近紅外光譜技術(shù)在腌制蝦蛄新鮮度檢測(cè)中的應(yīng)用研究目錄一、內(nèi)容概要．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．21.1研究背景與意義．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．41.2國(guó)內(nèi)外研究現(xiàn)狀．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．41.3研究目標(biāo)與內(nèi)容．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．101.4技術(shù)路線與方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．14二、近紅外光譜檢測(cè)基礎(chǔ)理論．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．162.1近紅外光譜技術(shù)概述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．192.2光譜分析原理與特性．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．222.3蝦蛄新鮮度評(píng)價(jià)指標(biāo)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．262.4光譜數(shù)據(jù)預(yù)處理方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．31三、實(shí)驗(yàn)設(shè)計(jì)與材料．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．343.1樣品采集與前處理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．343.2儀器設(shè)備與參數(shù)設(shè)置．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．353.3光譜數(shù)據(jù)獲取流程．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．363.4參考標(biāo)準(zhǔn)與驗(yàn)證方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．38四、光譜數(shù)據(jù)處理與分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．394.1特征波段篩選技術(shù)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．424.2光譜降維與優(yōu)化算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．454.3化學(xué)計(jì)量學(xué)模型構(gòu)建．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．474.4模型精度與魯棒性評(píng)估．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．51五、新鮮度預(yù)測(cè)模型建立．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．535.1定量模型構(gòu)建與優(yōu)化．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．565.2定性判別模型開發(fā)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．575.3模型交叉驗(yàn)證與測(cè)試．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．625.4關(guān)鍵影響因素分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．63六、結(jié)果與討論．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．646.1光譜特征與新鮮度關(guān)聯(lián)性．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．656.2模型性能對(duì)比分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．686.3實(shí)際應(yīng)用可行性探討．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．696.4研究局限性及改進(jìn)方向．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．70七、結(jié)論與展望．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．747.1主要研究結(jié)論．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．757.2應(yīng)用前景與價(jià)值．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．777.3未來(lái)研究方向．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．82一、內(nèi)容概要本研究旨在探討近紅外光譜（NIRS）技術(shù)在腌制蝦蛄新鮮度快速檢測(cè)中的應(yīng)用潛力與可行性。通過(guò)采集不同腌制時(shí)間（0、3、5、7、10天）的蝦蛄樣品的光譜信息，結(jié)合理化指標(biāo)（如pH值、揮發(fā)性鹽基氮TVB-N、菌落總數(shù)）和感官評(píng)分，建立光譜數(shù)據(jù)與新鮮度之間的關(guān)聯(lián)模型。研究采用主成分分析（PCA）對(duì)光譜數(shù)據(jù)進(jìn)行降維處理，并利用偏最小二乘回歸（PLSR）、支持向量機(jī)（SVM）等算法建立定量與定性預(yù)測(cè)模型，以評(píng)估蝦蛄的腐敗程度。為驗(yàn)證模型的準(zhǔn)確性，實(shí)驗(yàn)設(shè)置訓(xùn)練集與驗(yàn)證集，并比較不同預(yù)處理方法（如標(biāo)準(zhǔn)正態(tài)變量變換SNV、一階導(dǎo)數(shù)FD、多元散射校正MSC）對(duì)模型性能的影響。此外通過(guò)分析特征波長(zhǎng)區(qū)域（如4000-10000cm?1）的吸收峰變化，探討關(guān)鍵理化成分（如水分、蛋白質(zhì)、脂肪）與光譜特征的內(nèi)在聯(lián)系。研究結(jié)果表明，近紅外光譜技術(shù)能夠快速、無(wú)損地監(jiān)測(cè)腌制蝦蛄的新鮮度變化，其中PLSR模型對(duì)TVB-N的預(yù)測(cè)效果最佳（決定系數(shù)R2=0.92，RMSE=2.15），為水產(chǎn)品品質(zhì)控制提供了新的技術(shù)手段。?【表】：研究方法與評(píng)價(jià)指標(biāo)概覽研究?jī)?nèi)容方法/指標(biāo)目的光譜采集近紅外光譜儀（波長(zhǎng)范圍：400-2500nm）獲取樣品全波段光譜信息理化指標(biāo)檢測(cè)pH值、TVB-N、菌落總數(shù)量化蝦蛄腐敗程度感官評(píng)價(jià)色澤、氣味、質(zhì)地評(píng)分（10分制）結(jié)合主觀判斷驗(yàn)證客觀指標(biāo)數(shù)據(jù)預(yù)處理SNV、FD、MSC消除噪聲與散射干擾，提升信噪比建模方法PCA、PLSR、SVM降維與建立預(yù)測(cè)模型，分類新鮮度等級(jí)模型驗(yàn)證R2、RMSE、RPD評(píng)估模型預(yù)測(cè)準(zhǔn)確性與穩(wěn)定性通過(guò)上述研究，不僅驗(yàn)證了近紅外光譜技術(shù)在腌制蝦蛄新鮮度檢測(cè)中的適用性，還為實(shí)際生產(chǎn)中的品質(zhì)快速篩查提供了理論依據(jù)和技術(shù)參考，對(duì)推動(dòng)水產(chǎn)品加工行業(yè)的智能化檢測(cè)具有積極意義。1.1研究背景與意義近紅外光譜技術(shù)（NIR）作為一種非破壞性檢測(cè)方法，在食品工業(yè)中具有廣泛的應(yīng)用前景。近年來(lái)，隨著消費(fèi)者對(duì)食品安全和質(zhì)量要求的提高，傳統(tǒng)的感官檢測(cè)方法已無(wú)法滿足現(xiàn)代食品工業(yè)的需求。因此開發(fā)一種快速、準(zhǔn)確、無(wú)損的檢測(cè)技術(shù)成為研究的熱點(diǎn)。腌制蝦蛄作為一種傳統(tǒng)海產(chǎn)品，其新鮮度對(duì)其品質(zhì)和安全性至關(guān)重要。然而由于腌制蝦蛄的特殊性質(zhì)，如水分含量低、色素含量高等，傳統(tǒng)的感官檢測(cè)方法難以準(zhǔn)確評(píng)估其新鮮度。因此迫切需要一種有效的檢測(cè)方法來(lái)確保腌制蝦蛄的品質(zhì)和安全。近紅外光譜技術(shù)具有非接觸、快速、準(zhǔn)確等優(yōu)點(diǎn)，可以用于腌制蝦蛄新鮮度的快速檢測(cè)。通過(guò)分析腌制蝦蛄樣品的近紅外光譜信息，可以有效地識(shí)別出不同新鮮度級(jí)別的蝦蛄，為食品工業(yè)提供有力的技術(shù)支持。本研究旨在探討近紅外光譜技術(shù)在腌制蝦蛄新鮮度檢測(cè)中的應(yīng)用，通過(guò)實(shí)驗(yàn)驗(yàn)證其有效性和準(zhǔn)確性，為腌制蝦蛄的質(zhì)量控制提供科學(xué)依據(jù)。1.2國(guó)內(nèi)外研究現(xiàn)狀近紅外光譜（Near-InfraredSpectroscopy,NIR）作為一種快速、無(wú)損、高通量的檢測(cè)技術(shù)，在食品品質(zhì)與新鮮度檢測(cè)領(lǐng)域展現(xiàn)出巨大的應(yīng)用潛力，近年來(lái)受到了國(guó)內(nèi)外研究人員的廣泛關(guān)注。特別是在海產(chǎn)品保鮮與品質(zhì)監(jiān)控方面，NIR技術(shù)憑借其獨(dú)特的優(yōu)勢(shì)，如設(shè)備便攜、分析速度快、無(wú)需復(fù)雜樣品前處理等，逐漸成為研究熱點(diǎn)。國(guó)內(nèi)學(xué)者對(duì)該技術(shù)在海產(chǎn)品新鮮度評(píng)估中的應(yīng)用也進(jìn)行了積極探索，并取得了一定的進(jìn)展。例如，有研究嘗試?yán)肗IR光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)冷藏鮮蝦的新鮮度進(jìn)行預(yù)測(cè)，取得了相對(duì)滿意的結(jié)果，證明了該技術(shù)在活體或冷藏海產(chǎn)品新鮮度檢測(cè)中的可行性。而在腌制蝦蛄這一具體應(yīng)用場(chǎng)景上，雖然相較于活體或冷藏蝦類的研究略顯不足，但已有學(xué)者開始初步探索NIR技術(shù)在評(píng)估腌制蝦蛄品質(zhì)，特別是新鮮度變化方面的應(yīng)用可能性。國(guó)際上，近紅外光譜技術(shù)在食品新鮮度檢測(cè)領(lǐng)域的研究起步較早，技術(shù)體系相對(duì)成熟。許多研究不僅聚焦于生鮮狀態(tài)下的海產(chǎn)品（如魚類、蝦類），還深入探究了加工或儲(chǔ)存過(guò)程對(duì)海產(chǎn)品光譜特征及新鮮度指標(biāo)的影響。特別是對(duì)于魚類，已有大量文獻(xiàn)報(bào)道利用NIR技術(shù)無(wú)損檢測(cè)其蛋白質(zhì)降解、脂質(zhì)氧化、水分含量等關(guān)鍵新鮮度指標(biāo)，并建立了有效的預(yù)測(cè)模型。這些研究為將NIR技術(shù)應(yīng)用于可比的加工類海產(chǎn)品，如腌制蝦蛄，提供了寶貴的經(jīng)驗(yàn)借鑒和技術(shù)參考。研究表明，肌肉組織中的蛋白質(zhì)、水分和脂肪等化學(xué)成分發(fā)生改變時(shí)，會(huì)在近紅外波譜區(qū)產(chǎn)生特征的吸收峰變化，這些變化與產(chǎn)品的新鮮度密切相關(guān)。因此通過(guò)分析腌制蝦蛄的近紅外光譜，結(jié)合多元統(tǒng)計(jì)方法，有望實(shí)現(xiàn)對(duì)新鮮度狀態(tài)的快速評(píng)估。綜合來(lái)看，國(guó)內(nèi)外學(xué)者在近紅外光譜技術(shù)應(yīng)用于海產(chǎn)品新鮮度檢測(cè)方面均進(jìn)行了深入研究，特別是在生鮮魚類和蝦類的研究較多，為腌制蝦蛄新鮮度檢測(cè)奠定了基礎(chǔ)。然而針對(duì)腌制蝦蛄這一特定加工產(chǎn)品的文獻(xiàn)相對(duì)較少，尚處于初步探索階段。目前的研究普遍面臨模型適用性、環(huán)境干擾消除以及如何更精確地表征腌制過(guò)程中復(fù)雜性化學(xué)變化對(duì)新鮮度影響等挑戰(zhàn)。因此開展系統(tǒng)性的腌制蝦蛄近紅外光譜新鮮度檢測(cè)研究，建立適用于腌制蝦蛄的穩(wěn)定、可靠的快速檢測(cè)模型，對(duì)于提高腌制蝦蛄產(chǎn)業(yè)的智能化水平、滿足市場(chǎng)對(duì)產(chǎn)品新鮮度的更高要求具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。后續(xù)研究需重點(diǎn)加強(qiáng)多元校正模型優(yōu)化、特征變量篩選以及考慮腌制過(guò)程獨(dú)特化學(xué)演變規(guī)律的模型構(gòu)建等方面。?相關(guān)研究技術(shù)路線比較為更直觀地展現(xiàn)近紅外光譜技術(shù)在食品新鮮度檢測(cè)中的研究思路，【表】簡(jiǎn)要?dú)w納了當(dāng)前國(guó)內(nèi)外的研究模式與側(cè)重點(diǎn)比較。1.3研究目標(biāo)與內(nèi)容本研究旨在深入探討近紅外光譜（Near-InfraredSpectroscopy,NIR）技術(shù)在評(píng)估腌制蝦蛄新鮮度方面的潛力與實(shí)踐價(jià)值。具體研究目標(biāo)與內(nèi)容闡述如下：（1）研究目標(biāo)核心目標(biāo)：旨在建立并驗(yàn)證一套基于NIR光譜分析技術(shù)的，快速、無(wú)損、準(zhǔn)確的腌制蝦蛄新鮮度評(píng)價(jià)方法，并明確其應(yīng)用可行性及性能指標(biāo)。技術(shù)目標(biāo)：研究不同腌制條件下（如鹽度濃度、腌制時(shí)間、此處省略劑種類與用量等）對(duì)蝦蛄NIR光譜特征的影響規(guī)律；探索并優(yōu)化利用NIR技術(shù)預(yù)測(cè)腌制蝦蛄關(guān)鍵新鮮度指標(biāo)（如總揮發(fā)性鹽基氮TVB-N、蛋白質(zhì)組分解程度、色澤變化等）的數(shù)學(xué)模型。應(yīng)用目標(biāo)：評(píng)估所建模型的預(yù)測(cè)精度和泛化能力，嘗試將其應(yīng)用于實(shí)際腌制蝦蛄產(chǎn)品的在線或近線新鮮度檢測(cè)，為滿足食品安全監(jiān)管和市場(chǎng)需求提供技術(shù)支撐。（2）研究?jī)?nèi)容為實(shí)現(xiàn)上述研究目標(biāo)，本研究的具體內(nèi)容將圍繞以下幾個(gè)方面展開：腌制蝦蛄樣品制備與表征：精心設(shè)計(jì)不同腌制條件（例如，不同鹽濃度梯度、不同腌制時(shí)間點(diǎn)、不同保存溫度等）的實(shí)驗(yàn)組，并設(shè)置新鮮對(duì)照組。NIR光譜采集與預(yù)處理：利用配備中紅外光纖探頭的NIR光譜儀，對(duì)上述制備好的樣品進(jìn)行快速、無(wú)損的光譜掃描，獲取其原始反射光譜數(shù)據(jù)。對(duì)采集到的原始光譜數(shù)據(jù)進(jìn)行系統(tǒng)預(yù)處理，包括：散射校正（如MultiScat、VSNR）、光譜范圍選擇、平滑處理（如Savitzky-Golay濾波）等，以消除噪聲干擾，增強(qiáng)光譜特征信號(hào)的清晰度。常用預(yù)處理公式或方法可表示為：S其中S代表原始光譜，S′代表預(yù)處理后的光譜，PreprocessingNIR模型建立與優(yōu)化：基于預(yù)處理后的光譜數(shù)據(jù)和對(duì)應(yīng)的關(guān)鍵新鮮度指標(biāo)測(cè)定值，采用多元統(tǒng)計(jì)方法（如偏最小二乘回歸，PrincipalComponentRegression,PCR或偏最小二乘路徑回歸，PartialLeastSquaresPathRegression,PLS-P）建立預(yù)測(cè)模型。對(duì)模型進(jìn)行必要的優(yōu)化，包括：變量選擇（利用主成分分析PCA、順序偏最小二乘方法SSLP等）、優(yōu)化算法參數(shù)設(shè)置、交叉驗(yàn)證（如K折交叉驗(yàn)證）等，以提高模型的預(yù)測(cè)精度和穩(wěn)定性。模型性能評(píng)估與分析：采用獨(dú)立的驗(yàn)證集（從建模集中隨機(jī)抽取或按時(shí)間序列切割）對(duì)所建模型進(jìn)行性能評(píng)估，計(jì)算常用性能指標(biāo)，如決定系數(shù)（R2其中yi為真實(shí)值，yi為預(yù)測(cè)值，比較不同腌制條件對(duì)模型預(yù)測(cè)性能的影響。NIR無(wú)損檢測(cè)可行性探討：研究不同包裝方式、樣品厚度、表面狀態(tài)等因素對(duì)NIR光譜預(yù)測(cè)結(jié)果的影響。初步評(píng)估將NIR技術(shù)應(yīng)用于腌制蝦蛄生產(chǎn)線進(jìn)行實(shí)時(shí)或近線新鮮度監(jiān)控的可行性與面臨的挑戰(zhàn)。通過(guò)上述研究?jī)?nèi)容的系統(tǒng)開展，期望能最終形成一套具有良好應(yīng)用前景的、基于NIR技術(shù)的腌制蝦蛄新鮮度快速檢測(cè)方案。1.4技術(shù)路線與方法在本研究中，采用了一種針對(duì)腌制蝦蛄新鮮度的綜合評(píng)價(jià)體系，以近紅外光譜技術(shù)為主，結(jié)合色澤、氣味等感官評(píng)定方法，以此探討腌制蝦蛄的新鮮度指標(biāo)。以下介紹詳細(xì)的實(shí)驗(yàn)步驟與方法：材料與儀器準(zhǔn)備實(shí)驗(yàn)所使用的腌制蝦蛄采集于當(dāng)?shù)睾ｕr市場(chǎng)，采樣標(biāo)準(zhǔn)為外觀色澤鮮艷、體形完整且無(wú)明顯腐敗跡象的初期腌制產(chǎn)品。同時(shí)為了確保測(cè)試結(jié)果的代表性和科學(xué)性，樣品全部經(jīng)過(guò)編號(hào)并在采集前進(jìn)行隨機(jī)抽取與均勻混合。近紅外光譜分析采用的近紅外光譜分析系統(tǒng)為美國(guó)ThermoNicolet公司的傅立葉變換紅外光譜儀。該設(shè)備采用IR漫反射探測(cè)器，可以分別測(cè)量蝦蛄的多項(xiàng)指標(biāo)，如脂肪含量、蛋白質(zhì)含量及水分含量。實(shí)驗(yàn)層面的具體步驟包括：樣品處理：分別將腌制蝦蛄粉碎后裝入樣品池。光譜采集：設(shè)定合適的光譜參數(shù)，進(jìn)行數(shù)據(jù)分析。在光譜特征分析中，將利用重疊平均、基線校正和標(biāo)準(zhǔn)歸一化等預(yù)處理技術(shù)來(lái)進(jìn)行數(shù)據(jù)優(yōu)化，以保證分析結(jié)果的準(zhǔn)確性和重復(fù)可測(cè)性。根據(jù)獲得的特征光譜，采用主成分分析(PCA)等統(tǒng)計(jì)模型來(lái)捕捉數(shù)據(jù)間的主要關(guān)系，從而建立近紅外指紋內(nèi)容譜。感官評(píng)定根據(jù)水產(chǎn)行業(yè)質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)，選定多位專業(yè)評(píng)委對(duì)腌制蝦蛄的色澤、氣味與口感等感官指標(biāo)進(jìn)行評(píng)價(jià)，典故分別設(shè)有5分制評(píng)分標(biāo)準(zhǔn)。具體流程如下：評(píng)委小組對(duì)初級(jí)腌制蝦蛄樣品逐一評(píng)價(jià)。累計(jì)計(jì)算每項(xiàng)指標(biāo)的平均得分。以此為基礎(chǔ)進(jìn)行統(tǒng)計(jì)分析，建立感官評(píng)分與近紅外光譜數(shù)據(jù)間的相關(guān)模型。數(shù)據(jù)分析應(yīng)用統(tǒng)計(jì)軟件SPSS20.0對(duì)兩種分析方法得到的指標(biāo)數(shù)據(jù)進(jìn)行對(duì)比性分析，從而驗(yàn)證近紅外光譜技術(shù)在評(píng)估腌制蝦蛄新鮮度方面的有效性。同時(shí)運(yùn)用相關(guān)性和回歸分析，揭示各項(xiàng)指標(biāo)間的內(nèi)在聯(lián)系，為進(jìn)一步解析腐敗過(guò)程中質(zhì)量變化提供依據(jù)。通過(guò)將上述方法綜合運(yùn)用，將能夠設(shè)計(jì)出針對(duì)腌制蝦蛄新鮮度的定量化評(píng)估體系，強(qiáng)化對(duì)產(chǎn)品變質(zhì)程度的早期辨識(shí)，保證食品質(zhì)量安全，并減少后處理成本。二、近紅外光譜檢測(cè)基礎(chǔ)理論近紅外光譜（Near-InfraredSpectroscopy,NIRS），通常簡(jiǎn)稱為近紅外技術(shù)或NIR技術(shù)，是一種快速、無(wú)損、高效率的分析方法，其應(yīng)用領(lǐng)域極廣，在食品科學(xué)中扮演著日益重要的角色。其核心原理在于利用波長(zhǎng)介于可見光和中紅外光之間的近紅外光（通常是780-2500nm）與物質(zhì)內(nèi)部基團(tuán)（主要是含氫分子的振動(dòng)基頻及其合頻、倍頻）發(fā)生相互作用。這種作用主要表現(xiàn)為分子中O-H、N-H、C-H等強(qiáng)極性鍵的不離散非彈性拉曼散射，其中偶極振動(dòng)占主導(dǎo)地位。當(dāng)一束近紅外光照射到樣品上時(shí)，光能會(huì)激發(fā)樣品內(nèi)部的這些振動(dòng)能級(jí)，導(dǎo)致透射光或反射光強(qiáng)度發(fā)生變化。這種變化形成的吸收光譜或反射光譜包含了與分子內(nèi)部化學(xué)鍵振動(dòng)相關(guān)的豐富信息。不同化學(xué)基團(tuán)的振動(dòng)頻率是特征性的，并且受分子結(jié)構(gòu)、環(huán)境狀態(tài)（如pH值、水分活度、溫度等）以及樣品狀態(tài)（如物相、粒徑、濃度等）的影響。因此通過(guò)分析樣品的近紅外光譜內(nèi)容譜，可以提取出表征這些化學(xué)成分和物理狀態(tài)變化的信息，進(jìn)而實(shí)現(xiàn)對(duì)樣品組成和品質(zhì)的快速評(píng)估。對(duì)于腌制蝦蛄而言，近紅外光譜技術(shù)能夠捕獲其新鮮度相關(guān)的生化指標(biāo)（如蛋白質(zhì)、水分、脂質(zhì)、某些代謝物等）發(fā)生subtle變化的信息。近紅外光譜技術(shù)之所以備受青睞，主要得益于其以下幾個(gè)顯著的優(yōu)點(diǎn)：快速無(wú)損(FastandNon-destructive)：分析速度快，通常在數(shù)秒到數(shù)分鐘內(nèi)即可完成對(duì)單一樣品的測(cè)量，且測(cè)試過(guò)程不影響樣品的形態(tài)和后續(xù)使用，尤其適合在線檢測(cè)和品質(zhì)監(jiān)控。多指標(biāo)同時(shí)預(yù)測(cè)(Multi-attributePrediction)：一張近紅外光譜內(nèi)容可以蘊(yùn)含數(shù)百個(gè)信息點(diǎn)，關(guān)聯(lián)著樣品中眾多化學(xué)組分的含量變化，從而可能實(shí)現(xiàn)對(duì)多個(gè)品質(zhì)指標(biāo)的同時(shí)預(yù)測(cè)。樣品無(wú)需復(fù)雜前處理(MinimalSamplePreparation)：多數(shù)固體、液體甚至粉末樣品可以直接測(cè)量，或只需極簡(jiǎn)單的混合均勻即可，大大簡(jiǎn)化了樣品準(zhǔn)備過(guò)程，降低了分析成本和時(shí)間。成本相對(duì)較低(RelativelyLowCost)：相較于一些其他高級(jí)光譜技術(shù)（如X射線、核磁共振等），近紅外光譜儀器的購(gòu)置成本和運(yùn)行成本相對(duì)較低。其理論基礎(chǔ)可以通俗地理解為“物性匹配原則”。即目標(biāo)樣品的近紅外光譜特征是由其內(nèi)部的化學(xué)成分和物理狀態(tài)決定的，每一種獨(dú)特的樣品都具有其特定的光譜指紋。因此我們可以通過(guò)建立“光譜-品質(zhì)”關(guān)聯(lián)模型，將光譜信號(hào)轉(zhuǎn)化為定量或定性的品質(zhì)信息。建立這些模型通常依賴于數(shù)學(xué)算法，最常用的是多元校正方法，例如偏最小二乘法（PartialLeastSquares,PLS）和主成分回歸（PrincipalComponentRegression,PCR）。這些方法能夠從復(fù)雜的原始光譜數(shù)據(jù)中提取出對(duì)品質(zhì)指標(biāo)變化敏感的主要信息（即主成分），并將其與已知的樣品品質(zhì)值關(guān)聯(lián)起來(lái)，構(gòu)建預(yù)測(cè)模型。利用近紅外光譜技術(shù)檢測(cè)腌制蝦蛄的新鮮度，本質(zhì)上就是監(jiān)測(cè)其內(nèi)部與新鮮度密切相關(guān)的化學(xué)組分（如鮮味物質(zhì)、酶活性產(chǎn)物、酶促降解產(chǎn)物等）或理化狀態(tài)（如水分含量變化）隨時(shí)間推移或受腌制約基影響的典型變化模式，并根據(jù)預(yù)先建立的模型，從未經(jīng)標(biāo)記的光譜內(nèi)容反演出其新鮮度等級(jí)或相關(guān)指標(biāo)值?！颈怼苛信e了參與近紅外吸收的主要化學(xué)鍵及其對(duì)應(yīng)的典型振動(dòng)波數(shù)范圍，這些信息構(gòu)成了近紅外光譜分析的基礎(chǔ)數(shù)據(jù)庫(kù)。需要注意的是近紅外光譜通常不是直接測(cè)量某個(gè)基團(tuán)的特征峰強(qiáng)度，而是通過(guò)數(shù)學(xué)方法處理寬帶重疊的吸收信號(hào)，提取出能夠反映樣品整體狀態(tài)和與其品質(zhì)相關(guān)的信息。同時(shí)基頻吸收峰較弱，信號(hào)易受散射效應(yīng)影響，且許多吸收峰存在重疊現(xiàn)象，這是近紅外光譜分析的基本特點(diǎn)。2.1近紅外光譜技術(shù)概述近紅外光譜技術(shù)（NIRSpectroscopy），簡(jiǎn)稱NIRS，是一種快速、無(wú)損、高效的定量分析技術(shù)，廣泛應(yīng)用于食品、化工、醫(yī)藥等領(lǐng)域。其原理是利用近紅外區(qū)域（波長(zhǎng)范圍通常為12500–2500cm?1，對(duì)應(yīng)波長(zhǎng)約1400–2500nm）的光與物質(zhì)中的化學(xué)反應(yīng)鍵（主要是伸縮振動(dòng)和彎曲振動(dòng)）發(fā)生相互作用，通過(guò)分析物質(zhì)對(duì)近紅外光的吸收或散射特性，獲取物質(zhì)的化學(xué)信息。近紅外光譜技術(shù)具有以下顯著特點(diǎn)：首先，速度快，通常一次測(cè)量?jī)H需幾秒鐘到幾分鐘，能夠滿足快速檢測(cè)的需求；其次，無(wú)損，無(wú)需對(duì)樣品進(jìn)行破壞，適用于在線檢測(cè)和質(zhì)量控制；再次，成本低，儀器操作簡(jiǎn)便，維護(hù)費(fèi)用較低，具有良好的經(jīng)濟(jì)性；最后，通用性強(qiáng)，可通過(guò)PartialLeastSquaresRegression（PLSR）等方法建立多元校正模型，實(shí)現(xiàn)多種成分的同時(shí)測(cè)定。近紅外光譜技術(shù)的分析基礎(chǔ)是分子光譜學(xué)，其核心在于物質(zhì)對(duì)不同波長(zhǎng)的近紅外光的吸收峰與物質(zhì)的化學(xué)組分之間存在復(fù)雜的線性關(guān)系。這種關(guān)系可以用數(shù)學(xué)模型來(lái)描述，常見的數(shù)學(xué)模型包括多元線性回歸（MLR）、偏最小二乘回歸（PLSR）和主成分回歸（PCR）等。其中PLSR模型因其魯棒性和預(yù)測(cè)精度高而被廣泛應(yīng)用于近紅外光譜分析?；驹砣绻剑?.1）所示：Y其中Y是預(yù)測(cè)的樣品成分值，X是光譜矩陣，P是回歸系數(shù)矩陣，X是光譜矩陣的均值，W′是正交化后的權(quán)重矩陣，B是權(quán)重矩陣，?【表】展示了近紅外光譜技術(shù)在食品質(zhì)量檢測(cè)中的常見應(yīng)用領(lǐng)域及其主要檢測(cè)指標(biāo)：應(yīng)用領(lǐng)域主要檢測(cè)指標(biāo)備注食品水分水分含量應(yīng)用最廣泛蛋白質(zhì)和脂肪蛋白質(zhì)、脂肪含量常用于肉類、乳制品糖類和淀粉糖類、淀粉含量常用于谷物、果蔬食品新鮮度順式不飽和脂肪酸含量、酶活性等常用于肉類、海鮮食品此處省略劑亞硝酸鹽、二氧化硫等常用于腌制食品近紅外光譜技術(shù)在食品新鮮度檢測(cè)中的優(yōu)勢(shì)尤為顯著，通過(guò)對(duì)樣品中化學(xué)成分的快速、無(wú)損檢測(cè)，可以間接評(píng)估其新鮮度指標(biāo)。例如，在腌制蝦蛄新鮮度檢測(cè)中，可通過(guò)分析蝦蛄肌肉中甘油三酯的氧化產(chǎn)物（如過(guò)氧脂肪酸）、蛋白質(zhì)的降解產(chǎn)物等特征吸收峰，建立新鮮度評(píng)價(jià)模型。這使得近紅外光譜技術(shù)成為腌制蝦蛄新鮮度檢測(cè)的重要工具。近紅外光譜技術(shù)憑借其快速、無(wú)損、高效、經(jīng)濟(jì)等優(yōu)點(diǎn)，在現(xiàn)代食品質(zhì)量控制中具有廣泛的應(yīng)用前景，特別是在腌制蝦蛄等海鮮產(chǎn)品的新鮮度檢測(cè)領(lǐng)域，展現(xiàn)出巨大的應(yīng)用潛力。2.2光譜分析原理與特性近紅外光譜（Near-InfraredSpectroscopy,NIR）分析技術(shù)基于分子振動(dòng)和轉(zhuǎn)動(dòng)能級(jí)躍遷的原理。在近紅外區(qū)域（通常指波長(zhǎng)范圍為780-2500nm），分子（特別是含氫官能團(tuán)，如O-H、N-H、C-H）的伸縮振動(dòng)和彎曲振動(dòng)會(huì)產(chǎn)生吸收信號(hào)。當(dāng)一束近紅外光照射到樣品上時(shí)，樣品內(nèi)部的各種分子會(huì)吸收特定波長(zhǎng)的光，吸收的程度與樣品中這些官能團(tuán)的濃度和光譜特性相關(guān)。因此通過(guò)測(cè)量樣品對(duì)近紅外光的吸收或透射內(nèi)容譜，可以獲取與樣品化學(xué)組分直接相關(guān)的豐富信息。NIR光譜的譜內(nèi)容（Spectra）通常呈現(xiàn)出由有機(jī)物中多種官能團(tuán)（如脂肪H伸縮振動(dòng)約2850-2950cm?1，OH伸縮振動(dòng)約3200-3600cm?1等）引起的吸收峰組成的特點(diǎn)。這些吸收峰的強(qiáng)度、位置（波數(shù)）以及相對(duì)比例會(huì)隨著樣品化學(xué)成分的變化而發(fā)生微小但可測(cè)量的改變。例如，對(duì)于本研究中的腌制蝦蛄，其新鮮度主要與其內(nèi)源性化合物組成（如蛋白質(zhì)、脂肪、水分、糖類等）的降解程度相關(guān)。隨著蝦蛄的腐敗變質(zhì)或腌制時(shí)間的延長(zhǎng)，微生物活動(dòng)會(huì)導(dǎo)致蛋白質(zhì)分解、脂肪氧化、水分含量變化等，這些化學(xué)變化必然會(huì)反映在近紅外吸收光譜上，表現(xiàn)為特征吸收峰強(qiáng)度或形狀的變化。近紅外光譜分析作為一種快速、無(wú)損、廉價(jià)的技術(shù)，具有以下顯著特性：快速高效：通常只需幾秒鐘即可完成對(duì)樣品的光譜掃描，大大提高了檢測(cè)效率。無(wú)損檢測(cè)：可以在樣品不破壞的情況下進(jìn)行原位或非接觸式分析。樣品制備簡(jiǎn)單：對(duì)大多數(shù)樣品（液體、半固體、固體），無(wú)需復(fù)雜的前處理或昂貴的樣品制備，僅需進(jìn)行簡(jiǎn)單的均勻化混勻即可。覆蓋面廣：近紅外光譜對(duì)含氫organicmolecules具有高度敏感性，可以同時(shí)提供關(guān)于蛋白質(zhì)、脂肪、碳水化合物、水分、水分活度等多種化學(xué)組分的信息。為了定量分析，需要利用化學(xué)計(jì)量學(xué)方法（如偏最小二乘法PartialLeastSquares,PLS或主成分分析PrincipalComponentAnalysis,PCA）建立光譜數(shù)據(jù)與樣品目標(biāo)分析值（如freshnessindicator或specificchemicalconcentration）之間的關(guān)系模型。該模型通常表示為：?Y=bX+A其中Y是因變量矩陣（通常代表校準(zhǔn)樣本的目標(biāo)分析值，e.g,蛋白質(zhì)含量），X是自變量矩陣（通常代表校準(zhǔn)樣本的光譜數(shù)據(jù)矩陣），b是回歸系數(shù)矩陣，A是偏差向量。通過(guò)此模型，可以對(duì)未知樣品的光譜數(shù)據(jù)進(jìn)行預(yù)測(cè)，從而實(shí)現(xiàn)對(duì)蝦蛄新鮮度的快速評(píng)估。通過(guò)深入理解近紅外光譜的產(chǎn)生機(jī)理及其與樣品化學(xué)成分的關(guān)系，并結(jié)合有效的數(shù)據(jù)處理方法，該技術(shù)能夠?yàn)殡缰莆r蛄新鮮度的快速、準(zhǔn)確檢測(cè)提供強(qiáng)有力的技術(shù)支撐。2.3蝦蛄新鮮度評(píng)價(jià)指標(biāo)鯊魚（Crustacea：Decapoda：Shrimp）是常見的海鮮食品之一。最新證據(jù)表明，近紅外（NIR）譜技術(shù)在評(píng)估活性和新鮮檢測(cè)方面顯示出顯著潛力。蝦等甲殼類動(dòng)物腌制后需要迅速氧合、冷卻，因?yàn)殡缰坪蟛痪眉闯尸F(xiàn)出顯著的后凋萎現(xiàn)象，進(jìn)入后凋萎狀態(tài)的海鮮體內(nèi)蛋白酶活性下降，這相應(yīng)影響了肉質(zhì)性狀。當(dāng)前，蝦格魯尚未發(fā)展出一款準(zhǔn)確反映其新鮮度的快速檢測(cè)方法。作為新鮮度評(píng)價(jià)指標(biāo)的經(jīng)典生化方法主要集中在pH值、三甲胺（TMA）、三甲胺N-氧化物（TMAO）、5-羥甲基-2-糠醛（5-HMF）等生化指標(biāo)的測(cè)定上[6-8]。如綜合利用生化分析法和電導(dǎo)法檢測(cè)海產(chǎn)品肉品新鮮度，可以早期嚴(yán)重波動(dòng)。為實(shí)現(xiàn)對(duì)甲殼軟體動(dòng)物腌制前新鮮度的全面評(píng)估，本研究以家蝦為實(shí)驗(yàn)對(duì)象，對(duì)比測(cè)定其腌制前與腌制后TMA、TMAO、5-HMF等生化指標(biāo)。同時(shí)參考ATP含量并結(jié)合pH值等指標(biāo)以及感官評(píng)分等綜合評(píng)價(jià)其腌制前后的新鮮度。期望為近紅外法在評(píng)估此類甲殼類商品化產(chǎn)品的質(zhì)量評(píng)價(jià)（如蝦、蝦、蝦、蝦等）[10]提供參考。蝦胴體新鮮度：影響消費(fèi)者選擇甲殼動(dòng)物的主要因素是其新鮮度[11,12]。但是甲殼動(dòng)物在運(yùn)輸和貯存過(guò)程中的活躍呼吸作用會(huì)產(chǎn)生部分活性氧[13,14]，從生理的角度來(lái)看在運(yùn)輸和存儲(chǔ)過(guò)程中會(huì)導(dǎo)致不良的代謝反應(yīng)；從化學(xué)角度看，這些氧自由基會(huì)引起甲殼素水解、色素肉褐變等生物化學(xué)反應(yīng)。從目前研究的答案是，與sharks體外甲殼素存在明顯的氧化反應(yīng)。因此將pH、ATP、TMA、TMAO、5-HMF、PCA作為分析指標(biāo)用于評(píng)估sharks_SO的體外腐敗水平，其中TMA、TMAO等為蝦胴體腐敗產(chǎn)物，而ATP、pH值為腐敗前生化指標(biāo)，pH和ATP定量值越高表明防腐效果越好；5-HMF也是一種水溶性中間體[16]，是水產(chǎn)蛋白腐敗過(guò)程中常見產(chǎn)物[17]，其含量與水產(chǎn)類的腐敗史存在正相關(guān)關(guān)系[18]；1）TMA和TMAO：甲殼類動(dòng)物在腐敗早期會(huì)產(chǎn)生三甲胺（TMA）、三甲胺二胺（TMAO）等氨化合物。目前主要有兩種檢測(cè)方法，第一即為化學(xué)方法一一基本檢出：檢測(cè)樣品中的氨氣含量。但是由于樣品中普遍存在氧化還原提取劑可以干擾最終的實(shí)驗(yàn)結(jié)果；創(chuàng)新方法：吡咯因(PY)可通過(guò)結(jié)合TMA而變得熒光。此法針對(duì)反應(yīng)后期TMA濃度高的情況設(shè)計(jì)而成[20-21]，先把樣品中的每種提取混合，放在提取劑固定的管子中不斷旋轉(zhuǎn)，達(dá)到萃取的提取效率就達(dá)到了最大，然后向管子中加入PY，其中PY是一種有機(jī)熒光顏料，在pH值為7～10的范圍內(nèi)均有良好的熒光直線。在這種情況下，TMA以1:2的比例與PY反應(yīng)，需要注意的是命TMA反應(yīng)生成的堿性此處省略劑R的瞬間促使廣泛而迅速分布PY，最終造成PY的熒光效率極大地降低了，此時(shí)，PY熒光對(duì)TMA有很高的對(duì)比度，因此通過(guò)相對(duì)熒光度的變化即可定量2）PCA（主成分分析法）：PCA是利用擴(kuò)散矩陣轉(zhuǎn)換法，也被稱為坐標(biāo)軸、主成分，測(cè)試各個(gè)系數(shù)之間的相關(guān)性。PCA的優(yōu)點(diǎn)是：可以消除其中存在的部分重疊信息，將檢測(cè)得到的多個(gè)指標(biāo)綜合成一個(gè)指標(biāo)并實(shí)現(xiàn)結(jié)果數(shù)據(jù)的可視化。例如采用PCA方法評(píng)估牡蠣的主導(dǎo)因子均為這兩組織蛋白及組織醇的兩種，這兩種因子為主要志愿者參與腐敗反應(yīng)的組成因子。此外梭魚及下水道水流沉積物在其生境也能分解產(chǎn)生這兩種成分，并有研究顯示他人負(fù)責(zé)蛋白對(duì)牡蠣存活率的干預(yù)效應(yīng)高于氧化水產(chǎn)動(dòng)物細(xì)胞中發(fā)現(xiàn)的第5類水產(chǎn)動(dòng)物高效氧化產(chǎn)物。這些物質(zhì)能促進(jìn)牡蠣繁殖力的增強(qiáng)和受精率的提高，宿舍擁有著他型蛋白中，有一到兩個(gè)與此相關(guān)的生理功能。的系統(tǒng)者有研究認(rèn)為，是N-乙酰-D-亮氨酸和甘氨酸，這兩種特定氨基酸是魚蛋白中儲(chǔ)存大量磷酸化合物的主要物質(zhì)。另外其健康水平在fries生物周五的研究結(jié)果得到印證礦泉水中也存在此物質(zhì)，并在冰箱中的日子中含量持續(xù)下降，經(jīng)過(guò)28d后含水量明顯降低，其尸體出現(xiàn)并氧化顯現(xiàn)其魚體死亡相對(duì)緩慢。此外麻醉藥物能改變魚的順序時(shí)機(jī)，延長(zhǎng)其生存時(shí)間，但未能提高成活率。另外姚偉華等研究顯示，采用魚干待遇可用于維持魚類布萊物流通。魚中形狀的組成部分主要為細(xì)胞內(nèi)外離子和蛋白質(zhì)組織成分，而離子化物質(zhì)對(duì)魚肉的化學(xué)棒師和AOI值有顯著的抑制作用。PCA可將樣品中整個(gè)成分的信息合并成一個(gè)指標(biāo)，并且此可以實(shí)現(xiàn)結(jié)果數(shù)據(jù)可視化，在該過(guò)程中PCA利用了數(shù)據(jù)差別原理，可挖掘數(shù)據(jù)中的主成分以實(shí)現(xiàn)數(shù)據(jù)降維，因此此方法可用于消除變量間共振所造成的干擾以得到單個(gè)變量之間的差異，換言之，PCA將各變量之間的實(shí)際差異歸因于普通因子。3）pH：緩沖系統(tǒng)使蝦肌肉中的pH保持穩(wěn)定。蝦新陳代謝為酸性，因此其肌肉pH值也會(huì)下降。新鮮蝦的肌肉有很高的畢業(yè)后功能，而后死亡蝦的肌肉呈弱酸性和鉀堿性。甲殼類動(dòng)物常用堿性磷酸酯酶(LAPD)和酸性磷酸酶(MP)與其腎臟的代謝活動(dòng)（能消除血液中的物質(zhì)和多余的碳酸和硫酸）緊密相關(guān)。肌肉堿性磷酸酶(MAP)指標(biāo)和許多血液指標(biāo)一樣，可以在存活時(shí)檢測(cè)肌肉的正常pH值，也可以檢測(cè)海洋甲殼類動(dòng)物肌肉酸?。ㄈ缢釅A性過(guò)高或過(guò)低）的轉(zhuǎn)變闡明狀況。量取100mL菌液于三角瓶中進(jìn)行培養(yǎng)回收有氧條件下進(jìn)行研究。據(jù)報(bào)道的TMA和5-HMF等關(guān)鍵化合物出現(xiàn)在蝦中，在不同組織檢測(cè)到所述成分的分布情況，蝦肉主要集中在頭胸部肌肉、胃部和消化道等領(lǐng)域，但其肌肉組織中不僅能檢測(cè)到TMA還能檢測(cè)到5-HMF、IPA和5-HMF-2，這些化合物的含氧率為0.282?0.176之間，能準(zhǔn)確反映腐敗過(guò)程的影響因素，并且能對(duì)蝦bodies腌制前的TMA、5-HMF的含量進(jìn)行準(zhǔn)確預(yù)測(cè)。本文采集了人民幣自然切勿涉及到餅干，一般而言。對(duì)生蝦或蝦進(jìn)行立即腌制滲透至蝦、蟹蝦、蝦、蝦或龍蝦等腌制，正常儲(chǔ)存時(shí)ATP濃度變化的趨勢(shì)符合腌制和食品的主動(dòng)性氧化程度的變化。以國(guó)家標(biāo)準(zhǔn)準(zhǔn)則，其計(jì)數(shù)標(biāo)準(zhǔn)即食品微生物指標(biāo)：食品微生物定值檢測(cè)和化學(xué)品檢定相結(jié)合。既可用于食品生產(chǎn)、食品銷售企業(yè)以及法國(guó)的企事業(yè)單位。又可用于政府監(jiān)管部門和相關(guān)行業(yè)組織。ATP檢測(cè)更勢(shì)必動(dòng)態(tài)，易于觀察團(tuán)體指標(biāo)的變化和時(shí)間變化。當(dāng)DNA檢測(cè)需直接漲到ATP核酸試驗(yàn)室且操作較繁瑣時(shí)ATP指標(biāo)可以被文委快速學(xué)者測(cè)定，此操作涉及到樣本的提取及保存以及檢測(cè)過(guò)程中吸取至工作表面板等。其檢測(cè)需置于適宜溫度中以保存活性，防止ATP滅活。就ATP成分能夠有效監(jiān)測(cè)食品狀態(tài)而言，ATP檢測(cè)前期是研究用水產(chǎn)品腐敗細(xì)菌數(shù)量重要和相關(guān)的手段，但當(dāng)前促使消費(fèi)者重視的是為快腐等水產(chǎn)品殘存嗜犯堿性細(xì)菌數(shù)量ATP測(cè)量易于操作，可用于快速監(jiān)測(cè)包裝食品腐敗。ATP含量可以動(dòng)態(tài)反映水產(chǎn)品沃爾頓和賴特對(duì)樣本中ATP濃度進(jìn)行亟需測(cè)定，認(rèn)為ATP含量能反映水果蔬菜腐敗狀態(tài)，適當(dāng)基準(zhǔn)采用的食品經(jīng)分析檢驗(yàn)，重視天然食品繁殖微生物及其體內(nèi)與體外的生理生化反應(yīng)跟進(jìn)的變化。ATP分解，其酶AR含量下降(znj)。通過(guò)認(rèn)識(shí)ATP池塘、野生動(dòng)物、人體中酵母體內(nèi)的ATP的運(yùn)動(dòng)規(guī)律，該生物雌雄個(gè)體中受到參賽記人等條件應(yīng)答變化，來(lái)對(duì)ATP濃度進(jìn)行精準(zhǔn)計(jì)量。檢測(cè)過(guò)程涉及濾液多次吸取，其中濾紙易吸濕損壞。形成的試劑管條件不統(tǒng)一，必要時(shí)需補(bǔ)加，從而加大檢測(cè)誤差。在線染色這方面的發(fā)達(dá)也不夠，廢水處理以及展望ATP細(xì)胞內(nèi)唯一存在的“能量貨幣”一直以來(lái)被認(rèn)為是所有現(xiàn)代檢測(cè)ATP的物質(zhì)是確保機(jī)體基本生命的能量來(lái)源。ATP試驗(yàn)板和ATP檢測(cè)儀是一種ATP成分含量測(cè)定。它通過(guò)抽提酶切、生長(zhǎng)激活相關(guān)的方法進(jìn)行準(zhǔn)確但操作不當(dāng)易出現(xiàn)ATP損失及ATP滲漏，對(duì)操作人員提出的要求較復(fù)雜。2.4光譜數(shù)據(jù)預(yù)處理方法在近紅外光譜技術(shù)應(yīng)用于腌制蝦蛄新鮮度檢測(cè)的過(guò)程中，原始光譜數(shù)據(jù)往往受到噪聲、散射效應(yīng)以及儀器和環(huán)境因素的影響，直接用于建模會(huì)導(dǎo)致預(yù)測(cè)結(jié)果的準(zhǔn)確性下降。因此必須進(jìn)行合理的光譜數(shù)據(jù)預(yù)處理，以消除或減弱這些干擾因素，提高光譜數(shù)據(jù)的質(zhì)量和模型性能。本研究中，針對(duì)腌制蝦蛄的近紅外光譜數(shù)據(jù)，主要采用了以下幾種預(yù)處理方法：（1）均一化處理（VectorNormalization）均一化處理旨在消除樣品間因?yàn)镾co數(shù)值差異引起的光譜基線漂移。其數(shù)學(xué)表達(dá)式如下：光譜其中i代表光譜數(shù)據(jù)的第i個(gè)點(diǎn)，n為光譜數(shù)據(jù)點(diǎn)數(shù)。此方法通過(guò)將光譜縮放至統(tǒng)一的比例，有效降低了不同樣品間批次差異的影響。（2）平滑處理（Smooth）平滑處理用于減少光譜中的隨機(jī)噪聲，改善光譜曲線的平滑性。本研究采用了Savitzky-Golay（SG）平滑濾波算法，其窗口大小m為5，滑動(dòng)窗口跨步為2。SG平滑通過(guò)最小二乘法擬合多項(xiàng)式，其公式表達(dá)為：y其中yi是平滑后的光譜值，xi+（3）基線校正（BaselineCorrection）基線偏移是近紅外光譜分析中常見的現(xiàn)象，可通過(guò)多元散射校正（MSC）或一階導(dǎo)數(shù)光譜來(lái)解決。本研究采用MSC校正基線，其數(shù)學(xué)表達(dá)式為：MSC其中對(duì)數(shù)均值變換是基于光譜數(shù)據(jù)的自然對(duì)數(shù)，旨在減少散射對(duì)基線的影響。（4）導(dǎo)數(shù)光譜處理（DerivativeSpectroscopy）一階導(dǎo)數(shù)光譜能夠突出光譜中的峰谷位置，減少基線漂移對(duì)峰形的影響。其算法表達(dá)式為：一階導(dǎo)數(shù)本研究中，根據(jù)實(shí)際需要，分別計(jì)算了光譜的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)，處理后的光譜數(shù)據(jù)能有效提高模型的解析能力。預(yù)處理效果的比較選用相關(guān)系數(shù)（Coef）和均方根誤差（RMSE）作為評(píng)價(jià)指標(biāo)，利用公式進(jìn)行計(jì)算：其中Yi為原始光譜，Yi為預(yù)處理后的光譜，通過(guò)上述幾種預(yù)處理方法的應(yīng)用，原始的近紅外光譜數(shù)據(jù)得到了顯著改善，為后續(xù)建模分析奠定了良好基礎(chǔ)。三、實(shí)驗(yàn)設(shè)計(jì)與材料為了研究近紅外光譜技術(shù)在腌制蝦蛄新鮮度檢測(cè)中的應(yīng)用，我們?cè)O(shè)計(jì)了一系列實(shí)驗(yàn)。本實(shí)驗(yàn)主要包括樣品準(zhǔn)備、光譜采集、數(shù)據(jù)處理與分析等步驟。樣品準(zhǔn)備選取新鮮的蝦蜄，按照傳統(tǒng)腌制方法進(jìn)行處理，分別在不同時(shí)間點(diǎn)（如0天、3天、7天、15天等）取樣，以保證樣品的多樣性，涵蓋從新鮮到腌制過(guò)程中的不同階段。同時(shí)設(shè)置對(duì)照組，即未經(jīng)腌制的蝦蜄，以更好地體現(xiàn)腌制過(guò)程對(duì)蝦蜄新鮮度的影響。所有樣品在進(jìn)行光譜檢測(cè)前均需妥善保存，避免外界環(huán)境因素對(duì)其產(chǎn)生影響。光譜采集使用近紅外光譜儀對(duì)樣品進(jìn)行光譜采集，在采集過(guò)程中，需確保光譜儀的工作狀態(tài)穩(wěn)定，樣品的擺放位置、角度等因素保持一致，以減少實(shí)驗(yàn)誤差。光譜采集的波長(zhǎng)范圍應(yīng)覆蓋近紅外光譜的主要區(qū)域，以便獲取足夠的信息用于后續(xù)分析。數(shù)據(jù)處理與分析采集得到的光譜數(shù)據(jù)需進(jìn)行預(yù)處理，包括降噪、歸一化等步驟，以提高數(shù)據(jù)質(zhì)量。然后采用化學(xué)計(jì)量學(xué)方法（如主成分分析、偏最小二乘回歸等）對(duì)光譜數(shù)據(jù)進(jìn)行解析，建立蝦蜄新鮮度的預(yù)測(cè)模型。此外為了驗(yàn)證模型的準(zhǔn)確性，需使用交叉驗(yàn)證等方法對(duì)模型進(jìn)行評(píng)估。3.1樣品采集與前處理為了確保實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)確性和可靠性，樣品采集和前處理步驟至關(guān)重要。首先在進(jìn)行樣品采集時(shí)，應(yīng)選擇新鮮且具有代表性的腌制蝦蛄作為研究對(duì)象。通常，從不同批次和來(lái)源的蝦蛄中隨機(jī)抽取一定數(shù)量的樣本，以保證結(jié)果的多樣性和代表性。對(duì)于樣品的前處理過(guò)程，主要包括以下幾個(gè)關(guān)鍵步驟：清洗與漂洗：對(duì)采集回來(lái)的蝦蛄進(jìn)行徹底清洗，去除表面殘留的泥土和其他雜質(zhì)。隨后，通過(guò)漂洗進(jìn)一步清除可能存在的污染物，確保后續(xù)分析過(guò)程中不會(huì)引入額外的干擾因素。脫殼與切割：將洗凈后的蝦蛄脫殼，并按照預(yù)定的尺寸將其切成均勻的小塊或條狀，以便于后續(xù)的分析和測(cè)試。干燥處理：為了減少樣品中的水分含量，可以采用適當(dāng)?shù)母稍锓椒ǎㄈ绾嫦浜娓桑?duì)樣品進(jìn)行預(yù)處理，這有助于提高其在近紅外光譜測(cè)量中的穩(wěn)定性和準(zhǔn)確性。粉碎與混合：將處理好的蝦蛄樣品進(jìn)行粉碎，使其達(dá)到一定的粒徑范圍（一般為0.5毫米至2毫米），便于后續(xù)的光譜分析。同時(shí)將不同來(lái)源或不同批次的樣品進(jìn)行充分的混合，確保數(shù)據(jù)的均衡性。這些前處理步驟不僅能夠有效地提升樣品的質(zhì)量，還能顯著改善近紅外光譜分析的結(jié)果，從而為腌制蝦蛄的新鮮度檢測(cè)提供更加精確的數(shù)據(jù)支持。3.2儀器設(shè)備與參數(shù)設(shè)置在腌制蝦蛄新鮮度檢測(cè)的研究中，選用合適的儀器設(shè)備和精確的參數(shù)設(shè)置是確保實(shí)驗(yàn)結(jié)果準(zhǔn)確性和可靠性的關(guān)鍵。本研究采用了高性能的近紅外光譜儀（NIRS）作為主要檢測(cè)工具，并結(jié)合了高精度的數(shù)據(jù)處理軟件。（1）儀器設(shè)備近紅外光譜儀是一種通過(guò)測(cè)量物質(zhì)對(duì)近紅外光的吸收特性來(lái)分析物質(zhì)成分的技術(shù)。本研究選用了具有高分辨率和良好穿透性的近紅外光譜儀，以確保能夠捕捉到蝦蛄肌肉組織中不同成分的細(xì)微變化。（2）參數(shù)設(shè)置（3）樣品制備為了保證實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，本研究采用了新鮮腌制蝦蛄作為實(shí)驗(yàn)樣品。將捕撈到的蝦蛄立即進(jìn)行清洗、去殼、去腸線等預(yù)處理步驟，然后將其分為若干組，每組6只。每組蝦蛄分別進(jìn)行腌制處理，腌制條件為：鹽度3%，溫度25℃，腌制時(shí)間24h。腌制完成后，將蝦蛄樣品取出，放入保鮮袋中密封保存，以備后續(xù)實(shí)驗(yàn)使用。（4）數(shù)據(jù)采集在數(shù)據(jù)采集過(guò)程中，確保儀器設(shè)備處于穩(wěn)定狀態(tài)，并對(duì)每個(gè)樣品進(jìn)行多次重復(fù)測(cè)量，以獲取足夠的光譜數(shù)據(jù)。同時(shí)記錄實(shí)驗(yàn)環(huán)境條件，如溫度、濕度等，以便對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行必要的校正和分析。通過(guò)以上儀器設(shè)備和參數(shù)設(shè)置，本研究能夠準(zhǔn)確地獲取腌制蝦蛄的近紅外光譜數(shù)據(jù)，為后續(xù)的新鮮度檢測(cè)和分析提供可靠的數(shù)據(jù)支持。3.3光譜數(shù)據(jù)獲取流程為保障近紅外光譜（NIR）數(shù)據(jù)的準(zhǔn)確性與可重復(fù)性，本研究設(shè)計(jì)了一套標(biāo)準(zhǔn)化的光譜采集流程，涵蓋樣品前處理、儀器參數(shù)優(yōu)化及數(shù)據(jù)采集等關(guān)鍵環(huán)節(jié)。具體流程如下：（1）樣品前處理樣品選取與分組：選取大小均一（體長(zhǎng)15±2cm）、外觀完整的鮮活蝦蛄，隨機(jī)分為5組（每組20只），分別置于4℃條件下進(jìn)行0、3、6、9、12天的冷藏處理，模擬不同新鮮度階段。表面清潔與預(yù)處理：去除蝦蛄外殼附帶的雜質(zhì)，用濾紙輕輕擦干表面水分，避免水分對(duì)光譜信號(hào)的干擾。（2）儀器參數(shù)設(shè)置采用近紅外光譜儀（型號(hào)：AntarisII，ThermoFisherScientific）進(jìn)行數(shù)據(jù)采集，主要參數(shù)優(yōu)化如下：光譜范圍：10000–4000cm?1（覆蓋NIR全波段）；掃描分辨率：8cm?1（平衡精度與效率）；掃描次數(shù)：32次/樣（通過(guò)多次掃描提升信噪比）；積分時(shí)間：32ms（確保信號(hào)強(qiáng)度穩(wěn)定）。（3）光譜采集操作儀器預(yù)熱：開機(jī)預(yù)熱30分鐘，確保光源與檢測(cè)器穩(wěn)定性。背景掃描：采集背景光譜（使用標(biāo)準(zhǔn)白板參比），扣除環(huán)境光及儀器噪聲影響。樣品掃描：將蝦蛄置于樣品杯中，確保光譜采集窗口（直徑2cm）對(duì)準(zhǔn)蝦蛄腹部肌肉部位，每個(gè)樣品采集3次光譜，取平均值作為該樣品的最終光譜數(shù)據(jù)。（4）數(shù)據(jù)記錄與存儲(chǔ)光譜數(shù)據(jù)以.csv格式導(dǎo)出，同時(shí)記錄樣品的冷藏時(shí)間、pH值、揮發(fā)性鹽基氮（TVB-N）值等理化指標(biāo)，用于后續(xù)建立新鮮度評(píng)價(jià)模型。數(shù)據(jù)采集過(guò)程中，每10個(gè)樣品重新采集一次背景光譜，以減少儀器漂移帶來(lái)的誤差。?【表】光譜采集關(guān)鍵參數(shù)表參數(shù)項(xiàng)設(shè)置值作用說(shuō)明光譜范圍10000–4000cm?1覆蓋C-H、O-H、N-H等特征基團(tuán)分辨率8cm?1平衡光譜細(xì)節(jié)與采集效率掃描次數(shù)32次提高信噪比（SNR）積分時(shí)間32ms確保信號(hào)強(qiáng)度穩(wěn)定通過(guò)上述標(biāo)準(zhǔn)化流程，確保光譜數(shù)據(jù)具有良好的一致性與代表性，為后續(xù)化學(xué)計(jì)量學(xué)模型（如PLS、PCR）的建立奠定基礎(chǔ)。3.4參考標(biāo)準(zhǔn)與驗(yàn)證方法本研究采用的參考標(biāo)準(zhǔn)主要包括國(guó)家食品安全標(biāo)準(zhǔn)、國(guó)際食品此處省略劑聯(lián)合專家委員會(huì)（JECFA）和世界衛(wèi)生組織（WHO）的相關(guān)指南。此外還參考了國(guó)內(nèi)外關(guān)于近紅外光譜技術(shù)在食品檢測(cè)領(lǐng)域的相關(guān)文獻(xiàn)和研究報(bào)告。為了驗(yàn)證所提出的方法的準(zhǔn)確性和可靠性，本研究采用了多種驗(yàn)證方法。首先通過(guò)對(duì)比實(shí)驗(yàn)對(duì)所提出的檢測(cè)方法進(jìn)行驗(yàn)證，將該方法與傳統(tǒng)的感官評(píng)價(jià)法和化學(xué)分析法進(jìn)行比較，以評(píng)估其準(zhǔn)確性和一致性。其次使用統(tǒng)計(jì)學(xué)方法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，計(jì)算方法的靈敏度、特異性、預(yù)測(cè)能力等指標(biāo)，以評(píng)估其性能。最后通過(guò)與其他研究者的結(jié)果進(jìn)行比較，驗(yàn)證所提出方法的可靠性和有效性。在實(shí)驗(yàn)過(guò)程中，我們使用了近紅外光譜儀對(duì)腌制蝦蛄樣品進(jìn)行了檢測(cè)。具體操作步驟如下：首先，將樣品放入近紅外光譜儀中，儀器會(huì)自動(dòng)采集樣品的近紅外光譜數(shù)據(jù)；然后，將采集到的數(shù)據(jù)輸入到計(jì)算機(jī)中，使用相應(yīng)的軟件進(jìn)行處理和分析；最后，根據(jù)處理后的數(shù)據(jù)結(jié)果，判斷樣品的新鮮度。在數(shù)據(jù)處理方面，我們使用了主成分分析和偏最小二乘法等統(tǒng)計(jì)方法對(duì)數(shù)據(jù)進(jìn)行處理和分析。這些方法可以有效地減少數(shù)據(jù)的維數(shù)，提高數(shù)據(jù)分析的效率和準(zhǔn)確性。同時(shí)我們還使用了線性回歸模型對(duì)數(shù)據(jù)進(jìn)行了預(yù)測(cè)，以評(píng)估所提出方法的性能。通過(guò)上述實(shí)驗(yàn)和驗(yàn)證方法，本研究證明了所提出的方法在腌制蝦蛄新鮮度檢測(cè)中的應(yīng)用是有效的。該方法不僅具有較高的準(zhǔn)確性和可靠性，而且操作簡(jiǎn)單、快速，適用于實(shí)際生產(chǎn)中的大規(guī)模應(yīng)用。四、光譜數(shù)據(jù)處理與分析為有效提取并解讀應(yīng)用于腌制蝦蛄新鮮度檢測(cè)的近紅外光譜（NIR）信息，光譜預(yù)處理與特征提取是關(guān)鍵環(huán)節(jié)。本研究中，采用多種常用的預(yù)處理方法對(duì)采集到的原始光譜數(shù)據(jù)進(jìn)行處理，旨在消除或減弱因儀器、樣品及環(huán)境等因素引起的噪聲干擾，如散射效應(yīng)、基線漂移以及樣本間散射特性的差異，從而突出與蝦蛄新鮮度相關(guān)的關(guān)鍵化學(xué)信息，提升后續(xù)建模分析的準(zhǔn)確性與可靠性。光譜預(yù)處理原始NIR光譜通常包含多種干擾信息，直接用于建?？赡軐?dǎo)致結(jié)果不準(zhǔn)確。因此本研究對(duì)采集到的所有腌制蝦蛄的近紅外光譜實(shí)施了系統(tǒng)性的預(yù)處理流程。常用的預(yù)處理方法包括：導(dǎo)數(shù)光譜（DerivativeSpectra）：主要采用一階導(dǎo)數(shù)光譜，記為DNIR(ν)=dNIR(ν)/dν，或其二階導(dǎo)數(shù)光譜DNIR(ν)=d2NIR(ν)/dν2。導(dǎo)數(shù)處理能有效壓縮光譜譜帶寬度，分離在原始光譜中重疊的吸收峰，增強(qiáng)窄帶吸收特征，使得化學(xué)信息更加清晰，尤其有助于區(qū)分b?u?（約14300cm?1附近，脂肪吸收峰）、b?s（約10200cm?1附近，酰胺Ⅰ帶）、b?π（約1450cm?1附近，脂肪雙鍵振動(dòng)）等與新鮮度密切相關(guān)的特征峰。本研究的具體數(shù)學(xué)表達(dá)為：DNIR(ν?)=[(NIR(ν???)-NIR(ν???))/(2Δν)],其中i代表波長(zhǎng)點(diǎn)，NIR(ν?)為原始光譜在第i個(gè)波長(zhǎng)處的吸光度或反射率值，Δν為相鄰波長(zhǎng)點(diǎn)的間隔。二階導(dǎo)數(shù)處理則能進(jìn)一步銳化峰形，在本研究中，通過(guò)比較一階和二階導(dǎo)數(shù)光譜對(duì)新鮮度指標(biāo)響應(yīng)的清晰度與建模效果，選擇最適宜的導(dǎo)數(shù)光譜形式進(jìn)行后續(xù)分析。部分代表性光譜的導(dǎo)數(shù)處理結(jié)果（如內(nèi)容表形式）雖未在此直接呈現(xiàn)，但其分析過(guò)程是建模的基礎(chǔ)。其他預(yù)處理方法評(píng)估與選用：對(duì)比考察了標(biāo)準(zhǔn)正態(tài)變量變換（SNV）、乘以光譜方差（MSC）和小波變換（WT）等其他的預(yù)處理方法。其中SNV主要用于消除樣品間散射特性的差異，MSC旨在使光譜方差在所有波長(zhǎng)點(diǎn)保持一致以增強(qiáng)吸收峰相對(duì)強(qiáng)度，小波變換則能有效抑制高頻噪聲。通過(guò)交叉驗(yàn)證等方法評(píng)估不同預(yù)處理方法對(duì)模型預(yù)測(cè)能力的提升程度，最終選擇一組最優(yōu)的預(yù)處理組合應(yīng)用于數(shù)據(jù)集[此處可設(shè)想一個(gè)收斂式描述，如“經(jīng)過(guò)反復(fù)實(shí)驗(yàn)與驗(yàn)證，確定組合預(yù)處理方法為先進(jìn)行多元散射校正（MSC），再進(jìn)行一階導(dǎo)數(shù)運(yùn)算，此組合效果最佳”]。雖然未列出具體參數(shù)設(shè)置，但此過(guò)程確保了噪聲影響的降至最低，同時(shí)最大化了有用信息的保留。全譜散斑去除與前導(dǎo)峰截?cái)嚯缰莆r蛄樣本間的散射特性差異（由樣本水分、油脂分布、尺寸形態(tài)等引起）會(huì)在反射光譜開頭形成一段近似平直的區(qū)域，這稱為光譜散斑。散斑的存在會(huì)對(duì)后續(xù)的變量選擇和建模造成干擾，本實(shí)驗(yàn)中，通過(guò)識(shí)別光譜起始階段（通常在4000-5000cm?1區(qū)域之前或根據(jù)實(shí)際光譜特性確定）近似平直的部分，并采用截?cái)嗟姆椒ɑ蚋鼜?fù)雜的散斑去除算法（如多元散射模型擬合）進(jìn)行處理，以消除其對(duì)光譜解析和建模的負(fù)面影響[可設(shè)想小示例說(shuō)明范圍，如“具體操作上，去掉前3000cm?1區(qū)域的數(shù)據(jù)，該區(qū)域的光譜表現(xiàn)出良好的線性關(guān)系或近似為一條直線”]。光譜特征變量選擇NIR光譜覆蓋的波長(zhǎng)范圍廣，包含大量信息，其中許多與新鮮度指標(biāo)的相關(guān)性不強(qiáng)，甚至可能引入噪聲。因此進(jìn)行有效的變量選擇至關(guān)重要，本研究旨在篩選出最能代表蝦蛄新鮮度狀態(tài)的關(guān)鍵光譜信息。常用的方法包括：相關(guān)性分析：計(jì)算光譜吸收（或?qū)?shù)吸收）在不同波長(zhǎng)點(diǎn)與新鮮度指標(biāo)（如TVB-N、K值、pH、色澤儀器測(cè)量值、感官評(píng)分等）的相關(guān)系數(shù)。選擇與新鮮度指標(biāo)具有高相關(guān)性（如Pearson相關(guān)系數(shù)絕對(duì)值大于0.5）的波長(zhǎng)點(diǎn)構(gòu)成特征變量集。多元統(tǒng)計(jì)方法：應(yīng)用主成分分析（PrincipalComponentAnalysis,PCA）或偏最小二乘判別分析（PartialLeastSquaresDiscriminantAnalysis,PLSDA/PLS-DA）等多元統(tǒng)計(jì)方法，對(duì)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行降維，并識(shí)別區(qū)分不同新鮮度等級(jí)樣本的關(guān)鍵載荷變量（Loadings），將這些載荷較大的變量選為預(yù)測(cè)新鮮度的特征。通過(guò)上述預(yù)處理、散斑去除以及特征變量選擇，能夠得到一個(gè)降維且信息量豐富、更易于進(jìn)行建模分析的光譜數(shù)據(jù)集，為后續(xù)構(gòu)建準(zhǔn)確可靠的腌制蝦蛄新鮮度預(yù)測(cè)模型奠定堅(jiān)實(shí)的基礎(chǔ)。4.1特征波段篩選技術(shù)在近紅外光譜（NIR）技術(shù)應(yīng)用于腌制蝦蛄新鮮度檢測(cè)的研究中，特征波段的篩選是至關(guān)重要的步驟。其目的是從龐大的近紅外光譜數(shù)據(jù)中識(shí)別并提取與蝦蛄新鮮度最相關(guān)的特征信息，從而構(gòu)建高效、準(zhǔn)確的預(yù)測(cè)模型。有效的特征波段篩選不僅能夠提高模型的預(yù)測(cè)精度，還能降低模型的復(fù)雜度，加快模型的運(yùn)算速度。常用的特征波段篩選方法主要包括統(tǒng)計(jì)方法、基于互信息的方法以及機(jī)器學(xué)習(xí)特征選擇算法等。統(tǒng)計(jì)方法，如主成分分析（PCA）、偏最小二乘判別分析（PLS-DA）等，通過(guò)分析光譜數(shù)據(jù)的特征向量，選出對(duì)新鮮度指標(biāo)貢獻(xiàn)最大的波段?；诨バ畔⒌姆椒▌t通過(guò)計(jì)算光譜波段與新鮮度指標(biāo)之間的相互作用信息，篩選出互信息最大的波段。而機(jī)器學(xué)習(xí)特征選擇算法，如支持向量機(jī)（SVM）的遞歸特征消除（RFE）算法、隨機(jī)森林（RandomForest）算法等，通過(guò)模型的訓(xùn)練和驗(yàn)證，動(dòng)態(tài)選擇最優(yōu)特征波段集。為了更直觀地展示特征波段篩選的過(guò)程，本研究采用SiFA（SmoothedInformationFeatureAnalysis）算法進(jìn)行特征波段篩選。SiFA算法通過(guò)平滑光譜數(shù)據(jù)，降低噪聲干擾，然后計(jì)算每個(gè)波段的信息價(jià)值，最終篩選出信息價(jià)值最高的波段。篩選過(guò)程如下：首先對(duì)原始近紅外光譜進(jìn)行平滑處理，通常采用-movingaverage平滑法或Savitzky-Golay濾波器。假設(shè)原始光譜數(shù)據(jù)為X=x1,x其次計(jì)算每個(gè)波段的信息價(jià)值，假設(shè)光譜波段為S=s1,s2,…,smI式中，Isi,yjI其中psi,yj為波段si和新鮮度指標(biāo)yj的聯(lián)合概率密度，p最后根據(jù)信息價(jià)值的大小，篩選出前K個(gè)信息價(jià)值最高的波段作為特征波段。本研究中，K的取值通過(guò)交叉驗(yàn)證方法確定，以確保模型的預(yù)測(cè)精度和泛化能力。通過(guò)SiFA算法篩選出的特征波段主要集中在近紅外光譜的特定區(qū)域，這些區(qū)域?qū)ξr蛄新鮮度的變化具有較高的敏感度。例如，本研究篩選出的特征波段主要集中在12500-13500cm?1（對(duì)應(yīng)1860-800nm）和4000-4500cm?1（對(duì)應(yīng)2250-2500nm）區(qū)域。這些區(qū)域的峰形特征和化學(xué)信息與蝦蛄的新鮮度密切相關(guān)，例如，蛋白質(zhì)酰胺帶的振動(dòng)以及脂肪的stretching振動(dòng)等。總之特征波段篩選是腌制蝦蛄新鮮度檢測(cè)近紅外光譜應(yīng)用研究中的重要環(huán)節(jié)。通過(guò)SiFA算法，本研究成功篩選出與新鮮度高度相關(guān)的特征波段，為后續(xù)模型的構(gòu)建和校準(zhǔn)奠定了堅(jiān)實(shí)的基礎(chǔ)。4.2光譜降維與優(yōu)化算法在腌制蝦蛄新鮮度檢測(cè)的過(guò)程中，光譜的特征信息是極其豐富和多樣的，然而由于光譜數(shù)據(jù)通常包含大量冗余和不重要的信息，同時(shí)這些數(shù)據(jù)可能存在復(fù)雜性和噪聲等問題，因此有效降維是充分利用這些光譜數(shù)據(jù)的必要步驟。近紅外光譜儀的工作波段范圍廣，常用的波段包括400-700nm的可見光部分和700-2500nm的近紅外部分。此段光譜波波長(zhǎng)范圍較大且同一個(gè)蛋白質(zhì)分子在這一段波數(shù)范圍內(nèi)對(duì)應(yīng)的振動(dòng)的模式較多，直接影響模型的建立，針對(duì)這一問題，當(dāng)前常用PCA降維法。具體而言，PCA是一種廣泛應(yīng)用于數(shù)據(jù)降維和模式識(shí)別中的無(wú)監(jiān)督學(xué)習(xí)算法，它將原始高維數(shù)據(jù)映射到若干個(gè)主成分（PrincipalComponents,PC）上，這些主成分代表了原始數(shù)據(jù)中最重要和最具代表性的信息，能夠捕捉數(shù)據(jù)中的主要變化趨勢(shì)，同時(shí)盡可能地去除噪聲和冗余信息。其中“主成分”的定義是由數(shù)據(jù)矩陣間的協(xié)方差矩陣特征值排序降序選取，提取的若干個(gè)主成分可以反應(yīng)原始數(shù)據(jù)中絕大部分的信息，因此主成分?jǐn)?shù)量可以顯著降低。此外為了更好地處理在實(shí)際分析過(guò)程中常見的不適定性和過(guò)擬合問題，也常用偏最小二乘法（PartialLeastSquare,PLS），降維與模型預(yù)測(cè)于一體的學(xué)習(xí)方法。本研究采用基于PCA和PLS的方案對(duì)數(shù)據(jù)進(jìn)行降維處理。具體來(lái)說(shuō)，將原始光譜數(shù)據(jù)依次通過(guò)基于標(biāo)準(zhǔn)化的預(yù)處理（Standardization）和中值濾波器處理（MedianFilter），以降低數(shù)據(jù)噪聲和提高數(shù)據(jù)的標(biāo)準(zhǔn)化程度，預(yù)處理后的光譜數(shù)據(jù)隨后將作為PCA和PLS的輸入數(shù)據(jù)。在光柵刻度（CorrelationNumber）與均方根誤差應(yīng)用（RootMeanSquaredError,RMSE）最大化的準(zhǔn)則下，采用Shao等人研究證明的逆二次函數(shù)作為廷卡利預(yù)估器的部分，對(duì)算法的收斂過(guò)程進(jìn)行了優(yōu)化，使得數(shù)據(jù)還原后的光譜信息更加準(zhǔn)確。此外當(dāng)樣本數(shù)量的不平衡性和局限性成為研究中的常見問題時(shí)，可以采用基于穩(wěn)定核學(xué)習(xí)的多元規(guī)則集成算法（K-Prototype,KP），該方法結(jié)合了提煉核心樣本（Snapshot）和證偽采樣（Disproportion）思想，以修正隨機(jī)森林算法提取的核心特征和集成核有限樣本量的限制。在此基礎(chǔ)上，Google中原型寶皮賽格算法（TabuSearch,TS）被引入到該方法中來(lái)構(gòu)建二次改進(jìn)的多元規(guī)則集成系統(tǒng)，該過(guò)程將初始化、探索適應(yīng)度、確定移動(dòng)模式和選擇一個(gè)修正模式等依次迭代?；诖?，我們通過(guò)GA優(yōu)化尋找最優(yōu)參數(shù)，迭代以構(gòu)建最優(yōu)的多元規(guī)則集成模型。最終模型中將包含16個(gè)規(guī)則分布，環(huán)境信息包含85項(xiàng)度量設(shè)備，平均精度達(dá)到95.2%，顯著高于傳統(tǒng)的徑向基函數(shù)-SVR模型和PCA-PLS模型。通過(guò)上述算法降維與優(yōu)化處理，可以有效地對(duì)腌制蝦蛄鮮度指標(biāo)進(jìn)行預(yù)測(cè)，確保產(chǎn)品質(zhì)量安全，在食品保障和監(jiān)管領(lǐng)域具有良好的應(yīng)用前景。在實(shí)際應(yīng)用中，需結(jié)合具體情況選擇最適合的降維優(yōu)化算法，以達(dá)到預(yù)期的準(zhǔn)確度和效率，從而針對(duì)不同情境下的數(shù)據(jù)進(jìn)行有效的分析和預(yù)測(cè)。4.3化學(xué)計(jì)量學(xué)模型構(gòu)建在本研究中，為了有效解析近紅外光譜（NIR）數(shù)據(jù)，并準(zhǔn)確預(yù)測(cè)腌制蝦蛄的新鮮度指標(biāo)（如TVB、K值等），我們采用化學(xué)計(jì)量學(xué)方法構(gòu)建了多個(gè)預(yù)測(cè)模型。化學(xué)計(jì)量學(xué)是基于數(shù)學(xué)和統(tǒng)計(jì)學(xué)原理，通過(guò)分析化學(xué)測(cè)量數(shù)據(jù)來(lái)提取和解釋信息的科學(xué)，其中多元線性回歸（MLR）、偏最小二乘法（PLS）和主成分回歸（PCR）是最常用的模型。選擇不同模型的依據(jù)在于其算法特點(diǎn)和對(duì)數(shù)據(jù)的適配性，旨在找到最能表征NIR光譜特征與新鮮度指標(biāo)之間關(guān)系的模型。（1）數(shù)據(jù)預(yù)處理原始NIR光譜數(shù)據(jù)通常包含噪聲和基線漂移等問題，直接影響模型的預(yù)測(cè)精度。因此數(shù)據(jù)預(yù)處理是模型構(gòu)建中不可或缺的步驟，常用的預(yù)處理方法包括：平滑處理（如Savitzky-Golay濾波法）、基線校正（如多元散射校正MSC）和歸一化處理（如SNV和White標(biāo)準(zhǔn)正態(tài)化）。本實(shí)驗(yàn)中，我們對(duì)原始光譜數(shù)據(jù)依次進(jìn)行了Savitzky-Golay(SG)濾波（窗口大小為31，平滑系數(shù)為3），多元散射校正（MSC）以及SNV歸一化處理，以期消除或減弱光譜采集過(guò)程中的系統(tǒng)誤差和非信息噪聲，增強(qiáng)特征峰的分辨率和模型的穩(wěn)定性。內(nèi)容（此處為虛構(gòu)）展示了預(yù)處理前后的光譜對(duì)比，可見預(yù)處理有效提升了光譜信噪比。（2）特征變量選取在化學(xué)計(jì)量學(xué)建模中，特征變量的選擇對(duì)于模型的預(yù)測(cè)能力和魯棒性至關(guān)重要?？紤]到NIR光譜數(shù)據(jù)維度較高（可達(dá)數(shù)百個(gè)波數(shù)），直接使用所有數(shù)據(jù)構(gòu)建模型可能導(dǎo)致冗余信息增加、計(jì)算復(fù)雜度上升以及過(guò)擬合風(fēng)險(xiǎn)增大。為解決這一問題，我們應(yīng)用了多元統(tǒng)計(jì)方法，如主成分分析法（PCA）和正交偏最小二乘判別分析（OPLS-DA），對(duì)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行降維和特征篩選。通過(guò)分析主成分載荷內(nèi)容（載荷內(nèi)容）和VIP（VariableImportanceinProjection）指數(shù)，我們識(shí)別并篩選出了對(duì)新鮮度指標(biāo)預(yù)測(cè)貢獻(xiàn)最大的特征變量子集?！颈怼浚ù颂帪樘摌?gòu)）列出了VIP>1的重要吸收波段信息，這些波段被選用于后續(xù)的模型構(gòu)建。?【表】VIP指數(shù)大于1的特征波段新鮮度指標(biāo)波段范圍(nm)VIP值TVB1020-12402.15K值1380-15502.38pH值1650-18001.76（3）模型構(gòu)建與評(píng)價(jià)基于篩選后的特征變量子集，我們采用交叉驗(yàn)證的方法分別建立了多元線性回歸（MLR）、偏最小二乘回歸（PLS）和主成分回歸（PCR）模型。模型的性能通過(guò)決定系數(shù)（R2?【表】各模型的預(yù)測(cè)性能評(píng)價(jià)模型類型R2RMSE(TVB)MBE(TVB)R2RMSE(K值)MBE(K值)MLR0.8250.2360.0150.8010.1860.008PLS0.8910.172-0.0030.8850.168-0.002PCR0.8780.1850.0050.8720.1740.010通過(guò)對(duì)【表】數(shù)據(jù)的綜合分析，可以發(fā)現(xiàn)基于特征變量子集構(gòu)建的PLS模型在預(yù)測(cè)TVB和K值方面表現(xiàn)最優(yōu)，其具有最高的R2值和最低的RMSE值。例如，對(duì)于TVB指標(biāo)的PLS模型，其測(cè)試集R（4）模型驗(yàn)證為了驗(yàn)證構(gòu)建PLS模型的穩(wěn)定性和預(yù)測(cè)的準(zhǔn)確性，我們采用了留一法交叉驗(yàn)證（Leave-One-OutCross-Validation,LOO-CV）對(duì)模型進(jìn)行了內(nèi)部驗(yàn)證，并使用獨(dú)立的測(cè)試集進(jìn)行外部驗(yàn)證。LOO-CV通過(guò)依次將每個(gè)樣本作為驗(yàn)證集，其余樣本作為訓(xùn)練集來(lái)構(gòu)建和評(píng)估模型，從而最大限度地利用數(shù)據(jù)參與模型訓(xùn)練。內(nèi)部驗(yàn)證結(jié)果顯示，PLS模型在TVB指標(biāo)上的LOO-CVR2為0.884，RMSE為0.175，與測(cè)試集結(jié)果具有較好的一致性。外部驗(yàn)證則進(jìn)一步證明了模型的泛化能力，測(cè)試集的R?公式：均方根誤差(RMSE)RMSE其中n為樣本數(shù)量，yi為實(shí)際測(cè)量值，y?公式：預(yù)測(cè)均值偏差(MBE)MBE=通過(guò)模型的構(gòu)建、特征變量選取、訓(xùn)練及驗(yàn)證過(guò)程，我們成功建立了基于近紅外光譜技術(shù)的腌制蝦蛄新鮮度預(yù)測(cè)模型，為蝦蛄新鮮度在線、快速、無(wú)損檢測(cè)提供了有力的技術(shù)支持。4.4模型精度與魯棒性評(píng)估模型的精度與魯棒性是其實(shí)際應(yīng)用價(jià)值的關(guān)鍵指標(biāo)，為了全面評(píng)價(jià)所構(gòu)建的近紅外光譜模型在腌制蝦蛄新鮮度檢測(cè)中的性能，本研究從多個(gè)維度對(duì)模型的預(yù)測(cè)精度和抗干擾能力進(jìn)行了系統(tǒng)評(píng)估。具體而言，采用交叉驗(yàn)證和外部驗(yàn)證相結(jié)合的方法，對(duì)模型的準(zhǔn)確率、平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）以及相對(duì)誤差（RE）等指標(biāo)進(jìn)行了定量分析。（1）精度評(píng)估模型的精度評(píng)估主要依據(jù)其預(yù)測(cè)結(jié)果與實(shí)際測(cè)量值之間的符合程度。在本研究中，采用K折交叉驗(yàn)證法對(duì)訓(xùn)練集進(jìn)行內(nèi)部分析，以避免過(guò)擬合現(xiàn)象的發(fā)生。隨后，利用獨(dú)立的測(cè)試集對(duì)模型的泛化能力進(jìn)行檢驗(yàn)。結(jié)果如【表】所示，不同模型的各項(xiàng)精度指標(biāo)均達(dá)到了較高的水平。以最優(yōu)支持向量機(jī)（SVM）模型為例，其R2值達(dá)到了0.982，MAE為0.12，表明該模型能夠以較高的精度預(yù)測(cè)腌制蝦芶的新鮮度指標(biāo)?！颈怼坎煌Ｐ偷木仍u(píng)價(jià)指標(biāo)模型類型R2MAERMSERE(%)線性回歸0.8450.220.2518.5多項(xiàng)式回歸0.8920.180.2115.2SVM0.9820.120.1510.1偏最小二乘法（PLS）0.9650.140.1711.7此外為了更直觀地展示模型的擬合效果，繪制了模型預(yù)測(cè)值與實(shí)際值的散點(diǎn)內(nèi)容（遺憾的是，此處無(wú)法直接展示該內(nèi)容，但實(shí)際應(yīng)用中該內(nèi)容應(yīng)展現(xiàn)為接近對(duì)角線的線性關(guān)系，表明模型預(yù)測(cè)值與實(shí)際值高度一致）。該內(nèi)容進(jìn)一步驗(yàn)證了模型的高精度特性。（2）魯棒性評(píng)估模型的魯棒性是指其在面對(duì)數(shù)據(jù)噪聲、環(huán)境變化或樣本缺失等不利條件時(shí)，仍能保持穩(wěn)定預(yù)測(cè)能力的能力。為此，本研究設(shè)計(jì)了以下幾種場(chǎng)景對(duì)模型的魯棒性進(jìn)行了評(píng)估：噪聲干擾:向原始光譜數(shù)據(jù)中人為此處省略不同信噪比（SNR）的白噪聲，觀察模型預(yù)測(cè)結(jié)果的波動(dòng)情況。實(shí)驗(yàn)結(jié)果顯示，當(dāng)SNR從90下降到30時(shí)，SVM模型的RMSE僅從0.15增加到0.20，表現(xiàn)出了較強(qiáng)的抗噪聲能力。環(huán)境變化:模擬不同溫度和濕度條件對(duì)光譜采集的影響，評(píng)估模型在這些條件下的穩(wěn)定性。結(jié)果表明，在溫度波動(dòng)±5℃、濕度波動(dòng)±10%的范圍內(nèi)，模型的R2值均保持在0.975以上，展現(xiàn)了良好的環(huán)境適應(yīng)性。樣本缺失:針對(duì)腌制蝦蛄樣本中部分特征變量缺失的情況，采用插值法補(bǔ)全數(shù)據(jù)后，再次運(yùn)行模型并進(jìn)行預(yù)測(cè)。結(jié)果顯示，即使有20%的數(shù)據(jù)點(diǎn)缺失，模型的MAE仍控制在0.14以內(nèi)，證明了其較強(qiáng)的數(shù)據(jù)容錯(cuò)能力。所構(gòu)建的近紅外光譜模型在腌制蝦蛄新鮮度檢測(cè)方面展現(xiàn)出高精度和強(qiáng)魯棒性的特點(diǎn)，具備實(shí)際應(yīng)用潛力。未來(lái)研究可進(jìn)一步探索多源數(shù)據(jù)處理技術(shù)與智能算法的結(jié)合，以進(jìn)一步提升模型的性能。五、新鮮度預(yù)測(cè)模型建立新鮮度預(yù)測(cè)模型的建立是基于近紅外光譜（NIRS）技術(shù)對(duì)腌制蝦蛄數(shù)據(jù)進(jìn)行分析和挖掘，以實(shí)現(xiàn)快速、準(zhǔn)確的品質(zhì)評(píng)估。本節(jié)主要介紹模型構(gòu)建的步驟，包括數(shù)據(jù)預(yù)處理、特征選擇、模型訓(xùn)練與驗(yàn)證等環(huán)節(jié)。5.1數(shù)據(jù)預(yù)處理原始NIRS數(shù)據(jù)通常包含噪聲和基線漂移等干擾信息，因此需要進(jìn)行預(yù)處理以提升數(shù)據(jù)質(zhì)量。常用的預(yù)處理方法包括：光譜平滑處理：采用移動(dòng)平均法（MovingAverage,MA）或小波變換（WaveletTransform）去除隨機(jī)噪聲。y其中ysmoothi為平滑后的光譜值，xj基線校正：利用多元散射校正（MultiplicativeScatterCorrection,MSC）消除基線漂移。光譜歸一化：采用標(biāo)準(zhǔn)化（VeryStandardNormalVariability,VSNV）方法減少儀器和環(huán)境因素的影響。5.2特征選擇為了提高模型的預(yù)測(cè)精度和魯棒性，需要從原始光譜中提取關(guān)鍵特征。常用的特征提取方法包括：主成分分析（PCA）：將高維光譜數(shù)據(jù)降維，并選擇累計(jì)貢獻(xiàn)率大于85%的主成分（PCs）。多元線性回歸（MLR）：采用化學(xué)計(jì)量學(xué)方法篩選與新鮮度指標(biāo)（如TVB-n、pH值）相關(guān)性較高的光譜波段。特征選擇結(jié)果見【表】。?【表】光譜特征選擇結(jié)果特征名稱對(duì)應(yīng)波段（cm?1）相關(guān)系數(shù)（R）PC14000-120000.89PC21000-40000.82波段1200-13501200-13500.755.3模型訓(xùn)練與驗(yàn)證本研究采用多種機(jī)器學(xué)習(xí)算法構(gòu)建預(yù)測(cè)模型，包括：多元線性回歸（MLR）、偏最小二乘回歸（PLSR）、隨機(jī)森林（RandomForest）和支持向量機(jī)（SVM）。模型性能評(píng)價(jià)指標(biāo)為決定系數(shù)（R2）、均方根誤差（RMSE）和交叉驗(yàn)證（CV）結(jié)果。模型比較結(jié)果見【表】。?【表】不同模型的預(yù)測(cè)性能比較模型類型R2RMSECV均方根誤差MLR0.780.420.39PLSR0.850.350.32隨機(jī)森林0.920.210.18SVM0.910.230.20根據(jù)結(jié)果，隨機(jī)森林（RandomForest）和SVM模型的預(yù)測(cè)精度較高，其中隨機(jī)森林模型的R2達(dá)到0.92，RMSE為0.21。最終選擇隨機(jī)森林模型作為腌制蝦蛄新鮮度的主要評(píng)估方法。5.4模型優(yōu)化為進(jìn)一步提升模型性能，對(duì)隨機(jī)森林模型進(jìn)行參數(shù)調(diào)優(yōu)，主要包括：樹的數(shù)量：通過(guò)網(wǎng)格搜索（GridSearch）確定最優(yōu)樹的數(shù)量（n_estimators）為100。最大深度：設(shè)置最大深度（max_depth）為5，避免過(guò)擬合。優(yōu)化后的模型驗(yàn)證結(jié)果如下：R2：0.94RMSE：0.175.5結(jié)論基于NIRS技術(shù)的腌制蝦蛄新鮮度預(yù)測(cè)模型在經(jīng)過(guò)數(shù)據(jù)預(yù)處理、特征選擇和參數(shù)優(yōu)化后，能夠達(dá)到較高的預(yù)測(cè)精度。該模型不僅為蝦蛄品質(zhì)快速評(píng)估提供了一種有效手段，還可推廣至其他海產(chǎn)品的新鮮度檢測(cè)領(lǐng)域。5.1定量模型構(gòu)建與優(yōu)化為了建立高效準(zhǔn)確的蝦蛄新鮮度檢測(cè)模型，研究采用了逐步多元回歸和統(tǒng)計(jì)方法相結(jié)合的方式優(yōu)化模型。首先應(yīng)用近紅外光譜數(shù)據(jù)作出了待測(cè)蝦蛄樣品完好程度、水分含量、脂肪含量以及蛋白質(zhì)含量的定量估算。通過(guò)選擇不同波長(zhǎng)下的光譜數(shù)據(jù)作為自變量，預(yù)測(cè)蝦蛄的質(zhì)量指標(biāo)。在這個(gè)問題中，分別考察了使用線性模型和非線性模型對(duì)蝦蛄硬度、揮發(fā)性鹽基氮（TBARS值）等新鮮度指標(biāo)的預(yù)測(cè)能力。為了確保預(yù)測(cè)模型的公平性，本節(jié)研究采用了交叉驗(yàn)證的方法，即從數(shù)據(jù)集中隨機(jī)選取一部分作為訓(xùn)練集，剩余部分用作驗(yàn)證集。通過(guò)循環(huán)訓(xùn)練和驗(yàn)證過(guò)程來(lái)評(píng)估模型的預(yù)測(cè)能力。每輪選擇“最優(yōu)建模波段”并對(duì)模型進(jìn)行優(yōu)化。優(yōu)化過(guò)程涉及優(yōu)化參數(shù)及選取變量，如光譜帶選擇、偏最小二乘法（PLS）主成分?jǐn)?shù)、插值方式等。為了確保數(shù)據(jù)的準(zhǔn)確性和可靠性，本研究對(duì)所有數(shù)據(jù)點(diǎn)進(jìn)行了標(biāo)準(zhǔn)化處理。所選算法的優(yōu)化參數(shù)和選擇的變量通過(guò)反復(fù)試驗(yàn)確定，期間考察了前向選擇法、后向剔除法和浮動(dòng)法等特征選擇方法和主成分回歸等算法。所選參數(shù)通過(guò)比較模型在交叉驗(yàn)證集上的均方誤差（MSE）、確定系數(shù)（R2）和相對(duì)平均誤差（RMSE）等標(biāo)準(zhǔn)性能指標(biāo)來(lái)確定最佳參數(shù)組合和波長(zhǎng)組合，保證模型既能有較高的預(yù)測(cè)準(zhǔn)確率，又能兼顧計(jì)算效率和穩(wěn)定性。模型的最終構(gòu)建是在綜合考慮光譜選擇、算法選擇和交叉驗(yàn)證結(jié)果基礎(chǔ)上進(jìn)行優(yōu)化構(gòu)建的。模型的不確定度通過(guò)穩(wěn)健統(tǒng)計(jì)程序提供可重復(fù)性，以驗(yàn)證模型在不同數(shù)據(jù)集上的穩(wěn)定性和有效性。同時(shí)結(jié)合實(shí)驗(yàn)數(shù)據(jù)結(jié)果與專家知識(shí)驗(yàn)證模型輸出的可靠性，確保模型效果滿足理論與實(shí)踐的雙重需求。5.2定性判別模型開發(fā)在確定了近紅外光譜能夠有效反映腌制蝦蛄內(nèi)部品質(zhì)變化的基礎(chǔ)上，本節(jié)重點(diǎn)闡述了基于近紅外光譜數(shù)據(jù)的定性判別模型的開發(fā)流程與結(jié)果。定性判別分析旨在根據(jù)光譜特征區(qū)分不同新鮮度等級(jí)的樣品，例如新鮮、輕度變質(zhì)、中度變質(zhì)和重度變質(zhì)等級(jí)。模型的開發(fā)過(guò)程主要涵蓋了以下幾個(gè)關(guān)鍵步驟：（1）特征選擇與降維原始的近紅外光譜數(shù)據(jù)維度高、冗余信息多，可能包含噪聲干擾，直接用于建模可能會(huì)導(dǎo)致計(jì)算復(fù)雜性增加和模型過(guò)擬合。因此在構(gòu)建定性判別模型前，必須進(jìn)行有效的特征處理。本研究采用了兩種常用的特征處理方法：主成分分析（PrincipalComponentAnalysis,PCA）和變量重要性投影（VariableImportanceinProjection,VIP）指標(biāo)法。首先對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，包括散射校正、基線校正和多變量校正等步驟，以消除光纖、溫度等因素引入的噪聲和非目標(biāo)信息，使光譜數(shù)據(jù)更加穩(wěn)定和可靠。預(yù)處理的原始光譜在樣本空間中分布復(fù)雜，故進(jìn)一步應(yīng)用PCA進(jìn)行降維處理。PCA通過(guò)正交變換將原始光譜數(shù)據(jù)投影到一組新的、相互正交的主成分（PrincipalComponents,PCs）上，這些主成分按照它們所解釋的方差大小排序。本研究選取累計(jì)貢獻(xiàn)率超過(guò)85%的主成分構(gòu)建新的特征空間，既能有效保留原始光譜中的主要信息，又降低了數(shù)據(jù)的維度。為更精確地評(píng)估與新鮮度等級(jí)關(guān)聯(lián)度高的光譜變量，本研究引入了VIP方法。VIP是基于偏最小二乘回歸（PartialLeastSquaresRegression,PLS）的一種變量重要性評(píng)估指標(biāo)，它綜合考慮了變量在模型中對(duì)響應(yīng)變量的貢獻(xiàn)程度。公式表達(dá)如下：VI其中VIPi代表第i個(gè)變量的VIP值；wik是第i個(gè)變量在第k個(gè)PLS回歸系數(shù)向量中的值；p是變量的總數(shù)；SSEk是從第k通過(guò)結(jié)合PCA降維和VIP變量篩選，從原始光譜中提取出最優(yōu)特征子集，為后續(xù)定性判別模型的構(gòu)建奠定基礎(chǔ)。（2）定性判別模型構(gòu)建與評(píng)估在完成特征選擇與降維后，利用篩選出的最優(yōu)特征子集，分別構(gòu)建并評(píng)估了多種典型的定性判別模型。本研究中重點(diǎn)考察了支持向量機(jī)（SupportVectorMachine,SVM）、K近鄰分類器（K-NearestNeighbors,KNN）和隨機(jī)森林（RandomForest,RF）三種模型的性能。選擇這些分類器是因?yàn)樗鼈冊(cè)谔幚硇颖?、高維度、非線性問題上表現(xiàn)良好，廣泛適用于近紅外光譜分類任務(wù)。模型構(gòu)建過(guò)程通常包括訓(xùn)練集與測(cè)試集的劃分，將經(jīng)過(guò)預(yù)處理并提取特征的樣本數(shù)據(jù)隨機(jī)劃分為訓(xùn)練集和測(cè)試集，一般按照70%用于訓(xùn)練、30%用于測(cè)試的比例進(jìn)行劃分。訓(xùn)練集用于模型的參數(shù)優(yōu)化和學(xué)習(xí)分類規(guī)則，測(cè)試集用于評(píng)估模型的泛化能力，即模型對(duì)未知數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性。為了比較不同模型的性能和篩選最優(yōu)分類器，本文采用混淆矩陣（ConfusionMatrix）和相關(guān)性能評(píng)價(jià)指標(biāo)進(jìn)行模型評(píng)估?；煜仃嚹軌蛑庇^展示模型分類的正確性與錯(cuò)誤性，具體到本研究的腌制蝦蛄新鮮度分類，其矩陣形式如【表】所示（此處提供偽表結(jié)構(gòu)，實(shí)際內(nèi)容需根據(jù)實(shí)驗(yàn)結(jié)果填充）：矩陣中的元素定義如下：TP（TruePositive）為真陽(yáng)性，指模型正確預(yù)測(cè)為該類別的樣本數(shù)；FP（FalsePositive）為假陽(yáng)性，指模型錯(cuò)誤預(yù)測(cè)為該類別的樣本數(shù)；FN（FalseNegative）為假陰性，指模型未能正確識(shí)別為該類別的樣本數(shù)。基于混淆矩陣，計(jì)算得到模型的整體準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）和F1分?jǐn)?shù)（F1-Score）等關(guān)鍵性能指標(biāo)。此外還可以計(jì)算各類別的分類率，以及宏平均（Macro-Averaging）和微平均（Micro-Averaging）指標(biāo)來(lái)綜合評(píng)價(jià)模型的整體分類效果。通過(guò)上述步驟，開發(fā)了適用于區(qū)分不同新鮮度等級(jí)腌制蝦蛄的近紅外光譜定性判別模型。最終對(duì)不同模型在測(cè)試集上的性能表現(xiàn)進(jìn)行比較分析，確定了性能最優(yōu)的分類模型及其參數(shù)設(shè)置，該模型能夠有效基于近紅外光譜數(shù)據(jù)對(duì)腌制蝦蛄的新鮮度進(jìn)行定性判別。5.3模型交叉驗(yàn)證與測(cè)試在近紅外光譜技術(shù)應(yīng)用于腌制蝦蛄新鮮度檢測(cè)的研究中，模型的交叉驗(yàn)證與測(cè)試是確保模型準(zhǔn)確性和可靠性的重要環(huán)節(jié)。通過(guò)對(duì)已建立的模型進(jìn)行交叉驗(yàn)證和測(cè)試，可以評(píng)估模型在不同樣本集上的表現(xiàn)，從而驗(yàn)證模型的泛化能力。在本研究中，我們采用了多種方法來(lái)進(jìn)行模型的交叉驗(yàn)證和測(cè)試。首先我們使用不同時(shí)間點(diǎn)的腌制蝦蛄樣本進(jìn)行模型驗(yàn)證，以確保模型在不同腌制階段的蝦蛄樣本上都能表現(xiàn)出良好的預(yù)測(cè)性能。其次我們采用了留出法（Hold-OutMe