專利名稱：：一種快速檢測黃酒品質(zhì)指標的方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及黃酒品質(zhì)指標的檢測方法，尤其是指一種快速檢測黃酒品質(zhì)指梯的方法。技術(shù)背景黃酒是以稻米、黍米、玉米、小米、小麥等糧食為主要原料，經(jīng)蒸煮、糖化、發(fā)酵、壓榨、過濾、貯存、勾兌等工藝生產(chǎn)的釀造酒。在黃酒生產(chǎn)過程中氨基酸態(tài)氮和酒精度是影響黃酒質(zhì)量的兩個重要的理化指標。氨基酸態(tài)氮，也稱為氨基氮或氨態(tài)氮，它能反映黃酒含氨基酸總量的水平。酒精度是指在100it4酒樣中，含酒精的毫升數(shù)，它關(guān)系到企業(yè)產(chǎn)品M量穩(wěn)定性以及質(zhì)量考核的重要內(nèi)容，這兩項指標對提高黃酒質(zhì)量、限制劣質(zhì)配制黃酒生產(chǎn)是有現(xiàn)實意義的。另外總糖、非糖固形物、氨基酸態(tài)氮、揮發(fā)脂和色率等指標也是對黃酒質(zhì)量考核的重要方面。目前檢測黃酒中的酒精度、總酸、總糖、氨態(tài)氮、非糖固形物、揮發(fā)酯和色率等指標的國家標準，仍采用常規(guī)的分析方法，操作繁瑣、復雜，所得到的分析結(jié)果時效性差。如何對其進行快速、準確的測定對降低成本、提高產(chǎn)品質(zhì)量具有重要的意義。..近紅外光譜(NIRS)技術(shù)是20世紀80年代迅速發(fā)展起來的一項測試技術(shù)，具有快速、無損耗、多成分同時分析、分析過程無污染、分析結(jié)果重現(xiàn)性高等優(yōu)點，已成為現(xiàn)代分析測試技術(shù)中的重要工具。進入21世紀90年代，隨著儀器、光纖和化學計量學技術(shù)的發(fā)展，近紅外光譜分析技術(shù)被廣泛應用于食品、制藥、煙草、農(nóng)業(yè)、化工等各個領(lǐng)域，并取得了顯著的經(jīng)濟和社會效益。偏最小二乘法(PLS)是化學計量學的重要內(nèi)容。
發(fā)明內(nèi)容為解決以上問題，本發(fā)明提供了一種操作簡單，可加快測試速度，大大提高時效性和生產(chǎn)效率的快速檢測黃酒品質(zhì)指標的方法。本發(fā)明所采用的技術(shù)方案為一種快速檢測黃酒品質(zhì)指標的方法，包培.以下步驟1)用傅立葉變換近紅外光譜儀和液體光纖探頭對待測黃酒樣品進行掃描，得到待測黃酒樣品譜圖；2)將步驟1)獲得的待測黃酒樣品譜圖調(diào)入光譜定量分析軟件包，利用預先建立的黃酒品質(zhì)指標模型，得出待測黃酒樣品品質(zhì)指標的含量。其中，黃酒品質(zhì)指標為酒精度、總酸、總糖、氨態(tài)氮、非糖固形物、揮發(fā)酯和色率中的一個或多個。其中，步驟2)所述的黃酒品質(zhì)指標模型的建立和檢驗優(yōu)化的方法包括如下(1)收集黃酒作為建立模型的標準樣品集；(2)用傅立葉變換近紅外光譜儀和液體光纖探頭對標準黃酒樣品進行掃描，得到標準樣品集的近紅外光譜圖；(3)以(2)中獲得的標準樣品集的近紅外光譜圖建立模型，根據(jù)不同品質(zhì)指標選擇建模區(qū)間及預處理方法，利用偏最小二乘法建立數(shù)學模型；(4)參照國標GB/T13662-2000和GB17946-2000黃酒的檢測方法測定標準樣品集各樣品的黃酒的各品質(zhì)指標的化學值；(5)參照步驟(4)中的化學值，用內(nèi)部交叉驗證法或光譜定量分析軟件包對模型進行檢驗和優(yōu)化。進一步的，所述的黃酒品質(zhì)指標模型建立和檢驗優(yōu)化方法的步驟(3)中的光譜預處理為一階導數(shù)法、矢量歸一法、最小-最大歸一法的一種或多種聯(lián)合使用。所述的黃酒品質(zhì)指標模型建立和檢驗優(yōu)化方法的步驟(4)中的內(nèi)部交叉驗證法的具體方法為每次交叉剔除1個或幾個樣品，用其他樣品建模預測被剔除的樣品得到樣品預測值，依次進行；并通過比較樣品預測值與其化學值的決定系數(shù)(R2)和均方根差(RMSECV)來衡量模型的質(zhì)量，其中，RMSECV和R2由以下公式計算其中A^^表示第i個樣品的化學值和樣品預測值之差，M為樣品數(shù)，yi為第i個樣品的化學值，y.為M個樣品預測值的平均值。進一步的，所述的黃酒品質(zhì)指標模型建立和檢驗優(yōu)化方法的步驟(4)中的光譜定量分析軟件包對模型進行檢驗的方法為輸入檢驗樣品集的標準光譜和相應的數(shù)據(jù)，利用優(yōu)化后建立的數(shù)學模型對檢驗樣品集進行預測。通過比較預測的均方根差(RMSEP)與模型交叉檢驗的均方根差(RMSECV)來衡量模型的性本發(fā)明的技術(shù)效果為在化學計量學的基礎(chǔ)上，用偏最小二乘法建立起模型，采用近紅外光譜分析技術(shù)，與現(xiàn)行國標的方法測定黃酒樣品中的酒精度、非糖固形物、總酸、總糖、氨態(tài)氮等主要成分作比較進行線型回歸，建立起相關(guān)模型，再以所建立的模型對未知的黃酒樣品中的上述主要成分進行預測。該方法操作簡單，可加快測試速度，大大提高時效性和生產(chǎn)效率，且測試過程無化學反應，無需化學試劑，無污染，屬于無損檢測，可以進一步應用于生產(chǎn)線上，實現(xiàn)在線檢測與控制。該檢測方法快捷而準確，若能在黃酒企業(yè)生產(chǎn)中推廣應用，為黃酒工業(yè)測定提供-'套高效、準確、快速的分析方法，逐步推廣近紅外技術(shù)在黃酒領(lǐng)域的應用，有望成為檢測黃酒主要成分的新的國家標準方法。圖1為黃酒的近紅外光譜2為酒精度預測值與真值交叉檢驗3為總酸預測值與真值交叉檢驗4為總糖預測值與真值交叉檢驗5為非糖固形物預測值與真值交叉檢驗6為氨基酸態(tài)氮預測值與真值交叉檢驗7為揮發(fā)酯預測值與真值交叉檢驗8為色率預測值與真值交叉檢驗圖具體實施方式1材料與方法1.1儀器設(shè)備傅立葉變換近紅外光譜儀，半導體冷卻高靈敏度的InGaAs檢測器，選用液體光纖探頭，以空氣為參比，光譜分辨率為8cm—1，掃描次數(shù)32次。1.2材料建立模型所用的樣品是選自紹興某酒廠(建立預模型時所采用的樣品是選用不同生產(chǎn)廠家和不同批次的同品種黃酒)，每項指標分別選用了80份黃酒樣1.3方法1.3.1標準樣品集含量的化學測定參照國標GB/T13662-2000和GB17946-2000黃酒的檢測方法測定黃酒中主要成分的含量，即化學值。氨基酸態(tài)氮含量變化為0.1%-2.0%，酒精度含量變化為8.0%-20.0%,總酸范圍3.0%-7.0%，糖含量變化為4,0%-53.0%，固形物含量變化范圍為20%-5596，揮發(fā)酯含量變化范圍為0.0%-0.5%。1.3.2數(shù)學模型的建立與優(yōu)化本發(fā)明采用偏最小二乘法(PLS)作為建立數(shù)學模型的化學計量學方法。并使用內(nèi)部交叉驗證法對模型進行優(yōu)化和驗證。即是每次交叉剔除一個或若干個樣品，用其他樣品建模預測被剔除的樣品，依次進行，并通過比較樣品預測值與化學值的決定系數(shù)(R"和均方根差(固SECV)來衡量模型的質(zhì)量。W和RMSECV由以下公式計算其中"^巧表示第i個樣品的化學值和交叉證實預測值之差，M為樣品數(shù),yi為第i個樣品的化學值，y,為M個樣品交叉預測值的平均值。本發(fā)明也可用外部檢驗集對模型進行檢驗輸入檢驗樣品集的標準光譜和化學值，利用優(yōu)化后建立的數(shù)學模型對檢驗樣品集進行預測，通過比較預測的均方根差(RMSEP)與模型交叉檢驗的均方根差(RMSECV)來衡量模型的性能。.2實例2.1黃酒樣品的近紅外光譜圖利用傅立葉變換近紅外光譜儀和液體光纖探頭對黃酒樣品進行掃描分析，都得到了清晰的光譜圖(見圖1)。鮮明的光譜吸收特征為黃酒的定量分析提供了豐富的信息基礎(chǔ)。2.2黃酒酒精度模型2.2.1酒精度模型建立采用一階導數(shù)對光譜進行預處理，利用偏最小二乘法建立數(shù)學模型。對所得模型進行交叉檢驗，如圖2，模型的預測值與真實值之間的相關(guān)系數(shù)12可達99.71，交叉驗證均方根差為0.143，預測平均偏差低至0.0008%,可見模型預測準確性很高。2.2.2酒精度模型檢驗用建好的模型對黃酒樣品的酒精度進行預測，預測結(jié)果與國標方法測定結(jié)果及其偏差見表l。預測結(jié)果的平均偏差為0,.85%，將預測結(jié)果與真值進行配對t檢驗，t值0.6888,表明近紅外預測結(jié)果與化學方法測定的結(jié)果無顯著性差異，所建立的酒精度模型應用于黃酒酒精度的檢測是準確可靠的。表1預測值與化學方法實測值比較結(jié)果Tab.lThecomparedresultofpredictiveandactualdata<table>tableseeoriginaldocumentpage9</column></row><table>17.417.51-0.1134.714.570.1311.311.41-0.11311.611.470.12917.417.340.055917.317.3-0.0029111.411.45-0.04.8317.117.010.087617.617.50.10417.817.710.089912.512.54-0.044317.5.17.66-0.1616.316.46-0.1611.611.65-0.05169.79.831-0.13111.811.520.27917.217.140.055417.417.42-0,022411.411.54-0.13917.617.370.22716.716.73-0.02997.517.7-0.20111.411.210.19317.617,550.054811.411.250.1479.69.885-0.28517.217.020.17617.617.560.042516.616.69-0.087416.916.880.020917.317.32-0.018617.517.51-0.01452.2.3酒精度模型預測重現(xiàn)性試驗隨機取某一黃酒樣品，用傅立葉變換近紅外光譜儀和液體光纖探頭對該樣品進行掃描采集光譜圖，采集10張光譜圖，通過模型預測其酒精度。計算預測結(jié)果的相對標準偏差(RSD)，以考察該模型的重現(xiàn)性。預測結(jié)果見表2，酒精度預測結(jié)果的RSD為0.79b，重現(xiàn)性良好，模型的測量精度能滿足分析的要求。表2.預測模型精度Tab,2Theprecisionformodels(n=10)測定次數(shù)酒精度(％)16.31215.94316,10416.09516.10616.26715.99816.00916.211016.03平均值16.103標準偏差(SD)0.1222_相對標準偏差(RSD)_^_2.3黃酒總酸模型2.3.1總酸模型的建立采用一階導數(shù)和矢量歸一化對光譜進行預處理，利用偏最小二乘法建立數(shù)學模型。對所得模型進行交叉檢驗，如圖3，模型的預測值與真實值之間的相關(guān)系數(shù)W為87.47，交叉驗證均方根差為0.127，預測平均偏差低至0.00029&，可見模型預測準確性較高。2.3.2總酸模型檢驗用建好的模型對黃酒樣品的總酸進行預測，預測結(jié)果與國標方法測定結(jié)果及其偏差見表3。預測結(jié)果的平均相對標準偏差為1.6%，將預測結(jié)果與真值進行配對t檢驗，t值0.9712，表明近紅外預測結(jié)果與化學方法測定的結(jié)果無顯著性差異，表明所建立的總酸模型應用于黃酒總酸度的檢測是準確可靠的。表3預測值與化學方法實測值比較結(jié)果Tab.3Thecomparedresultofpredictiveandactualdata真值預測值偏差真值預測值偏差5.35.314-0.01455.75.490.2165.8410.1595.55.686■0.18665.9530.04735.25.0270.1735.067-0.06675.65.636-0.03565.55.66-0.165.95,8730.02715.35.306-0.005795.75.714-0.01385.65.636-0.03595.65,761-0.1614.95.039-0.1395.65,5950.005166.15.咖0.2125.45.3410.05895.25.1030.096655.147-0.1475.85.7940.006035.85.6610.1394.94.925-0.0255.65.5140.0857<table>tableseeoriginaldocumentpage12</column></row><table>2.4黃酒總糖模型2.4.1總糖模型的建立采用矢量歸一化對光譜進行預處理，利用偏最小二乘法建立數(shù)學模型。對所得模型進行交叉檢驗，如圖4，模型的預測值與真實值之間的相關(guān)系數(shù)W為99.52，交叉驗證均方根差為0.753，預測平均偏差低至0.04144%,可見模型預測準確性較高。2.4.2總糖模型檢驗用建好的模型對黃酒樣品的總糖進行預測，預測結(jié)果與國標方法測定結(jié)果及其偏差見表3。預測結(jié)果的平均相對標準偏差為1.87%，將預測結(jié)果與真值進行配對t檢驗，t值0.3417，表明近紅外預測結(jié)果與化學方法測定的結(jié)果無顯著性差異，表明所建立的總糖模型應用于黃酒總糖的檢測是準確可靠的。表5預測值與化學方法實測值比較結(jié)果Tab.5Thecomparedresultofpredictiveandactualdata<table>tableseeoriginaldocumentpage12</column></row><table><table>tableseeoriginaldocumentpage13</column></row><table>2.5黃酒非糖固形物模型2.5.1非糖固形物模型的建立采用一階導數(shù)和矢量歸一化對光譜進行預處理，利用偏最小二乘法建立數(shù)學模型。對所得模型進行交叉檢驗，如圖5，模型的預測值與真實值之間的相關(guān)系數(shù)W為97.43,交叉驗證均方根差為1.21，預測平均偏差0.012559%,可見模型預測準確性較高。2.5.2非糖固形物模型檢驗用建好的模型對黃酒樣品的非糖固形物進行預測，預測結(jié)果與國標方法測定結(jié)果及其偏差見表7。預測結(jié)果的平均相對標準偏差為2.08%,將預測結(jié)果與真值進行配對t檢驗，t值0.8762，表明近紅外預測結(jié)果與化學方法測定的結(jié)果無顯著性差異，表明所建立的非糖固形物模型應用于黃酒非糖固形物的檢測是準確可靠的。表7預測值與化學方法實測值比較結(jié)果Tab.7Thecomparedresultofpredictiveandactualdata<table>tableseeoriginaldocumentpage13</column></row><table>53.654-0.3984446.11-2.1139.941.48-1.5844.844.410.39152.553.57-1.0752.251.230.9737.839.06-1.2640.940.570.33248.749.444.74150.951.11-0.2542.440.172.2341.142.17-1.075350.432.5748.146.761.3438.338.020.28.331.232.13-0.92842.641.341.2651.550.331,1752.751.21,54140.890.11245.144.580.52150.349.480.82340.741.03-0.32540.44.62-1.2249.950.22-0.31639.740.19-0.49128.227.30.89649.651.49-1.8949.548.31U950.150.16-0.059352.550.71.840.540.210.29340.740.540.16147.247.020.1844.744.62O.O柳4140.220.77851.654.25-2.6540.140.11力.005432.6黃酒氨基態(tài)氮模型2.6.1氨基態(tài)氮模型的建立采用一階導數(shù)和矢量歸一化對光譜進行預處理，利用偏最小二乘法建立數(shù)學模型。對所得模型進行交叉檢驗，如圖6，模型的預測值與真實值之間的相關(guān)系數(shù)R2為91.87，交叉驗證均方根差為0.0216，預測平均偏差低至0.0009%。2.6.2氨基態(tài)氮模型檢驗用建好的模型對黃酒樣品的氨基態(tài)氮進行預測，預測結(jié)果與國標方法測定結(jié)果及其偏差見表9。預測結(jié)果的平均相對標準偏差為2.44%，將預測結(jié)果與真值進行配對t檢驗，t值0.7918，表明近紅外預測結(jié)果與化學方法測定的結(jié)果無顯著性差異，表明所建立的氨基態(tài)氮模型應用于黃酒氨基態(tài)氮的檢測是準崎可靠的。表9預測值與化學方法實測值比較結(jié)果Tab.9Thecomparedresultofpredictiveandactualdata真值預測值偏差真值預測值偏差0.710.70310.00690.780.8223■0.04230.80.8318-0.0380.570.54960.02040.870.83380.03620.830.8070.0230.80.8149-0.01490.80.8203-0.02030.710.68530.02470.830.82360.006410.850.83480.01520.810.80140細60.670,6812-0.01120.650.63930.01070.790.8056-0.01560.690.7415-0.05150.670.65180.01820.710.68860.02140:780.8223-0.04230.830.81190.01810.550.5813-0.03130.750.7772-0.02720.850.84590.004130.780.787-0.006訴0.670.683-0.0130.80.7940.006040.80,8183■0.01830.70.7111-0.01110.70.68310.01690.710.70640.003580.710.69990.01010.840.8595-0.01950.80.78860.01140.790.76050,02950.840.82780.01220.790.7(5450.02550.820.8010.0190.80.79650.003460.780.77950細5450.620.6481-0.02812.7黃酒揮發(fā)酯模型2.7.1揮發(fā)酯模型的建立采用一階導數(shù)和矢量歸一化對光譜進行預處理，利用偏最小二乘法建立數(shù)學模型。對所得模型進行交叉檢驗，如圖7，模型的預測值與真實值之間的相關(guān)系數(shù)R2為64.53，交叉驗證均方根差為0.0217，預測平均偏差低至0.00075%。由于揮發(fā)酯的量非常少，近紅外在檢測微量成分的時候存在一定的誤差，模型該模型的準確性較差。2.7.2揮發(fā)酯模型檢驗用建好的模型對黃酒樣品的揮發(fā)酯進行預測，預測結(jié)果與國標方法測定結(jié)果及其偏差見表ll。預測結(jié)果的平均相對標準偏差為7.1%，將預測結(jié)果與真值進行配對t檢驗，t值0.7531,表明近紅外預測結(jié)果與化學方法測定的結(jié)果不存在顯著性差異，表明所建立的揮發(fā)酯模型可以應用于黃酒揮發(fā)酯的檢測，但存在一定的誤差，對黃酒生產(chǎn)和品質(zhì)控制仍然存在一定的指導作用。表ll預測值與化學方法實測值比較結(jié)果Tab.l1Thecomparedresultofpredictiveandactualdata真值預測值偏差真值預測值偏差0.340.2訴10.04190.260.25610.003930.20.2312-0.03120.270.31-0.040.20.2264-0.02640.270.24660.02340.270.24910.02090.270.26420.005850.240.2604-0.02040.260.2884-0,02840.260.2550.005050.330.29790,03210.350.35430.004310.290.26450.02550.240.2583-0.01830.270,24830.02170.320.322-0.001970.260.25620.003790.340.310.030.280.2858-0.005810.260.2624-0.002430.250.267-0.0170.270.3018-0.03180.340.32950.01050.320.3294-0.009350.240.2546-0.01460,280.3103-0.03030.270.25670.01330.250.21930.03070.250.2541-0.004130.270.26660.003430.270.26420.005810.30.27720.02280.280.25130.02870.340.30640.03360.320.28810.03190.250.23910.01090.230.2584■0.02840.280.3219-0.04.190.290.3057-0.01572.8黃酒色率模型2.8.1色率模型的建立采用一階導數(shù)和矢量歸一化對光譜進行預處理，利用偏最小二乘法建立數(shù)學模型。對所得模型進行交叉檢驗，如圖8，模型的預測值與真實值之間的相關(guān)系數(shù)W為78.39，交叉驗證均方根差為110，預測平均偏差1.18%。2.8.2色率模型檢驗用建好的模型對黃酒樣品的色率進行預測，預測結(jié)果與國標方法測定結(jié)果及其偏差見表13。預測結(jié)果的平均相對標準偏差為4.8%，將預測結(jié)果與真值進行配對t檢驗，t值0.6286，表明近紅外預測結(jié)果與化學方法測定的結(jié)果不存在顯著性差異，表明所建立的色率模型可以應用于黃酒色率的檢測。表13預測值與化學方法實測值比較結(jié)果Tab.13Thecomparedresultofpredictiveandactualdata<table>tableseeoriginaldocumentpage17</column></row><table>3待測黃酒樣品的檢測1)用傅立葉變換近紅外光譜儀和液體光纖探頭對待測黃酒樣品進行掃描，得到待測黃酒樣品譜圖；2)將步驟l)獲得的待測黃酒樣品譜圖調(diào)入光譜定量分析軟件包，利用上面建立和檢驗優(yōu)化的黃酒品質(zhì)指標模型，得出待測黃酒樣品品質(zhì)指標的含量。本發(fā)明采用了近紅外光譜法，具有分析速度快、不消耗化學試劑等特點。本發(fā)明可以同時檢測酒精度、總酸、總糖、氨態(tài)氮、非糖固形物、揮發(fā)酯和色率等指標也可以檢測單個指標，克服了常規(guī)分析方法的缺點，是黃酒質(zhì)量控制和檢測中的一種快速檢測新方法。權(quán)利要求1.一種快速檢測黃酒品質(zhì)指標的方法，包括以下步驟1)用傅立葉變換近紅外光譜儀和液體光纖探頭對待測黃酒樣品進行掃描，得到待測黃酒樣品譜圖；2)將步驟1)獲得的待測黃酒樣品譜圖調(diào)入光譜定量分析軟件包，利用預先建立和檢驗優(yōu)化的黃酒品質(zhì)指標模型，得出待測黃酒樣品品質(zhì)指標的含量。2.根據(jù)權(quán)利要求1所述的一種快速檢測黃酒品質(zhì)指標的方法，其特征在于所述黃酒品質(zhì)指標為酒精度、總酸、總糖、氨態(tài)氮、非糖固形物、揮發(fā)酯和色率中的一個或多個。3.根據(jù)權(quán)利要求1或2所述的一種快速檢測黃酒品質(zhì)指標的方法，其特征在于所述黃酒品質(zhì)指標模型的建立和檢驗優(yōu)化的方法包括如下步驟(1)收集黃酒作為建立模型的標準樣品集；(2)用傅立葉變換近紅外光譜儀和液體光纖探頭對標準黃酒樣品進行掃描，得到標準樣品集的近紅外光譜圖；(3)以(2)中獲得的標準樣品集的近紅外光譜圖建立模型，根據(jù)不同品質(zhì)指標選擇建模區(qū)間及預處理方法，利用偏最小二乘法建立數(shù)學模型；(4)參照國標GB/T13662-2000和GB17946-2000黃酒的檢測方法測定標準樣品集各樣品的黃酒的各品質(zhì)指標的化學值；(5)參照步驟(4)屮的化學值，用內(nèi)部交叉驗證法或光譜定量分析軟件包對模型進行檢驗和優(yōu)化。4.根據(jù)權(quán)利要求3所述的一種快速檢測黃酒品質(zhì)指標的方法，其特征在于所述的步驟(3)中的預處理方法為一階導數(shù)法、消除常數(shù)偏移量、矢量歸一法和最小-最大歸一法中的一種或多種聯(lián)合使用。5.根據(jù)權(quán)利要求3所述的一種快速檢測黃酒品質(zhì)指標的方法，其特征在于所述的黃酒品質(zhì)指標模型建立和檢驗優(yōu)化方法的步驟(4)中的內(nèi)部交叉^i證法的具體方法為每次交叉剔除一個或若干個樣品，用其他樣品建模預測被剔除的樣品得到樣品預測值，依次進行.；并通過比較樣品預測值與其化學值的決定系數(shù)(R"和均方根差(RMSECV)來衡量模型的質(zhì)量，其中，RMSECV和R2由以下公式計算其中^^表示第i個樣品的化學值和樣品預測值之差，M為樣品數(shù)，yi為第i個樣品的化學值，5^為M個樣品預測值的平均值。6.根據(jù)權(quán)利要求3所述的一種快速檢測黃酒品質(zhì)指標的方法，其特征在于所述的步驟(4)中的光譜定量分析軟件包對模型進行檢驗的方法為輸入檢驗樣品集的標準光譜和化學值，利用優(yōu)化后建立的數(shù)學模型對檢驗樣品集進行預測，通過比較預測的均方根差(RMSEP)與模型交叉檢驗的均方根差(RMSECV)來衡量模型的性能。全文摘要本發(fā)明涉及黃酒品質(zhì)指標的檢測方法，尤其是指一種快速檢測黃酒品質(zhì)指標的方法。本發(fā)明提供了一種操作簡單，可加快測試速度，大大提高時效性和生產(chǎn)效率的快速檢測黃酒品質(zhì)指標的方法。包括以下步驟1)用傅立葉變換近紅外光譜儀和液體光纖探頭對待測黃酒樣品進行掃描，得到待測黃酒樣品譜圖；2)將步驟1)獲得的待測黃酒樣品譜圖調(diào)入光譜定量分析軟件包，利用預先建立的黃酒品質(zhì)指標模型，得出待測黃酒樣品品質(zhì)指標的含量。其中，黃酒品質(zhì)指標為酒精度、總酸、總糖、氨態(tài)氮、非糖固形物、揮發(fā)酯和色率中的一個或多個。本發(fā)明操作簡單，可加快測試速度，且測試過程無污染，屬于無損檢測，可以進一步應用于生產(chǎn)線上，實現(xiàn)在線檢測與控制。文檔編號G01N21/27GK101216419SQ20071030684公開日2008年7月9日申請日期2007年12月28日優(yōu)先權(quán)日2007年12月28日發(fā)明者郁陳申請人:郁陳