山梨酸钾是日常生活中一种典型的食品防腐剂。 过量食用防腐剂山梨酸钾, 会严重危害人身体健康。 以橙汁作为背景溶液, 配制山梨酸钾含量在0.007 0～0.100 0 g·L-1之间的山梨酸钾橙汁溶液样本共22组。 应用FS920荧光光谱仪对防腐剂山梨酸钾的水溶液以及橙汁溶液的荧光特性进行了研究。 由于山梨酸钾和橙汁的荧光特性相互干扰, 山梨酸钾橙汁溶液的浓度与荧光强度不再满足线性关系, 所以物质浓度的预测比较复杂。 通过构建改进鸡群算法优化支持向量机(ICSO-SVM)的模型对荧光光谱数据进行处理。 模型选取18个样本作为训练集, 4个样本作为预测集。 提取各样本在最佳激发波长λex=375 nm下, 发射波长在450～520 nm范围内的荧光强度值作为输入, 以山梨酸钾橙汁溶液的浓度值作为输出。 首先对改进鸡群算法(ICSO)的各个参数进行初始化, 然后经过训练输出支持向量机(SVM)的惩罚因子C和核参数g的最佳值, 再将得到的最佳值输入SVM模型, 得到4组预测浓度值分别为0.011 5, 0.026 0, 0.077 0和0.092 0 g·L-1。 ICSO-SVM模型的均方误差为1.02×10-5 g·L-1, 平均回收率为101.88%。 相同条件下与鸡群算法优化支持向量机(CSO-SVM)、 遗传算法优化支持向量机(GA-SVM)和粒子群算法优化支持向量机(PSO-SVM)进行对比。 结果表明ICSO-SVM模型的预测精度高于CSO-SVM, GA-SVM和PSO-SVM, 而且改进鸡群算法在训练过程中更容易找到全局最优值, 迭代速度更快。 该研究为物质浓度预测提供了一种新方法。

基于实验室自行搭建的拉曼点扫描系统, 以市售鸡尾酒为研究对象柠檬酸钠还原硝酸银配制的银溶胶作为表面增强剂, 探讨了鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的同时快速检测方法。 首先确定鸡尾酒中苯甲酸钠拉曼特征峰为846.1, 1 007和1 605 cm-1, 山梨酸钾拉曼特征峰为1 164, 1 389和1 651 cm-1, 进而对它们拉曼特征位移强度稳定性及鸡尾酒中两种防腐剂对拉曼特征位移强度的相互影响进行了分析。 结果表明, 利用该方法采集的鸡尾酒中苯甲酸钠和山梨酸钾表面增强拉曼特征位移强度具有较高的稳定性, 而且鸡尾酒中苯甲酸钠和山梨酸钾的拉曼特征位移强度相互影响并不大, 具有较高的稳定性。 分别制备苯甲酸钠浓度范围为0.154 3~1.5 g·kg-1的42个鸡尾酒样品及山梨酸钾浓度范围为0.062~1.5 g·kg-1的45个鸡尾酒样品, 分别建立了苯甲酸钠和山梨酸钾的线性回归模型。 选用最佳的苯甲酸钠1 007和1 605 cm-1二元线性回归预测模型与山梨酸钾的1 164和1 651 cm-1二元线性回归预测模型, 对不同浓度苯甲酸钠和山梨酸钾43个鸡尾酒样品进行了苯甲酸钠和山梨酸钾同时预测验证。 结果显示, 鸡尾酒中苯甲酸钠和山梨酸钾预测值与实际值相关系数(r)分别为0.949 3和0.921 8, 均方根误差(RMSE)分别为0.088 2和0.142 9 g·kg-1。 基于银溶胶表面增强拉曼完全可以实现鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的快速同时检测, 为液态食品中防腐剂的同时快速监测提供了技术支撑。

根据硝酸钠自身化学性质较稳定且拉曼特征峰与被测组分山梨酸钾谱峰能完全分离的特点,以硝酸钠为内标物对食品中常用防腐剂山梨酸钾的拉曼光谱进行校正;以质量分数为0.1的硝酸钠在拉曼特征位移1053 cm ^-1处的特征峰作为内标峰,分别计算其与49个样品中相同浓度硝酸钠特征峰强的相对比值,用相对比值分别校正49个样品的山梨酸钾特征峰强,采用一元线性回归分析对山梨酸钾进行定量建模分析。结果表明:校正后,山梨酸钾预测模型校正集和预测集的相关系数显著增大,山梨酸钾在1399 cm ^-1处特征峰强的一元线性回归定量预测模型校正集和预测集相关系数的平方分别为0.9885、0.9865,均方根误差分别为3.0384×10 ^-3、3.7643×10 ^-3;基于最佳预测模型对新配制的18个新样品进行预测,预测值和真实值的相关系数的平方为0.9799,均方根误差为4.8702×10 ^-3,说明用硝酸钠内标法可以有效减小检测仪器、检测环境以及人为因素对山梨酸钾拉曼峰强的影响,提高被测物预测模型的精度。

食品安全隐患越来越受到重视, 而食品添加剂的过量使用更是个重要的因素。应用FS920荧光光谱仪, 研究了防腐剂山梨酸钾的荧光特性, 得到山梨酸钾荧光特征峰于λex/λem=375/490nm采用基于最小二乘支持向量机对橙汁溶液中防腐剂山梨酸钾进行检测, 通过改进的遗传算法寻优最小二乘支持向量机参数。经过样本训练得到橙汁溶液山梨酸钾的回归模型, 对未知浓度的溶液进行预测, 将新算法与基本遗传算法寻优的模型和BP神经网络对比。结果表明, 自适应遗传-最小二乘支持向量机建立的预测模型在平均相对误差3.54%和平均回收率96.46%都是最优的,是一种准确有效的橙汁中山梨酸钾浓度检测方案。

自行搭建的拉曼光谱点扫描系统, 以柠檬酸钠还原法配制的SC银溶胶为表面增强剂, 建立了桂花酒中山梨酸钾的定量预测模型, 模型校正集决定系数（R2C）和均方根误差（RMSEC）分别为0.978 9和0.070 3 g·kg-1, 验证集决定系数（R2P）和均方根误差（RMSEP）分别为0.934和0.165 7 g·kg-1。 桂花酒中山梨酸钾的定量预测模型为主光谱模型, 结合K/S算法, 探讨了基于DS算法和PDS算法将桂花酒主光谱模型向杨梅酒的修正传递方法。 结果显示, 用K/S算法选取4个杨梅酒样品, 基于DS算法传递桂花酒主光谱模型验证结果RP和RMSEP值分别为0.906 1和0.215 0 g·kg-1。 K/S算法选取3个杨梅酒样品（窗口宽度为5）, 基于PDS算法传递桂花酒主光谱模型验证结果RP和RMSEP值分别为0.905 5和0.225 0 g·kg-1。 DS算法和PDS算法均可以用少量样品将桂花酒中山梨酸钾的主光谱预测模型有效传递给杨梅酒, 实现了一种被测物预测模型在同类物种间的传递, 具有重要实用意义。

采用太赫兹时域光谱(THz-TDS)技术测量了奶粉、山梨酸钾及其混合物在0.2～2.0 THz波段的光谱特性, 得到了样品在室温氮气环境下的吸收谱和折射率谱。结果表明山梨酸钾在0.98 THz处存在明显的特征吸收峰。采用简单一元线性回归模型(SLR)对奶粉中山梨酸钾的含量进行了定量分析, 结果表明吸收系数随着混合物中山梨酸钾含量的增大而增大。该研究对于食品质量安全检测具有重要意义。

基于实验室自行搭建的拉曼光谱点扫描系统, 利用表面增强拉曼技术对橙味饮料中山梨酸钾的含量进行了定量快速检测研究。 通过与山梨酸钾标准品拉曼光谱及其水溶液表面增强拉曼光谱等比较分析, 确定了山梨酸钾1 648.4, 1 389.3和1 161.8 cm-1处的表面增强特征拉曼位移。 通过山梨酸钾橙味饮料平行样品的拉曼位移峰强重现性实验并计算其峰强的相对标准偏差证实了该表面增强拉曼方法具有较好的重复性。 采集了山梨酸钾浓度范围为1.706～0.180 7 g·kg-1的33个橙味饮料样品的表面增强拉曼光谱, 所有原始光谱经S-G 5点平滑及Baseline基线去除荧光背景预处理后分别用一元线性回归分析、 多元线性回归分析和偏最小二乘回归分析方法, 建立了山梨酸钾的定量预测模型。 经比较, 选取三个山梨酸钾拉曼特征位移1 161.8, 1 389.3和1 648.4 cm-1所建立的多元线性回归模型校正集的相关系数(R2C)和均方根误差(RMSEC)分别为0.983 7和0.051 7 g·kg-1, 验证集的相关系数(R2P)和均方根误差(RMSEP)分别为和0.969 9和0.052 8 g·kg-1, 比一元线性回归模型和偏最小二乘回归模型误差小、 精度高。 基于表面增强拉曼完全可以实现橙味饮料中山梨酸钾的定量快速预测, 为各类食品中山梨酸钾含量的快速监测奠定了技术基础。

研究了山梨酸钾在水溶液和橙汁中的荧光特性, 结果表明在两种溶液中山梨酸钾的荧光特性虽然有很大的区别, 但是它们的荧光特征峰都存在于λex/λem=375/490 nm。 从二维荧光光谱可以看出, 橙汁中山梨酸钾的浓度和相对荧光强度关系错综复杂, 两者不再满足线性关系。 为了准确测定橙汁中山梨酸钾的浓度, 提出了一种微粒群(PSO)算法优化的误差逆向传播(BP)神经网络的新方法。 两组预测浓度的相对误差分别为1.83%和1.53%, 预测结果表明该方法具有可行性。 在浓度范围为0.1~2.0 g·L-1内, PSO-BP神经网络能够完成橙汁中梨酸钾浓度的准确测定。

山梨酸钾是一种常用防腐剂，应用非常广泛，但食用过量会严重危害人体健康。研究了山梨酸钾在水溶液和橙汁中的荧光特性，山梨酸钾水溶液荧光特征峰为λex /λem = 375 nm/485 nm ，山梨酸钾和橙汁的混合溶液除了存在此荧光特征峰，还有一个侧峰λex /λem = 470 nm/540 nm 。在混合溶液中，橙汁和山梨酸钾的荧光特性相互干扰，加大了山梨酸钾浓度检测的难度。为准确测定混合溶液中山梨酸钾的浓度，采用微粒群算法优化的误差逆向传播(PSO-BP)神经网络对其进行检测。3 组预测样本的平均回收率为98.97%，PSO-BP 神经网络能够精确测定混合溶液中山梨酸钾的质量浓度范围为0.1~2.0 g/L。预测结果表明荧光光谱法和PSO-BP 神经网络相结合的方法能有效地检测山梨酸钾在橙汁中的浓度。