| 摘要 | 第4-7页 |
| Abstract | 第7-9页 |
| 1 引言 | 第13-27页 |
| 1.1 葡萄酒行业面临的问题 | 第13-14页 |
| 1.2 我国葡萄酒技术标准体系概况 | 第14-15页 |
| 1.3 国内外葡萄酒保护技术现状 | 第15-16页 |
| 1.4 核磁共振技术在葡萄酒产地以及品种真实性鉴别中的应用 | 第16-21页 |
| 1.4.1 ~1H NMR图谱预处理 | 第18页 |
| 1.4.2 ~1H NMR图谱数据多元统计学方法 | 第18-21页 |
| 1.5 无机元素在葡萄酒产地真实性鉴别中的应用 | 第21-22页 |
| 1.6 稳定同位素技术在葡萄酒真实性的应用 | 第22-23页 |
| 1.7 研究目的和内容 | 第23-25页 |
| 1.7.1 目的和意义 | 第23-24页 |
| 1.7.2 主要内容和技术路线 | 第24-25页 |
| 1.8 本章小结 | 第25-27页 |
| 2 建立测定葡萄酒中挥发酸含量的快速分析方法 | 第27-35页 |
| 2.1 材料与方法 | 第27-29页 |
| 2.1.1 材料 | 第27页 |
| 2.1.2 仪器 | 第27-28页 |
| 2.1.3 试剂 | 第28页 |
| 2.1.4 乙酸溶液的制备 | 第28页 |
| 2.1.5 挥发酸测定方法 | 第28页 |
| 2.1.6 快速测定方法 | 第28-29页 |
| 2.1.7 挥发酸的计算 | 第29页 |
| 2.1.8 精密度与准确性分析 | 第29页 |
| 2.2 结果与分析 | 第29-33页 |
| 2.2.1 快速蒸馏仪与常规蒸馏操作步骤比较 | 第29页 |
| 2.2.2 样品前处理方法优化 | 第29-31页 |
| 2.2.3 回收率 | 第31-32页 |
| 2.2.4 方法日间与日内精密度 | 第32页 |
| 2.2.5 方法准确性分析 | 第32-33页 |
| 2.3 本章小结 | 第33-35页 |
| 3 非目标~1H NMR指纹图谱技术构建品种葡萄酒真实性模型 | 第35-47页 |
| 3.1 材料与方法 | 第36-38页 |
| 3.1.1 材料 | 第36页 |
| 3.1.2 仪器与试剂 | 第36页 |
| 3.1.3 样品前处理 | 第36页 |
| 3.1.4 ~1H NMR实验流程及仪器参数设置 | 第36-37页 |
| 3.1.5 多元统计分析 | 第37-38页 |
| 3.2 结果与分析 | 第38-46页 |
| 3.2.1 ~1H NMR数据质量控制 | 第38页 |
| 3.2.2 ~1H NMR葡萄酒图谱主要代谢物的归属 | 第38-39页 |
| 3.2.3 ~1H NMR图谱峰化学位移对齐以及数据降维 | 第39-40页 |
| 3.2.4 变质葡萄酒快速识别 | 第40-41页 |
| 3.2.5 探索性数据分析 | 第41-42页 |
| 3.2.6 线性判别分析（LDA）以及随机深林（RF） | 第42-44页 |
| 3.2.7 PCA/LDA及PCA/RF模型有效性验证 | 第44-46页 |
| 3.3 本章小结 | 第46-47页 |
| 4 非目标~1H NMR指纹图谱技术构建产地葡萄酒真实性模型 | 第47-53页 |
| 4.1 材料与方法 | 第48-49页 |
| 4.1.1 材料 | 第48页 |
| 4.1.2 仪器与试剂 | 第48页 |
| 4.1.3 样品前处理 | 第48页 |
| 4.1.4 ~1H NMR实验流程及仪器参数设置 | 第48页 |
| 4.1.5 多元统计分析 | 第48-49页 |
| 4.2 结果与分析 | 第49-52页 |
| 4.2.1 探索性数据分析 | 第49页 |
| 4.2.2 线性判别分析（LDA） | 第49-50页 |
| 4.2.3 PCA/LDA模型有效性验证 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 5 无机元素与δ~(18)O同位素指纹图谱技术构建产地葡萄酒真实性模型 | 第53-71页 |
| 5.1 材料与方法 | 第53-57页 |
| 5.1.1 实验试剂与材料 | 第53-54页 |
| 5.1.2 试验前处理方法 | 第54-55页 |
| 5.1.3 溶液配置 | 第55页 |
| 5.1.4 上机测试条件 | 第55-56页 |
| 5.1.5 统计分析 | 第56-57页 |
| 5.2 结果与讨论 | 第57-70页 |
| 5.2.1 数据质量控制 | 第57-58页 |
| 5.2.2 方差分析 | 第58-66页 |
| 5.2.3 偏最小二乘判别分析（PLS-DA） | 第66-67页 |
| 5.2.4 支持向量机（SVM） | 第67-68页 |
| 5.2.5 PLS-DA及SVM模型有效性验证 | 第68-69页 |
| 5.2.6 PLS-DA和SVM联合分析 | 第69-70页 |
| 5.3 本章小结 | 第70-71页 |
| 6 研究结论、创新点与展望 | 第71-75页 |
| 6.1 研究结论 | 第71-72页 |
| 6.2 研究特色与创新点 | 第72页 |
| 6.3 展望 | 第72-75页 |
| 参考文献 | 第75-87页 |
| 致谢 | 第87-89页 |
| 作者简介 | 第89页 |
