 …。 １．３．３ 光谱变量选择 为了剔除无效波长变量，简化模型简析难度，提 升模型稳定性和预测精度，分别采用ＳｉＰＬＳ、ＭＷＰＬＳ 并结合ＧＡ对全光谱１５０１个变量进行优化选择，同 时采用ＰＬＳ法建立模型。选取决定系数（ ）、校正 标准偏差（ＲＭＳＥＣ）、预测标准偏差（ＲＭＳＥＰ）、相对 分析误差（ＲＰＤ）以及最佳主因子数来评价模型稳定 性与预测能力… 。尺 越接近１，ＲＭＳＥＣ与ｍ ｍ ＲＭＳＥＰ ｍ越接近并越小，同时ＲＰＤ大于３时，则表明建立的模 ． 型效果越好¨ 。 一 １．３．４数据处理与分析 ８ ８ ７ ｍ ８ ８ ３—３ ＳｉＰＬＳ、ＭＷＰＬＳ、ＧＡ等程序通过ＭＡＴＬＡＢ完成，＝２ Ｍ Ｈ Ｈ Ｂ一 ３ ７ ４ 偏最小二乘计算应用ｌＵｎｓｃｒａｍｂｌ］］］。．． ］． ｅｒ Ｘｌ０．３光谱分析软 ］］］］件实现。 嵋］一加 一 ］］］］ｊＢ ｎ＂ ２ 结果与讨论 ２．１光谱波段优选 ２．１．１ 组合间隔偏最小二乘波段选择法（ｓｙｎｅｒｇｙ ｉｎｔｅｒｖａｌ ＰＬＳ，ＳｉＰＬＳ）优选特征区间 ＳｉＰＬＳ是将全光谱划分成ｋ个均匀子区间后，组 合不同区问个数并建模，最终选择ＲＭＳＥＣＶ值最小 的组合区间进行建模¨ 。本实验ｋ的取值范围为ｌ０ ～４０，取值间隔为５，组合数范围为１～４。经计算得 出总酸含量和ｐＨ值在ｋ为２５，组合数为４时，经过 ＳｉＰＬＳ筛选得到的ＲＭＳＥＣＶ值最小，分别为０．１０１ ７ 和０．０８１ ３。总酸含量和ｐＨ值的波段筛选结果如表 ２所示，分别选择［３、８、ｌ３、２４］和［２、３、１２、１３］组合波 段建模。２个指标经筛选所得变量数均为２４０个，占 １９２Ｉ至 ｚ ！： 曼 ： ｆ！ ！ ！曼曼Ｑ 全光谱的１６％。 表２总酸和ｐＨ的ＳｉＰＬＳ优化结果 Ｔａｂｌｅ ２ ＳｉＰＬＳ ｏｐｔｉｍｉｚａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｏｔａｌ ａｃｉｄ ａｎｄ ｐＨ ０．１Ｏ１ ７ ０．１Ｏ２ ４ ０．１０４ ２ Ｏ．１０４ ９ ０．１０４ ９ 总酸 Ｏ．１Ｏ６ １ ０．１０６ ４ ０．１０６ ８ ０．１０９ ８ ０．１００ ５ Ｏ．Ｏ８ｌ ３ Ｏ．Ｏ８１ ８ Ｏ．０８ｌ ９ Ｏ．０９１ ９ ０．０８２ １ ｐＨ ０．０８２ ４ ０．０８３ ３ ０．０８３ ７ ０．０８３ ８ ０．０８３ ９ ２．１．２ 移动窗口偏最小二乘波段选择法（ｍｏｖｉｍ ｍ ｍ ｍ ｎｇ ｗｉｎｄｏｗ ＰＬＳ，ＭＷＰＬＳ）优选特征区间 ＭＷＰＬＳ是通过改变并移动窗口宽度，依次应用 在窗口范围内的光谱数据建模，筛选出ＲＭＳＥＣＶ值 最小的区间组合为最优的建模波段 ３ ３ Ｏ ７ 。本实验设定 窗口宽度取值范围为１０１～２０１，取值间隔为ｌ０。总 酸和ｐＨ值２个指标的原始光谱在不同窗口宽度下 加 ］］］ Ｂ 筛选的波段组合及其模型结果见表３。如表３所示， 窗口宽度为分别为１９１和１５１时，总酸和ｐＨ值的建 模效果最优，Ｒ 分别达到０．９６８ ４和０．９７６ ８，总酸和 ｐＨ值２个指标经ＭＷＰＬＳ筛选所得变量数分别为 ４７２和４３６个，仅占全光谱的３１．４％和２９．１％。 ２．１．３ 遗传偏最小二乘波段选择法（ｇｅｎｅｔｉｃ ａｌｇｏ・ ｒｉｔｈｍｓ ＰＬＳ，ＧＡ－ＰＬＳ）优选特征区间 ＧＡ—ＰＬＳ是基于生物进化论，模拟自然界进化机 制的一种优化算法，通过选择频率最高的波长建模来 挑选特征变量¨ 。但是，若光谱的波长变量数过多， 进行波长选择时可能会出现过拟合的现象。因此，本 试验在ＳｉＰＬＳ和ＭＷＰＬＳ进行预选择的基础上结合 ＧＡ．ＰＬＳ进一步对总酸含量和ｐＨ值２个指标进行波 长变量的筛选。 加加３ ３ 表３ 原始光谱在不同窗口下ＭＷＰＬＳ选取的最优波段及模型评价结果 Ｔａｂｌｅ ３ ＰＬＳ ｃａｌｉｂｒａｔｉｏｎ ｒｅｓｕｌｔｓ ａｎｄ ｃ０ｒｒｅｓｐ０ｎｄｉｎｇ ｓｐｅｃｔｒａｌ ｒａｎｇｅｓ ｓｅｌｅｃｔｅｄ ｂｙ ＭＷＰＬＳＲ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｗｉｎｄｏｗ ｗｉｄｔｈｓ ｏｆ ｏｒｉｇｉｎａｌ ｓｐｅｃｔｒａ 设定ＧＡ．ＰＬＳ优化参量：初始群体为３０，交叉概 ２．２模型建立与评价 率为０．５，变异概率为０．０１，遗传迭代次数为１００。图 １中（ａ）、（ｂ）、（Ｃ）、（ｄ）为总酸含量和ｐＨ值２个指 标分别通过ＧＡ—ＳｉＰＬＳ和ＧＡ－ＭＷＰＬＳ筛选后的各变 量被选用的频次图，分别选取大于等于４、２、３、４次频 率，筛选出相应频率在前６８、１４９、７３、１７４位的波长变 经过上述４种方法的筛选，分别建立葡萄酒发 酵液中总酸含量和ｐＨ值的全光谱－ＰＬＳ、ＳｉＰＬＳ、ＭＷ— ＰＬＳ、ＳｉＰＬＳ．ＧＡ、ＭＷＰＬＳ—ＧＡ定量模型，并对决定系 数（Ｒ ）、校正标准偏差（ＲＭＳＥＣ）、预测标准偏差 （ＲＭＳＥＰ）、相对分析误差（ＲＰＤ）以及最佳主因子数 量，占全光谱的４．５％、９．９％、４．９％、１Ｉ．５％。 迭代ｌＯＯ次后的频次选择 （ｂ） 进行比较，来评价模型效果，模型优化结果如表４ 所示。 从表４可看出，与全光谱建模相比，采用上述４ 种方法进行变量筛选后，建模所用变量数均有不同程 ． Ｉ ｌＬ ， 度的减少， 增加的同时ＲＭＳＥＰ和最佳主因子数相 对降低，模型分析效果均优于全谱模型。ＳｉＰＬＳ和 ＭＷＰＬＳ筛选所得波长变量数极大的减少，简化了建 ０ ５０ １００ ｌ５ｏ ２００ ２５０ ３０Ｏ ３５０ ４００ 模的复杂程度，通过将相关性大的子区间进行优化组 合建模，去除信息冗余的区间，使得建模所用光谱更 加全面有效，模型的分析精度更高 。相比之下， Ｏ ５Ｏ ｌｏ０ ｌ５０ ２０ｏ ＭＷＰＬＳ的分析波段跨度较大，涉及的波长变量数较 （ａ）总酸ＳｉＰＬＳ—ＧＡ；（ｂ）总酸ＭＷＰＬＳ—ＧＡ； （Ｃ）ｐＨ ＳｉＰＬＳ－ＧＡ；（ｄ）ｐＨ ＭＷＰＬＳ・ＧＡ 多，而ＳｉＰＬＳ较之ＭＷＰＬＳ筛选所得特征波长变量更 少，建模的计算效率得到极大提升的同时不失参数代 表性，模型效果略优。 图１各变量被选用的频次图 Ｆｉｇ．１ Ｔｈｅ ｆｒｅｑｕｅｎｃｙ ｏｆ ｅａｃｈ ｖａｒｉａｂｌｅ ｂｙ ｃｈｏｓｅｎ 笙复 鲞蔓 塑【星差 塑 Ｊ １９３ 表４ 总酸和ｐＨ的不同ＰＬＳ模型及性能评价结果 Ｔａｂｌｅ ４ Ｄｉｆｆｅｒｅｎｔ ｍｏｄｅｌｓ ａｎｄ ｐｅｒｆｏｒｍａｎｃｅ ｅｖａｌｕａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｏｔａｌ ａｃｉｄ ａｎｄ ｐＨ ＳｉＰＬＳ－ＧＡ和ＭＷＰＬＳ—ＧＡ则是在ＳｉＰＬＳ与ＭＷ— ＰＬＳ的基础上对波长变量进行更进一步的筛选，在剔 ０．０６３ ４，说明这２个模型的预测结果较为准确。 除无信息变量的同时，淘汰了光谱线性变量及受 外界因素影响较大的波长变量，优选出最能表征目标 信息的关键性波长变量，极大的减少变量数，有效的降 低了模型复杂程度，提高了模型信噪比。通过这两种 方法筛选出的特征波长中有多数波段一致，这些波长 ３．０ ３．２ ３．４ ３．６ ３．８ ４０ ４．２ ４ ２ ４ Ｏ 露帑交 ３ ８ ３ ６ ３ ４ ３ ２ ３ Ｏ 露释交 变量与样本在近红外区的特征吸收峰相近，能真实地 实测值 反映出样本所含ｃ—Ｏ、Ｃ＝０、ｃ—Ｈ、Ｏ—Ｈ等官能 团，如在４ １８４ ｃｍ 处为ｃ—Ｈ伸缩振动和ＣＯＨ弯曲 振动的组合频吸收，在４ ６３０ ｃｍ 和４ ６９６ ｃｍ 处的一 个双峰归属为ｃ—Ｈ伸缩振动和Ｃ二０伸缩振动的组 合频吸收，４ ８００ ｃｍ 处为ＯＨ伸缩振动和Ｃ—Ｈ弯曲 振动的组合频吸收，在５ ２９２ ｃｍ 处的吸收峰，归属为 ＯＨ伸缩振动和Ｃ二０伸缩振动的组合频等，反映出 葡萄酒发酵液中总酸含量和ｐＨ值的特征波长Ⅲ 。 其中采用ＳｉＰＬＳ—ＧＡ筛选后所得变量建立的葡萄 （ａ）总酸；（ｂ）ｐＨ 图２总酸含量和ｐＨ值的ＳｉＰＬＳ—ＧＡ模型理化值与预测值分布 Ｆｉｇ．２ Ｐｒｅｄｉｃｔｅｄ ＶＳ．ｒｅｆｅｒｅｎｃｅ ｖａｌｕｅｓ ｏｆｔｏｔａｌ ａｃｉｄ ａｎｄ ｐＨ ｉｎ ＳｉＰＬＳ．ＧＡ ｍｏｄｅｌ 酒发酵液中总酸含量和ｐＨ值定量模型的优化效果最 佳，建模所用变量数最少，模型的适应性、拟合程度和预 测能力最为理想。Ｒ 分别达到０．９７８ ５和０．９８３ ８， ＲＭＳＥＣ为０．０７４ ５和０．０６５ ４，ＲＭＳＥＰ为０．０７６ ３和 ３ 结论 本文分别采用组合间隔偏最小二乘法（ＳｉＰＬＳ）、 ０．０６２ ７，ＲＰＤ为４．８５和５．５８，最佳主成分数为７和６。 ２．３模型验证 移动窗口偏最小二乘法（ＭＷＰＬＳ）并结合遗传算法 （ＧＡ）对光谱特征波长进行筛选，得出以下结论： 将样本测试集中５０个样品的光谱通过ｓｉ． ＰＬＳ－ＧＡ模型进行验证，如图２中（ａ）、（ｂ）所示，总酸 含量和ｐＨ值的实测值与预测值点呈现对角线分布， 且经成对ｔ检验，各参数的预测值与实测值无显著差 异。经验证，葡萄酒发酵液中总酸含量和ｐＨ值的 分别为Ｏ．９７５ ３和０．９８１ １，ＲＭＳＥＰ为０．０７５ ２和 结合上述４种波段筛选方法，分别建立葡萄酒发 酵液中总酸含量和ｐＨ值定量分析模型，模型质量均 有所优化，不仅极大的减少了建模变量数，简化了建 模的复杂程度，同时大幅提升了模型的稳定性和预测 能力，证明了近红外光谱技术在葡萄酒发酵液中总酸 １９４Ｉ Ｑ Ｚ 壁！：璺曼 ： ｉ！ ！ ！曼曼Ｑ ｒ； ； 【 １ ］Ｊ ２ １ｊ３ ４ ５ １Ｊ６ ］Ｊ ７ １Ｊ 含量和ｐＨ值定量分析方面的可行性和巨大潜力，同 时说明了波长变量筛选是优化模型的有效措施。 采用ＳｉＰＬＳ．ＧＡ法进行波段筛选后所建模型的效 果优于其余３种方法，在保留总酸含量和ｐＨ特征波 长区间的同时剔除大量冗余无效信息，达到波长变量 优选并提高模型预测精度和稳定性的目的，同时筛选 得到的波长与总酸含量和ｐＨ在近红外区域中的特 征吸收峰相对应，反映了这２个指标所含的主要基 ＥＺＪＵＡＮ ＰＭ，ｅｔ ａ１．Ｎｅａｒ ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ ｍｕｌｔｉｖａｒｉａｔｅ ａｎａｌｙｓｉｓ ｉｎ ｅｎｏｌｏｇｙ：Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｒ ｓｃｒｅｅｎｉｎｇ ｏｆ ｆｉｆｔｅｅｎ ｐａｒａｍｅｔｅｒｓ ｉｎ ｄｉｆｆｅｒｅｎｔ ｔｙｐｅｓ ｏｆ ｗｉｎｅｓ ［Ｊ］．Ａｎａｌ Ｃｈｉｍ Ａｃｔａ，２００４，５２７（１）：８１—８８． ［８］ 王豪，邬蓓蕾，林振兴．傅立叶变换近红外光谱法快速 测定葡萄酒中的酒精度［Ｊ］．中国酿造，２００８，２７（４）：７２ —７４． ［９］ 褚小立．化学计量学方法与分子光谱分析技术［Ｍ］．北 京：化学工业出版社，２０１１：４． ［１０］ 邹小波，黄晓玮，石吉勇，等．银杏叶总黄酮含量近红 团。因此，利用ＳｉＰＬＳ－ＧＡ法结合ＰＬＳ法建立模型，可 实现对葡萄酒发酵液中总酸含量和ｐＨ进行快速、实 外光谱检测的特征谱区筛选［Ｊ］．农业机械学报， ２０１２，４３（９）：１５５—１５９． 时、准确、无损检测的要求，并为该指标的快速检测提 供一定参考依据。 参 考 文 献 ［１１］ 严衍禄，陈斌，朱大洲．近红外光谱分析的原理、技术与 应用［Ｍ］．北京：中国轻工业出版社，２０１３：１６５—１７４． ［１２］ ＨＥ Ｋａｉｘｕｎ，ＣＨＥＮＧ Ｈｕｉ，ＤＵ Ｗｅｎｌｉ，ｅｔ ａ１．Ｏｎｌｉｎｅ ｕｐ— ｄａｔｉｎｇ ｏｆ ＮＩＲ ｍｏｄｅｌ ａｎｄ ｉｔｓ ｉｎｄｕｓｔｒｉａｌ ａｐｐｌｉｃａｔｉｏｎ ｖｉａ ａ— ｄａｐｔｉｖｅ ｗａｖｅｌｅｎｇｔｈ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｌｏｃａｌ ｒｅｇｒｅｓｓｉｏｎ ｓｔｒａｔｅｇｙ ［Ｊ］．Ｃｈｅｍｏｍｅｔｒｉｃｓ ａｎｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｌａｂｏｒａｔｏｒｙ Ｓｙｓｔｅｍｓ， ２０１４，１３４（１５）：７９—８８． 张红梅，曹晶晶．中国葡萄酒产业的现状和趋势及可持 续发展对策［Ｊ］．农业现代化研究，２０１４，３５（２）：１８３ —［１３］ 彭海根，彭云发，詹映，等．近红外光谱技术结合联合 区间间隔偏最小二乘法对南疆红枣糖度的测定［Ｊ］． 食品科技，２０１４，４０（６）：２７６—２８０． 林君，张福东，等．近红外光谱法分析油页岩 ［１４］ 赵振英，含油率中波长选择方法的研究［Ｊ］．光谱学与光谱分 析，２０１４，３４（１１）：２ ９４８—２ ９５２． １８７． 邢凯，张春娅，张美玲，等．总酸、ｐＨ值与红葡萄酒稳定 性的关系［Ｊ］．中外葡萄与葡萄酒，２００４（５）：１３—１４． 陈晓前，张铁．试述ｐＨ值与葡萄酒的关系［Ｊ］．酿酒， ２００２（２）：６２—６３． 张树明，杨阳，梁学军，等．葡萄酒发酵过程主要参数近 红外光谱分析［Ｊ］．农业机械学报，２０１３，４４（１１）：１５２ —［１５］ 张初，刘飞，孔汶汶．利用近红外高光谱图像技术快速 鉴别西瓜种子品种［Ｊ］．农业工程学报，２０１３，２９（２０）： ２７０—２７７． １５６． 丁美珍，宋岑，胡志明，等．近红外光谱技术在酒类产品 分析中的应用［Ｊ］．酿酒科技，２０１３，３４（４）：６８—７０． ［１６］ 张德涛，邹小波，石吉勇，等．近红外光谱结合不同偏 最／ｂ－－乘法快速检测镇江香醋的浑浊度［Ｊ］．中国酿 造，２０１２，３１（１）：１６９—１７２． 张树明，杨阳，倪元颖，等．近红外光谱和电子鼻技术用 于葡萄酒发酵过程中酒精度的定量分析［Ｊ］．光谱学与 光谱分析，２０ｌ２，３２（１１）：２ ９９７—３ ００１． ＵＲＢＡＮＯ ＣＵＡＤＲＡＤＯ Ｍ，ＬＵＱＵＥ ＤＥ ＣＡＳＴＲＯ ＭＤ，ＰＥＲ一 ［１７］ ＪＥＲＲＹ ＷＯＲＫＭＡＮ，ＪＲＬＯＩＳ ＷＥＹＥＲ．近红外光谱解析 实用指南［Ｍ］．褚小立，许育鹏，田高友，译．北京：化 学工业出版社，２００９． Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｔｏｔａｌ ａｃｉｄ ａｎｄ ｐＨ ｉｎ ｗｉｎｅ ｆｅｒｍｅｎｔｅｄ ｌｉｑｕｉｄｂｙ ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ ｔｅｃｈｎｏｌｏｇｙ ＪＩＡ Ｌｉｕ．ｊｕｎ ，ＺＨＡＮＧ Ｈａｉ—ｈｏｎｇ ，ＷＡＮＧ Ｊｉａｎｈ，ＬＩ Ｚｏｎｇ—ｐｅｎｇ ， ＬＩ Ｚｉ．ｗｅｎ ，ＸＩＯＮＧ Ｙａ．ｔｉｎｇ ，ＬＩ Ｄｏｎｇ—ｄｏｎｇ １（Ｃｈｉｎａ Ｎａｔｉｏｎａｌ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｆｏｏｄ＆Ｆｅｒｍｅｎｔａｔｉｏｎ Ｉｎｄｕｓｔｒｉｅｓ，Ｂｅｉｊｉｎｇ １０００１５，Ｃｈｉｎａ） ２（Ｃｏｌｌｅｇｅ ｏｆ Ａｇｒｉｃｕｌｔｕｒｅ，Ｎｉｎｇｘｉａ Ｕｎｉｖｅｒｓｉｔｙ，Ｙｉｎｃｈｕａｎ ７５００２１，Ｃｈｉｎａ） ＡＢＳＴＲＡＣＴ Ｔｈｅ ｔｏｔａｌ ａｃｉｄ ｃｏｎｔｅｎｔ ａｎｄ ｐＨ ｏｆ ｗｉｎｅ ｆｅｒｍｅｎｔｅｄ ｌｉｑｕｉｄ ｗｅｒｅ ｑｕａｎｔｉｔａｔｉｖｅｌｙ ａｎａｌｙｚｅｄ ｕｓｉｎｇ Ｎｅａｒ Ｉｎｆｒａ． ｒｅｄ Ｓｐｅｃｔｒｏｓｃｏｐｙ，ａｎｄ ｔｈｅ ｍｅｎｔ ｏｆ ｔｈｅ ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｍｏｄｅｌ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ ｂｙ ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ ｍｅｔｈｏｄ， ｗｈｉｌｅ ｔｈｅ ｖａｒｉａｂｌｅｓ ｏｆ ｓｐｅｃｔｒａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｗａｖｅｌｅｎｇｔｈ ｉｎ ｔｈｅ ｅｎｔｉｒｅ ｒｅｇｉｏｎ ｏｆ ｔｈｅ ｓｐｅｃｔｒｕｍ ｗｅｒｅ ｓｃｒｅｅｎｅｄ ｔｈｒｏｕｇｈ Ｓｉ— ＰＬＳ，ＭＷＰＬＳ，ａｎｄ ＧＡ．Ｒ 。ＲＭＳＥＣ，ＲＭＳＥＰ，ＲＰＤ，ａｎｄ ｔｈｅ ｂｅｓｔ ｍａｉｎ ｆａｃｔｏｒｓ ｗｅｒｅ ｕｓｅｄ ａｓ ｉｎｄｅｘ ｆｏｒｅｖａｌｕａｔｉｏｎ ｏｆ ｍｏｄｅｌ ｑｕａｌｉｔｙ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｖａｒｉａｂｌｅ ｓｅｌｅｃｔｉｏｎ ｃｏｕｌｄ ｂｅ ｏｐｔｉｍｉｚｅｄ ｔｏ ｏｂｔａｉｎ ｒｏｌｅ ｍｏｄｅｌ ａｎｄ ｉｍｐｒｏｖｅ ｉｔｓ ｒｅｃ－ ｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ｓｔａｂｉｌｉｔｙ，ｔｈｕｓ ｒｅｄｕｃｅ ｔｈｅ ａｎａｌｙｔｉｃａｌ ｄｉｆｉｃｕｌｔｆｙ．Ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｅｆｆｅｃｔ ｏｆ ＳｉＰＬＳ－ＧＡ ｗａｓ ｔｈｅ ｂｅｓｔ．Ｒ ｏｆ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅ ｆｏｒ ｔｏｔａｌ ａｃｉｄ ｃｏｎｔｅｎｔ ａｎｄ ｐＨ ｖａｌｕｅ ｗｅｒｅ ０．９７８ ５ ａｎｄ ０．９８３ ８，ＲＭＳＥＣ ｗｅｒｅ ０．０７４ ５ ａｎｄ ０．０６５ ４．ＲＭＳＥＰ ｗｅｒｅ ０．０７６ ３ ａｎｄ ０．０６２ ７，ａｎｄ ＲＰＤ ｗｅｒｅ ４．８５ ａｎｄ ５．５８． Ｋｅｙ ｗｏｒｄｓ ｒｅｄ ｗｉｎｅ；ｔｏｔａｌ ａｃｉｄ；ｐＨ；ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ；ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ；ｂａｎｄ ｓｅｌｅｃｔｉｏｎ 笙蔓 鲞蔓 塑ｆ星蔓 塑２ｊ １９５
