表1 苹果香精的详细信息
Table1 Detailed information of the investigated apple essences
沙 敏 1,2，宋 超 1，张正勇 1,2，王苏豫 1，刘 军 1,2，王海燕 1,2,*
（1.南京财经大学管理科学与工程学院，江苏 南京 210046；2.江苏省质量安全工程研究院，江苏 南京 210046）
摘 要：采用拉曼光谱-离子迁移谱（ion mobility spectrometry，IMS）数据融合技术结合主成分分析（principal components analysis，PCA）-最近邻（nearest neighbor，NN）算法的模型鉴别9 种食用苹果香精。香精先经水溶液稀释处理，再经拉曼光谱和IMS分析，建立样品的拉曼光谱和IMS指纹图谱库，然后分别使用单谱数据结合PCANN模型以及拉曼光谱-IMS数据融合结合PCA-NN模型鉴别香精。结果表明：拉曼光谱-IMS结合PCA-NN模型对9 种食用苹果香精的识别率达98.35%，高于拉曼光谱的78.14%和IMS的94.18%。使用水溶液稀释技术，不存在副反应，无污染，操作简单快速，保留了样品的整体物质，保证了实验结果的可靠性和稳定性。拉曼光谱仪和离子迁移谱仪具有操作简单、分析速度快的优点。拉曼光谱-IMS结合PCA-NN模型为鉴别食用苹果香精提供了一种可靠、稳定、快速、全新的方法。
关键词：苹果香精；拉曼光谱；离子迁移谱；数据融合；主成分分析；最近邻算法；鉴别
现代食品工业为了追求利益最大化，需要添加相应的香精来强化或改善其产品的香味，诱导消费，扩大销售 [1]。天然苹果香精由于受地理、气候、物种、人工条件等因素的制约，面临产品质量不稳定、原料损失严重、供应量小及浓度低等缺点 [2]。合成香精因配方可控、产品质量较稳定、价格相对低廉，国内食品工业中使用的食用苹果香精基本都是合成香精。尽管苹果香精的厂家很多，香精的相关技术一向被企业视为核心技术机密，只有极少数人才得窥全貌，且少有香精质量控制方面的标准，给市场管理带来一定的困难。目前，香精香料的质量标准主要通过折光指数、相对密度、酸度值、挥发成分总量等理化指标及感官评价来控制。前者只能反映香精香料的某些特性，具有检测内容多、操作复杂、检测时间长、效率低等缺点；而后者以鼻感作为识别工具，容易受评吸员水平、身体状态和环境等因素的影响，不能准确反映香精的内在质量及波动。因此能否提供更为可靠、稳定的检测新方法，已经引起业内研究人员的关注。
国外对苹果香精研究较早 [3-4]，目前加工也比较成熟。国内近几年对苹果香精进行了较为系统的研究，建立了香精香气质量综合评价模型 [5-8]。目前，苹果香精香料的质量评价主要集中在对主要致香成分的研究，常用检测手段为电子鼻、气相色谱法、气相色谱-质谱联用等。这些方法在香精香料的质量控制方面起着重要的作用，但也存在一些缺陷，如检测指标单一、不符合香精香料多样化的特点，需要费用高，分析时间长，不能有效快速实现香气分析和过程控制。
指纹图谱技术是指运用光谱、色谱、质谱等技术作为检测手段，对样品进行整体信息检测，从而得到反映样品整体特征的谱图，使得对样品的质量控制指标由单一成分的测定上升为对整体品质的伪劣鉴别和质量控制，适用于基质成分较复杂的样品的质量评价。目前，单一指纹图谱技术已被应用于食品 [9]、药品 [10]等产品质量安全监控。离子迁移谱（ion mobility spectrometry，IMS）是一种大气压条件下的微量物质分离分析技术，它的装置简单，检测时间短，出峰时间以毫秒为单位，单次检测时间最低可达5 s。同时可检测的有机化合物的分析灵敏度高达10 -9～10 -10数量级，已广泛应用于毒品、爆炸物检测方面 [11-13]。近年来，随着迁移谱仪器技术的发展，其在食品添加剂方面的应用研究也越来越受到重视 [14-17]。然而，IMS法作为香精香料质量评价手段尚鲜见报道。
一种指纹图谱可能不足以反映样品的全部特征，而几种指纹图谱可同时反映样品不同侧面的特征，从而构成其全貌，可有效解决分析中常见的假阳性问题，使得分析结果更加准确可靠 [18-20]。本实验采用拉曼光谱和IMS联合检测技术获取苹果香精的拉曼光谱和IMS指纹图谱，旨在探索指纹图谱数据融合结合模式识别算法鉴别苹果香精的可行性。指纹图谱数据融合技术充分发挥了光谱和IMS分析复杂样品时无需前处理且分析速度快的优点，在研究方法上有一定创新，研究结果对苹果香精的品质评价有指导价值，可为香精检测提供方法依据。
1.1 材料与试剂
9 种合成苹果香精样品由国内三家著名食用香精香料公司提供，每种香精样品分别购买3 个批次，共27 个香精样品，见表1。
甲醇（色谱纯） 美国阿拉丁公司；实验用水为高纯水。
表1 苹果香精的详细信息
Table1 Detailed information of the investigated apple essences
1.2 仪器与设备
Prott-ezRaman-d3便携式激光拉曼光谱仪（激发波长785 nm激光源） 美国Enwave Optronics公司；GA2100型电喷雾电离高性能IMS仪（低噪音空气泵被用作漂移气体，该气体在进入仪器的预热系统之前分别通过分子筛和干燥剂去除有机物和水蒸气） 美国Excellims公司。
1.3 方法
1.3.1 样品制备
香精中含有大量易挥发、含量低的组分，复杂的样品前处理方法对这些组分影响较大，由于直接稀释法能全面、真实地反映香精原液的特点，避免其他杂质的引入和前处理方法不当造成的组分比例失真，因此本实验中香精供试品均采用高纯水直接稀释配制。在容量瓶中加入适量香精，用高纯水分别稀释10 倍和1 000 倍，摇匀，得供试品。
1.3.2 谱图测试
拉曼光谱：功率450 mW，电荷耦合器件检测器温度-85 ℃，波数扫描范围250～2 350 cm -1，分辨率1 cm -1，于暗室内采集光谱，单次扫描，积分时间10 s。
IMS：使用正离子模式，测试前用L-色氨酸校正仪
器，供试品与甲醇按体积比1∶9混合均匀后待测，微量进样器吸取溶液40 µL，离子源电压2 000 V，漂移管电压8 000 V，漂移管温度180 ℃，喷雾气体温度180 ℃，狭缝脉冲电压52 V，狭缝脉冲时间70 µs，漂移谱采集时间30 ms，采样频率200 000 s -1，每周期谱图叠加次数10，漂移气体流量1.25 L/min，抽气泵流量1.00 L/min，进样速率1.50 µL/min。考虑到仪器波动或环境微小变化可能会导致谱图发生变化，每个供试品分别测试10 次。
1.4 数据处理
基于MATLAB 2010b平台进行数据处理。为了降低实验仪器的噪声干扰，利用wden小波函数对拉曼光谱和IMS数据进行小波去噪，其中的小波基函数选择coif5，随后进行数据归一化预处理。采用randperm函数分别对预处理后的每一种苹果香精谱图数据进行随机排序，选取一半的数据作为训练集（已知类别），另一半作为测试集（作为盲样检测）；将9 种香精的训练集用于建模，9 种香精的测试集用于测试。采用主成分分析（principal components analysis，PCA）结合最近邻（nearest neighbor，NN）算法模型。PCA
[21]是常用的特征提取方法，对高维数据进行PCA处理，选取累计贡献率大于98%的主成分作为NN分类器的输入变量，可降低冗余信息干扰、提高算法运行效率。NN
[22]分类器是根据样本空间距离的远近来决定未知样本归属的分类方法，采用欧氏距离进行盲样分析。任意2 个样本数据x
i（i=1,2,...,n） y
i（i=1,2,...,n）和
的欧氏距离最小时，将这2 个样本归为一类。经100 次随机实验得出平均识别率。
2.1 拉曼光谱数据分析
拉曼光谱可以快速获得样品的化合物官能团等结构信息，样品制备简单，测量时通常不破坏样品，且水分不影响测试，如图1所示。其中，香精e、Q、S样本的谱图类似，香精1、a、c、d、f样本的谱图类似，香精b样本的谱图峰较多、包含了前面两类谱图的峰。结合文献[23]及标准品验证，香精e、Q、S的谱图峰主要为1,2-丙二醇的峰，香精1、a、c、d、f的谱图峰主要为乙醇的峰，香精b的谱图峰主要为乙醇与1,2-丙二醇的混合峰。从9 种苹果香精的拉曼光谱图与表1中香精的溶剂信息来看，拉曼光谱图反映的主要是香精的溶剂信息，且溶剂相同香精的拉曼光谱图极度相似，通过肉眼难以区分。
图1 9 种苹果香精的典型的拉曼光谱图
Fig.1 Typical Raman spectra of nine kinds of apple essences
不同香精中化学成分及相对含量不尽相同，各组分化合物间也会发生不同的缔合作用，这些因素决定了不同香精的光谱曲线有一定的区别，并具有特征性和指纹性，主要表现为指纹区吸收峰相对强度有所变化和指纹区小峰的微小差异，结合模式识别的算法可以从数据中最大限度的提取信息，对样品集进行分类。由于1 500～2 350 cm -1波段范围内峰较少且多为背景峰，因此数据处理时仅考虑350～1 500 cm -1波段内的拉曼光谱数据。为实现不同香精样品可视化的描述，以拉曼光谱数据为样本，选取350～1 500 cm -1波段对应的峰值构成新的样本矩阵，进行PCA。由图2可知，9 种苹果香精聚类效果明显，其中，香精e、Q、S聚在一起、互相重叠，香精1、a、c、d聚在一起、互相重叠，香精b和f各自聚成一类、与其他香精互不重叠。为实现9 种香精的快速鉴别，根据PCA降维结果，提取前3 个主成分（累计贡献率大于98%）作为NN分类器的输入变量，经100 次随机实验，得平均识别率为78.14%。上述实验结果表明：拉曼光谱结合PCA-NN模型的方法不能很好地鉴别苹果香精。
图2 9 种苹果香精拉曼光谱PCA图
Fig.2 PCA chart of Raman spectra of nine kinds of apple essences
2.2 IMS数据分析
经优化得到香精的IMS检测条件，如图3所示，香精中各物质出峰位置均集中在4.0～14.0 ms之间。产物离子的生成是通过样品分子与反应离子进行化学反应完成的。离子迁移谱中电离源放出的电子与载气中的分子
发生碰撞生成离子和次级电子，随后，生成的离子在干净的空气中依次与氮气、氧气和水蒸气进行一系列的分子离子反应，最后生成H +(H 2O) n正离子库，也即反应离子，Kebarle [24]和Kim [24-25]等研究发现反应离子峰分布在3.5～5.5 ms之间。
图3 9 种苹果香精的典型IMS图
Fig.3 Typical ion mobility spectra of nine kinds of apple essences
由于0～5.5 ms间的峰是反应离子的峰，14.0 ms之后几乎无离子信号，因此在数据处理时，只考虑产物离子峰，选择产物离子分布密集的区间，即6.5～14.0 ms间的谱图数据。为实现不同种香精可视化的描述，以IMS数据为样本，选取6.5～14.0 ms区间对应的峰值构成新的样本矩阵，进行PCA，如图4所示。香精1、a和f有部分重叠，香精c和d有部分重叠，其他香精相互间重叠较少、聚类效果明显。为实现9 种香精的快速鉴别，根据PCA降维结果，提取前5 个主成分（累计贡献率大于98%）作为NN分类器的输入变量，经100 次随机实验，得平均识别率为94.18%。
IMS主要反映的是香精成分的信息，不同香精的IMS谱图差异较拉曼光谱谱图大，因此，IMS结合PCA-NN的模型对苹果香精的识别率为94.18%，高于拉曼光谱结合PCA-NN的模型（78.14%）。
图4 9 种苹果香精IMS PCA分析图
Fig.4 PCA chart of ion mobility spectra of nine kinds of apple essences
2.3 拉曼光谱与IMS数据融合分析
由于拉曼光谱反映的主要是溶剂的信息，IMS反映的是香精成分的信息，若将2 种谱图数据进行融合，可更全面的反映香精的物质信息。如图2所示，香精e、Q、S在拉曼光谱上严重重叠，而在IMS-PCA上可明显的分开；香精a和f在拉曼光谱-PCA分析图上不重叠，区分明显，而在IMS-PCA分析图上部分重叠，因此猜想将拉曼光谱和IMS的数据进行融合可能会提高9 种香精在PCA分析图上的区分度且提高PCA-NN模型的鉴别能力。考虑到数据融合时不同谱图数据间的变量应一致，否则变量多的谱图对最终结果起到的权重会大些 [26]。本实验选取的拉曼光谱数据（350～1 500 cm -1）和IMS数据（6.5～14.0 ms）的维度接近，分别为1 150维和1 500维，因此可以直接进行数据融合。
图5 数据融合流程图
Fig.5 Flowchart of data fusion
图6 数据融合后9 种苹果香精PCA图
Fig.6 PCA chart of nine kinds of apple essences after data fusion
按图5所示流程进行数据融合，其中n代表苹果香精样本数，u和v分别是苹果香精拉曼光谱数据和IMS数据的维度，r是2 种谱图融合提取的主成分个数。先将拉曼光谱数据（350～1 500 cm -1）和IMS数据（6.5～14.0 ms）分别进行小波降噪和归一化预处理，将预处理后的数据融合，融合后的数据维度为2 种谱图维度之和。然后对融合后的数据进行PCA，如图6所示。9 种苹果香精聚类效果明显，香精e、Q、S以及香精a、f均无重叠，因此，拉曼光谱与IMS谱图数据融合可反映香精不同侧面的特征，有助于完善苹果香精的检测项目。将融合后的数据取前8 个主成分（累计贡献率大于98%）作为NN分类器的输入变量，经100 次随机实验，得平均识别率为98.35%。表2中给出了9 种苹果香精经3 种数据结合PCANN模型的鉴别结果，结果表明：数据融合的识别率大于单谱数据的识别率，数据融合技术可提高模型鉴别的可靠性。
表2 9 种苹果香精在不同处理方法下的识别率
Table2 Recognition rates of nine kinds of apple essences with different processing methods
采用水溶液稀释法处理样品，具有操作简单快速、无污染、无副反应、保留了样品整体物质的优点，可保证实验结果的可靠性和稳定性。拉曼光谱仪分析样品仅需10 s，IMS仪的分析时间小于1 min，均远小于气相色谱的分析时间，具有分析速度快的优点。拉曼光谱仪和IMS仪分析样品时基本不使用化学试剂，而且没有仪器配件的损耗，因此具有环保、检测成本低等优点。综上，拉曼光谱-IMS数据融合结合PCA-NN模型为鉴别食用苹果香精提供了一种可靠、稳定、快速、全新的方法，可为食用苹果香精品质评价和质量控制提供方法依据。
本实验将拉曼光谱与IMS数据融合技术结合PCA-NN的模型应用于食用苹果香精的鉴别。香精样品经水溶液稀释处理后，再经拉曼光谱仪和IMS仪分析，建立了9 种食用苹果香精的拉曼光谱和IMS指纹图谱库，分别使用单谱数据结合PCA-NN模型以及拉曼光谱-IMS数据融合结合PCA-NN模型对香精进行鉴别分析。拉曼光谱-IMS数据融合结合PCA-NN建立的鉴别模型对9 种食用苹果香精的识别率达98.35%，相比拉曼光谱的78.14%和IMS 的94.18%，有了显著提高。拉曼光谱-IMS数据融合结合PCA-NN模型为鉴别食用苹果香精提供了一种可靠、稳定、快速、全新的方法，可为食用苹果香精品质评价和质量控制提供方法依据。此外，本实验使用的拉曼光谱仪和IMS仪均为便携式仪器，操作简单，具有现场快速检测分析的前景，便于大规模推广应用。
参考文献：
[1] 孙宝国, 田红玉, 刘玉平, 等. 食品香料香精对食品安全的影响[J].现代科学仪器, 2006(1): 49-51.
[2] DIXON J, HEWETT E W. Factors affecting apple aroma/flavour volatile concentration: a review[J]. New Zealand Journal of Crop and Horticultural Science, 2000, 28(3): 155-173. DOI:10.1080/01140671.2 000.9514136.
[3] FLATH R A, BLACK D R, GUADAGNI D G, et al. Identification and organoleptic evaluation of compounds in delicious apple essence[J]. Journal of Agricultural and Food Chemistry, 1967, 15(1): 29-35. DOI:10.1021/jf60149a032 .
[4] FRANTIŠEK P, VÍDEN I, VELÍŠEK J, et al. The volatile components of an industrial apple aroma concentrate[J]. Zeitschrift für Lebensmittel-Untersuchung und Forschung, 1983, 177(3): 181-185. DOI:10.1007/BF01146792.
[5] 陈晓明, 李淑芳, 马明辉, 等. 电子鼻在天然苹果香精检测标准建立中的应用研究[J]. 检测与分析, 2007, 10(4): 34-39.
[6] 陈晓明, 马明辉, 李景明, 等. 电子鼻在天然苹果香精检测中的应用[J].食品科学, 2007, 28(3): 261-265.
[7] 刘颖平, 任勇进. 高倍浓缩天然苹果香精质量评价指标的测定与分析[J]. 陕西农业科学, 2011(5): 86-88.
[8] 马永昆, 李祥波, 蒋家奎. 基于GC-MS和嗅闻仪联用的天然苹果香精关键香气成分分析[J]. 食品科学, 2009, 30(8): 231-234.
[9] BOTELHO B G, REIS N, OLIVEIRA L S, et al. Development and analytical validation of a screening method for simultaneous detection of five adulterants in raw milk using mid-infrared spectroscopy and PLS-DA[J]. Food Chemistry, 2015, 181: 31-37. DOI:10.1016/ j.foodchem.2015.02.077.
[10] GOODARZI M, RUSSELL P J, HEYDEN Y V. Similarity analyses of chromatographic herbal fingerprints: a review[J]. Analytica Chimica Acta, 2013, 804: 16-28. DOI:10.1016/j.aca.2013.09.017.
[11] EWING R G, ATKINSON D A, EICEMAN G A, et al. A critical review of ion mobility spectrometry for the detection of explosives and explosive related compounds[J]. Talanta, 2001, 54(3): 515-529. DOI:10.1016/S0039-9140(00)00565-8.
[12] MAKINEN M A, ANTTALAINEN O A, SILLANPAA M E. Ion mobility spectrometry and its applications in detection of chemical warfare agents[J]. Analytical Chemistry, 2010, 82(23): 9594-9600. DOI:10.1021/ac100931n.
[13] HARRIS G A, KWASNIK M, FERNÁNDEZ F M. Direct analysis in real time coupled to multi-plexed drift tube ion mobility spectrometry for detecting toxic chemicals[J]. Analytical Chemistry, 2011, 83(6): 1908-1915. DOI:10.1021/ac102246h.
[14] MIDEY A J, CAMACHO A, SAMPATHKUNARAN J, et al. Highperformance ion mobility spectrometry with direct electrospray ionization (ESI-HPIMS) for the detection of additives and contaminants in food[J]. Analytica Chimica Acta, 2013, 804: 197-206. DOI:10.1016/j.aca.2013.10.010.
[15] MÁRQUEZ-SILLERO I, CÁRDENAS S, VALCÁRCEL M. Direct determination of 2,4,6-tricholoroanisole in wines by single-drop ionic liquid microextraction coupled with multicapillary column separation and ion mobility spectrometry detection[J]. Journal of Chromatography A, 2011, 1218(42): 7574-7580. DOI:10.1016/j.chroma.2011.06.032.
[16] KRUEGER C A, MIDEY A J, KIM T, et al. High performance ion mobility spectrometry as a fast and low cost green analytical technology part Ⅰ: analysis of nutritional supplements[J]. International Journal for Ion Mobility Spectrometry, 2011, 14: 71-79. DOI:10.1007/ s12127-011-0072-y.
[17] MIDEY A J, PATEL A, MORAFF C, et al. Improved detection of drugs of abuse using high-performance ion mobility spectrometry with electrospray ionization (ESI-HPIMS) for urine matrices[J]. Talanta, 2013, 116: 77-83. DOI:10.1016/j.talanta.2013.04.074.
[18] BIANCOLILLO A, BUCCI R, MAGRÌ A L, et al. Data-fusion for multiplatform characterization of an italian craft beer aimed at its authentication[J]. Analytica Chimica Acta, 2014, 820: 23-31. DOI:10.1016/j.aca.2014.02.024 .
[19] TAN J, LI R, JIANG Z T. Chemometric classification of Chinese lager beers according to manufacturer based on data fusion of fluorescence, UV and visible spectroscopies[J]. Food Chemistry, 2015, 184: 30-36. DOI:10.1016/j.foodchem.2015.03.085.
[20] BORRÀS E, FERRÉ J, BOQUÉ R, et al. Data fusion methodologies for food and beverage authentication and quality assessment-a review[J]. Analytica Chimica Acta, 2015, 891: 1-14. DOI:10.1016/ j.aca.2015.04.042.
[21] GROTH D, HARTMANN S, KLIE S, et al. Principal components analysis[J]. Computational Toxicology, 2013, 930: 527-547. DOI:10.1007/978-1-62703-059-5_22.
[22] MUJA M, LOWE D G. Scalable nearest neighbor algorithms for high dimensional data[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(11): 2227-2240. DOI:10.1109/ TPAMI.2014.2321376.
[23] YOMOGIDA Y, SATO Y, NOZAKI R, et al. Comparative dielectric study of monohydric alcohols with terahertz time-domain spectroscopy[J]. Journal of Molecular Structure, 2010, 981(1/2/3): 173-178. DOI:10.1016/j.molstruc.2010.08.002.
[24] KEBARLE P, SEARLES S K, ZOLLA A, et al. The solvation of the hydrogen ion by water molecules in the gas phase. Heats and entropies of solvation of individual reactions: H +(H 2O) n-1+H 2O→H +(H 2O) n[J]. Journal of The American Chemical Society, 1967, 89(25): 6393-6399. DOI:10.1021/ja01001a001.
[25] KIM S H, BETTY K R, KARASEK F W. Mobility behavior and composition of hydrated positive reactant ions in plasma chromatography with nitrogen carrier gas[J]. Analytical Chemistry, 1978, 50(14): 2006-2012. DOI:10.1021/ac50036a018.
[26] RUDNITSKAYA A, KIRSANOV D, LEGIN A, et al. Analysis of apples varieties-comparison of electronic tongue with different analytical techniques[J]. Sensors and Actuators B: Chemical, 2006, 116(1/2): 23-28. DOI:10.1016/j.snb.2005.11.069.
Discrimination of Apple Essences Based on Spectral Data Fusion Combined with Pattern Recognition Algorithm
SHA Min
1,2, SONG Chao
1, ZHANG Zhengyong
1,2, WANG Suyu
1, LIU Jun
1,2, WANG Haiyan
1,2,*
(1. School of Management Science and Engineering, Nanjing University of Finance and Economics, Nanjing 210046, China; 2. Jiangsu Province Institute of Quality and Safety Engineering, Nanjing 210046, China)
Abstract：In this paper, Raman spectroscopy and ion mobility spectrometry (IMS) were used in combination to characterize nine kinds of apple essences from different producers. A discrimination model was built using spectral data fusion combined with principal component analysis (PCA) and nearest neighbor (NN) algorithm. First, apple essences were diluted with ultrapure water. Then, Raman and IMS fingerprint databases were established by Raman and IMS analyses, respectively. The single spectral data combined with PCA-NN models and the data fusion of Raman and IMS combined with PCA-NN model were used to distinguish apple essences, respectively. It was shown that the identification accuracy rate of the Raman-IMS combined with PCA-NN model for nine kinds of apple essences was 98.35%, which was higher than that of the Raman spectra combined with PCA-NN model (94.18%) and the IMS spectra combined with PCA-NN model (78.14%). Aqueous dilution technique was simple and fast, caused neither side effect nor pollution, and could retain all substances in the sample, ensuring the reliability and stability of the experimental results. Both Raman and IMS had the advantages of easy operation and quick analysis. The results from this study demonstrated that the Raman-IMS combined with PCA-NN model can be used as a reliable, sTableand fast new method to discriminate among apple essences.
Key words：apple essence; Raman spectroscopy; ion mobility spectrometry (IMS); data fusion; principal component analysis (PCA); nearest neighbor (NN) algorithm; discrimination
DOI：10.7506/spkx1002-6630-201622029
中图分类号：TS201.6
文献标志码：A
文章编号：1002-6630（2016）22-0192-06
引文格式：
沙敏, 宋超, 张正勇, 等. 谱图数据融合结合模式识别算法鉴别苹果香精[J]. 食品科学, 2016, 37(22): 192-197. DOI:10.7506/spkx1002-6630-201622029. http://www.spkx.net.cn
SHA Min, SONG Chao, ZHANG Zhengyong, et al. Discrimination of apple essences based on spectral data fusion combined with pattern recognition algorithm[J]. Food Science, 2016, 37(22): 192-197. (in Chinese with English abstract) DOI:10.7506/ spkx1002-6630-201622029. http://www.spkx.net.cn
收稿日期：2016-05-18
基金项目：公益性行业（质检）科研专项（201410173）；国家重大科学仪器设备开发专项（2013YQ090703）；国家自然科学基金面上项目（61373058）
作者简介：沙敏（1989—），女，讲师，博士，主要从事食品安全研究。E-mail：9120151037@njue.edu.cn
*通信作者：王海燕（1968—），女，教授，博士，主要从事食品安全研究。E-mail：njue2010@163.com