荧光光谱分析技术在食品检测领域的研究进展

荧光光谱分析技术作为一种食品检测技术,具有便捷、灵敏、高效的特点及检测食品中复杂成分及痕量成分的优势。本文介绍了荧光光谱分析技术的基本原理,系统总结了现阶段应用于食品检测领域的多种荧光光谱分析技术,包括原子荧光光谱、二维相关荧光光谱、三维荧光光谱、前表面荧光光谱、（总）同步荧光光谱以及荧光光谱成像技术等,对荧光光谱分析技术应用于粮油、畜禽肉、水产品、乳制品、果蔬等不同类别食品检测的方法与效果进行了归纳与总结,并进一步分析了荧光光谱分析技术现阶段存在的问题以及对未来发展趋势的展望。     

PGA/PBAT保鲜膜对蓝莓果实保鲜性质动力学分析

以蓝莓为研究对象,利用双螺杆挤出机和流延机制备聚乙醇酸(PGA)/聚对苯二甲酸-己二酸丁二酯(PBAT)生物降解复合膜,以酶活、生物活性化合物、果实品质、感官评价为考核指标,探究了不同组成的复合膜对蓝莓保鲜品质的影响。结果表明：60%(质量分数,下同)PGA/40%PBAT组,可以有效抑制H₂O₂含量升高,延缓总酚、总黄酮、可溶性固形物含量(SSC)及感官评分降低。因此,PGA和PBAT复配后的生物降解保鲜膜更有利于蓝莓的保鲜,尤其是60%PGA/40%PBAT保鲜膜。     

集成改进AHP与XGBoost算法的食品安全风险预测模型:以大米为例

近年来,我国在食品质量安全管控方面已有较大提升,但伴随着食品产业规模的增大,检验需求量的增多,食品安全检测数据出现高维、复杂且非线性等特征,这些特征会导致定量分析数据利用率低,从而直接影响以数据为载体的风险预测模型的准确性.为提高风险预测模型的准确性,以食品安全检测数据为基础,提出了一种集成层次分析法与极端梯度提升树算...     

基于可信区块链和可信标识的粮油质量安全溯源研究

粮油质量安全关乎国家的稳定发展,但目前还存在诸多粮油质量安全问题,特别是异构系统间数据的可信互联、高效互通得不到保障。因此,本研究首先在对粮油质量安全全链条信息流转特性进行分析的基础上,构建粮油质量安全全链条架构,并对典型环节进行关键信息分类。然后基于可信区块链和可信标识构建粮油质量安全可信溯源模型,对区块数据结构、标识体系编码规则、存储方式等进行定义和重构,并提出链网连接器的概念及具体架构方案。最后,以典型粮油品种小麦为例,基于超级账本Fabric开源框架设计并研发了小麦质量安全可信溯源系统,对模型进行了系统实现验证和案例分析。结果表明,研究的模型及系统实现了粮油质量安全全链条信息互联互通,并且保证了跨链信息交互的安全与全流程可追溯性。     

基于蒙特卡罗仿真的湖库水质预测及富营养化风险评估方法

已有的水质预测研究通常是单值预测,并以此为依据分析富营养化状态,具有一定的偶然性和不确定性。结合水质动力学模型,提出了一种基于蒙特卡罗仿真的湖库水质预测及富营养化风险评估方法。在已知水质动力学模型水质指标和模型参数的先验分布基础上,利用蒙特卡罗仿真预测水质指标的演化过程,获得未来时刻水质指标取值的概率分布,实现水质预测。进一步,构造综合营养状态指数,结合水质指标预测结果,计算综合营养状态指数的概率分布和处于不同营养程度的概率,实现富营养化风险评估。仿真结果表明,该方法能够有效实现水质预测和富营养化分析,且考虑更加全面、准确,克服了单值预测结果带来的偶然性。     

基于优化的灰色关联分析-极限学习机食用油污染物风险评价模型研究

近年来食用油安全事故频发,为降低这类事件的威胁,对其风险评价模型进行研究有着极其重要的意义。针对目前食用油检测数据高维性、非线性、离散性和含噪声的特点,现有风险评价模型存在噪声抑制能力差、评价不准确和模型参数调整主观性强等问题。对此,本实验提出一种食用油污染物风险评价模型。首先进行风险指标筛选以及数据预处理,然后将处理后的数据输入到基于小波阈值法的滤波模块中进行滤波,随后通过灰色关联分析计算各风险指标的权重来制定多指标综合风险值标签;由极限学习机(extreme learning machine,ELM)对综合风险值进行预测,在上述过程中利用实用贝叶斯优化算法分别来优化滤波模块和ELM网络的参数;最后利用模糊综合分析对预测综合风险值进行风险等级划分。本研究依托150组食用油数据进行分析,详细阐述了该模型的使用流程,通过不同模型对比实验,本研究模型决定系数R²和均方根误差分别为0.056 3和0.946 1,进一步验证了方法的优越性和有效性,可以为相关部门制定风险控制策略、抽检策略以及优化加工链提供更为合理的依据。     

草莓感官评价模型方法比较

为使草莓感官评价结果更客观,不受评价者评价经验、年龄及健康状况等主观因素影响,该研究将草莓的十项理化风味指标如过氧化氢酶、多酚氧化酶等作为输入数据,感官评价得分作为输出数据,运用灰狼优化支持向量机建立草莓感官评价估计模型。为验证所提出模型的优越性,将其与粒子群优化支持向量机模型、卷积神经网络、长短时记忆网络模型进行对比分析,为充分保证所提出模型的有效性,重复实验20次并计算各项指标均值,得到所提出模型的均方根误差和平均绝对误差分别为0.28、0.24（低于粒子群优化支持向量机的误差指标0.46、0.38,长短时记忆网络误差指标1.24、0.99和卷积神经网络误差指标0.88、0.75）。实验结果表明,基于灰狼优化支持向量机模型的预测精度最高、稳定性最好、误差最小,研究结果可为草莓感官评价得分的评定提供参考。     

基于Q-learning的LADRC癫痫调控研究

闭环神经调控能够根据患者的实时状态获得期望的调控效果.线性自抗扰控制能够在模型信息少,存在不确定性和外部扰动时,适应复杂的癫痫动力学特性并改善调节效果.为此,合适的调控参数至关重要.现提出一种基于Q-learning的线性自抗扰控制参数学习方法,能够找到一组合适的调控参数,实现期望的调控效果.数值结果表明,Q-lear...     

相位优化的压电纳米定位系统GADRC

压电驱动器的迟滞严重影响压电驱动的定位系统的性能.广义自抗扰控制以线性模型为基准模型,只需估计、补偿非线性和未精确建模的部分模型,进而将实际系统转换为线性系统.为进一步降低迟滞对系统性能的影响,利用微分信号的相位超前性,以总扰动观测值的微分信号优化总扰动估计的相位,提出相位优化的广义自抗扰控制.从参考模型的角度解释扩张...     

基于机器学习对食品安全的调控与分析

民以食为天,食以安为先。食品质量及其安全性关系到国计民生。随着中国经济的发展和人民生活质量的提高,食品行业的规模也逐年壮大,社会和消费者对食品生产的质量及其本身安全性有了更加严格的要求。但是,食品质量安全事件时有发生,使得食品质量安全的管理成为了改善民生的重要任务。机器学习已在食品质量与安全领域被广泛应用,它具有自主学习能力强、非线性拟合能力好、建模快速等特点,其中的神经网络模型和监督学习方法能够准确、快速的对食品在生产过程中进行质量检测与过程控制。本文将着重阐述机器学习在食品质量与安全领域中的研究进展,以食品质量检验、食品过程追溯、食品安全预警3个方向进行论述。以期阐明机器学习算法在食品调控环节中的侧重点、优缺点和未来发展方向,为保障食品质量与安全的智能化发展提供理论支持与技术指导。