转基因大豆油鉴别方法与流程

1.本发明涉及大豆油检测技术领域，具体地，涉及一种转基因大豆油鉴别方法。


背景技术：

2.转基因作物是指利用重组dna技术将克隆的外源基因导入作物组织并表达，从而获得的具有特定目标性状的作物。据国际农业生物技术应用服务组织统计报告，1996-2018年全球转基因作物种植面积攀升至1.917亿公顷，发展中国家与发达国家分别占1.031亿公顷和0.886亿公顷，其中，转基因大豆在全球的应用率最高，占全球转基因作物面积的50％。虽然转基因技术可增加作物产量、改善作物品质、提高抗旱抗寒能力和其它特性，但转基因作物也可能对生态环境造成潜在的威胁(如土壤生态系统和生物地球化学循环等)，甚至可能对生物种群造成严重影响，因此，转基因作物的环境安全性评价一直是人们关注的问题。我国是世界上主要的大豆消费国和进口国，截至2019年进口的大豆量达8.34亿吨，消费量约为10亿吨，其中绝大多数均为转基因大豆。2020年农业农村部下发了三款耐除草剂转基因大豆的农业转基因生物安全证书批准清单。为了防止转基因大豆在食品化中的滥用，解决食品标识不清甚至鱼龙混杂的问题，食品转基因大豆成分检测形势非常迫切。
3.拉曼光谱是一种无损的非接触性光散射分析方法，谱峰位置、强弱及形状可精确反映出有关物质或混合物的结构信息，常用来鉴别物质和组分分析。拉曼光谱检测无需预处理，不产生化学污染物，具有快速准确、简单高效、可重复性高等优点。然而，由于大豆油组分中包含大量碳-碳双键(线性或环状不饱和分子，具有大量的p键偶联)，会产生强荧光背景，对拉曼光谱的检测产生较大干扰。
4.相对于常见的可见光和近红外拉曼光谱，紫外拉曼光谱具有以下特点：与荧光光谱大致分离；由于臭氧层对紫外线的隔离，紫外拉曼光谱受环境光干扰较小，适用现场遥测，应用场景更广泛；拉曼散射强度与拉曼位移的四次方成反比，在同等条件下紫外拉曼光谱对弱散射信号的探测更具优势，更适合实际现场的检测。因此紫外拉曼光谱适用于转基因大豆油的检测。此外，由于紫外拉曼光谱检测仪可以在自然环境下进行一定距离的遥测，不仅可对毒品、爆炸物等危险品进行有效检测，也可望为市场上各类转基因、添加剂或过期食品的检测提供一种高效率的有效方法，具有广泛的应用前景。
5.现有技术中，在检测得到紫外拉曼光谱后，可利用完整紫外拉曼光谱检测转基因大豆油，但是使用完整紫外拉曼光谱数据量较大，检测时间久，检测效率低。


技术实现要素：

6.针对现有技术中整紫外拉曼光谱数据量较大，检测时间久，检测效率低的技术问题，本发明提供了一种转基因大豆油鉴别方法，采用该方法能够从完整紫外拉曼光谱中提取转基因影响特征峰，利用转基因影响特征峰鉴别转基因大豆油，减小检测数据量，提高检测效率。
7.为实现上述目的，本发明提供的转基因大豆油鉴别方法包括以下步骤：根据多个
大豆油样本的紫外拉曼光谱形成紫外拉曼光谱集合x’；确定所述紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息，其中，紫外拉曼光谱对应的标签信息用于标识该紫外拉曼光谱对应的大豆油样本的品牌信息和转基因信息；利用所述紫外拉曼光谱集合x’和所述紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息训练影响模型，以确定载荷矩阵；利用所述载荷矩阵确定紫外拉曼光谱中每一特征峰的影响强度；其中，特征峰的影响强度与利用该特征峰确定标签信息的准确度成正相关；将每一紫外拉曼光谱的特征峰按照其影响强度由大到小排列后，将前s个特征峰确定为转基因影响特征峰；从大豆油样本的紫外拉曼光谱中提取转基因影响特征峰，根据所述转基因影响特征峰确定该大豆油样本的标签信息。
8.进一步地，所述利用所述紫外拉曼光谱集合x’和所述紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息训练影响模型，以确定载荷矩阵，包括：将所述紫外拉曼光谱集合x’和所述紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息按照设定比例划分为训练集和验证集，利用所述训练集训练所述影响模型，以确定所述载荷矩阵，并利用所述验证集对所述影响模型进行验证；其中，利用所述训练集训练所述影响模型，以确定所述载荷矩阵，包括：根据所述训练集中的紫外拉曼光谱集合x’确定光谱矩阵e0，根据所述训练集中的紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息确定标签矩阵f0；利用所述光谱矩阵e0和所述标签矩阵f0确定载荷矩阵l0。
9.进一步地，利用所述光谱矩阵e0和所述标签矩阵f0确定载荷矩阵l0，包括：
10.t1＝e0w1；
11.u1＝f0c1；
12.其中，t1为光谱矩阵e0内矩阵元素的线形组合，u1为标签矩阵f0内矩阵元素的线形组合，w1和c1为权重系数；
13.令t1与u1的协方差达到最大，得到协方差矩阵：
14.cov(t1,u1)
→
max；
15.||w1||＝1,||c1||＝1；
16.确定协方差矩阵的特征向量[η1,η2,
····
ηm]和特征值[λ1,λ2,
····
λm]；
[0017]
根据协方差矩阵的特征向量和特征值确定所述载荷矩阵l0：
[0018][0019]
进一步地，利用所述载荷矩阵确定紫外拉曼光谱中每一特征峰的影响强度，包括：利用所述载荷矩阵l0与所述光谱矩阵e0确定拉曼位移-载荷系数曲线；根据所述拉曼位移-载荷系数曲线的波峰值和波谷值确定紫外拉曼光谱中每一特征峰的影响强度。
[0020]
进一步地，所述设定比例介于(1-4)：1。
[0021]
进一步地，所述根据多个大豆油样本的紫外拉曼光谱形成紫外拉曼光谱集合x’，包括：采集多个大豆油样本，并对所述多个大豆油样本进行紫外拉曼光谱检测，得到紫外拉曼光谱集合x；依次对所述紫外拉曼光谱集合x进行多项式拟合平滑预处理、基线校正和多元散射校正，得到紫外拉曼光谱集合x’。
[0022]
进一步地，采用savitzky-golay卷积平滑算法对所述紫外拉曼光谱集合x进行多项式拟合平滑预处理。
[0023]
进一步地，所述savitzky-golay卷积平滑算法的拟合阶次为3次，窗宽为7。
[0024]
进一步地，采用迭代自适应加权惩罚最小二乘法对所述紫外拉曼光谱集合x进行基线校正。
[0025]
进一步地，所述转基因影响特征峰的拉曼位移为1100cm-1
，1400cm-1
，1515cm-1
，1600cm-1
，1656cm-1
，2871cm-1
，2933cm-1
，2971cm-1
。
[0026]
通过本发明提供的技术方案，本发明至少具有如下技术效果：
[0027]
本发明的转基因大豆油鉴别方法，检测多个大豆油样本，根据多个大豆油样本的紫外拉曼光谱形成紫外拉曼光谱集合x’，确定紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息，标签信息用于标识该紫外拉曼光谱对应的大豆油样本的品牌信息和转基因信息。利用紫外拉曼光谱集合x’和紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息训练影响模型，以确定载荷矩阵，再利用载荷矩阵确定出紫外拉曼光谱中每个特征峰的影响强度，将影响强度较高的s个特征峰确定为转基因影响特征峰。在鉴别未知大豆油样本时，获取未知大豆油样本的完整紫外拉曼光谱，从完整紫外拉曼光谱中提取出转基因影响特征峰，根据转基因影响特征峰确定该大豆油样本的标签信息，以确定标签信息对应的转基因信息，对该大豆油样本进行鉴别。通过本发明提供的方法，能够从完整紫外拉曼光谱中提取转基因影响特征峰，利用转基因影响特征峰鉴别转基因大豆油，减小检测数据量，提高检测效率。
[0028]
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0029]
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
[0030]
图1为本发明实施例提供的转基因大豆油鉴别方法的流程图；
[0031]
图2为本发明实施例提供的转基因大豆油鉴别方法中紫外拉曼光谱集合x’的示意图；
[0032]
图3为本发明实施例提供的转基因大豆油鉴别方法中拉曼位移-载荷系数曲线的示意图；
[0033]
图4为本发明实施例提供的转基因大豆油鉴别方法中对未知样本的预测情况示意图；
[0034]
图5为本发明实施例提供的转基因大豆油鉴别方法中未知样本聚类示意图。
具体实施方式
[0035]
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
[0036]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0037]
在本发明中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
[0038]
下面将参考附图并结合实施例来详细说明本发明。
[0039]
请参考图1，本发明实施例提供一种转基因大豆油鉴别方法，该方法包括以下步骤：s101：根据多个大豆油样本的紫外拉曼光谱形成紫外拉曼光谱集合x’；
[0040]
进一步地，所述根据多个大豆油样本的紫外拉曼光谱形成紫外拉曼光谱集合x’，包括：采集多个大豆油样本，并对所述多个大豆油样本进行紫外拉曼光谱检测，得到紫外拉曼光谱集合x；依次对所述紫外拉曼光谱集合x进行多项式拟合平滑预处理、基线校正和多元散射校正，得到紫外拉曼光谱集合x’。
[0041]
具体地，本发明实施方式中，采集多个大豆油样本，采用自研紫外拉曼光谱系统对大豆油样本进行紫外拉曼光谱检测，得到紫外拉曼光谱集合x。光谱采集使用海洋光学qe-pro光谱仪，激光波长为266nm，功率为30mw，脉宽为5ns，分辨率为0.14～7.7nm(fwhm)，扫描次数为10次。然后对紫外拉曼光谱集合x进行预处理，依次包括：多项式拟合平滑预处理、基线校正和多元散射校正，得到紫外拉曼光谱集合x’，通过预处理对紫外拉曼光谱集合x进行校正，能够减少检测环境和检测设备对紫外拉曼光谱的影响，得到更为准确的紫外拉曼光谱。
[0042]
进一步地，采用savitzky-golay卷积平滑算法对所述紫外拉曼光谱集合x进行多项式拟合平滑预处理。
[0043]
具体地，本发明实施方式中，savitzky-golay卷积平滑算法是一种基于最小二乘拟合的滤波方法。紫外拉曼光谱集合x是一组离散数据点的集合，savitzky-golay卷积平滑算法针对紫外拉曼光谱集合x中某一连续的2m 1个数据点(即移动窗口的宽度为2m 1)，选用拟合阶次p进行最小二乘拟合，将拟合得到的曲线在数据窗口中心处的取值作为滤波后的值，随后移动窗口并重复上述过程，实现对紫外拉曼光谱集合x中所有数据点的处理，记处理后的数据为紫外拉曼光谱集合x1。
[0044]
移动窗口的宽度为2m 1，窗口内的数据点表示为s[n]，n取值为[-m,
···
,0,
···
,m]，每个窗口内的拟合多项式为：
[0045][0046]
其最小均方误差为：
[0047][0048]
为使曲线的拟合度最高，需使均方误差e最小，对上式各系数ak求导且令导数为0，即
[0049][0050]
即
[0051][0052]
令
[0053][0054]
则(4)式可化简为：
[0055]
[0056]
已知移动窗宽、多项式阶次p及待拟合数据s[n]，代入(5)式可计算出fr，将g
k r
代入(6)式，可求出多项式系数ak([a0,a1,
···
,a
p
])，从而确定一个窗口内的多项式(1)。每当移动窗口时，该拟合多项式在窗口中心点的取值作为滤波后的值，即为savitzky-golay卷积平滑算法的输出结果。对紫外拉曼光谱集合x中的所有数据点经过上述平滑处理后，得到紫外拉曼光谱集合x1。
[0057]
进一步地，所述savitzky-golay卷积平滑算法的拟合阶次为3次，窗宽为7。
[0058]
具体的，savitzky-golay卷积平滑算法有两个重要的参数：拟合阶次p和移动窗口宽度2m 1。通常情况下，若窗宽较小，拟合阶次较高，则会产生噪声信号；窗宽较大，拟合阶次较低，则会产生扭曲的信号。大豆油的拉曼谱图可以概括为若干个voigt线型、噪声及荧光基底的组合，结合其谱图特性(包含整体谱图线型，各个特征峰的峰宽、强度等)，最终选择savitzky-golay卷积平滑算法的最佳拟合阶次为3次，窗宽为7，既不会过度去噪失去低强度特征峰，又能够消除绝大多数噪声，具有最佳平滑效果。
[0059]
进一步地，采用迭代自适应加权惩罚最小二乘法对所述紫外拉曼光谱集合x进行基线校正。
[0060]
具体地，本发明实施方式中，采用迭代自适应加权惩罚最小二乘法(adaptive iterative re-weighted penalized least squares，airpls)对所述紫外拉曼光谱集合x进行基线校正。理想的紫外拉曼光谱系统在未检测到有效信号时，探测器获取的信号强度应当为0(即为理想基线)，但在实际使用中，由于系统硬件产生的电子漂移、暗电流、读出噪声以及样本表面特性等因素，系统采集输出的原始紫外拉曼光谱存在一定的荧光背景和噪声，需要进行基线校正。airpls算法是一种基于误差的迭代加权策略，每一个点的权重基于上一次循环拟合的基线和原始信号之间的差异进行更新。
[0061]
经过savitzky-golay平滑卷积处理后的光谱数据为x1，假设上述向量为x，拟合向量为z，长度均为m。向量z到向量x的保真度f可用二者误差平方和表示为：
[0062][0063]
拟合向量z的粗糙度r表示为：
[0064][0065]
为得到有效平滑且不失真的输出光谱，需平衡数据的保真度和平滑度，将惩罚最小二乘函数q表示为保真度与粗糙度及其惩罚系数的和，如下：
[0066]
q＝f λr＝||x-z||2 λ||dz||2ꢀꢀ
(9)；
[0067]
其中dz＝δz。通过调整式(9)中的λ以达到保真度和平滑度的平衡。λ越大，拟合向量z越平滑，过大则会导致其失真。
[0068]
为得到惩罚最小二乘函数q的最小化解，令q对拟合向量z求偏导，并令其导数为0，得到：
[0069]
(i λd
′
d)z＝x
ꢀꢀ
(10)；
[0070]
引入保真度f的权重向量w后，将x峰段对应位置的权向量设为0，则式(7)中z到x的保真度f可表示为：
[0071][0072]
在以上各式的基础上引入迭代思想，使向量中每一个点的权重基于上一次循环拟
合的基线z和原始信号x之间的差异进行更新，式(9)可表示为：
[0073][0074]
采用迭代法自适应获得权向量w，设w的初始值为w0＝1，迭代次数为t，则每次迭代中的w可表示为：
[0075][0076]
其中，向量d
t
由x和z
t-1
在迭代步骤t中差值的负元素组成。
[0077]
迭代将在达到最大迭代次数或达到终止准则时停止，终止准则为：
[0078]dt
《0.001
×
|x|
ꢀꢀ
(14)；
[0079]
在airpls中，峰值点被逐步消除，最终保留权重向量w中的基线点z，则基线校正后的光谱数据x2＝x
1-z。
[0080]
进一步地，由于样本表面的不均匀或镜面反射，实际采集的光谱会产生一定的偏移及噪声，导致同一样本的光谱重复性降低。多元散射校正可通过一元线性回归运算，修正光谱数据的基线偏移和平移现象，提高光谱重复性，增强光谱与物质成分结构相关的拉曼散射信息。
[0081]
输入的光谱数据为x2，其中采集的样本种类共有s种，则各类样本组记为x
2i
(i＝1,2,
···
,s)；每类样本采集组数为ni(i＝1,2,
···
,s)。对某组样本光谱数据进行多元散射校正，步骤如下：
[0082]
首先求得该类样本中所有光谱数据的平均值即
[0083][0084]
将每个光谱与平均光谱进行一元线性回归，通过求解最小二乘问题解得每个样本的基线偏移量kj和基线平移量bj，即
[0085][0086]
对每个光谱进行校正，减去式(16)中求得的基线平移量bj并除以基线偏移量kj，最终得到校正后的光谱data
j(msc)
，即
[0087][0088]
对所有种类的样本执行多元散射校正后，得到预处理后的光谱数据记为x’，x’包含了[x
21(msc)
,x
22(msc)
,
···
,x
2s(msc)
]。
[0089]
s102：确定所述紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息，其中，紫外拉曼光谱对应的标签信息用于标识该紫外拉曼光谱对应的大豆油样本的品牌信息和转基因信息；
[0090]
具体地，本发明实施方式中，根据紫外拉曼光谱集合x’中每一紫外拉曼光谱所对应的大豆油样本的品牌信息和转基因信息，为每一紫外拉曼光谱设定标签信息，比如以1、
2、3
···
表示、或者以a、b、c
···
表示。
[0091]
s103：利用所述紫外拉曼光谱集合x’和所述紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息训练所述影响模型，以确定载荷矩阵；
[0092]
进一步地，所述利用所述紫外拉曼光谱集合x’和所述紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息训练所述影响模型，以确定载荷矩阵，包括：将所述紫外拉曼光谱集合x’和所述紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息按照设定比例划分为训练集和验证集，利用所述训练集训练所述影响模型，以确定所述载荷矩阵，并利用所述验证集对所述影响模型进行验证；其中，利用所述训练集训练所述影响模型，以确定所述载荷矩阵，包括：根据所述训练集中的紫外拉曼光谱集合x’确定光谱矩阵e0，根据所述训练集中的紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息确定标签矩阵f0；利用所述光谱矩阵e0和所述标签矩阵f0确定载荷矩阵l0。
[0093]
具体地，本发明实施方式中，将紫外拉曼光谱集合x’和紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息按照设定比例划分为训练集和验证集，利用训练集训练影响模型，以确定载荷矩阵，并利用验证集对影响进行验证。优选地，设定比例介于(1-4)：1，进一步优选地，设定比例为4：1。
[0094]
利用紫外拉曼光谱集合x’和紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息训练影响模型，以确定载荷矩阵：
[0095]
根据训练集中的紫外拉曼光谱集合x’确定光谱矩阵e0，根据训练集中的紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息确定标签矩阵f0，光谱矩阵e0为自变量矩阵，标签矩阵f0为因变量矩阵，训练集中样本数为n，e0包含m维变量，f0包含p维变量，则自变量和因变量矩阵分别为e0(n
×
m)和f0(n
×
p)。
[0096]
分别在光谱矩阵e0和标签矩阵f0中提取出成分t1和u1作为第一对主成分(也称为得分向量)，t1为光谱矩阵e0内矩阵元素的线形组合，u1为标签矩阵f0内矩阵元素的线形组合，权重系数分别为w1和c1，即t1＝e0w1和u1＝f0c1。要求：1)t1和u1可以尽可能大地表示各自数据矩阵中的变异信息，即二者方差达到最大；2)t1对u1有最大解释能力，及二者相关度达到最大。综上，要求t1与u1的协方差达到最大，即
[0097]
cov(t1,u1)
→
max
ꢀꢀ
(18)；
[0098]
其中w1和c1均为单位向量，即
[0099]
||w1||＝1,||c1||＝1
ꢀꢀ
(19)；
[0100]
采用拉格朗日方法求解上述条件极值问题，得到w1是矩阵最大特征值的特征向量，c1是矩阵最大特征值的特征向量。
[0101]
对式(18)协方差矩阵求解，得到协方差矩阵的特征向量[η1,η2,
····
ηm]和特征值[λ1,λ2,
····
λm]；
[0102]
根据协方差矩阵的特征向量和特征值确定载荷矩阵l0：
[0103][0104]
得分向量是每个主成分的权重，每个得分向量实际上为自变量矩阵在其对应载荷向量方向上的投影，反应了自变量在载荷向量方向的覆盖程度。
[0105]
进一步地，采用十折交叉验证防止影响模型过拟合。将训练集的样本，随机均分为10组，每个子集分别做一次验证子集，其余9组子集数据做训练子集。每次试验后得到相应的正确率，该过程重复10次，每次使用的测试数据不同，每组样本都可被验证一次。经过10次试验，取10次结果正确率的均值作为对算法精度的估计。
[0106]
s104：利用所述载荷矩阵确定紫外拉曼光谱中每一特征峰的影响强度；其中，特征峰的影响强度与利用该特征峰确定标签信息的准确度成正相关；
[0107]
进一步地，利用所述载荷矩阵确定紫外拉曼光谱中每一特征峰的影响强度，包括：利用所述载荷矩阵l0与所述光谱矩阵e0确定拉曼位移-载荷系数曲线；根据所述拉曼位移-载荷系数曲线的波峰值和波谷值确定紫外拉曼光谱中每一特征峰的影响强度。
[0108]
具体地，本发明实施方式中，载荷矩阵l0的矩阵元素与光谱矩阵e0的矩阵元素(包含了拉曼位移及其光谱强度信息)存在一一对应关系，即与拉曼位移有一一对应关系，可得到拉曼位移-载荷系数曲线。通过拉曼位移-载荷系数曲线横轴和纵轴，可找到最具代表性(可代表转基因/非转基因大豆油)的多个转基因影响特征峰。在曲线中横轴为转基因影响特征峰的拉曼位移，波峰值和波谷值的绝对值为转基因影响特征峰的影响强度。
[0109]
s105：将每一紫外拉曼光谱的特征峰按照其影响强度由大到小排列后，将前s个特征峰确定为转基因影响特征峰；
[0110]
具体地，本发明实施方式中，将每一紫外拉曼光谱的特征峰按照其影响强度由大到小排列后，将影响强度较高的几个特征峰确定为转基因影响特征峰。
[0111]
进一步地，所述转基因影响特征峰的拉曼位移为1100cm-1
，1400cm-1
，1515cm-1
，1600cm-1
，1656cm-1
，2871cm-1
，2933cm-1
，2971cm-1
。
[0112]
具体地，本发明实施方式中，因为检测出的未知样品的紫外拉曼光谱存在漂移情况，因此可以提取紫外拉曼光谱中位移在1100cm-1
，1400cm-1
，1515cm-1
，1600cm-1
，1656cm-1
，2871cm-1
，2933cm-1
，2971cm-1
附近的特征峰进行鉴别。
[0113]
s106：从大豆油样本的紫外拉曼光谱中提取转基因影响特征峰，根据所述转基因影响特征峰确定该大豆油样本的标签信息。
[0114]
具体地，本发明实施方式中，在对未知大豆油样本鉴别时，采集大豆油样本的完整紫外拉曼光谱，从完整紫外拉曼光谱中提取转基因影响特征峰，利用转基因影响特征峰确定该大豆油样本的标签信息。
[0115]
通过本发明提供的方法，能够从完整紫外拉曼光谱中提取转基因影响特征峰，利用转基因影响特征峰鉴别转基因大豆油，减小检测数据量，提高检测效率。
[0116]
实施例一
[0117]
本实施例中，共5种大豆油样本，包括a品牌转基因大豆油、a品牌非转基因大豆油、b品牌转基因大豆油、b品牌非转基因大豆油和c品牌稻米油，外观上无明显差异。实验中样本温度维持在室温，每个样本2ml，装入尺寸12.5*12.5*40mm，容量为3.5ml的石英(可透日盲紫外)比色皿中，水平放置于样本采集区检测。采集样本的紫外拉曼光谱信号，使用海洋光学qe-pro光谱仪，光谱仪采用扫描次数10次的平均值作为一个样本采集光谱。a品牌和b品牌的两种大豆油样本一次采集100组，共采集5次；c品牌样本一次采集20组，共采集5次，共计2100组数据。为了增加样本的鲁棒性，同类数据的采集均会间隔另一种不同类数据的采集，即不连续采集同一类样本，得到紫外拉曼光谱集合x。对紫外拉曼光谱集合x进行多项
式拟合平滑预处理、airpls算法基线校正、多元散射校正，得到紫外拉曼光谱集合x’，请参考图2，为方便观看，图2示出了a品牌的预处理后的六条紫外拉曼光谱。
[0118]
确定紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息，请参考表1。
[0119]
表1样本标签信息
[0120][0121][0122]
利用紫外拉曼光谱集合x’和紫外拉曼光谱集合x’中每一紫外拉曼光谱对应的标签信息确定载荷矩阵l0，载荷矩阵l0的矩阵元素与光谱矩阵e0的矩阵元素(包含了拉曼位移及其光谱强度信息)存在一一对应关系，即与拉曼位移有一一对应关系，可得到拉曼位移-载荷系数曲线，请参考图3。
[0123]
通过拉曼位移-载荷系数曲线横轴和纵轴，可找到最具代表性(可代表转基因/非转基因大豆油)的多个转基因影响特征峰。在曲线中横轴为转基因影响特征峰的拉曼位移，波峰值和波谷值的绝对值为转基因影响特征峰的影响强度，请参考表2。
[0124]
表2转基因影响特征峰的拉曼位移和影响强度
[0125][0126]
转基因影响特征峰所对应的归属化学键请参考表3。
[0127]
表3拉曼位移和对应的归属化学键
[0128]
拉曼位移/cm-1
归属化学键1100磷酸基团o＝p—o(蛋白质)1400甲基ch31515胞嘧啶1600酰胺带1656c＝c(油脂)，酰胺i带2871～2971脂类的ch22933ch2不对称拉伸
[0129]
在对未知大豆油样本鉴别时，采集大豆油样本的完整紫外拉曼光谱，从完整紫外拉曼光谱中提取转基因影响特征峰，根据转基因影响特征峰确定该大豆油样本的标签信
息。请参考图4和图5，图4为根据本实施例方法对未知样本的预测情况示意图，图5为未知样本的分布情况。结合图4和图5可知，c品牌稻米油与其他样品的差异较大，仅有一个样本标签预测错误；由于不同种类大豆油紫外拉曼光谱相似，数据分布存在重叠，会对预测准确率产生一定的误差，但不影响大部分数据的预测。根据计算最终得到未知样本的鉴别准确率达70.95％。
[0130]
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
[0131]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
[0132]
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。