CN104914225A - 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 - Google Patents
一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 Download PDFInfo
- Publication number
- CN104914225A CN104914225A CN201510227350.6A CN201510227350A CN104914225A CN 104914225 A CN104914225 A CN 104914225A CN 201510227350 A CN201510227350 A CN 201510227350A CN 104914225 A CN104914225 A CN 104914225A
- Authority
- CN
- China
- Prior art keywords
- value
- sample
- sensor
- fruit juice
- electronic nose
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 235000015203 fruit juice Nutrition 0.000 title claims abstract description 47
- 239000008395 clarifying agent Substances 0.000 title abstract 6
- 238000007637 random forest analysis Methods 0.000 claims abstract description 49
- 238000003066 decision tree Methods 0.000 claims description 28
- 238000000513 principal component analysis Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 22
- 230000008786 sensory perception of smell Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012952 Resampling Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 7
- 239000000796 flavoring agent Substances 0.000 claims description 5
- 235000019634 flavors Nutrition 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 229920006395 saturated elastomer Polymers 0.000 claims description 5
- 230000002000 scavenging effect Effects 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000010606 normalization Methods 0.000 abstract 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 8
- 239000007789 gas Substances 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 5
- 239000003381 stabilizer Substances 0.000 description 5
- 239000003205 fragrance Substances 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 102100028260 Gamma-secretase subunit PEN-2 Human genes 0.000 description 2
- 108010010803 Gelatin Proteins 0.000 description 2
- 101000579663 Homo sapiens Gamma-secretase subunit PEN-2 Proteins 0.000 description 2
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 2
- 229910000278 bentonite Inorganic materials 0.000 description 2
- 239000000440 bentonite Substances 0.000 description 2
- SVPXDRXYRYOSEX-UHFFFAOYSA-N bentoquatam Chemical compound O.O=[Si]=O.O=[Al]O[Al]=O SVPXDRXYRYOSEX-UHFFFAOYSA-N 0.000 description 2
- 238000005352 clarification Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 229920000159 gelatin Polymers 0.000 description 2
- 239000008273 gelatin Substances 0.000 description 2
- 235000019322 gelatine Nutrition 0.000 description 2
- 235000011852 gelatine desserts Nutrition 0.000 description 2
- 150000004676 glycans Chemical class 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- RMAQACBXLXPBSY-UHFFFAOYSA-N silicic acid Chemical compound O[Si](O)(O)O RMAQACBXLXPBSY-UHFFFAOYSA-N 0.000 description 2
- 238000002798 spectrophotometry method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- -1 zeyssatite Substances 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 239000002671 adjuvant Substances 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 229930003811 natural phenol Natural products 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 235000010987 pectin Nutrition 0.000 description 1
- 239000001814 pectin Substances 0.000 description 1
- 229920001277 pectin Polymers 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开了一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法,具体为:取含有澄清剂的果汁置于密封容器中,利用智能香气敏感系统对顶空气体进行检测,得到传感器的响应信号,将稳态值作为电子鼻特征值。先对电子鼻信号进行先正态化预处理,再对传感器信号响应值进行基于主成分分析,判别分析对果汁中澄清剂含量的大致预测。在随机森林建模的过程中,无需对电子鼻信号值进行任何预处理,直接建立传感器阵列响应值与果汁中澄清剂含量的定量预测模型。本发明实现了高效特征值选取,准确定性定量预测模型建立,直接对果汁中澄清剂进行评定和预测,操作简单,快速准确,评定指标易接受,且具有良好的区分度,具有较高的推广及利用价值。
Description
技术领域
本发明属于食品果汁澄清剂检测技术领域,涉及一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法。
背景技术
果汁在长期的贮存过程中容易发生浑浊沉淀,并可能发生氧化变质。浑浊的原因很多,主要是与天然存在的酚类等物质有关。当果汁中的蛋白质和果胶物质与多酚类物质长时间共存时,就会产生浑浊的明体,乃至发生沉淀。所以在食品工业中常常会加入各种澄清剂,以除去一个部分或者大部分易引起沉淀的物质,使果汁形成更加稳定的溶液。
饮料行业经常会加入,如皂土、硅藻土、明胶、硅溶胶、果胶酶等澄清助剂或者它们的联合使用来达到澄清的目的。目前果汁中稳定剂含量的常规测定方法有化学检测、分光光度法、荧光分光光度法等,但是这些方法存在操作复杂、分析时间长等缺点。因此,探索一种快速简便的稳定剂检测方法是很有必要的。
电子鼻又称气味扫描仪,以特定的传感器和模式识别系统快速提供被测样品的整体信息,指示样品的隐含特征,具有高灵敏度、可靠性、重复性、它可以对样品进行量化,同时可以对一些成分含量进行快速定性定量。目前,利用嗅觉传感器定量测定果汁中果胶酶含量的相关研究尚未报道。本发明目的在于快速定量检测果汁中稳定剂,同时填补国内外关于果汁饮料中稳定剂含量的快速检测的空白。
发明内容
针对上述问题,本发明的目的是提供一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法。
本发明的目的是通过以下技术方案来实现的:一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法,具体步骤包括如下:
(1)将10ml澄清剂含量已知的果汁置于密闭容器中,静止一段时间后,抽取密封容器中的饱和顶空气体,由电子鼻内置泵以200ml/min的流速注入到电子鼻检测系统中,使电子鼻传感器阵列与顶空气体接触,产生电子鼻传感器电信号,产生的信号被送到信号调理单元进行放大、滤波、模数转换处理后,得到传感 器阵列响应值;每次检测一个样品后,使用干净的空气对电子鼻传感器进行清洗;设置检测条件为:检测时间为80s,清洗时间为60s;果汁中不同风味物质在传感器表面转化为可测量的电信号;产生的信号被送到信号调理单元进行放大、滤波、模数转换处理后,得到传感器阵列响应值;
(2)选用各个传感器的稳定值作为原始数据矩阵,这个原始数据矩阵由多根传感器的响应值组成,作为主成分分析、判别分析,随机森林的特征值;
(3)根据各个传感器响应值,在excel中建立待测样本与传感器变化雷达图,在SPSS中,采用主成分分析、判别分析进行分析;在Matlab中,在已知电子鼻特征值的基础上,通过自助法(boot-strap)重采样技术,不断生成训练样本和测试样本,由训练样本生成若干决策树,从而建立随机森林;在随机森林模型中,对决策树的树节点的变量个数以及随机森林中决策树的个数进行优化,测试结果由决策树投票结果的平均值而定;
(4)将澄清剂含量未知的待测样本通过步骤1得到其电子鼻传感器响应值,将传感器响应值导入步骤3得到的随机森林模型,最终预测待测样本中的澄清剂含量。
所述步骤2中,所述原始数据为电子鼻的10个传感器第60s的信号值;在随机森林回归建模过程中,该10个响应信号值无需任何数据前处理,无需考虑传感器之间的相互交互作用,直接进行随机森林建立预测模型,通过相关系数r、均方根误差RMSE值对优化后的随机森林模型进行评价,具体为:
其中,N表示在建模过程中的样本个数;
Xi为建模过程中的第i个测试值;
为建模过程中的样本响应值的平均值;
Yi为建模过程中第i个样本的预测值;
为建模过程中的样本预测值的平均值。
本发明的有益效果是,通过主成分分析、判别分析,随机森林等算法建立良好的定性定量预测模型,利用智能嗅觉敏感系统对果汁溶液中不同含量的澄 清剂进行评定和预测,操作简单、快速,实验了真正意义上的快速间接评定了,为果汁饮料行业添加剂测定,提供了一种新的方法。
附图说明
图1本发明实例1电子鼻在检测含有果胶酶果汁时传感器响应信号;
图2本发明实例1含有果胶酶果汁的嗅觉指纹信息,(a)、(b)、(c)、(d)、以及(e)分别表示果胶酶含量为0.00g/kg,0.25g/kg,0.50g/kg,0.75g/kg,1.00g/kg时果汁的嗅觉指纹信息;
图3本发明实例1不同浓度的果胶酶果汁样品的主成分分析结果;
图4本发明实例1不同浓度的果胶酶果汁样品的判别分析结果;
图5本发明实例1不同浓度的果胶酶果汁样品的随机森林回归预测模型;
图6本发明实例2电子鼻在检测含有壳聚糖果汁时传感器响应信号;
图7本发明实例2含有壳聚糖果汁的嗅觉指纹信息,(a)、(b)、(c)、(d)、以及(e)分别表示壳聚糖含量为0.00g/kg,0.25g/kg,0.50g/kg,0.75g/kg,1.00g/kg时果汁的嗅觉指纹信息;
图8本发明实例2不同浓度的壳聚糖果汁样品的主成分分析结果;
图9本发明实例2不同浓度的壳聚糖果汁样品的判别分析结果;
图10本发明实例2不同浓度的壳聚糖果汁样品的随机森林回归预测模型。
具体实施方式
本发明适用于果胶酶、壳聚糖、皂土、硅藻土、明胶、硅溶胶等各种果汁稳定剂的含量测定。电子鼻以特定的传感器和模式识别系统快速提供被测样品的整体信息,指示样品的隐含特征,具有高灵敏度、可靠性、重复性、它可以对样品进行量化,同时可以对一些成分含量进行快速定性定量。在具体实施案例中还添加了基于嗅觉指纹信息对果汁中壳聚糖的定性定量分析,从而进一步说明本发明的广泛性。
本发明是供一种基于嗅觉指纹信息预测果汁中澄清剂的含量的方法,利用嗅觉传感器对含有不同浓度澄清剂的果汁溶液进行快速检测,建立有效的定量预测模型,具体步骤如下:
(1)将10ml澄清剂含量已知的果汁置于密闭容器中,静止一段时间后,抽取密封容器中的饱和顶空气体,由电子鼻内置泵以200ml/min的流速注入到电子鼻检测系统中,使电子鼻传感器阵列与顶空气体接触,产生电子鼻传感器电信号,产生的信号被送到信号调理单元进行放大、滤波、模数转换处理后,得到传感器阵列响应值;每次检测一个样品后,使用干净的空气对电子鼻传感器进行清 洗;设置检测条件为:检测时间为80s,清洗时间为60s;果汁中不同风味物质在传感器表面转化为可测量的电信号。产生的信号被送到信号调理单元进行放大、滤波、模数转换处理后,得到传感器阵列响应值;
(2)选用各个传感器的稳定值作为原始数据矩阵,这个原始数据矩阵由多根传感器的响应值组成,作为主成分分析、判别分析,随机森林的特征值;
(3)根据各个传感器响应值,在excel中建立待测样本与传感器变化雷达图,在SPSS中,采用主成分分析、判别分析进行分析。在Matlab中,在已知电子鼻特征值的基础上,通过自助法(boot-strap)重采样技术,不断生成训练样本和测试样本,由训练样本生成若干决策树,从而建立随机森林,测试结果决策树投票结果的平均值而定;在建模的过程中有两个参数需要优化:树节点的变量个数以及随机森林中树的个数;
(4)将澄清剂含量未知的待测样本通过步骤1得到其电子鼻传感器响应值,将传感器响应值导入步骤4得到的随机森林模型,最终预测待测样本中的澄清剂含量。
所述步骤2中:原始数据为电子鼻的10个传感器第60s的信号值,在随机森林回归建模过程中,该10个响应信号值无需任何数据前处理,无需考虑传感器之间的相互交互作用,直接进行随机森林建立预测模型,同时通过相关系数r、均方根误差RMSE值的大小来判断预测模型的好坏。相关系数r的表达方式:通过相关系数r、均方根误差RMSE值对优化后的随机森林模型进行评价,具体为:
其中,N表示在建模过程中的样本个数;
Xi为建模过程中的第i个测试值;
为建模过程中的样本响应值的平均值;
Yi为建模过程中第i个样本的预测值;
为建模过程中的样本预测值的平均值。
实施例1
本实施例以果胶酶作为分析对象。德国AIRSENSE公司的PEN2型电子鼻 为检测仪器做详细说明,该电子鼻由10个金属氧化物传感器组成,其型号与响应特征如表1所示:
序号 | 名称 | 性能特点 |
1 | S1 | 对芳香成分敏感 |
2 | S2 | 对氮氧化物很敏感 |
3 | S3 | 对氨水、芳香成分敏感 |
4 | S4 | 对氢气有选择性 |
5 | S5 | 对烷烃、芳香成分敏感 |
6 | S6 | 对甲烷敏感 |
7 | S7 | 对硫化物敏感 |
8 | S8 | 对乙醇敏感 |
9 | S9 | 对芳香成分、有机硫化物敏感 |
10 | S10 | 对烷烃敏感 |
1、将10ml果胶酶含量已知的果汁置于密闭容器中,静止一段时间后,抽取密封容器中的饱和顶空气体,由电子鼻内置泵以200ml/min的流速注入到电子鼻检测系统中,使电子鼻传感器阵列与顶空气体接触,产生电子鼻传感器电信号,产生的信号被送到信号调理单元进行放大、滤波、模数转换处理后,得到传感器阵列响应值;每次检测一个样品后,使用干净的空气对电子鼻传感器进行清洗;设置检测条件为:检测时间为80s,清洗时间为60s;果汁中不同风味物质在传感器表面转化为可测量的电信号。产生的信号被送到信号调理单元进行放大、滤波、模数转换处理后,得到传感器阵列响应值;图1为典型的电子鼻对含有果胶酶果汁的信号值。
2、选用各个传感器在60s的稳定值作为原始数据矩阵,这个原始数据矩阵由多根传感器的响应值组成,作为主成分分析、判别分析,随机森林的特征值;
3、根据各个传感器响应值,在excel中建立待测样本与传感器变化雷达图,图2是在检测60s时,基于电子鼻信息的具有不同果胶酶含量的果汁的嗅觉指纹信息,(a)、(b)、(c)、(d)、以及(e)分别表示果胶酶含量为0.00g/kg,0.25g/kg,0.50g/kg,0.75g/kg,1.00g/kg时果汁的嗅觉指纹信息。在SPSS中,采用主成分分析、判别分析进行分析。在图3,图4分别是基于主成份分析,线性判别分析对果汁中壳聚糖含量的初步判定。在Matlab中,在已知电子鼻特征值的基础上,通过自助法(boot-strap)重采样技术,不断生成训练样本和测试样本,由训练样本生成多少决策树,从而建立随机森林,测试结果决策树投票结果的平均值而定; 在建模的过程中有两个参数需要优化:树节点的变量个数以及随机森林中树的个数;随机森林的大致步骤如下:
(1)利用自助法(boot-strap)重采样技术,随机产生T个训练集S1,S2,...,ST;
自助法(boot-strap)重采样:设集合中有n个不同的样本{x1,x2,...,xn},若每次有放回地从集合S中抽取一个样本,一共抽取n次,形成新的集合S*,则集合S*中包含某个样本xi(i=1,2,...,n)的概率为当n→∞时,有 因此,新集合的样本总数与原集合相同,但是包含了重复样本(有放回抽取),新集合中仅包含了原集合S集合约1-0.368*100%=63.2%的样本;
(2)利用每个训练集,生成对应的决策树C1,C2,...CT;在每个非叶子节点上在基于前节点的分裂属性集m中的最好的分裂方式对该节点进行分裂(一般而言,在这个随机森林的生长过程中,m的值是保持不变的);
(3)每棵树完整成长,而不进行修剪;
(4)对于测试集样本X,利用每个决策树进行测试,得到对应的类别C1(X),C2(X),...,CT(X);
(5)采用投票的方式,随机森林模型的最终结果由T个决策树输出值的平均值而定。
4、在随机森林模型中,对决策树的树节点的变量个数以及随机森林中决策树的个数进行优化,测试结果由决策树投票结果的平均值而定,最后优化的结果得到树节点的变量为3,决策树的个数为40。通过相关系数r、均方根误差RMSE值对优化后的随机森林模型进行评价,具体为:
其中,N表示在建模过程中的样本个数;
Xi为建模过程中的第i个测试值;
为建模过程中的样本响应值的平均值;
Yi为建模过程中第i个样本的预测值;
为建模过程中的样本预测值的平均值。
在图5显示,黑色正方形点是已知果胶酶含量的样本该模型预测的果胶酶的含量与实际果胶酶含量之间具有很好的相关性(r=0.9879,RMSE=0.0902)。
5、将果胶酶含量未知的待测样本通过步骤1得到其电子鼻传感器响应值,将传感器响应值导入步骤4得到的随机森林模型,最终预测待测样本中的果胶酶含量。如图4的白色上三角点是未知果胶酶含量的样本,随机森林模型对柑橘汁果胶酶含量有很好的预测能力(r=0.9764,RMSE=0.1073)。
实施例2
本案例以果汁中常用的壳聚糖作为分析对象。德国AIRSENSE公司的PEN2型电子鼻为检测仪器在案例1中已做详细说明。
1、将10ml壳聚糖含量已知的果汁置于密闭容器中,静止一段时间后,抽取密封容器中的饱和顶空气体,由电子鼻内置泵以200ml/min的流速注入到电子鼻检测系统中,使电子鼻传感器阵列与顶空气体接触,产生电子鼻传感器电信号,产生的信号被送到信号调理单元进行放大、滤波、模数转换处理后,得到传感器阵列响应值;每次检测一个样品后,使用干净的空气对电子鼻传感器进行清洗;设置检测条件为:检测时间为80s,清洗时间为60s;果汁中不同风味物质在传感器表面转化为可测量的电信号。产生的信号被送到信号调理单元进行放大、滤波、模数转换处理后,得到传感器阵列响应值;图6为典型的电子鼻对含有壳聚糖果汁的信号值。
2、选用各个传感器在60s的稳定值作为原始数据矩阵,这个原始数据矩阵由多根传感器的响应值组成,作为主成分分析、判别分析,随机森林的特征值;
3、根据各个传感器响应值,在excel中建立待测样本与传感器变化雷达图,图7是在检测60s时,基于电子鼻信息的具有不同壳聚糖含量的果汁的嗅觉指纹信息,(a)、(b)、(c)、(d)、以及(e)分别表示壳聚糖含量为0.00g/kg,0.25g/kg,0.50g/kg,0.75g/kg,1.00g/kg时果汁的嗅觉指纹信息。在SPSS中,采用主成分分析、判别分析进行分析。在图8,图9分别是基于主成份分析,线性判别分析对果汁中壳聚糖含量的初步判定。在Matlab中,在已知电子鼻特征值的基础上,通过自助法(boot-strap)重采样技术,不断生成训练样本和测试样本,由训练样本生成多少决策树,从而建立随机森林,测试结果决策树投票结果的平均值而定;在建模的过程中有两个参数需要优化:树节点的变量个数以及随机森林中树的个数;随机森林的大致步骤如下:
(1)利用自助法(boot-strap)重采样技术,随机产生T个训练集S1,S2,...,ST;
自助法(boot-strap)重采样:设集合中有n个不同的样本{x1,x2,...,xn},若每次有放回地从集合S中抽取一个样本,一共抽取n次,形成新的集合S*,则集合S*中包含莫个样本xi(i=1,2,...,n)的概率为当n→∞时,有 因此,新集合的样本总数与原集合相同,但是包含了重复样本(有放回抽取),新集合中仅包含了原集合S集合约1-0.368*100%=63.2%的样本;
(2)利用每个训练集,生成对应的决策树C1,C2,...CT;在每个非叶子节点上在基于前节点的分裂属性集m中的最好的分裂方式对该节点进行分裂(一般而言,在这个随机森林的生长过程中,m的值是保持不变的);
(3)每棵树完整成长,而不进行修剪;
(4)对于测试集样本X,利用每个决策树进行测试,得到对应的类别C1(X),C2(X),...,CT(X);
(5)采用投票的方式,随机森林模型的最终结果由T个决策树输出值的平均值而定。
4、在随机森林模型中,对决策树的树节点的变量个数以及随机森林中决策树的个数进行优化,测试结果由决策树投票结果的平均值而定,最后优化的结果得到树节点的变量为3,决策树的个数为50。通过相关系数r、均方根误差RMSE值对优化后的随机森林模型进行评价,具体为:
其中,N表示在建模过程中的样本个数;
Xi为建模过程中的第i个测试值;
为建模过程中的样本响应值的平均值;
Yi为建模过程中第i个样本的预测值;
为建模过程中的样本预测值的平均值。
在图5显示,黑色正方形点是已知壳聚糖含量的样本该模型预测的壳聚糖的含量与实际壳聚糖含量之间具有很好的相关性(r=0.9950,RMSE=0.0542)。
5、将壳聚糖含量未知的待测样本通过步骤1得到其电子鼻传感器响应值,将传感器响应值导入步骤4得到的随机森林模型,最终预测待测样本中的壳聚糖含量。如图10的白色上三角点是未知壳聚糖含量的样本,随机森林模型对柑橘汁壳聚糖含量有很好的预测能力(r=0.9721,RMSE=0.1449)。
Claims (2)
1.一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法,其特征在于,该方法包括如下步骤:
(1)将10ml澄清剂含量已知的果汁置于密闭容器中,静止一段时间后,抽取密封容器中的饱和顶空气体,由电子鼻内置泵以200ml/min的流速注入到电子鼻检测系统中,使电子鼻传感器阵列与顶空气体接触,产生电子鼻传感器电信号,产生的信号被送到信号调理单元进行放大、滤波、模数转换处理后,得到传感器阵列响应值;每次检测一个样品后,使用干净的空气对电子鼻传感器进行清洗;设置检测条件为:检测时间为80s,清洗时间为60s;果汁中不同风味物质在传感器表面转化为可测量的电信号;产生的信号被送到信号调理单元进行放大、滤波、模数转换处理后,得到传感器阵列响应值;
(2)选用各个传感器的稳定值作为原始数据矩阵,这个原始数据矩阵由多根传感器的响应值组成,作为主成分分析、判别分析,随机森林的特征值;
(3)根据各个传感器响应值,在excel中建立待测样本与传感器变化雷达图,在SPSS中,采用主成分分析、判别分析进行分析;在Matlab中,在已知电子鼻特征值的基础上,通过自助法(boot-strap)重采样技术,不断生成训练样本和测试样本,由训练样本生成若干决策树,从而建立随机森林;在随机森林模型中,对决策树的树节点的变量个数以及随机森林中决策树的个数进行优化,测试结果由决策树投票结果的平均值而定;
(4)将澄清剂含量未知的待测样本通过步骤1得到其电子鼻传感器响应值,将传感器响应值导入步骤3得到的随机森林模型,最终预测待测样本中的澄清剂含量。
2.根据权利要求书1所述一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法,其特征在于,所述步骤2中,所述原始数据为电子鼻的10个传感器第60s的信号值;在随机森林回归建模过程中,该10个响应信号值无需任何数据前处理,无需考虑传感器之间的相互交互作用,直接进行随机森林建立预测模型,通过相关系数r、均方根误差RMSE值对优化后的随机森林模型进行评价,具体为:
其中,N表示在建模过程中的样本个数;
Xi为建模过程中的第i个测试值;
为建模过程中的样本响应值的平均值;
Yi为建模过程中第i个样本的预测值;
为建模过程中的样本预测值的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510227350.6A CN104914225B (zh) | 2015-05-06 | 2015-05-06 | 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510227350.6A CN104914225B (zh) | 2015-05-06 | 2015-05-06 | 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104914225A true CN104914225A (zh) | 2015-09-16 |
CN104914225B CN104914225B (zh) | 2016-08-31 |
Family
ID=54083473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510227350.6A Expired - Fee Related CN104914225B (zh) | 2015-05-06 | 2015-05-06 | 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104914225B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675649A (zh) * | 2016-01-11 | 2016-06-15 | 浙江大学 | 一种基于吸附动力学的电子鼻数据特征提取方法 |
CN106053535A (zh) * | 2016-05-16 | 2016-10-26 | 浙江大学 | 用于山核桃品质检测的指纹图谱采集装置 |
CN109799269A (zh) * | 2019-01-24 | 2019-05-24 | 山东工商学院 | 基于动态特征重要度的电子鼻气体传感器阵列优化方法 |
CN112070278A (zh) * | 2020-08-17 | 2020-12-11 | 中国标准化研究院 | 电子鼻结合主成分分析预测烤鸭货架终点的方法 |
CN113340943A (zh) * | 2021-06-02 | 2021-09-03 | 舟山市自来水有限公司 | 一种基于指纹图谱的水体中嗅味类型和嗅味强度的分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1389563A (zh) * | 2002-06-12 | 2003-01-08 | 青岛东易科技发展有限公司 | 从海洋生物中提取酒类澄清剂的方法及应用 |
CN1453584A (zh) * | 2003-06-02 | 2003-11-05 | 江苏大学 | 基于气体传感器阵列技术的食品气味快速无损检测方法及装置 |
CN1987456A (zh) * | 2006-12-14 | 2007-06-27 | 浙江大学 | 一种水果成熟度预测方法 |
WO2011074317A1 (ja) * | 2009-12-15 | 2011-06-23 | サントリーホールディングス株式会社 | カロテノイド類の定量方法 |
CN103344713A (zh) * | 2013-06-18 | 2013-10-09 | 湖南中烟工业有限责任公司 | 一种基于随机森林法分析致香物在烤烟香型分类中的重要性及预测香型的方法 |
CN104316660A (zh) * | 2014-10-27 | 2015-01-28 | 四川省农业科学院农产品加工研究所 | 快速检测豆瓣酱风味、等级及产品溯源的方法 |
-
2015
- 2015-05-06 CN CN201510227350.6A patent/CN104914225B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1389563A (zh) * | 2002-06-12 | 2003-01-08 | 青岛东易科技发展有限公司 | 从海洋生物中提取酒类澄清剂的方法及应用 |
CN1453584A (zh) * | 2003-06-02 | 2003-11-05 | 江苏大学 | 基于气体传感器阵列技术的食品气味快速无损检测方法及装置 |
CN1987456A (zh) * | 2006-12-14 | 2007-06-27 | 浙江大学 | 一种水果成熟度预测方法 |
WO2011074317A1 (ja) * | 2009-12-15 | 2011-06-23 | サントリーホールディングス株式会社 | カロテノイド類の定量方法 |
CN103344713A (zh) * | 2013-06-18 | 2013-10-09 | 湖南中烟工业有限责任公司 | 一种基于随机森林法分析致香物在烤烟香型分类中的重要性及预测香型的方法 |
CN104316660A (zh) * | 2014-10-27 | 2015-01-28 | 四川省农业科学院农产品加工研究所 | 快速检测豆瓣酱风味、等级及产品溯源的方法 |
Non-Patent Citations (1)
Title |
---|
杨春哲等: "澄清剂及其在果汁果酒中的应用", 《酿酒》, no. 136, 28 February 2000 (2000-02-28) * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675649A (zh) * | 2016-01-11 | 2016-06-15 | 浙江大学 | 一种基于吸附动力学的电子鼻数据特征提取方法 |
CN106053535A (zh) * | 2016-05-16 | 2016-10-26 | 浙江大学 | 用于山核桃品质检测的指纹图谱采集装置 |
CN106053535B (zh) * | 2016-05-16 | 2019-01-01 | 浙江大学 | 用于山核桃品质检测的指纹图谱采集装置 |
CN109799269A (zh) * | 2019-01-24 | 2019-05-24 | 山东工商学院 | 基于动态特征重要度的电子鼻气体传感器阵列优化方法 |
CN109799269B (zh) * | 2019-01-24 | 2023-09-22 | 山东工商学院 | 基于动态特征重要度的电子鼻气体传感器阵列优化方法 |
CN112070278A (zh) * | 2020-08-17 | 2020-12-11 | 中国标准化研究院 | 电子鼻结合主成分分析预测烤鸭货架终点的方法 |
CN112070278B (zh) * | 2020-08-17 | 2023-06-20 | 中国标准化研究院 | 电子鼻结合主成分分析预测烤鸭货架终点的方法 |
CN113340943A (zh) * | 2021-06-02 | 2021-09-03 | 舟山市自来水有限公司 | 一种基于指纹图谱的水体中嗅味类型和嗅味强度的分析方法 |
CN113340943B (zh) * | 2021-06-02 | 2022-06-14 | 舟山市自来水有限公司 | 基于指纹图谱的水体中嗅味类型和嗅味强度的分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104914225B (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104914225A (zh) | 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 | |
CN106501470B (zh) | 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法 | |
CN105044298B (zh) | 一种基于机器嗅觉的蟹类新鲜度等级检测方法 | |
CN104849323A (zh) | 一种基于电子鼻快速检测果汁中澄清剂的方法 | |
CN108875913A (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
CN105954412B (zh) | 用于山核桃新鲜度检测的传感器阵列优化方法 | |
CN102297930A (zh) | 一种识别与预测肉新鲜度的方法 | |
CN104849321B (zh) | 一种基于嗅觉指纹图谱快速检测柑橘品质的方法 | |
CN103499609B (zh) | 一种对蜂蜜香气智能嗅觉动态响应特征及差异化信息动态表征研究的方法 | |
Dębska et al. | Decision trees in selection of featured determined food quality | |
CN103412004B (zh) | 一种甜橙储存时间的检测方法 | |
CN111855757B (zh) | 一种基于电子鼻的六堡茶陈香香味识别方法 | |
Kalogiouri et al. | Liquid chromatographic methods coupled to chemometrics: A short review to present the key workflow for the investigation of wine phenolic composition as it is affected by environmental factors | |
CN107238638A (zh) | 基于大曲各成分理化指标与产酒量和酒质联系的测定方法 | |
CN112949984B (zh) | 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法 | |
CN103499664A (zh) | 一种表征蜂蜜品质差异性的图谱信息提取研究的方法 | |
CN109490393B (zh) | 大曲中理化指标特征值提取方法曲料品质分析方法及系统 | |
CN110887944A (zh) | 一种茶油品质快速检测装置 | |
CN104849327B (zh) | 一种基于味觉指纹信息预测果汁中苯甲酸含量的方法 | |
CN103499606B (zh) | 一种基于核主成分分析的表征蜂蜜差异性智能嗅觉图谱特征提取方法 | |
CN106770477A (zh) | 一种优化传感数据及模式识别对蜜源鉴别及掺假快检方法 | |
CN107764793A (zh) | 电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法 | |
CN103499607B (zh) | 一种电子鼻检测蜂蜜中的异常样本点剔除方法 | |
Wang et al. | A Research of Neural Network Optimization Technology for Apple Freshness Recognition Based on Gas Sensor Array | |
CN112268993A (zh) | 一种基于电子鼻技术对河道水质参数快速监测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160831 |