zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-432Research ArticleСтатьиПРИМЕНЕНИЕ СИНХРОННОЙ ФЛУОРЕСЦЕНТНОЙ СПЕКТРОСКОПИИ И ХЕМОМЕТРИЧЕСКИХ МЕТОДОВ ДЛЯ РАСПОЗНАВАНИЯ АЛКОГОЛЬНЫХ НАПИТКОВ С СИЛЬНЫМ АРОМАТОМDISCRIMINATION OF BRANDS OF STRONG AROMA TYPE LIQUORS USING SYNCHRONOUS FLUORESCENCE SPECTROSCOPY AND CHEMOMETRICS METHODSZhuZ. -W.ZhuZ. -W.zhuzhuowei2004@163.comChenG. -Q.ChenG. -Q.noemail@neicon.ruWuY. -M.WuY. -M.noemail@neicon.ruXuY. .XuY. .noemail@neicon.ruZhuT. .ZhuT. .noemail@neicon.ruНаучная школа Университета ЦзяннаньSchool of Science, Jiangnan UniversityШкола биотехнологии Университета ЦзяннаньSchool of Biotechnology, Jiangnan University201810032020856978984Copyright © Zhu Z.-., Chen G.-., Wu Y.-., Xu Y..., Zhu T..., 20202020Zhu Z.-., Chen G.-., Wu Y.-., Xu Y..., Zhu T...Zhu Z.-., Chen G.-., Wu Y.-., Xu Y..., Zhu T...Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/432

Исследованы возможности использования синхронной флуоресцентной спектроскопии совместно с хемометрией применительно к предварительно обработанным спектрам для создания быстрого, экономичного и неразрушающего метода распознавания брендов различных типов ликеров с сильным ароматом. Для классификации и определения марок образцов использовались методы главных компонент, наименьших квадратов, опорных векторов и искусственных нейронных сетей обратного распространения. По сравнению с другими моделями модель опорных векторов позволила достичь наилучших результатов со степенью идентификации 100 % для калибровочного набора и 96.67 % для прогнозируемого набора. Показано, что синхронная флуоресцентная спектроскопия с эффективным методом хемометрии может быть успешно использована для идентификации марок ликеров.

The application of synchronous fluorescence spectroscopy combined with chemometrics using pretreated spectra was explored to develop a rapid, low-cost, and nondestructive method for discriminating between brands of different strong aroma type liquors. Principal component analysis, partial least square discriminant analysis, support vector machine, and back-propagation artificial neural network techniques were used to classify and predict the brands of liquor samples. Compared with the other models, the SVM model achieved the best results, with an identification rate of 100% for the calibration set, and 96.67% for the prediction set. The overall results showed that synchronous fluorescence spectroscopy with an efficient chemometrics method can be used successfully to identify different brands of liquor.

китайский ликерсинхронная флуоресцентная спектроскопияраспознавание напитковхемометрия распознаванияchinese liquorsynchronous fluorescence spectroscopydiscrimination of liquorschemometrics of discriminationReferencesW. Fan, M. C. Qian, J. Agric. Food Chem., 54, 2695-2704 (2006).W. Fan, M. C. Qian, J. Agric. Food Chem., 54, 2695-2704 (2006).Y. Xu, D. Wang, W. Fan, X. Mu, J. Chen, Adv. Biochem. Eng. Biotechnol., 122, 189-233 (2010).Y. Xu, D. Wang, W. Fan, X. Mu, J. Chen, Adv. Biochem. Eng. Biotechnol., 122, 189-233 (2010).Y. Ma, D. Huo, H. Qin, C. Shen, P. Yang, C. Hou, J. Appl. Spectrosc., 84, 361-368 (2017).Y. Ma, D. Huo, H. Qin, C. Shen, P. Yang, C. Hou, J. Appl. Spectrosc., 84, 361-368 (2017).P. Cheng, W. Fan, Y. Xu, Food Res. Int., 54, 1753-1760 (2013).P. Cheng, W. Fan, Y. Xu, Food Res. Int., 54, 1753-1760 (2013).P. Cheng, W. Fan, Y. Xu, Food Control, 35, 153-158 (2014).P. Cheng, W. Fan, Y. Xu, Food Control, 35, 153-158 (2014).W. Fan, M.C. Qian, J. Agric. Food Chem., 53, 7931-7938 (2005).W. Fan, M.C. Qian, J. Agric. Food Chem., 53, 7931-7938 (2005).P. Wang, Z. Li, T. Qi, X. Li, S. Pan, Food Chem., 169, 230-240 (2015).P. Wang, Z. Li, T. Qi, X. Li, S. Pan, Food Chem., 169, 230-240 (2015).H. Qin, D. Huo, L. Zhang, L. Yang, S. Zhang, M. Yang, C. Shen, C. Hou, Food Res. Int., 45, 45-51 (2012).H. Qin, D. Huo, L. Zhang, L. Yang, S. Zhang, M. Yang, C. Shen, C. Hou, Food Res. Int., 45, 45-51 (2012).M. Liu, X. Han, K. Tu, L. Pan, J. Tu, L. Tang, P. Liu, G. Zhan, Q. Zhong, Z. Xiong, Food Control, 26, 564-570 (2012).M. Liu, X. Han, K. Tu, L. Pan, J. Tu, L. Tang, P. Liu, G. Zhan, Q. Zhong, Z. Xiong, Food Control, 26, 564-570 (2012).Q. Zhang, C. Xie, S. Zhang, A. Wang, B. Zhu, L. Wang, Z. Yang, Sens. Actuators B: Chem., 110, 370-376 (2005).Q. Zhang, C. Xie, S. Zhang, A. Wang, B. Zhu, L. Wang, Z. Yang, Sens. Actuators B: Chem., 110, 370-376 (2005).Z. Li, P. Wang, C. Huang, H. Shang, S. Pan, X. Li, Food Anal. Methods, 7, 1337-1344 (2014).Z. Li, P. Wang, C. Huang, H. Shang, S. Pan, X. Li, Food Anal. Methods, 7, 1337-1344 (2014).V. Uríčková, J. Sádecká, Spectrochim. Acta, A, 148, 131-137 (2015).V. Uríčková, J. Sádecká, Spectrochim. Acta, A, 148, 131-137 (2015).D. Dong, W. Zheng, W. Wang, X. Zhao, L. Jiao, C. Zhao, Food Chem., 155, 45-49 (2014).D. Dong, W. Zheng, W. Wang, X. Zhao, L. Jiao, C. Zhao, Food Chem., 155, 45-49 (2014).H. Qiao, W. Zhang, W. Wang, J. Biosci. Bioeng., 115, 405-411 (2013).H. Qiao, W. Zhang, W. Wang, J. Biosci. Bioeng., 115, 405-411 (2013).Y. Wan, F. Pan, M. Shen, Spectrochim. Acta, A, 96, 605-610 (2012).Y. Wan, F. Pan, M. Shen, Spectrochim. Acta, A, 96, 605-610 (2012).D. Patra, A. K. Mishra, Trends Anal. Chem., 21, 787-798(2002).D. Patra, A. K. Mishra, Trends Anal. Chem., 21, 787-798(2002).F. Cui, Q. Zhang, X. Yao, H. Luo, Y. Yang, L. Qin, G. Qu, Y. Lu, Pestic. Biochem. Phys., 90, 126-134 (2008).F. Cui, Q. Zhang, X. Yao, H. Luo, Y. Yang, L. Qin, G. Qu, Y. Lu, Pestic. Biochem. Phys., 90, 126-134 (2008).J. Sádecká, J. Tóthová, P. Májek, Food Chem., 117, 491-498 (2009).J. Sádecká, J. Tóthová, P. Májek, Food Chem., 117, 491-498 (2009).J. Sádecká, V. Uríčková, K.Hroboňová, P. Májek, Food Anal. Methods, 8, 58-69 (2015).J. Sádecká, V. Uríčková, K.Hroboňová, P. Májek, Food Anal. Methods, 8, 58-69 (2015).M. Tomková, J. Sádecká, K. Hroboňová, Food Anal. Methods, 8, 1258-1267 (2015).M. Tomková, J. Sádecká, K. Hroboňová, Food Anal. Methods, 8, 1258-1267 (2015).J. Sádecká, M. Jakubíková, P. Májek, A. Kleinová, Food Chem., 196, 783-790 (2016).J. Sádecká, M. Jakubíková, P. Májek, A. Kleinová, Food Chem., 196, 783-790 (2016).J. Tan, R. Li, Z. Jiang, Food Chem., 184, 30-36 (2015).J. Tan, R. Li, Z. Jiang, Food Chem., 184, 30-36 (2015).H. Hotelling, J. Educ. Psychol., 24, 417-520 (1933).H. Hotelling, J. Educ. Psychol., 24, 417-520 (1933).W. Li, L. Bagnol, M. Berman, R. A. Chiarella, M. Gerber, Int. J. Pharm., 380, 49-54 (2009).W. Li, L. Bagnol, M. Berman, R. A. Chiarella, M. Gerber, Int. J. Pharm., 380, 49-54 (2009).P. Geladi, B. Kowalski, Anal. Chim. Acta, 185, 1-17 (1986).P. Geladi, B. Kowalski, Anal. Chim. Acta, 185, 1-17 (1986).M. Barker, W. Rayens, J. Chemometr., 17, 166-173 (2003).M. Barker, W. Rayens, J. Chemometr., 17, 166-173 (2003).C. Cortes, V. Vapnik, Mach. Learn., 20, 273-297 (1995).C. Cortes, V. Vapnik, Mach. Learn., 20, 273-297 (1995).U. Thissen, M. Pepers, B. Üstün, W.J. Melssen, L. M. C. Buydens, Chemometr. Intell. Lab. Syst., 73, 169-179 (2004).U. Thissen, M. Pepers, B. Üstün, W.J. Melssen, L. M. C. Buydens, Chemometr. Intell. Lab. Syst., 73, 169-179 (2004).S. S. Keerthi, C. Lin, Neural Comput., 15, 1667-1689 (2003).S. S. Keerthi, C. Lin, Neural Comput., 15, 1667-1689 (2003).R. H. Nielsen, Proc. Int. Joint Conf. Neural Networks, IEEE Press, 593-605 (1989).R. H. Nielsen, Proc. Int. Joint Conf. Neural Networks, IEEE Press, 593-605 (1989).J. J. More, Lect. Notes Math., 630, 105-116 (1978).J. J. More, Lect. Notes Math., 630, 105-116 (1978).Y. Liu, X. Luo, Z. Shen, J. Lu, X. Ni, Opt. Rev., 13, 303-307 (2006).Y. Liu, X. Luo, Z. Shen, J. Lu, X. Ni, Opt. Rev., 13, 303-307 (2006).S. Wagner, K. Scholz, M. Donegan, L. Burton, J. Wingate, W. Volkel, Anal. Chem., 78, 1296-1305 (2006).S. Wagner, K. Scholz, M. Donegan, L. Burton, J. Wingate, W. Volkel, Anal. Chem., 78, 1296-1305 (2006).

The authors declare that there are no conflicts of interest present.