这篇文档属于类型a，即报告了一项单一的原创研究。以下是基于文档内容的学术报告：

作者与发表信息

本研究的主要作者包括Zhanming Li、Jiahui Song、Yinxing Ma、Yue Yu、Xueming He、Yuanxin Guo、Jinxin Dou和Hao Dong。他们分别来自江苏科技大学粮食科学与技术学院、南京财经大学食品科学与工程学院、国家粮食和物资储备局科学研究院以及仲恺农业工程学院轻工食品学院。该研究于2022年12月8日在线发表在《Food Chemistry: X》期刊上，文章编号为100539。

学术背景

本研究的主要科学领域是食品化学，特别是针对大米的质量控制与掺假检测。大米在长期储存过程中，其食用品质会逐渐下降，陈化大米对食品安全和人类健康构成威胁。酸值（acid value）是衡量大米质量和新鲜度的一个敏感指标。因此，开发一种快速、简单且准确的检测方法以识别陈化大米的掺假行为具有重要的现实意义。本研究旨在利用近红外光谱（Near-Infrared Spectroscopy, NIRS）结合偏最小二乘回归（Partial Least Squares Regression, PLSR）模型和特征波长变量（Characteristic Wavelength Variables）来识别陈化大米的掺假行为。

研究流程

本研究包括以下几个主要步骤：

1. 样品准备：实验使用了三种大米样品，包括中国稻花香、南方粳稻和晚粳稻。每种大米样品分别与不同比例的陈化大米混合，混合比例从0%到100%不等。每种混合比例的样品制备20个，总共为每种大米制备了260个测试样品。其中195个样品用于校准集，65个样品用于预测集。

2. 大米陈化处理：将新鲜大米在37℃和85%湿度条件下进行陈化处理，每隔7天测量一次酸值，直到酸值达到25 mg KOH/100 g干重为止。

3. 近红外光谱数据采集：使用FX2000多路光谱仪（IDEAoptics，上海）在室温下采集样品的光谱数据。光谱分辨率为8 nm，扫描波长范围为900-1700 nm，平均扫描次数为32次，积分时间为20 ms。每个样品从三个不同角度（0°、120°和240°）扫描三次，取平均值作为模型输入数据。

4. 数据预处理：采用多种预处理方法对光谱数据进行处理，包括最小-最大归一化（Min-Max Normalization, MMN）、多元散射校正（Multiple Scattering Correction, MSC）、平滑处理（五点平滑）、标准正态变量（Standard Normal Variate, SNV）、一阶导数和二阶导数。预处理后的数据用于后续模型构建。

5. 特征变量选择：采用竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）算法从光谱数据中提取特征变量。CARS算法通过蒙特卡洛采样和PLSR模型回归系数结合，筛选出具有较大回归系数绝对值的特征变量，以减少冗余波长变量并提高模型精度。

6. PLSR模型构建：使用偏最小二乘回归（PLSR）模型对光谱数据进行回归建模。PLSR通过结合基于模型和认知方法，实现数据结构的简化，适用于变量数量大于样本量的情况。模型通过交叉验证（Cross-Validation）和预测集验证（Prediction Set Validation）进行评估，使用相关系数（R²）和均方根误差（Root Mean Square Error, RMSE）作为评价指标。

主要结果

1. 酸值变化：在陈化过程中，三种大米的酸值均逐渐增加，最终在第13周达到目标值（25 mg KOH/100 g干重）。这表明酸值可以作为大米陈化的有效指标。

2. 光谱数据分析：在900-1700 nm范围内，三种大米的光谱数据显示出相似的吸收峰，但强度有所不同。这是由于大米在陈化过程中，脂质氧化和水解导致游离脂肪酸含量增加，从而引起光谱变化。

3. PLSR模型结果：使用不同预处理方法构建的PLSR模型在预测陈化大米掺假方面表现出不同的精度。其中，最小-最大归一化（MMN）、多元散射校正（MSC）、标准正态变量（SNV）和平滑处理的模型精度较高，但整体预测相关系数（R²p）仍不理想。

4. CARS-PLSR模型结果：通过CARS算法提取特征变量后，CARS-PLSR模型的预测精度显著提高。对于中国稻花香，MMN-CARS-PLSR模型的R²p达到0.998，RMSEp为0.020557；对于南方粳稻，SNV-CARS-PLSR模型的R²p为0.994，RMSEp为0.036187；对于晚粳稻，SNV-CARS-PLSR模型的R²p为0.996，RMSEp为0.031132。

结论

本研究提出了一种基于近红外光谱结合PLSR模型和CARS算法的快速、简单且准确的陈化大米掺假检测方法。该方法不仅显著减少了光谱特征变量的数量，还提高了对三种大米掺假行为的识别精度。研究结果为商业大米的质量控制提供了新的线索和替代方案，具有重要的科学价值和应用价值。

研究亮点

1. 重要发现：CARS-PLSR模型在陈化大米掺假检测中表现出较高的预测精度，特别是在中国稻花香、南方粳稻和晚粳稻中的应用。
2. 方法创新：本研究首次将CARS算法与PLSR模型结合，用于大米掺假检测，显著提高了模型的精度和稳定性。
3. 研究对象的特殊性：本研究针对三种不同的大米品种进行了系统的陈化大米掺假检测，为大米的品质控制提供了全面的解决方案。

其他有价值的内容

本研究还详细探讨了光谱数据预处理方法对模型精度的影响，为后续研究提供了重要的参考依据。此外，研究结果与现有文献中的相关研究进行了对比，进一步验证了本方法的有效性和优越性。