CN108414471B - 一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法 - Google Patents
一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法 Download PDFInfo
- Publication number
- CN108414471B CN108414471B CN201810023242.0A CN201810023242A CN108414471B CN 108414471 B CN108414471 B CN 108414471B CN 201810023242 A CN201810023242 A CN 201810023242A CN 108414471 B CN108414471 B CN 108414471B
- Authority
- CN
- China
- Prior art keywords
- sensory evaluation
- near infrared
- infrared spectrum
- sensory
- information
- 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.)
- Active
Links
- 230000001953 sensory effect Effects 0.000 title claims abstract description 82
- 238000011156 evaluation Methods 0.000 title claims abstract description 71
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012512 characterization method Methods 0.000 title claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 206010013911 Dysgeusia Diseases 0.000 claims description 25
- 241000208125 Nicotiana Species 0.000 claims description 17
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 17
- 239000003205 fragrance Substances 0.000 claims description 15
- 230000007794 irritation Effects 0.000 claims description 10
- 239000000779 smoke Substances 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000009472 formulation Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 230000000391 smoking effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000019771 cognition Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims 2
- 239000002085 irritant Substances 0.000 claims 1
- 231100000021 irritant Toxicity 0.000 claims 1
- 239000004576 sand Substances 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 235000019505 tobacco product Nutrition 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000745768 Pluchea carolinensis Species 0.000 description 3
- 238000005054 agglomeration Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 235000009508 confectionery Nutrition 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 235000019634 flavors Nutrition 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000008786 sensory perception of smell Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法，以获取同产地单人的感官评吸数据剥离影响因素、感官评吸数据分区间处理(网格化)、构造感官数据的区间相关性、验证相关系数不同指标的传递性等步骤来完成感官评吸配对特征的检验，以此来判定近红外光谱区域是否存在感官评吸的特征信息。目的为如何快捷并且准确判断感官评吸指标在近红外光谱上是否有所表征，是否存在对应的相关信息以及该信息的真伪，避免“无信息构造信息”，“无物质支撑构造物质支撑”,为近红外快速表征烟叶制品品质质量数字化打下良好的基础。
Description
技术领域
本发明属于近红外特征提取，近红外数据分析，数据挖掘，烟叶质量调控的领域，具体涉及一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法。
背景技术
数据挖掘方法的提出，让人们有能力最终认识数据的真正价值，即蕴藏在数据中的信息和知识，数据挖掘一般是经过分析问题、数据预处理、特征提取、建立模型、与模型验证等步骤；其中特征的选择与提取是模式识别中重要而困难的一个环节，分析各种特征的有效性并选出最有代表性的特征是模式识别的关键一步。
一般的特征提取主要是基于物理的特征，数学的特征，与结构的特征三大类；最主要的判定依据是根据类别可分，如申请号为201610541477.X，发明名称为一种定性定量相结合的近红外定量模型构建方法；专利中运用了投影类别可分的方法来选择信息；但是该信息是否有物质支撑，是一种偶然还是必然，并没有实际的理论基础作为支撑；特征提取是用映射(或变换)的方法把原始特征变换为较少的新特征。
而特征选择从原始特征中挑选出一些最有代表性，分类性能最好的特征。特征的选择与提取与具体问题有很大关系，目前没有理论能给出对任何问题都有效的特征选择与提取方法。
在烟叶质量分析领域，近红外由于其快速准确检测的特征等使得近红外在烟叶化学分析领域快速的应用；烟草品质及其风格的形成必定以其特有的化学成分的含量以及各个化学成分的平衡为其物质基础；所以为近红外对烟叶制品的感官评吸的量化表证提供了一定的依据与基础；因为化学指标的众多，而近红外包含大量的物质信息与外在信息，如何从近红外的海量信息中”去伪存真”找到真正决定烟叶风格以及烟叶品质的核心信息，从而为构建烟草数字化评价体系提供有效地关键信息支撑就成为非常重要而关键的环节；在众多感官评吸指标中，如何判断感官评吸指标是否在近红外光谱上是否有特征表现就成为真正关键性的。
发明内容
本发明提供一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法，目的为如何快捷并且准确判断感官评吸指标在近红外光谱上是否有所表征，是否存在对应的相关信息以及该信息的真伪，避免“无信息构造信息”，“无物质支撑构造物质支撑”,为近红外快速表征烟叶制品品质质量数字化打下良好的基础。
一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法，包括如下步骤：
(1)获取同一产地片烟样本，经过平衡切丝后充分混合均匀，分批次多次打成小样，每个样本完成5-6支小样的制作，每次每个感官评吸人员随机抽取其中1支完成评吸，整理感官评吸数据；把对应的评吸样本扫描实验室近红外光谱；标记为数据X；
(2)获取同一产地同一人员不同样本的感官评吸数据，把感官评吸数据集记作Y；同时获取配方专家对感官评吸体系两两指标的关联性的经验认知，形成配方专家经验的感官评吸两两指标的关系表(如图4所示)；
(3)求解近红外光谱的第s个波长点Xs与感官评吸的第t个指标Yt之间的相关性；
其中相关性的求法如下；对于一个有序对的有限集合D＝{Xs，Yt}，将第一个变量分割成i段，第二个变量分割成j段，这种分割方式称为i乘j分辨率的网格分割；给定一个i乘j的网格G，令D|G表示集合D中的点落在网格G上的概率分布；
对于一个有限集合
和正整数i与j，定义
I*(D,i,j)＝maxI(D|G) (1)
经过标准化后的数据集D中元素的值均落在[0,1]上；对于标准化的合理性证明，假设网格进行了x乘y分辨率的划分，对有限集合D的第一个变量分割得到的i个格子分别为D1p(p＝1,2,...i),对第二个变量分割得到的j个格子分别为D2q(q＝1,2,...j)；以二维散点图的角度看，令P(D1p)表示点落在第p列的概率，P(D2q)表示点落在第q行的概率，而P(D1p,D2q)表示点落在第p列第q行的概率，可得：
然后对I*(D,i,j)进行归一化得到互相关系数M(D)；
(4)求解所有近红外光谱与感官评吸指标的M(D)；形成各个评吸指标和近红外光谱相关系数矩阵MS；然后运用MS计算两两指标的相关系数MSR，并与配方专家的两两指标的经验值进行对比；
(5)计算MSR与配方专家的两两指标的经验值的差值，设定给定的误差ε；筛选误差小于ε的配对组，并统计各个原始感官评吸指标出现的频次，频次的大小即近红外光谱该信息含量的多少。
在近红外光谱上含有较多信息的感官评吸指标，可以用建立该指标的近红外预测模型，为后续研究做支撑。
优选地，感官评吸指标为14个，分别为优雅感、细腻感、甜香、透发性、清晰度、香气量、成团性、柔和性、杂气、润感、刺激性、余味、烟气浓度、劲头。
优选地，步骤(5)中设定误差阈值ε＝0.1。
步骤(5)中误差小于ε的配对组为：'优雅感细腻感”'，'优雅感甜香”'，'优雅感香气量”'，'优雅感成团性”'，'优雅感柔和性”'，'优雅感润感”'，'优雅感余味”'，'优雅感劲头”'，'细腻感甜香””细腻感清晰度””细腻感成团性””细腻感杂气””细腻感刺激性”'，'细腻感余味”'，'细腻感烟气浓度”'，'甜香清晰度”'，'甜香杂气”'，'甜香烟气浓度”'，'透发性香气量”'，'透发性刺激性”'，'清晰度香气量”'，'清晰度成团性”'，'清晰度润感”'，'清晰度烟气浓度”'，'香气量成团性”'，'香气量杂气”'，'香气量润感”'，'香气量刺激性”'，'香气量余味”'，'香气量烟气浓度”'，'成团性柔和性”'，'柔和性刺激性”'，'柔和性余味”'，'柔和性劲头”'，'润感余味”'，'刺激性余味”'，'余味烟气浓度”'，'余味劲头”'。
鉴于传统的近红外光谱的核心特征信息是否存在很难判断的实际情况，且由于感官评吸数据的存在较大不确定性等实际的背景条件，本发明以获取同产地单人的感官评吸数据剥离影响因素、感官评吸数据分区间处理(网格化)、构造感官数据的区间相关性、验证相关系数不同指标的传递性等步骤来完成感官评吸配对特征的检验，以此来判定近红外光谱区域是否存在感官评吸的特征信息。
与现有技术相比，本发明具有如下有益效果：
(1)从感官的角度，由于近红外光谱中存在较多的信息，信息很难对应上实际的物理意义，而感官评吸数据又存在着自身的不确定性，传统的相关系数对异常点又比较敏感，本发明借助了配方专家的经验信息，以区间来弱化自身区间的不稳定性，以配对感官评吸指标之间的红外光谱相关信息的传递性来判定感官评吸是否在近红外光谱上存在特征，即使是对一个指标不存在特征，或者存在伪特征，其也很难把专家经验给传递下去，本方法的发明为近红外光谱对感官，定性对定量的量化研究提供了如何处理不稳定数据信息分析判断的尝试，为红外数据避免假象提供了积极的参考依据；
(2)本方法的发明从方法的角度，本方法的发明改进了传统的皮尔逊相关系数，提供了一种比较新的思路来重新定义不稳定数据的相关性，避免了伪相关与伪信息，为数据挖掘与化学计量学的研究地推进提供了一定的思考；由于本发明采用近红外光谱传递的相关性的计算与对比，使得任何一个感官评吸指标在近红外光谱出现了假的信息都会打破传统的专家经验对两指标的认识矛盾的结果；本方法增加了对近红外光谱上是否存在对应的评吸指标信息的预判解释的合理性。
附图说明
图1：本发明方法流程图。
图2：云南片烟感官评吸数据的分布。
图3：不同样本的近红外光谱分布图。
图4：感官评吸指标的两两经验分布图。
图5：不同感官评吸指标的MS图。
图6：Pearson相关系数计算的MS分布图。
图7：不同方法的MSR与实际的专家经验的对比。
图8：不同方法计算的MSR与专家经验的误差。
图9：近红外光谱感官评吸指标信息含量的排序。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，本发明的保护范围不受实施例的限制，本发明的保护范围由权利要求书决定。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明方法的流程图如图1所示：
(1)获取同一产地片烟样本，经过平衡切丝后充分混合均匀，分批次多次打成小样，每个样本完成5-6支小样的制作，每次每个感官评吸人员随机抽取其中1支完成评吸，整理感官评吸数据；把对应的评吸样本扫描实验室近红外光谱spectrum；标记为数据X；
获取同一产地同一人员不同样本的感官评吸数据，把感官评吸数据集记作Y；同时获取配方专家对感官评吸体系两两指标的关联性的经验认知；形成配方专家经验的感官评吸两两指标的关系表。
按上述方法获取云南产区的片烟样本53个，感官评吸指标为14个，分别为优雅感、细腻感、甜香、透发性、清晰度、香气量、成团性、柔和性、杂气、润感、刺激性、余味、烟气浓度、劲头；云南片烟感官评吸数据的分布如图2所示；不同样本的近红外光谱分布图如图3所示；感官评吸指标的两两经验分布图如图4所示。
最大相关等级为10，最小相关等级为0；转化成相关系数均除以10就可以与[0,1]的相关系数进行对比；
(2)求解近红外光谱的第s个波长点Xs与感官评吸的第t个指标Yt之间的相关性；其中相关性的求法如下；对于一个有序对的有限集合D＝{Xs，Yt}，将第一个变量分割成i段，第二个变量分割成j段。我们将这种分割方式称为i乘j分辨率的网格分割。给定一个i乘j的网格G，令D|G表示集合D中的点落在网格G上的概率分布。
对于一个有限集合
和正整数i与j，定义,
I*(D,i,j)＝maxI(D|G) (1)
经过标准化后的数据集D中元素的值均落在[0,1]上。对于标准化的合理性证明，假设网格进行了x乘y分辨率的划分，对有限集合D的第一个变量分割得到的i个格子分别为D1p(p＝1,2,...i),对第二个变量分割得到的j个格子分别为D2q(q＝1,2,...j)。以二维散点图的角度看，可令P(D1p)表示点落在第p列的概率，P(D2q)表表示点落在第q行的概率，而P(D1p,D2q)表示点落在第p列第q行的概率。可得：
然后对I*(D,i,j)进行归一化得到互相关系数M(D)；
设置D＝{光谱，感官}，网格划分
根据公式(2)(3)(4)求得每个感官评吸指标与光谱的每个信息点的互信息矩阵MS；不同感官评吸指标的MS图如图5所示；Pearson相关系数计算的MS分布图如图6所示。
(3)求解所有近红外光谱与感官评吸指标的M(D)；形成相关系数矩阵MS；然后运用MS计算两两指标的相关系数MSR，并与配方专家的两两指标的经验值进行对比；不同方法的MSR与实际的专家经验的对比如图7所示。
通过该图的对比得知，Pearson计算两两指标的传递性时，对异常值以及感官的自身的不稳定特性非常敏感，会高估对感官评吸两两指标之间的关系；按照本发明方法计算的MSR与实际的专家经验较为接近。
(4)计算MSR与与配方专家的两两指标的经验值的差值，设定给定的误差ε；筛选误差小于ε的配对组，并统计各个原始感官评吸指标出现的频次，频次的大小就是近红外光谱该信息含量的多少；计算MSR与实际专家经验的差值如下：
设定误差阈值ε＝0.1；得到的小于误差阈值的感官评吸指标组合为：
'优雅感细腻感”'，'优雅感甜香”'，'优雅感香气量”'，'优雅感成团性”'，'优雅感柔和性”'，'优雅感润感”'，'优雅感余味”'，'优雅感劲头”'，'细腻感甜香””细腻感清晰度””细腻感成团性””细腻感杂气””细腻感刺激性””细腻感余味”'，'细腻感烟气浓度”'，'甜香清晰度”'，'甜香杂气”'，'甜香烟气浓度”'，'透发性香气量”'，'透发性刺激性”'，'清晰度香气量”'，'清晰度成团性”'，'清晰度润感”'，'清晰度烟气浓度”'，'香气量成团性”'，'香气量杂气”'，'香气量润感”'，'香气量刺激性”'，'香气量余味”'，'香气量烟气浓度”'，'成团性柔和性”'，'柔和性刺激性”'，'柔和性余味”'，'柔和性劲头”'，'润感余味”'，'刺激性余味”'，'余味烟气浓度”'，'余味劲头”'。
不同方法计算的MSR与专家经验的误差如图8所示。
统计每个感官评吸指标出现的频数如表1所示：
表1
| 序号 | 感官评吸指标 | 频数 |
| 1 | 优雅 | 8 |
| 2 | 香气量 | 8 |
| 3 | 余味 | 8 |
| 4 | 细腻 | 7 |
| 5 | 清晰度 | 6 |
| 6 | 甜香 | 5 |
| 7 | 成团性 | 5 |
| 8 | 柔和性 | 5 |
| 9 | 刺激性 | 5 |
| 10 | 烟气浓度 | 5 |
| 11 | 润感 | 4 |
| 12 | 杂气 | 3 |
| 13 | 劲头 | 3 |
| 14 | 透发性 | 2 |
近红外光谱感官评吸指标信息含量的排序如图9所示。
由图可知，对于优雅、香气量、余味、细腻、清晰度在近红外光谱上存在较多的信息，而杂气、劲头、透发性在近红外光谱上存在的信息较少。
在近红外光谱上含有较多信息的感官评吸指标，可以用建立该指标的近红外预测模型，为后续研究做支撑。
Claims (4)
1.一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法，其特征在于，包括如下步骤：
(1)获取同一产地片烟样本，经过平衡水分、切丝后充分混合均匀，制作5-6支烟支样品，每次每个感官评吸人员随机抽取其中1支完成评吸，整理感官评吸数据，获取同一产地同一人员不同样本的感官评吸数据，感官评吸数据集记作Y；采集对应评吸样本的近红外光谱，标记为数据X；
(2)同时获取配方专家对感官评吸体系两两指标的关联性的经验认知，形成配方专家经验的感官评吸两两指标的关系表；
(3)求解评吸样本近红外光谱的第s个波长点Xs与感官评吸的第t个指标Yt之间的相关性；
其中相关性的求法如下；对于一个有序对的有限集合D＝{Xs，Yt}，将第一个变量分割成i段，第二个变量分割成j段；给定一个i乘j的网格G，令D|G表示集合D中的点落在网格G上的概率分布；
对于一个有限集合
和正整数i与j，定义：
I*(D,i,j)＝max I(D|G) (1)
经过标准化后的数据集D中元素的值均落在[0,1]上；
对于标准化的合理性证明，假设网格进行了x乘y分辨率的划分，对有限集合D的第一个变量分割得到的i个格子分别为D1p,p＝1,2,...i，对第二个变量分割得到的j个格子分别为D2q，q＝1,2,...j；以二维散点图的角度看，令P(D1p)表示点落在第p列的概率，P(D2q)表示点落在第q行的概率，而P(D1p,D2q)表示点落在第p列第q行的概率，可得：
然后对I*(D,i,j)进行归一化得到互相关系数M(D)；
(4)求解所有近红外光谱波长点与感官评吸指标的M(D)；形成各个评吸指标和近红外光谱相关系数矩阵MS；然后运用MS计算两两指标的相关系数MSR，并与配方专家的两两指标的经验值进行对比；
(5)计算MSR与配方专家的两两指标的经验值的差值，设定给定的误差ε；筛选误差小于ε的配对组，并统计各个原始感官评吸指标出现的频次，频次的大小即近红外光谱该信息含量的多少。
2.根据权利要求1所述方法，其特征在于，感官评吸指标为14个，分别为优雅感、细腻感、甜香、透发性、清晰度、香气量、成团性、柔和性、杂气、润感、刺激性、余味、烟气浓度、劲头。
3.根据权利要求1所述方法，其特征在于，步骤(5)中设定误差阈值ε＝0.1。
4.根据权利要求1所述方法，其特征在于，误差小于ε的配对组为：'优雅感细腻感'，'优雅感甜香'，'优雅感香气量'，'优雅感成团性'，'优雅感柔和性'，'优雅感润感'，'优雅感余味'，'优雅感劲头'，'细腻感甜香'，'细腻感清晰度'，'细腻感成团性'，'细腻感杂气'，'细腻感刺激性'，'细腻感余味'，'细腻感烟气浓度'，'甜香清晰度'，'甜香杂气'，'甜香烟气浓度'，'透发性香气量'，'透发性刺激性'，'清晰度香气量'，'清晰度成团性'，'清晰度润感'，'清晰度烟气浓度'，'香气量成团性'，'香气量杂气'，'香气量润感'，'香气量刺激性'，'香气量余味'，'香气量烟气浓度'，'成团性柔和性'，'柔和性刺激性'，'柔和性余味'，'柔和性劲头'，'润感余味'，'刺激性余味'，'余味烟气浓度'，'余味劲头'。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810023242.0A CN108414471B (zh) | 2018-01-10 | 2018-01-10 | 一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810023242.0A CN108414471B (zh) | 2018-01-10 | 2018-01-10 | 一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108414471A CN108414471A (zh) | 2018-08-17 |
| CN108414471B true CN108414471B (zh) | 2020-07-17 |
Family
ID=63125463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810023242.0A Active CN108414471B (zh) | 2018-01-10 | 2018-01-10 | 一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108414471B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109100321A (zh) * | 2018-09-06 | 2018-12-28 | 云南中烟工业有限责任公司 | 一种卷烟叶组配方维护方法 |
| CN110261545B (zh) * | 2019-06-24 | 2021-08-31 | 浙江工商大学 | 一种用于确定味觉物质感官评价属性的方法 |
| CN112881323B (zh) * | 2021-01-14 | 2022-03-08 | 云南中烟工业有限责任公司 | 卷烟主流烟气的品质评价方法 |
| CN112749906A (zh) * | 2021-01-14 | 2021-05-04 | 云南中烟工业有限责任公司 | 卷烟主流烟气光谱数据的感官评价方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1967846A1 (en) * | 2007-03-05 | 2008-09-10 | National University of Ireland Galway | En ensemble method and apparatus for classifying materials and quantifying the composition of mixtures |
| CN102226802A (zh) * | 2011-04-15 | 2011-10-26 | 中国烟草总公司郑州烟草研究院 | 烟草加工过程感官偏离程度专家评价系统 |
| CN104323416A (zh) * | 2014-09-03 | 2015-02-04 | 云南中烟工业有限责任公司 | 一种烤烟烟叶配方功能判别及分类应用方法 |
| CN104568825A (zh) * | 2015-01-21 | 2015-04-29 | 川渝中烟工业有限责任公司 | 烤烟烟叶打叶复烤模块组配的方法 |
| CN107274065A (zh) * | 2017-05-15 | 2017-10-20 | 崔哲 | 食物口感和风味的主观评价与光谱数据建模方法及系统 |
-
2018
- 2018-01-10 CN CN201810023242.0A patent/CN108414471B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1967846A1 (en) * | 2007-03-05 | 2008-09-10 | National University of Ireland Galway | En ensemble method and apparatus for classifying materials and quantifying the composition of mixtures |
| CN102226802A (zh) * | 2011-04-15 | 2011-10-26 | 中国烟草总公司郑州烟草研究院 | 烟草加工过程感官偏离程度专家评价系统 |
| CN104323416A (zh) * | 2014-09-03 | 2015-02-04 | 云南中烟工业有限责任公司 | 一种烤烟烟叶配方功能判别及分类应用方法 |
| CN104568825A (zh) * | 2015-01-21 | 2015-04-29 | 川渝中烟工业有限责任公司 | 烤烟烟叶打叶复烤模块组配的方法 |
| CN107274065A (zh) * | 2017-05-15 | 2017-10-20 | 崔哲 | 食物口感和风味的主观评价与光谱数据建模方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 半监督偏最小二乘法在烟叶近红外感官评价模型中的应用;梁淼 等;《分析化学》;20141114(第11期);第1687-1691页 * |
| 红外光谱定量分析中的一种变量聚类偏最小二乘算法;毕一鸣 等;《分析化学》;20150731(第07期);第1086-1091页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108414471A (zh) | 2018-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108414471B (zh) | 一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法 | |
| CN107796782B (zh) | 基于烟叶特征光谱一致性度量的复烤质量稳定性评价方法 | |
| CN109975238B (zh) | 一种基于近红外光谱的烟叶以及卷烟叶组配方的替代方法 | |
| CN104931430B (zh) | 一种复烤片烟自然醇化品质评价及模型构建方法 | |
| CN108181263B (zh) | 基于近红外光谱的烟叶部位特征提取及判别方法 | |
| CN106501470A (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 | |
| CN102338780B (zh) | 一种卷烟品牌判别方法 | |
| CN110132879A (zh) | 一种基于近红外光谱的烤烟香韵鉴别方法 | |
| CN103389281A (zh) | 一种基于近红外光谱技术的普洱茶聚类分析方法 | |
| CN110132880B (zh) | 一种基于近红外光谱的烟叶整体感官质量评价方法 | |
| CN110122915A (zh) | 一种打叶复烤加工质量综合评价方法 | |
| CN106529584A (zh) | 一种烤烟香型和品质判定的智能评价方法 | |
| CH708057A2 (de) | Nahinfrarot-Verfahren zur Bestimmung von Inhaltsstoffen der Lotuswurzel. | |
| Ioannou‐Papayianni et al. | Authenticity of Cypriot sweet wine commandaria using FT‐IR and chemometrics | |
| CN107909264A (zh) | 一种烟叶风格特征年度间稳定性的客观综合评价方法 | |
| CN104568825A (zh) | 烤烟烟叶打叶复烤模块组配的方法 | |
| CN105092789A (zh) | 一种片烟醇化过程中烟叶风格特征变化趋势分析方法 | |
| CN109324016A (zh) | 一种复烤片烟香型风格的判定方法 | |
| CN103868957B (zh) | 一种评价打叶复烤工序片烟感官品质稳定性的方法 | |
| CN103399050A (zh) | 一种基于口感信息快速评定人参掺假西洋参的方法 | |
| CN110990782B (zh) | 基于加权犹豫模糊幂集结算子的卷烟感官质量评价方法 | |
| CN109781870B (zh) | 一种鉴别烤烟香型的方法 | |
| CN102680427A (zh) | 一种应用近红外光谱分析技术鉴别卷烟表香质量的方法 | |
| CN109744580B (zh) | 智能吸烟控制方法及装置 | |
| CN108520276B (zh) | 一种烟叶原料内在感官质量的表征方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |