小麥RVA曲線擬合模型的建立及應(yīng)用.pdf

1、隨著小麥品質(zhì)研究的深入，人們逐漸認(rèn)識到小麥淀粉在食品加工和品質(zhì)育種過程中的重要性。大量研究表明，小麥淀粉對小麥的加工品質(zhì)、食用品質(zhì)以及小麥淀粉制品品質(zhì)都有很大影響。大多數(shù)研究結(jié)果顯示，小麥淀粉糊化特性是反映小麥淀粉品質(zhì)的一個重要指標(biāo)，受基因型、環(huán)境及其互作的影響。因此，改良小麥淀粉糊化特性已成為小麥品質(zhì)育種的重要目標(biāo)。然而許多對小麥淀粉糊化特性的研究結(jié)果間互相矛盾，說明依據(jù)現(xiàn)有RVA特征參數(shù)進(jìn)行分析尚有待深入。
　　本文對小麥品種

2、的糊化特性進(jìn)行了數(shù)量化分析。數(shù)據(jù)分析在科研領(lǐng)域的應(yīng)用已經(jīng)占據(jù)了舉足輕重的位置，多數(shù)科研成果有賴于正確的數(shù)據(jù)分析，其中數(shù)據(jù)擬合的應(yīng)用日趨廣泛。在各種科學(xué)研究實驗中會涉及到大量數(shù)據(jù)，找出這些數(shù)據(jù)之間的規(guī)律，建立合適的數(shù)學(xué)模型，進(jìn)行定量化說明，就是數(shù)據(jù)擬合的主要任務(wù)。本文對數(shù)據(jù)擬合的方法，特別針對非線性數(shù)據(jù)擬合的一些較常用的方法進(jìn)行總結(jié)介紹，分析了各種方法的數(shù)據(jù)處理過程和各自特點。非線性回歸的基本思想是，要求擬合曲線上的每個點與原數(shù)據(jù)點之間的

3、差值的平方和達(dá)到最小，根據(jù)數(shù)據(jù)的不同特點選擇適合的擬合方法。RVA在加熱過程中隨時間變化的特征是典型的曲線關(guān)系，這種變化規(guī)律可用一個函數(shù)加以描述，從而可以更精細(xì)的說明RVA的變化過程。本研究經(jīng)過大量試算、篩選找到一個具有較高擬合度的方程，基于改良縮張算法，該方程能從任意初始值出發(fā)達(dá)到唯一最優(yōu)參數(shù)估計。
　　本文對63個小麥材料的RVA曲線進(jìn)行擬合，多數(shù)擬合結(jié)果都達(dá)到0.995的擬合度，粘度的差異表現(xiàn)在方程參數(shù)上的不同。目前已有很多

4、有關(guān)RVA特征值研究的文章，多數(shù)研究偏向于影響淀粉糊化特性的因素，甚少有研究對糊化特性進(jìn)行數(shù)量化分析。更由于現(xiàn)有RVA特征參數(shù)存在二級數(shù)據(jù)（回復(fù)值、崩解值），對這些數(shù)據(jù)（原特征值點）的進(jìn)一步分析往往造成一些困難，有時使一些分析（如回歸分析、通經(jīng)分析等）由于結(jié)構(gòu)陣的不滿秩或病態(tài)而難于進(jìn)行。利用RVA隨時間變化的函數(shù)關(guān)系，可以獲得一些新的信息點（新特征點），而這些新特征點并非是原數(shù)據(jù)點的線性組合，不會影響數(shù)據(jù)結(jié)構(gòu)陣的不滿秩或病態(tài)矩陣的發(fā)生，

5、使基于結(jié)構(gòu)陣為基礎(chǔ)的統(tǒng)計分析得以進(jìn)行。這些新的特征點擴增了淀粉的粘度信息，可使淀粉粘度信息更加豐富，且這些新的特征點可能包含對面粉品質(zhì)有關(guān)鍵作用的信息。文章中對擬合的方程進(jìn)行一階、二階求導(dǎo)計算出RVA曲線在拐點處的粘度和時間。
　　本文提出的RVA新特征點就是基于RVA原特征點，并結(jié)合新求出的拐點處的粘度和時間，這樣就保證了淀粉粘度信息的完整性。為進(jìn)一步研究淀粉粘度特性以及與小麥其它主要品質(zhì)性狀間的相互關(guān)系提供了理論基礎(chǔ)。聚類分析

6、是根據(jù)事物本身的特性研究個體的一種方法，目的在于將相似的事物歸類。它的原則是同一類中的個體有較大的相似性，不同類的個體差異性很大。本文采用的聚類方法為最小組內(nèi)平方和法(MinSSw法)，該方法能有效地調(diào)整初始分組中的個體，使之達(dá)到合理的分類，并有著良好的穩(wěn)健性。為了進(jìn)一步改良K-means法，MinSSw法認(rèn)為保證組內(nèi)平方和為最小即組間平方和最大才是合理的分類標(biāo)準(zhǔn)，其聚類步驟與K-means法一致。本文把63個樣品依據(jù)其原特征點和新特征

7、點在標(biāo)準(zhǔn)化情況下分別進(jìn)行聚類，共分為5類。通過計算各自的Wilks' lambda統(tǒng)計量，認(rèn)為依據(jù)MinSSw法能達(dá)到較優(yōu)的聚類效果，同時比較兩幅聚類結(jié)果圖可以看出，新特征值比原特征值能得到更好的聚類效果。主成分是原變量的線性組合，是對原變量信息的一種改良;主成分不增加總信息量，也不減少總信息量。保留多少個主成分取決于保留部分的累積方差在方差總和中所占百分比（即累積貢獻(xiàn)率），它標(biāo)志著前幾個主成分概括信息的多寡。本文選取了前3個主成分，累