论文部分内容阅读
柑橘已有4000多年的栽培历史,具有气味芳香、口感清甜、色泽诱人等特点,广受消费者喜爱。本文通过电子鼻、电子舌和气质联用的多信息融合方法,研究了采摘期内的柑橘品质监控、不同贮藏期内的柑橘质量检测、混合果汁的感官特性评定、超高压处理的果汁鉴别以及果汁中添加剂含量的预测等内容；通过传统的化学检测方法对柑橘中总酸、可溶性固形物、维生素C以及糖酸比进行检测；通过定量描述分析法对混合果汁的感官特性进行定量描述分析。本研究从探索电子鼻和电子舌传感器信号与挥发性成分、理化参数之间的相关性出发,比较不同降维方法对原始信息提取的性能,利用电子鼻数据、电子舌数据以及融合数据对柑橘样品进行模式分类和参数预测(理化参数、挥发性成分和感官特性)。主要研究内容与结论如下：(1)分别采用电子鼻、电子舌和气质联用技术对不同采摘期的柑橘进行检测。通过APLSR(ANOVA Partial Least Squares Regression)分析发现,电子鼻和电子舌的传感器信号与被检测对象的理化参数、挥发性成分之间存在弱相关性(交叉敏感性)。本研究中,极限学习机(Extreme Learning Machine, ELM)作为一种新颖的神经网络用于处理电子鼻和电子舌数据。分析表明,ELM模型、支持向量机(Support Vector Machine, SVM)模型以及学习向量量化(Learning Vector Quantization, LVQ)模型都具有比较好的分类效果。通过对模型训练时间的比较,ELM算法要快于SVM和LVQ算法。在理化参数和挥发性成分预测时,基于ELM的回归模型要优于SVM回归模型和多元线性回归(Multiple Linear Regression, MLR)模型。(2)采用电子鼻、电子舌和气质联用技术对不同贮藏条件下的柑橘进行检测(三个贮藏温度：4 ℃,10 ℃和20 ℃,贮藏时间为12天,每三天检测一次),利用常规理化检测方法对柑橘的可溶性固形物、总酸、糖酸比和维生素C含量进行分析。通过双向方差分析(Two-way multivariate analysis of variance, Two-way MANOVA)发现：贮藏温度、贮藏时间和它们的交互作用对维生素C、糖酸比、柠檬烯含量、萜品烯以及月桂烯的含量具有显著性影响；贮藏温度和贮藏时间对可溶性固形物值和芳樟醇含量变化有影响,但它们的交互作用不明显；贮藏时间以及交互作用对总酸值有显著性影响,但贮藏温度对总酸值没有显著性影响。对不同贮藏条件下的柑橘进行分类时,ELM模型和SVM模型均达到了100%的分类正确率；对理化参数和挥发性成分进行预测时,ELM的回归模型明显优于偏最小二乘回归法(Partial Least-Squares Regression, PLSR)的回归模型。(3)采用电子鼻、电子舌和气质联用技术对混合果汁(温州蜜柑和甜橙混合比例为：5：0、4：1、3：2、2：3、1：4和0：5)进行检测,通过定量描述分析法对混合果汁感官特性进行了描述,通过APLSR对电子鼻和电子舌的传感器信号与挥发性芳香成分、感官特性之间的相关性进行分析,并通过电子鼻和电子舌的传感器信号模拟人的感官分析。结果显示,在果汁的混合过程中,柠檬烯、巴伦西亚橘烯以及月桂烯的含量呈现一定变化趋势,但其它香气成分的含量变化并没有表现出规律性,说明了在混合过程中果汁的挥发性芳香物质含量变化是一个复杂的过程；在定量描述分析过程中,感官特征的变化过程与挥发性香气成分的变化过程类似；基于随机森林(Random Forest, RF)建立的预测模型,融合后的数据集对感官特性以及14种挥发性芳香物质具有较优的预测结果。(4)采用电子鼻对超高压处理后(范围0～500 MPa)的柑橘果汁(两个品种：上野和宫川)进行了检测。在数据处理过程中,采用了三种特征值提取方法(稳定值、最大值以及面积值)和三种数据降维方式(局部保持投影(Locality Preserving Projection, LPP)、王成分分析(Principal Component Analysis, PCA)、线性判别分析(Linear Discriminant Analysis, LDA))。结果显示,基于LDA的样品点分布优于基于PCA的样品点分布,而LPP分类效果与LDA类似；根据ELM和SVM的分类结果可知,经降维处理的数据其分类效果普遍优于未经降维处理的数据,同时,基于LPP和LDA的结果优于基于PCA的分类结果。由于LPP是一种无监督算法,从该意义上讲,LPP比有监督LDA更具有实际应用意义。(5)采用电子鼻和电子舌对混有苯甲酸和壳聚糖的柑橘果汁进行检测,通过对电子鼻和电子舌传感器信号的信息挖掘,预测果汁中添加剂的含量。结果表明,融合数据的模型比基于单独电子鼻或者电子舌的模型具有更高的正确率。RF在建模过程中随着决策树增多,其预测正确率变大,而ELM模型在隐含层神经元个数接近样本个数时,预测效果反而变差。在添加剂含量预测的过程中,RF模型和ELM模型均明显优于主成分回归分析(Principal Component Regression, PCR)和SVM模型。