孙灵霞，陈锦屏，赵改名，李苗云

（1.陕西师范大学生命科学学院，陕西西安710062；2.河南农业大学食品科学技术学院，河南郑州450002）

化学计量学在食品分析中的应用研究进展

孙灵霞1，2，陈锦屏1，赵改名2，李苗云2

（1.陕西师范大学生命科学学院，陕西西安710062；2.河南农业大学食品科学技术学院，河南郑州450002）

综述了化学计量学中的主成分分析（principal components analysis，PCA）、偏最小二乘法（partial least square，PLS）、聚类分析（cluster analysis，CA）、判别分析（discriminant analysis，DA）、基于因子分析的多元分辨方法和小波变换（wavelet transform，WT）等方法在食品营养成分分析、食品分类识别及掺伪分析和食品卫生检测等领域中的应用，并对该领域的研究方向和前景进行了展望。

化学计量学，食品分析，应用

化学计量学（Chemometrics）诞生于70年代初期，由瑞典化学家S.Wold在为一项基金项目定名时提出[1]。80年代初，化学计量学才在中国起步，现已发展成为一门在国际上有一定影响的独立的化学学科分支。化学计量学（Chemometrics）作为一门新兴的化学分支学科，运用数学、统计学、计算机科学以及其他相关学科的理论和方法，优化化学量测过程，并通过解析化学量测数据以最大限度地获取化学及相关信息，它协助科学家阐明物质的成分、结构与其性能之间的复杂关系。到目前为止，化学计量学已大致形成了分析信息与分析采样、化学实验设计与优化、分析检测理论与信号处理方法、多元校正与多元分辨、化学模式识别、计算机数字模拟法、化学构效关系的研究、数据库检索，人工智能与化学专家系统等十个研究热点[2]。随着计算机科学、应用数学和统计学方法在化学中应用的日益广泛和深入，化学计量学理论和方法已渗透到化学中的各个领域。它在实验设计、数据处理、信号解析、化学分类决策及预报方面具有巨大的优势，能够解决传统的化学研究方法难以解决的复杂问题；而且化学计量学的各种方法与传统的化学量测研究方法相结合，可使各种化学量测研究方法更有活力，其应用已涉及到施行化学量测的所有领域。食品的多样性及其成分的复杂性对食品分析方法提出了很高的要求，一些先进的仪器分析技术不断渗透到食品分析中，如气相色谱仪、高效液相色谱仪、氨基酸自动分析仪、原子吸收光度仪等均得到了普遍应用。运用现代食品分析仪器进行食品分析，必然会得到大量的复杂量测数据，如何对这些量测数据进行解析以及如何从中提取所需的有用信息，是化学计量学在食品分析中应用的关键[3]。

1 食品分析中常用的化学计量学方法

随着化学计量学的发展，食品领域的研究者们越来越多地倾向于用它来处理食品中复杂的有机成分检测数据，其中主成分分析（PCA）、判别分析（DA）、聚类分析（CA）、偏最小二乘法（PLS）等受到普遍重视，其他化学计量学方法如多元线性回归（MLR）、人工神经网络（ANN）、单类成分判别分析法（soft independent modeling of class analogy，SIMCA）、小波变换等在食品工业中也有应用。

1.1 主成分分析（principal components analysis，PCA）[4-5]

主成分分析是多元统计中的一种数据压缩技术，它可以用一种最优化方法浓缩及综合测量矩阵中的信息，使数据简化，降低维数，寻找n个由原始变量线性组成的新变量（主成分），以期揭示测量数据内部结构特征，使分析更加简便、准确。主成分分析法是模式识别分析中最常用的一种方法，在解决谱带重叠方面亦有应用[6]。

1.2 偏最小二乘法（Partial Least Square，PLS）[7]

偏最小二乘法（PLS）是一种多因变量对多自变量的回归建模方法，是一种比较完善的基于因子分析的多变量校正方法，它在考虑自变量的同时也考虑了因变量的作用，同时通过折衷各自空间内的因子，使模型较好地同时描述自变量和因变量。从八十年代开始应用于化学研究，现已成为化学计量学中最常用的多元校正方法，在化学测量和研究以及食品检测中得到广泛应用。

1.3 聚类分析（cluster analysis，CA）[5，8]

聚类分析是按“物以类聚”的原则将特性相近的变量或观察单位进行归类。聚类分析包括系统聚类方法、k均值聚类法、模糊K-均值聚类方法以及自组织（Kohonen）神经网络。其中系统聚类法和K-均值聚类方法是目前聚类分析中应用最多的两种方法，许多著名的统计软件如SAS、SPSS等都包含相应模块。模糊K-均值聚类方法和自组（kohonen）神经网络方法是近几年发展最快的聚类方法。系统聚类法的基本思想是在各自成类样本中，将距离最近的样本合并为一个新类，计算新类与其它类的距离，直到所有的样本合并为一类；k均值聚类法是一种动态聚类方法，其基本思想是假设一个分类数目k，任意选取k个点作为初始类聚点，逐个计算其它样本与k个类重心之间的距离，选取距离最小者将其并入该类，再重新计算各类的重心，并以该重心为新的凝聚点，直到每个样本都被归类。

1.4 判别分析（discriminant analysis，DA）[8-9]

判别分析是判别样品所属类型的一种统计方法，是在已知研究对象分成若干类型（或组别）并已取得各种类型的一批已知样品的观测量数据的基础上，根据某些准则建立判别式，然后对未知类型的样品进行判别分析。

判别分析的代表性方法有线性判别（LDA）、K-最邻近法（KNN）、单类成分判别分析法（SIMCA）、人工神经网络（ANN）和支持向量机（SVM）。LDA[10]的目标是寻找最能把两类样本分开的投影直线，以投影后样本类间离散度和样本类内离散度的比值最大的形式选择线性变换矩阵。KNN法[2]的基本思想是在n维空间中找到与未知试样最邻近的点（如化合物），而将未知试样归入所属的类，该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。SIMCA法[2]属于类模型方法，即对每类构造一主成分回归的数学模型，并在此基础上进行试样的分类。人工神经网络（artificial neural network，ANN）又称神经网络，是通过对已知类别的训练集的拟合，来建立识别模型对未知样本进行分类和预测。人工神经网络[2]又分反向传播神经网络（Back Propagation network，BP）、径向基人工神经网络（Radial Basis Function network，RBF）和自组织人工神经网络（Kohonen network，K）等。人工神经网络在多元校正、实验条件优化、蛋白质结构预测以及QSPR/QSAR研究中都得到了广泛的应用。在诸多算法中，目前应用最多的是BP人工神经网络。SVM[5]最初是为了解决模式识别中的两分类问题而设计的，该方法基于统计学习理论中结构风险最小化的原则，通过一定的非线性映射方法将原始变量投射到高维空间，然后在高维空间构造最优分类超平面实现样品的分类。SVM有效地解决了ANN存在的过拟合和局部最小等问题，具有很强的推广能力。

1.5 基于因子分析的多元分辨方法[2，11]

因子分析的实质是将变量进行组合，基于原始数据的相关关系，借助数学方法将一组包含众多关系复杂的变量分解为少量变量（因子）。因子分析和主成分分析在数学上是相同的，但二者在表达上的侧重有所不同。主成分分析是将新变量表达为原变量的线性组合，而因子分析是将原变量表达为新变量的线性组合。

多元分辨是多组分同时分析的重要工具，特别是对于“黑色分析体系”，对分析样品的组分数和浓度范围均完全未知。由于多元分辨一般基于二维数学矩阵，因子分析以及基于因子分析发展起来的一些重叠信号解析技术成为多元分辨的主要手段。目前常用的多元分辨方法有[2]：渐进因子分析法[12]（Evolving factor analysis，EFA）、窗口因子分析法（Window Factor Analysis，WFA）、启发渐进式特征投影法[13]（Heuristic Evolving Latent Projection，HELP）、子窗口因子分析法[14]（Subwindow Factor Analysh，SFA）、交互移动窗口因子分析法[15]（Alternative moving window factor analysis，AMWFA）等。

1.6 小波分析

小波分析是以小波变换为数学基础的信号分析技术，20世纪80年代得到迅速发展，目前已成功应用于分析化学信号的平滑滤噪、数据压缩、基线校正与背景扣除、求导运算及重叠信号解析等，其中在色谱数据处理中的应用最为广泛，除平滑滤噪、基线校正和重叠色谱信号分辨以外，该方法可以将光谱背景滤除，也可以将漂移的色谱基线加以校正，从而为正确得到数据矩阵的因子数提供了保障[2]。与传统的化学计量方法相比，用小波变换从重叠的色谱峰中提取各组分信息进行定量分析具有方便、快速、准确的特点[16]。

2 化学计量学方法在食品分析中的应用

2.1 在食品营养成分分析中的应用

食品营养成分分析主要是对食品中的水分、蛋白质或氨基酸、脂肪或脂肪酸、各种糖类、无机元素、维生素等成分进行定量分析。传统的化学分析方法虽然较准确，但存在样品前处理操作繁杂、分析时间长、操作条件难以掌握等问题。近年来，光谱法、色谱法在食品成分的分析检测中得到广泛应用，尤其是近红外光谱法在粮食油脂食品中的应用越来越受到人们的重视，但红外光谱检测时官能团吸收峰的相互重叠和各种噪音的影响，会使测定结果有所偏差，而化学计量学的引入可消除部分背景干扰，解析重叠波谱。

谢新华等[17]应用近红外透射光谱（NITS）技术，采用主成分分析法（PCR）、偏最小二乘法（PLS）和改进的偏最小二乘法（MPLS）建立糙米蛋白质含量定量分析数学模型，发现用PLS建立模型的标准误差和相关系数均优于其他2种方法，预测结果有很高的准确性。魏良明等[18]以我国常用玉米自交系、杂交种样品为材料，采用偏最小二乘（PLS）回归法，建立了近红外反射光谱测定玉米完整籽粒的粗蛋白、粗淀粉和油分含量的校正模型，并利用40个玉米杂交后代材料对3个模型的预测效果进行了验证，结果均令人满意。齐小明等[19]提出一种新的BP算法：主成分-逐步回归-BP算法用于近红外光谱定量分析中，其所建模型对于小麦蛋白质含量的预测精度明显高于逐步回归-BP算法和主成分-BP算法。张录达等[20]运用MAXR回归法，由Matlab语言设计程序，以小麦样品为实验材料，建立了蛋白质含量的近红外光谱定量分析模型，该模型完全可用于小麦样品的蛋白质含量的定量分析，且有较好的分析结果。任亦贺等[21]使用主成分分析、遗传算法和神经网络建立啤酒感官评价模型，并用此模型对50种啤酒的感官得分进行预测，结果表明，该方法能有效地预测啤酒感官评价。F.J. Rambla等[22]采用偏最小二乘法（PLS）解析了果汁中的总糖、葡萄糖、果糖、蔗糖的一阶近红外光谱，完成了上述糖类同时分析。Lijuan Xie等[23]采用偏最小二乘回归法（PLSR），建立了近红外光谱测定野梅汁中葡萄糖、果糖和蔗糖的校正模型，该模型的预测结果令人满意。Mohammed Salim Ammor等[24]尝试采用傅立叶变换红外光谱（Fourier transform infrared，FTIR）结合化学计量学中的主成分分析、判别因子分析和偏最小二乘回归3种方法，对传统商业包装条件下牛肉末的腐败情况进行快速监测，结果表明傅立叶变换红外光谱结合化学计量学方法在监测牛肉末新鲜度方面是一种有效、快速、经济和无创的方法，而不考虑贮藏条件如包装和温度如何变化。

另外，在使用红外光谱、色谱等技术对食品成分进行分析时，常存在信号干扰、背景不能准确扣除、总有重叠峰出现等问题。国内外研究表明，化学计量学多元分辨技术以及小波分析用于解析二维数据中的重叠峰以及红外光谱数据的平滑滤噪等问题，是一种方便准确的方法，可提高定性定量结果。佘金明等[25]利用化学计量学解析法分辨重叠色谱峰分析山柰挥发油成分，比单独使用GC-MS得到的结果更加准确可靠。熊运海等[26-27]采用GC-MS联用技术并结合化学计量学解析法对丁香、桂皮挥发油混合前后的化学成分进行分析比较，并对不同方式调制的丁香与桂皮挥发油复合物成分进行了分析，取得了较好的定性定量分析结果。张恒等[28]将小波变换应用于红外光谱测定西红柿葡萄糖含量，采用小波滤噪及平滑技术处理西红柿红外光谱图，可获得光滑的谱图，增强了谱图的分辨能力，且在此基础上建立的非线性数学模型使定量结果更为准确。Mehdi Jalali-Heravi等[29]采用气质联用技术结合化学计量学方法对伊朗天竺葵精油的成分进行分析，发现通过质谱和质谱数据库的相似度检索仅能鉴别出61种精油成分，占精油总量的91.5%；而采用固定尺寸移动窗口渐进因子分析法（fixed size moving window evolving factor analysis，FSMWEFA）进行变量简化、基线校正，并应用直观推导式演进特征投影法（HELP）解析色谱和质谱的重叠峰，则有85种精油成分被鉴定出来，说明气质联用技术结合化学计量学方法是一种能准确分析精油成分的互补方法。Ying-Xu Zeng等[30]采用气质联用技术结合交互移动窗口因子分析法（AMWFA）对生长于中国的铁线蓬中的挥发性成分进行了比较分析，发现基于两维数据解析的化学计量学方法能对复杂的精油成分进行快速、准确的分析。

2.2 在食品分类识别及掺伪分析中的应用

食品本身成分的复杂性，往往形成复杂的灰色乃至黑色体系，传统方法难以得出正确结果；而且，食品的成分常随产地、采收时间、食品的种类有很大差异；同时，随着食品掺伪技术的提升，食品掺伪的手段和方式日趋复杂、而且更加隐蔽。这些都为食品的分类识别和掺伪分析带来了困难。而化学计量学模式识别技术的应用为食品的分类识别和掺伪分析提供了更简单、更科学的数据处理方法，其中主成分分析（PCA）、判别分析（DA）、聚类分析（CA）、偏最小二乘法（PLS）等受到普遍重视，多元线性回归（MLR）、人工神经网络（ANN）、单类成分判别分析法（SIMCA）等在食品分类识别和掺伪分析以及质量控制中也有应用。

郭延生等[31]用HPLC指纹图谱，结合主成分分析、系统聚类分析和判别分析等化学计量学方法对生当归炮制品提供了一个更加综合和量化的化学模式识别和质量评价方法。李永宏等[32]利用电子鼻采集商品化檀香的香气，并利用主成分分析法（PCA）、单类成分判别分析法（SIMCA）等化学计量学方法处理数据，可以很灵敏地分析样品之间的细微差别。张国文等[33]利用化学模式识别技术的主成分分析法对取自不同地区食品样品进行分类研究，涉及的变量包括K、Na、Ca等10种金属离子和有机物蛋白质、碳水化合物、脂肪、VB1、VB2，结果表明，运用PCA法对变量进行适当的选择能够有效地分辨不同的样品。陈燕清等[34]采用原子吸收法测定了32个食醋样品中的Mg、K、Pb等八种无机元素含量，采用向量相似法计算了陈醋和白醋以及同一种类不同品牌食醋的相似度，通过聚类分析和主成分分析对来自4个不同地区品牌以及不同种类的食醋（陈醋和白醋）进行了分类，结果表明，聚类分析和主成分分析均可将食醋样品分为两大类，每个大类又将食醋样品按不同品牌分开，食醋中无机元素含量差异可作为食醋种类和品牌判别的测量指标之一。N.Vlachos等[35]将红外光谱法与计算机软件技术相结合，对掺有玉米油及芝麻油的橄榄油样品进行了测定，通过红外光谱3009cm-1处吸收峰的变化情况，分析出了理想的识别结果。Darinka Brodnjak-Vonina等[36]用气相色谱测定植物油中的脂肪酸种类和含量，以棕榈酸、硬脂酸、油酸、亚油酸、亚麻酸、花生酸和花生烯酸的含量作为特征参数，用主成分分析和基于神经网络的聚类分析实现了植物油的分类，交互验证准确率为95%，线性判别分析的判别准确率为96.84%。Penza等[37]用电子鼻结合PCA和ANN对不同产地和种类的白酒进行分类判别，分类的准确度100%，对未知样的预报准确度为78%。Xiangrong Zhu等[38]采用小波变换和主成分分析方法压缩光谱数据，采用最小二乘支持向量机（LS-SVM）、支持向量机（SVM）、人工神经网络、线性判别分析（LDA）和K-最临近法（KNN）等5种模式识别方法对蜂蜜进行分类和掺伪鉴别，发现小波变换结合最小二乘支持向量机方法是一种快速且准确的蜂蜜掺伪鉴别技术。Marina Cocchi等[39]采用HS-SPME/GC测定意大利黑醋香气成分，运用小波变换处理测定结果来对意大利黑醋进行分类，取得很好的效果。Lijuan Xie等[40]采用主成分分析、简易分类算法和判别偏最小二乘回归法建立了马铃薯的可见近红外光谱校正模型，用该模型区分转基因马铃薯与非转基因马铃薯时判别准确率为100%，表明可见近红外光谱结合化学计量学方法是一种快速辨别转基因马铃薯与传统马铃薯的有效工具。

2.3 在食品卫生检测中的应用

食品卫生检测的主要任务之一就是农药残留量以及有害元素的测定。随着人们对食品中农药残留问题的日益关注，更灵敏和更快速的分析方法对于农药残留的检测显得尤为重要。目前，农药残留的检测正由单一农药检测向多农药组分残留同时检测的方向发展，对农药残留分析技术提出了更严格的要求。而化学计量学的应用可解决农药残留检测中多组分分析的问题，还有利于提高测定信噪比和精密度，拓宽传统分析方法如气相和液相色谱法、光度分析法和电化学分析法的应用范围。化学计量学中的偏最小二乘法、主成分回归和经典最小二乘法等都是食品农残以及有害元素检测中常用的方法。

倪永年等[41]采用微分脉冲伏安法测定三种有机磷农药甲基对硫磷、杀螟硫磷和对硫磷，并分别用经典最小二乘法（CLS）、主成分回归（PCR）、偏最小二乘法（PLS）、卡尔曼滤波（KF）和径向人工神经网络（RBF-ANN）五种不同的化学计量学方法解析伏安图谱，结果表明径向人工神经网络得到的相对预报误差最低，将该法应用于蔬菜样品分析中得到满意结果。倪永年等[42]采用多种化学计量学方法处理速差动力学分光光谱测量数据，发现偏最小二乘和主成分分析-径向基函数-人工神经网络法（PCA-RBF-ANN）校准模型的预测误差最低，将该模型应用于蔬菜和水中灭害威和胺甲萘的测定得到满意结果。他们[43]还采用主成分回归、偏最小二乘法、PCA-RBF-ANN法建立了食品增香剂麦芽酚和乙基麦芽酚的速差动力学分光光谱测量方法，此方法能较好地预测食品中的待测成分。潘军辉[44]研究了化学计量学方法结合分光光度法和荧光光度法同时解析某些农药或食品添加剂的新方法，将这些方法应用到食品样中农药残留和食品添加剂的测定，能够得到比较满意的结果。张国文等[45]提出了主成分回归－分光光度法同时测定食品及水样中甲萘威和异丙威的方法，用此方法对苹果、白菜、稻米和水等6种样品进行分析，测得甲萘威及异丙威的回收率依次在98.4%～108.4%、91.6%～101.7%之间。吴泽鑫等[46]利用主成分分析和BP神经网络方法建立了番茄有机磷农药残留的无损检测模型，当光谱信息主成分因子数为3时，建立的模型最优，预测的识别率达到0.96。Frenich等[47]首次提出将多元校正方法（PLS-1、PLS-2和PCR）用于蔬菜中6种农药混合物的气质联用的测定，实验发现PLS-1优于其他模型。Balduini等[48]采用化学计量学方法对实验的分析时间进行优化，采用气质联用测定牛奶中的莠去津、莠灭净和扑草净等5种三嗪类除草剂，结果显示，几种除草剂在不同程度浓缩过程中的回收率是58.64%~63.22%。

3 结语

化学计量学在食品分析中不同程度的得到了应用，解决了食品分析中现代仪器数据多维化、复杂化的难题，解决了农药残留检测中多组分分析等问题，为食品分析带来了新活力。化学计量学在食品分析中的应用日趋广泛，但目前主要用于粮油食品、酒类、茶叶等的成分分析、分类识别以及掺伪分析，在其它类食品的分类识别、掺伪分析以及食品中农药残留、有害元素检测等方面还有很多工作可做，也有待于进一步深入的研究。因此，进一步扩大化学计量学在食品分析中的应用范围，为食品分析方法的发展和应用开拓新的领域；同时，化学计量学与各种仪器分析方法的结合必将会促进化学计量学自身的发展，促进新的化学计量学方法的产生。

[1]周统武，蔡娟.化学计量学的学科现状与发展方向[J].中国科技信息，2009（3）：216-219.

[2]许禄，邵学广.化学计量学方法[M].第二版.北京：科学出版社，2006.

[3]L Munck，L Nørgaard，S B Engelsen，et al.Chemometrics in food science-a demonstration of the feasibility of a highly exploratory，inductive evaluation strategy of fundamental scientific significance[J].Chemometrics and Intelligent Laboratory Systems，1998，44（1-2）：31-60.

[4]朱尔一，杨芃元.化学计量学技术及应用[M].北京：科学出版社，2001：87，149.

[5]陈燕清，倪永年.模式识别在食品质量控制方面的应用进展[J].化学研究与应用，2009，21（1）：1-7.

[6]Ren Y L，Bing C T，Lu JH，et al.Principal component anaylsis of near-infrared diffuse reflectance spectra[J].Spectroscopy and Spectral Analysis，1996，16（6）：31-35.

[7]王清龙，吕全建.化学计量学在化学中的应用进展[J].郑州牧业工程高等专科学校学报，2006，26（3）：45-47.

[8]张骊，王亚瑞，范璐，等.化学计量学方法及其在油脂识别分析中的应用[J].中国油脂，2010，35（1）：1-5.

[9]Yukio Tominaga.Comparative study of class data analysis with PCA-LDA，SIMCA，PLS，ANNs，and k-NN[J].Chemometrics and Intelligent Laboratory Systems，1999，49（1）：105-115.

[10]Daniel Cozzolino，Heather E Smyth，Wies Cynkar，et al. Usefulness of chemometrics and mass spectrometry-based electronic nose to classify Australian white wines by their varietal origin[J].Talanta，2005，68（2）：382-387.

[11]兰李，倪永年.化学计量学在食品工业中的应用[J].江西食品工业，2006（4）：45-47.

[12]Marcel Maeder，Arne Zilian.Evolving factor analysis，a new multivariate technique in chromatography[J].Chemometrics and Intelligent Laboratory Systems，1988，3（3）：205-213.

[13]HR Keller，DL Massart，YZ Liang，et al.A comparison of the heuristic evoling latent projections and evolving factor analysis methods for peak purity control in liquid chromatography with photodiode array detection[J].Analytica Chimica Acta，1992，267（1）：63-71.

[14]Hailin Shen，Rolf Manne，Qingsong Xu，et al.Local resolution of hyphenated chromatographic data[J].Chemometrics and Intelligent Laboratory Systems，1999，45（1-2）：323-328.

[15]Zhong-Da Zeng，Yi-Zeng Liang，Ya-Li Wang，et al. Alternative moving window factoranalysisforcomparison analysis between complex chromatographic data[J].Journal of Chromatography A，2006，1107（1-2）：273-285.

[16]王学玲，闫晓薇，王建林.小波变换在信号处理中的应用[J].福建电脑，2006（9）：62，89.

[17]谢新华，肖昕，李晓方，等.单粒糙米蛋白质含量的近红外分析数学模型[J].农业机械学报，2006，37（8）：120-122.

[18]魏良明，姜海鹰，李军会.玉米杂交种品质性状的近红外光谱分析技术研究[J].光谱学与光谱分析，2005，25（9）：1404-1407.

[19]齐小明，张录达，柴丽娜，等.主成分-逐步回归-BP算法在近红外光谱定量分析中应用的研究[J].北京农学院学报，1999，14（3）：47-52.

[20]张录达，赵丽丽，赵龙莲，等.MAXR回归法在近红外光谱定量分析及最优波长选择中的应用研究[J].光谱学与光谱分析，2005，25（8）：1227-1229.

[21]任亦贺，骆学雷，丰水平，等.基于主成分分析、遗传算法和神经网络对啤酒感官评价预测的研究[J].中国酿造，2010（2）：50-53.

[22]F J Rambla，S Garrigues，M de la Guardia.PLS-NIR determination of total sugar，glucose，fructose and sucrose in aqueous solutions of fruit juices[J].Analytica Chimica Acta，1997，344（1-2）：41-53.

[23]Lijuan Xie，Xingqian Ye，Donghong Liu，et al.Quantification of glucose，fructose and sucrose in bayberry juice by NIR and PLS[J].Food Chemistry，2009，114（3）：1135-1140.

[24]Mohammed Salim Ammor，Anthoula Argyri，George-John E Nychas.Rapid monitoring of the spoilage of minced beef stored under conventionally and active packaging conditions using Fourier transform infrared spectroscopy in tandem with chemometrics[J].Meat Science，2009，81（3）：507-514.

[25]佘金明，彭友林，梁逸曾，等.化学计量学解析法与山柰挥发油化学成分的GC-MS分析[J].湖南文理学院学报：自然科学版，2010，22（1）：24-27.

[26]熊运海，王玫，余莲芳.丁香与桂皮挥发油混合后化学成分变化分析[J].食品科学，2009，30（24）：311-315.

[27]熊运海，王玫，余莲芳，等.化学计量学法对不同方式调制的丁香与桂皮挥发油复合物成分分析[J].食品工业科技，2010（6）：118-121.

[28]张恒，许兆棠.小波变换应用于红外光谱法测定西红柿葡萄糖含量[J].理化检验-化学分册，2009，45（9）：1069-1071.

[29]Mehdi Jalali-Heravi，Behrooz Zekavat，Hassan Sereshti. Characterization of essential oil components of Iranian geranium oil using gas chromatography-mass spectrometry combined with chemometric resolution techniques[J].Journal of Chromatography A，2006，1114（1）：154-163.

[30]Ying-Xu Zeng，Chen-Xi Zhao，Yi-Zeng Liang，et al. Comparative analysis of volatile components from Clematis species growing in China[J].Analytica Chimica Acta，2007，595（1-2）：328-339.

[31]郭延生，华永丽，杜天玺，等.基于化学计量学的HPLC指纹图谱在当归炮制品质量控制和识别中的应用[J].中国中药杂志，2010，35（12）：1551-1555.

[32]李永宏，毛海舫，田怀香，等.用电子鼻比较罗地亚檀香系列的香气[J].香料香精化妆品，2009（2）：4-7.

[33]张国文，邱萍，倪永年.主成分分析法用于食品样品分类研究[D].南昌：南昌大学，2000.

[34]陈燕清，倪永年，舒红英.基于无机元素的含量判别食醋的种类和品牌方法研究[J].光谱学与光谱分析，2009，29（10）：2860-2863.

[35]N Vlachos，Y Skopelitis，M Psaroudaki，et al.Applications of Fourier transform-infrared spectroscopy to edible oils[J]. Analytica Chimica Acta，2006，573-574：459-465.

[36]Darinka Brodnjak-Vonina，Zdenka Cenci Kodba，Marjana Novi.Multivariate data analysis in classification of vegetable oils characterized by the content of fatty acids[J].Chemometrics and Intelligent Laboratory Systems，2005，75（1）：31-43.

[37]Penza M，Cassano G.Chemometric characterization of Italian wines by thin-film multisensors array and artificial neural networks [J].Food Chem，2004，86（2）：283-296.

[38]Xiangrong Zhu，Shuifang Li，Yang Shan，et al.Detection of adulterants such as sweeteners materials in honey using nearinfrared spectroscopy and chemometrics[J].Journal of Food Engineering，2010，101（1）：92-97.

[39]Marina Cocchi，Caterina Durante，Giorgia Foca，et al. Application of a wavelet-based algorithm on HS-SPME/GC signals for the classification of balsamic vinegars[J].Chemometrics and Intelligent Laboratory Systems，2004，71（2）：129-140.

[40]Lijuan Xie，Yibin Ying，Tiejin Ying.Combination and comparison ofchemometrics methods foridentification of transgenic tomatoes using visible and near-infrared diffuse transmittance technique[J].Journal of Food Engineering，2007，82（3）：395-401.

[41]倪永年.化学计量学在农药残留分析和食品安全中的应用[C].第九届全国计算（机）化学学术会议论文摘要集，2007.

[42]Yongnian Ni，Weiqiang Xiao，Serge Kokot.Application of chemometrics methods for the simultaneous kinetic spectrophotometric determination of aminocarb and carbaryl in vegetable and water samples[J].Journal of Hazardous Materials，2009，168（2-3）：1239-1245.

[43]Yongnian Ni，Yong Wang，Serge Kokot.Simultaneous kinetic-spectrophotometric determination of maltol and ethyl maltol in food samples by using chemometrics[J].Food Chemistry，2008，109（2）：431-438.

[44]潘军辉.化学计量学结合光谱法在农药残留和食品添加剂分析中的应用[D].南昌：南昌大学，2000.

[45]张国文，王福民，潘军辉.主成分回归-分光光度法同时测定西维因和异丙威[J].理化检验（化学分册），2008，44（8）：715-718.

[46]吴泽鑫，李小昱，王为，等.基于近红外光谱的番茄农药残留无损检测方法研究[J].湖北农业科学，2010，49（4）：961-963.

[47]Frenich A G，Liebanas F J A，Mateu-Sanchez M，et al. Multicomponent deternimation of pesticides in vegetables by gas chromatography with mass spectrometry detection and multivariate calibration[J].Talanta，2003，60（4）：765-774.

[48]Balduini L，Matoga M，Cavalli E，et al.Triazinic herbicide determination by gas chromatography-mass spectrometry in breast milk[J].Journal of Chromatography B，2003，794（2）：389-395.

Research progress in application of chemometrics in food analysis

SUN Ling-xia1，2，CHEN Jin-ping1，ZHAO Gai-ming2，LI Miao-yun2
（1.College of Food Engineering and Nutritional Science，Shaanxi Normal University，Xi’an 710062，China；2.College of Food Science and Technology，Henan Agricultural University，Zhengzhou 450002，China）

It was reviewed that the application of chemometrics，such as principal components analysis（PCA），partial least square（PLS），cluster analysis（CA），discriminant analysis（DA），multivariate discrimination based on factor analysis and wavelet transform（WT）in the analysis of food nutrient components，food classification or adulteration and food sanitation.In addition，the prospect and trends of chemometics in the analysis of food were also discussed.

chemometrics；food analysis；application

TS207.3

A

1002-0306（2012）07-0444-06

2011－02－11

孙灵霞（1980-），女，博士，讲师，研究方向：食品风味物质研究。