CN108627621A - 一种智能食品质量快速检测系统 - Google Patents

Abstract

本发明属于食品安全技术领域，公开了一种智能食品质量快速检测系统，设置有食品安全系统控制端，食品安全系统控制端通过数据线与智能食品分类仪相连接，智能食品分类仪与水产品检测模块、肉食检测模块、果蔬检测模块以及其他食品监测模块相连接，水产品检测模块、肉食检测模块、果蔬检测模块以及其他食品监测模块与酶联免疫检测模块相连接，酶联免疫检测模块通过数据线与农残化合物检测模块、农残化合物检测模块、微生物模块、荧光定量PCR模块以及食品归属模块相连接。本发明将食品分类，从而使食品质量检测更加的快速，酶联免疫检测模块，让抗体与酶复合物结合，通过显色来检测食品是否是转基因食品，保证食品的健康安全，使消费者更加放心。

Description

一种智能食品质量快速检测系统

技术领域

本发明属于食品检测技术领域，尤其涉及一种智能食品质量快速检测系统。

背景技术

目前，食品品质属性的分类有食品安全属性、营养属性、价值属性、包装属性。食品安全指食品中可能对人体造成损害的属性，是食品质量的一个重要组成部分。食品安全涉及食品安全检测技术与相关设备、食品安全评价与溯源技术、食品安全标准技术、食品生产与流通过程中的控制技术等方面，食品安全不仅仅是个技术问题，已经上升为经济与管理的范畴。

近年来，食品安全问题所引发的灾难性事件层出不穷，已经成为了关系到国计民生的社会问题，对国家的经济发展、社会稳定造成了极大的影响。加强食品安全检测工作、完善食品安全检测行业供应链、提高技术保障手段已经迫在眉睫

综上所述，现有技术存在的问题是：食品检测速度太慢，对于一些转基因等食品无法检测，功能不够齐全。

发明内容

针对现有技术存在的问题，本发明提供了一种能食品质量快速检测系统。

本发明是这样实现的，一种能食品质量快速检测系统设置有：

所述智能食品分类仪对食品分类信号的处理方法包括：

S1对接收到的食品分类信号的观测向量x做分数低阶快速独立成分分析，将接收到的食品分类信号分离为发送食品分类信号和Alpha稳定分布噪声；所述接收食品分类信号的观测向量x的分数低阶快速独立成分分析按以下进行：

1)将观测向量x减去均值进行中心化，利用主要分量分析对中心化后的观测向量进行分数低阶预白化处理，得到白化矩阵v，其中，独立成分分析(PCA) 中用到的分数低阶相关矩阵定义为

其中，x_i(n)和x_j(n)分别为第i路和第j路观测食品分类信号，且1≤i,j≤2， *代表取共轭，对分数低阶相关矩阵进行特征值分解可以得到特征值矩阵D与特征向量矩阵V，由特征值矩阵和特征向量矩阵可得预白化矩阵M＝D^-1/2V^T，利用预白化矩阵将观测数据x向食品分类信号子空间投影，得到白化矩阵 v＝Mx；

2)对权向量w₀进行随机初始化，同时初始化序列号k使k＝1；

3)进行权值向量迭代

其中，和为一阶统计量，g(·)是对比函数，η＝E[w^Txg(w^Tx)]，且在权值的迭代过程中参数λ是可变的，且λ＜1；

4)利用范数归一化权值向量w_k，w_k＝w_k/||w_k||；

5)若充分接近于1，算法得到收敛，w_k就是最终的解混矩阵，执行 6)，否则重复步骤3)与步骤4)；

6)Y＝w_kx,其中x为观测食品分类信号，Y为分离后的二维食品分类信号；

S2对分离出的发送食品分类信号s(n)做基于插值的总体平均局部均值分解(LMD)，将发送食品分类信号分解成多个分量；所述分离出的发送食品分类信号s(n)的基于插值的总体平均LMD按以下进行：

1)给发送食品分类信号s(n)加上一组白噪声v(n),得到一个总体S(n)：

S(n)＝s(n)+v(n)

2)确定总体S(n)所有的局部极值点n_i，计算相邻两个极值点n_i和n_i+1的平均值m_i，即

利用三次样条插值确定局部均值函数m₁₁(n)；

3)采用局部极值点n_i计算包络估计值a_i

利用三次样条插值确定包络估计函数a₁₁(n)；

4)从总体S(n)中分离分离出局部均值函数m₁₁(n)，得到

h₁₁(n)＝S(n)-m₁₁(n)

5)用h₁₁(n)除以包络估计函数a₁₁(n)，以对h₁₁(n)进行解调，得到

其中，

h₁₁(n)＝S(n)-m₁₁(n)

h₁₂(n)＝s₁₁(n)-m₁₂(n)

h_1n(n)＝s_1(n-1)(n)-m_1n(n)

式中:

迭代终止的条件为:

1-Δ≤a_1n(n)≤1+Δ

其中，Δ为大于0的任意实数；

6)把迭代过程中产生的所有包络估计函数相乘便可以得到包络食品分类信号，其包括，

7)将包络食品分类信号a₁(n)和纯调频食品分类信号s_1n(n)相乘便可以得到原始食品分类信号的第1个分量

PF₁(n)＝a₁(n)s_1n(n)

它包含了原始食品分类信号中最高的频率成分，是一个单分量的调幅-调频食品分类信号，其瞬时幅值就是包络食品分类信号a₁(n)，其瞬时频率f₁(n)则可由纯调频食品分类信号s_1n(n)求出，即:

8)将第1个PF分量PF₁从发送食品分类信号s(n)中分离出来，得到一个新的食品分类信号u₁(n)，将u₁(n)作为原始数据重复步骤1)至步骤7)，并循环k次，直到u_k(n)为一个单调函数；

u₁(n)＝s(n)-PF₁(n)

u₂(n)＝u₁(n)-PF₂(n)

u_k(n)＝u_k-1(n)-PF_k(_n)

至此，将食品分类信号s(n)分解为k个PF分量和一个单调函数u_k(n)之和，即

9)给发送食品分类信号s(n)加入不同的白噪声n_i(n),重复步骤1)-8)：

S_i(n)＝s(n)+n_i(n)

分解后得到的各个总体的PF分量组为PF_ip

10)取各个组PF的均值作为最终的PF组：

其中，N表示表示添加噪声的次数，最后发送食品分类信号的LMD分解可表示为：

S3提取第一个分类特征：分量的分段瞬时频率标准差σ_f和设定相应的门限δ₁；所述分量的分段瞬时频率标准差σ_f和设定相应的门限δ₁按以下进行：

分量的分段频率标准差σ_f定义为：对于食品分类信号的分量中的纯调频食品分类信号s_1n(n)，计算其瞬时频率f₁(n)，将得到的瞬时频率序列分成M 段，每段n个点，然后计算每段的瞬时频率的均值，最后求M段频率的标准差，即

其中，为第i段瞬时频率的均值，f_1i(j)为分量的第i段数据的第j个点的瞬时频率值；为分量的瞬时频率的均值；

门限设定如下：

其中min(σ_f-MSK)表示MSK食品分类信号的特征值σ_f的最小值， max(σ_f-2ASK,σ_f-QPSK,σ_f-16QAM)为2ASK、QPSK和16QAM食品分类信号的特征值σ_f的最大值；

S4提取第二个分类特征：分量的分段瞬时幅值标准差σ_a和设定相应的门限δ₂和δ₃；所述分量的分段瞬时幅值标准差σ_a和设定相应的门限δ₂和δ₃按以下进行：

的分段瞬时幅值标准差σ_a定义为：对于食品分类信号的PF₁分量，将其 a₁(n)分成M段，每段n个点，然后计算每段的瞬时幅值的均值，最后求M段幅值的标准差，即

其中，为第i段瞬时幅值的均值，a_1i(j)为分量的第i段数据的第j个点的瞬时幅值；为PF₁分量的瞬时幅值的均值；

门限设定如下：

其中min(σ_a-ASK)表示2ASK食品分类信号的特征值σ_a的最小值， max(σ_a-16QAM)和min(σ_a-QPSK)分别为16QAM食品分类信号的特征值σ_a的最大值和最小值，max(σ_a-QPSK)为QPSK食品分类信号的特征值σ_a的最大值；

S5利用门限δ₁将食品分类信号集{MSK、2ASK、QPSK、16QAM}分为 {MSK}和{2ASK、QPSK、16QAM}两类，利用门限δ₂和δ₃将食品分类信号集 {2ASK、QPSK、16QAM}中的食品分类信号识别出来。

进一步所述智能食品分类仪，将食品分类，从而使食品质量检测更加的快速。

进一步所述酶联免疫检测模块，是让抗体与酶复合物结合，然后通过显色来检测食品是否是转基因食品，从而保证食品的健康安全。

进一步所述荧光定量PCR模块，能实现多重反应、自动化程度高、无污染、实时和准确等食品检查特点，双重的保证了食品的安全。

本发明的优点及积极效果为：本发明采用智能食品分类仪，将食品分类，从而使食品质量检测更加的快速，而且酶联免疫检测模块，是让抗体与酶复合物结合，然后通过显色来检测食品是否是转基因食品，从而保证食品的健康安全，另外还有荧光定量PCR模块，荧光定量PCR不仅实现真正实现了对食品检测的绝对定量，能实现多重反应、自动化程度高、无污染、实时和准确等食品检查特点，双重的保证了食品的安全，使消费者更加放心。

附图说明

图1是本发明例提供的智能食品质量快速检测系统的结构示意图。

图中：1、食品安全系统控制端；2、智能食品分类仪；3、水产品检测模块； 4、肉食检测模块；5、水果检测模块；6、其他食品检测模块；7、酶联免疫检测模块；8、农残化合物检测模块；9、微生物模块；10、荧光定量PCR模块； 11、食品归属模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明实施例提供的智能食品质量快速检测系统具体包括：食品安全系统控制端1、智能食品分类仪2、水产品检测模块3、肉食检测模块 4、水果检测模块5、其他食品检测模块6、酶联免疫检测模块7、农残化合物检测模块8、微生物模块9、荧光定量PCR模块10、食品归属模块11。

所述食品安全系统控制端1通过数据线与智能食品分类仪2相连接，智能食品分类仪2通过导线与水产品检测模块3、肉食检测模块4、果蔬检测模块5 以及其他食品监测模块6相连接，水产品检测模块3、肉食检测模块4、果蔬检测模块5以及其他食品监测模块6通过导线与酶联免疫检测模块7相连接，酶联免疫检测模块7通过数据线与农残化合物检测模块8、农残化合物检测模块8、微生物模块9、荧光定量PCR模块10以及食品归属模块11相连接。

所述智能食品分类仪对食品分类信号的处理方法包括：

S1对接收到的食品分类信号的观测向量x做分数低阶快速独立成分分析，将接收到的食品分类信号分离为发送食品分类信号和Alpha稳定分布噪声；所述接收食品分类信号的观测向量x的分数低阶快速独立成分分析按以下进行：

1)将观测向量x减去均值进行中心化，利用主要分量分析对中心化后的观测向量进行分数低阶预白化处理，得到白化矩阵v，其中，独立成分分析(PCA) 中用到的分数低阶相关矩阵定义为

其中，x_i(n)和x_j(n)分别为第i路和第j路观测食品分类信号，且1≤i,j≤2， *代表取共轭，对分数低阶相关矩阵进行特征值分解可以得到特征值矩阵D与特征向量矩阵V，由特征值矩阵和特征向量矩阵可得预白化矩阵M＝D^-1/2V^T，利用预白化矩阵将观测数据x向食品分类信号子空间投影，得到白化矩阵 v＝Mx；

2)对权向量w₀进行随机初始化，同时初始化序列号k使k＝1；

3)进行权值向量迭代

其中，和为一阶统计量，g(·)是对比函数，η＝E[w^Txg(w^Tx)]，且在权值的迭代过程中参数λ是可变的，且λ＜1；

4)利用范数归一化权值向量w_k，w_k＝w_k/||w_k||；

5)若充分接近于1，算法得到收敛，w_k就是最终的解混矩阵，执行6)，否则重复步骤3)与步骤4)；

6)Y＝w_kx,其中x为观测食品分类信号，Y为分离后的二维食品分类信号；

S2对分离出的发送食品分类信号s(n)做基于插值的总体平均局部均值分解(LMD)，将发送食品分类信号分解成多个分量；所述分离出的发送食品分类信号s(n)的基于插值的总体平均LMD按以下进行：

1)给发送食品分类信号s(n)加上一组白噪声v(n),得到一个总体S(n)：

S(n)＝s(n)+v(n)

2)确定总体S(n)所有的局部极值点n_i，计算相邻两个极值点n_i和n_i+1的平均值m_i，即

利用三次样条插值确定局部均值函数m₁₁(n)；

3)采用局部极值点n_i计算包络估计值a_i

利用三次样条插值确定包络估计函数a₁₁(n)；

4)从总体S(n)中分离分离出局部均值函数m₁₁(n)，得到

h₁₁(n)＝S(n)-m₁₁(n)

5)用h₁₁(n)除以包络估计函数a₁₁(n)，以对h₁₁(n)进行解调，得到

其中，

h₁₁(n)＝S(n)-m₁₁(n)

h₁₂(n)＝s₁₁(n)-m₁₂(n)

h_1n(n)＝s_1(n-1)(n)-m_1n(n)

式中:

迭代终止的条件为:

1-Δ≤a_1n(n)≤1+Δ

其中，Δ为大于0的任意实数；

6)把迭代过程中产生的所有包络估计函数相乘便可以得到包络食品分类信号，其包括，

7)将包络食品分类信号a₁(n)和纯调频食品分类信号s_1n(n)相乘便可以得到原始食品分类信号的第1个分量

PF₁(n)＝a₁(n)s_1n(n)

它包含了原始食品分类信号中最高的频率成分，是一个单分量的调幅-调频食品分类信号，其瞬时幅值就是包络食品分类信号a₁(n)，其瞬时频率f₁(n)则可由纯调频食品分类信号s_1n(n)求出，即:

8)将第1个PF分量PF₁从发送食品分类信号s(n)中分离出来，得到一个新的食品分类信号u₁(n)，将u₁(n)作为原始数据重复步骤1)至步骤7)，并循环k次，直到u_k(n)为一个单调函数；

u₁(n)＝s(n)-PF₁(n)

u₂(n)＝u₁(n)-PF₂(n)

u_k(n)＝u_k-1(n)-PF_k(n)

至此，将食品分类信号s(n)分解为k个PF分量和一个单调函数u_k(n)之和，即

9)给发送食品分类信号s(n)加入不同的白噪声n_i(n),重复步骤1)-8)：

S_i(n)＝s(n)+n_i(n)

分解后得到的各个总体的PF分量组为PF_ip

10)取各个组PF的均值作为最终的PF组：

其中，N表示表示添加噪声的次数，最后发送食品分类信号的LMD分解可表示为：

S3提取第一个分类特征：分量的分段瞬时频率标准差σ_f和设定相应的门限δ₁；所述分量的分段瞬时频率标准差σ_f和设定相应的门限δ₁按以下进行：

分量的分段频率标准差σ_f定义为：对于食品分类信号的分量中的纯调频食品分类信号s_1n(n)，计算其瞬时频率f₁(n)，将得到的瞬时频率序列分成M 段，每段n个点，然后计算每段的瞬时频率的均值，最后求M段频率的标准差，即

其中，为第i段瞬时频率的均值，f_1i(j)为分量的第i段数据的第j个点的瞬时频率值；为分量的瞬时频率的均值；

门限设定如下：

其中min(σ_f-MSK)表示MSK食品分类信号的特征值σ_f的最小值， max(σ_f-2ASK,σ_f-QPSK,σ_f-16QAM)为2ASK、QPSK和16QAM食品分类信号的特征值σ_f的最大值；

S4提取第二个分类特征：分量的分段瞬时幅值标准差σ_a和设定相应的门限δ₂和δ₃；所述分量的分段瞬时幅值标准差σ_a和设定相应的门限δ₂和δ₃按以下进行：

的分段瞬时幅值标准差σ_a定义为：对于食品分类信号的PF₁分量，将其 a₁(n)分成M段，每段n个点，然后计算每段的瞬时幅值的均值，最后求M段幅值的标准差，即

其中，为第i段瞬时幅值的均值，a_1i(j)为分量的第i段数据的第j个点的瞬时幅值；为PF₁分量的瞬时幅值的均值；

门限设定如下：

其中min(σ_a-ASK)表示2ASK食品分类信号的特征值σ_a的最小值，max(σ_a-16QAM)和min(σ_a-QPSK)分别为16QAM食品分类信号的特征值σ_a的最大值和最小值，max(σ_a-QPSK)为QPSK食品分类信号的特征值σ_a的最大值；

S5利用门限δ₁将食品分类信号集{MSK、2ASK、QPSK、16QAM}分为 {MSK}和{2ASK、QPSK、16QAM}两类，利用门限δ₂和δ₃将食品分类信号集 {2ASK、QPSK、16QAM}中的食品分类信号识别出来。

本发明的工作原理：食品安全系统控制端1为本食品质量快速检测系统的核心，将所需要检测的食品放入智能食品分类仪2后，智能食品分类仪2可以快速的将食品分至水产品检测模块3、肉食检测模块4、果蔬检测模块5以及其他食品监测模块6；然后逐一将各类食品进行快速检测，首先是酶联免疫检测模块7，是让抗体与酶复合物结合，然后通过显色来检测食品是否是转基因食品，从而保证食品的健康安全；农残化合物检测模块8可以检测水果蔬菜上残留的农药以及化和物质；微生物模块9可以检测食品是否过期或者变质；荧光定量 PCR模块10，能实现多重反应、自动化程度高、无污染、实时和准确等食品检查特点，双重的保证了食品的安全；最后检测出的物质分为合格品以及不合格品，分别从食品归属模块11导出。

本发明采用智能食品分类仪，将食品分类，从而使食品质量检测更加的快速，而且酶联免疫检测模块，是让抗体与酶复合物结合，然后通过显色来检测食品是否是转基因食品，从而保证食品的健康安全，另外还有荧光定量PCR模块，荧光定量PCR不仅实现真正实现了对食品检测的绝对定量，能实现多重反应、自动化程度高、无污染、实时和准确等食品检查特点，双重的保证了食品的安全，使消费者更加放心。

以上所述仅是对本发明型的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (4)

1.一种智能食品质量快速检测系统，其特征在于，所述智能食品质量快速检测系统设置有：

食品安全系统控制端；

所述食品安全系统控制端通过数据线与智能食品分类仪相连接，智能食品分类仪通过导线与水产品检测模块、肉食检测模块、果蔬检测模块以及其他食品监测模块相连接，水产品检测模块、肉食检测模块、果蔬检测模块以及其他食品监测模块通过导线与酶联免疫检测模块相连接，酶联免疫检测模块通过数据线与农残化合物检测模块、农残化合物检测模块、微生物模块、荧光定量PCR模块以及食品归属模块相连接；

所述智能食品分类仪对食品分类信号的处理方法包括：

S1对接收到的食品分类信号的观测向量x做分数低阶快速独立成分分析，将接收到的食品分类信号分离为发送食品分类信号和Alpha稳定分布噪声；所述接收食品分类信号的观测向量x的分数低阶快速独立成分分析按以下进行：

1)将观测向量x减去均值进行中心化，利用主要分量分析对中心化后的观测向量进行分数低阶预白化处理，得到白化矩阵v，其中，独立成分分析(PCA)中用到的分数低阶相关矩阵定义为

其中，x_i(n)和x_j(n)分别为第i路和第j路观测食品分类信号，且1≤i,j≤2，*代表取共轭，对分数低阶相关矩阵进行特征值分解可以得到特征值矩阵D与特征向量矩阵V，由特征值矩阵和特征向量矩阵可得预白化矩阵M＝D^-1/2V^T，利用预白化矩阵将观测数据x向食品分类信号子空间投影，得到白化矩阵v＝Mx；

2)对权向量w₀进行随机初始化，同时初始化序列号k使k＝1；

3)进行权值向量迭代

其中，和为一阶统计量，g(·)是对比函数，η＝Ε[w^Txg(w^Tx)]，且在权值的迭代过程中参数λ是可变的，且λ＜1；

4)利用范数归一化权值向量w_k，w_k＝w_k/||w_k||；

5)若充分接近于1，算法得到收敛，w_k就是最终的解混矩阵，执行6)，否则重复步骤3)与步骤4)；

6)Y＝w_kx,其中x为观测食品分类信号，Y为分离后的二维食品分类信号；

S2对分离出的发送食品分类信号s(n)做基于插值的总体平均局部均值分解(LMD)，将发送食品分类信号分解成多个分量；所述分离出的发送食品分类信号s(n)的基于插值的总体平均LMD按以下进行：

1)给发送食品分类信号s(n)加上一组白噪声v(n),得到一个总体S(n)：

S(n)＝s(n)+v(n)

2)确定总体S(n)所有的局部极值点n_i，计算相邻两个极值点n_i和n_i+1的平均值m_i，即

利用三次样条插值确定局部均值函数m₁₁(n)；

3)采用局部极值点n_i计算包络估计值a_i

利用三次样条插值确定包络估计函数a₁₁(n)；

4)从总体S(n)中分离分离出局部均值函数m₁₁(n)，得到

h₁₁(n)＝S(n)-m₁₁(n)

5)用h₁₁(n)除以包络估计函数a₁₁(n)，以对h₁₁(n)进行解调，得到

其中，

h₁₁(n)＝S(n)-m₁₁(n)

h₁₂(n)＝s₁₁(n)-m₁₂(n)

h_1n(n)＝s_1(n-1)(n)-m_1n(n)

式中:

迭代终止的条件为:

1-Δ≤a_1n(n)≤1+Δ

其中，Δ为大于0的任意实数；

6)把迭代过程中产生的所有包络估计函数相乘便可以得到包络食品分类信号，其包括，

7)将包络食品分类信号a₁(n)和纯调频食品分类信号s_1n(n)相乘便可以得到原始食品分类信号的第1个分量

PF₁(n)＝a₁(n)s_1n(n)

它包含了原始食品分类信号中最高的频率成分，是一个单分量的调幅-调频食品分类信号，其瞬时幅值就是包络食品分类信号a₁(n)，其瞬时频率f₁(n)则可由纯调频食品分类信号s_1n(n)求出，即:

8)将第1个PF分量PF₁从发送食品分类信号s(n)中分离出来，得到一个新的食品分类信号u₁(n)，将u₁(n)作为原始数据重复步骤1)至步骤7)，并循环k次，直到u_k(n)为一个单调函数；

u₁(n)＝s(n)-PF₁(n)

u₂(n)＝u₁(n)-PF₂(n)

u_k(n)＝u_k-1(n)-PF_k(n)

至此，将食品分类信号s(n)分解为k个PF分量和一个单调函数u_k(n)之和，即

9)给发送食品分类信号s(n)加入不同的白噪声n_i(n),重复步骤1)-8)：

S_i(n)＝s(n)+n_i(n)

分解后得到的各个总体的PF分量组为PF_ip

10)取各个组PF的均值作为最终的PF组：

其中，N表示表示添加噪声的次数，最后发送食品分类信号的LMD分解可表示为：

S3提取第一个分类特征：分量的分段瞬时频率标准差σ_f和设定相应的门限δ₁；所述分量的分段瞬时频率标准差σ_f和设定相应的门限δ₁按以下进行：

分量的分段频率标准差σ_f定义为：对于食品分类信号的分量中的纯调频食品分类信号s_1n(n)，计算其瞬时频率f₁(n)，将得到的瞬时频率序列分成M段，每段n个点，然后计算每段的瞬时频率的均值，最后求M段频率的标准差，即

其中，为第i段瞬时频率的均值，f_1i(j)为分量的第i段数据的第j个点的瞬时频率值；为分量的瞬时频率的均值；

门限设定如下：

其中min(σ_f-MSK)表示MSK食品分类信号的特征值σ_f的最小值，max(σ_f-2ASK,σ_f-QPSK,σ_f-16QAM)为2ASK、QPSK和16QAM食品分类信号的特征值σ_f的最大值；

S4提取第二个分类特征：分量的分段瞬时幅值标准差σ_a和设定相应的门限δ₂和δ₃；所述分量的分段瞬时幅值标准差σ_a和设定相应的门限δ₂和δ₃按以下进行：

的分段瞬时幅值标准差σ_a定义为：对于食品分类信号的PF₁分量，将其a₁(n)分成M段，每段n个点，然后计算每段的瞬时幅值的均值，最后求M段幅值的标准差，即

其中，为第i段瞬时幅值的均值，a_1i(j)为分量的第i段数据的第j个点的瞬时幅值；为PF₁分量的瞬时幅值的均值；

门限设定如下：

其中min(σ_a-ASK)表示2ASK食品分类信号的特征值σ_a的最小值，max(σ_a-16QAM)和min(σ_a-QPSK)分别为16QAM食品分类信号的特征值σ_a的最大值和最小值，max(σ_a-QPSK)为QPSK食品分类信号的特征值σ_a的最大值；

S5利用门限δ₁将食品分类信号集{MSK、2ASK、QPSK、16QAM}分为{MSK}和{2ASK、QPSK、16QAM}两类，利用门限δ₂和δ₃将食品分类信号集{2ASK、QPSK、16QAM}中的食品分类信号识别出来。

2.如权利要求1所述的智能食品质量快速检测系统，其特征在于，所述智能食品分类仪，将食品分类。

3.如权利要求1所述的智能食品质量快速检测系统，其特征在于，所述酶联免疫检测模块，让抗体与酶复合物结合，通过显色来检测食品是否是转基因食品。

4.如权利要求1所述的智能食品质量快速检测系统，其特征在于，所述荧光定量PCR模块，能实现多重反应、自动化程度高、无污染、实时和准确的食品检查。