CN109142626A - 一种酒醅馊味判别模型构建以及采用该模型判别酒醅馊味的方法 - Google Patents
一种酒醅馊味判别模型构建以及采用该模型判别酒醅馊味的方法 Download PDFInfo
- Publication number
- CN109142626A CN109142626A CN201810796370.9A CN201810796370A CN109142626A CN 109142626 A CN109142626 A CN 109142626A CN 201810796370 A CN201810796370 A CN 201810796370A CN 109142626 A CN109142626 A CN 109142626A
- Authority
- CN
- China
- Prior art keywords
- fermented grain
- sour
- taste
- sample
- bacillus
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明属于生物技术领域,具体涉及一种酒醅馊味鉴别方法,其通过随机森林算法建立酒醅馊味判别模型,然后根据酒醅样品中的微生物数据信息依据所述判别模型的鉴别依据对酒醅样品进行馊味鉴别,从而得到酒醅样品的馊味鉴别结果,其不仅可以准确及时的判定酒醅是否产生馊味,而且还可以对酒醅是否产生馊味进行预判,相对于传统的酒醅馊味鉴别方法而言,更为客观。
Description
技术领域
本发明属于生物技术领域,特别涉及一种酒醅馊味判别模型构建方法,以及采用该构建的模型进行酒醅馊味判别的方法。
背景技术
酱香型白酒采用堆积发酵,其是将下甑后糟醅摊晾拌曲后堆积在晾堂中,使酒醅富集环境中的特定微生物为窖内厌氧发酵做准备。
但是,当工艺操作或管理不当时,会使堆积的酒醅产生馊味,进而最终导致基酒的品质下降。为保证基酒的品质,常需要提前对酒醅的工艺操作或管理进行防范控制,或者当工艺操作或管理出现失误时能够采取有效的解决办法,而判断工艺操作或管理失误是否会影响基酒的品质,首先需要能够及时、准确的判定酒醅是否已经产生馊味。而现有的用于判定酒醅是否产生馊味是主要是基于体验者的感官进行评价,其受体验者的经验、身体状态的影响,而且也不能提前预判酒醅是否异常。因此,需要一种客观、简便且准确率高的判别方法。
发明内容
本发明的目的在于提供一种酒醅馊味判别模型构建的方法。
本发明的目的还在于提供一种可以准确判别酒醅是否产生馊味的方法。
本发明的目的还在于提供一种可以提前预判酒醅是否产生馊味的方法。
为达到上述目的,本发明采用的技术方案为:
一方面,本发明提供了一种构建酒醅馊味判别模型的方法,其包含以下步骤:
(1)信息提取:利用高通量测序技术获取酒醅样品的微生物信息。
所述微生物信息包括微生物的属分类,以及属对应的微生物含量。通过高通量测序技术,可以准确且全面地获取微生物信息。对于高通量测序技术的选择,则无特别的限制,现有技术中,可用于获取微生物属分类,及对应含量的高通量测序技术均可,如Illumina Miseq测序平台、罗氏454测序平台或Ion Torrent测序平台等等。
(2)酒醅分类:通过感官评测步骤(1)中酒醅样品的馊味类型,将酒醅样品分为无馊味、馊味轻、馊味重三种类型。
感官分类为目标主要的酒醅馊味分类的方法,该方法主观性较强。为了提感官分类的准确性,本发明中,成立了5人的感官评判小组,对馊味进行了专业训练与评判。
其中,步骤(1)和步骤(2)的顺序可互换或者同时进行。
(3)变量优化:根据步骤(1)中的微生物信息和步骤(2)中的馊味类型,采用随机森林算法中变量重要性度量对酒醅样品的微生物组成变量进行优化筛选,获取对酒醅样品馊味分类贡献大的微生物组成变量。
步骤(3)中,森林算法中,变量重要性度量选自平均精度下降Mean DecreaseAccuracy;所述的微生物组成变量为微生物的属分类。
作为优选的实施方式,步骤(2)中,优化筛选的原则为变量的平均精度下降MeanDecrease Accuracy变量占到80%以上,80%表示80%的样品中都含有该微生物,从而可以保证大部分样品都含有该微生物,从而使后续的模型更具有普遍性。
最终,经过步骤(3),优化筛选得到的微生物组成变量为乳杆菌属Lactobacillus、芽孢杆菌属Bacillus、片球菌属Pediococcus、不动杆菌属Acinetobacter、葡萄球菌属Staphylococcus、魏斯氏属Weissella、克雷伯菌属Klebsiella、高温放线菌属Thermoactinomyces、肠杆菌属Enterobacter、假单胞菌属Pseudomonas以及醋酸杆菌属Acetobacter。
作为优选的实施方式,该步骤采用R语言软件实现变量优化。
(4)模型构建:基于步骤(3)所优化筛选的微生物组成变量及其对应的微生物含量与步骤(2)获得的样品类型,采用随机森林算法,构建堆积酒醅是否产馊味的判别模型。
其中,步骤(4)中,森林算法中mtry值为整个变量个数的1/3取整(如步骤(3)中,优化筛选得到的微生物组成变量数为11个,则mtry值=[11*1/3]=4), nodesize=1,ntree=500。
该判别模型构建完成,以后在用该模型判别酒醅馊味时,可以随时调用,无需再进行重复构建。
基于该模型,得到了对酒醅样品馊味分类贡献最大的微生物组成变量为乳杆菌属Lactobacillus和芽孢杆菌属Bacillus,其中,乳杆菌属Lactobacillus含量越高,则馊味越重,而芽孢杆菌属Bacillus越低,馊味越轻。
作为优选的实施方式,该步骤采用R语言软件实现模型构建。
作为优选的实施方式,本发明的构建酒醅馊味判别模型的方法还包括:
步骤(5)方法验证:其基于步骤(4)的判别结果,对构建模型的样品进行微生物纯化分离,将分离纯化得到的微生物加入到酒醅样品中,进行发酵试验,并检测发酵液中双乙酰的含量。
馊味主要来源成分为双乙酰,双乙酰超过一定的浓度,就会产生馊味。根据验证结果,仅本发明判别后的酒醅样品,其分离得到的微生物与馊味产生具有强相关性,这与变量重要性度量(Mean Decrease Accuracy)判别一致;同时说明了随机森林算法对样品类型判别结果准确。
另外一方面,本发明基于上述构建的模型,还提供了一种酒醅馊味的鉴别方法,其包含以下步骤:
S1.获取待测酒醅样品中微生物的信息;
作为一种可选的实施方式,所述的微生物信息选自乳酸杆菌Lactobacillus 或/和芽孢杆菌Bacillus的及其对应的相对含量。该两种菌为对酒醅样品馊味分类贡献最大的两种菌,其基本信息可以满足鉴别需求。
作为另外一种可选的实施方式,所述的微生物信息选自乳杆菌属Lactobacillus、芽孢杆菌属Bacillus、片球菌属Pediococcus、不动杆菌属 Acinetobacter、葡萄球菌属Staphylococcus、魏斯氏属Weissella、克雷伯菌属 Klebsiella、高温放线菌属Thermoactinomyces、肠杆菌属Enterobacter、假单胞菌属Pseudomonas以及醋酸杆菌属Acetobacter及其对应的相对含量。当选取的微生物信息越多时,鉴定结果准确。
S2.将步骤(1)获取的微生物信息输入上述构建的判别模型中,输出待测酒醅样品的馊味分类。
在步骤S1中,获取待测酒醅样品中微生物的信息,可以通过高通量测序技术获取。作为较经济的方式,可通过可培养分离计数技术或荧光定量PCR技术等技术获得。
本发明中,微生物的“相对含量”是指,酒醅样品中,某种微生物的量在酒醅中总微生物量所占的比例。
相比现有技术,本发明的有益效果在于:
(1)本发明所述的酒醅馊味鉴别方法是通过随机森林算法建立酒醅样品的馊味判别模型,然后根据酒醅样品中的微生物数据信息依据所述判别模型的鉴别依据对酒醅样品进行馊味鉴别,从而得到酒醅样品的馊味鉴别结果,其不仅可以准确及时的判定酒醅是否产生馊味,而且还可以对酒醅是否产生馊味进行预判,相对于传统的酒醅馊味鉴别方法而言,更为客观。
(2)本发明所述的酒醅馊味鉴别方法还包括结果验证的步骤,其是采用微生物纯化方法提取酒醅样品中的微生物并进行发酵试验,然后根据试验结果对鉴别结果进行验证,结果表明,本发明所述的酒醅馊味鉴别方法具有较高的可靠性。
(3)本发明的方法可以对酒醅馊味类型进行提前预判:因为是基于微生物的信息进行酒醅馊味判定,而非感官判定,因此本发明可以提前对酒醅样品的馊味进行预判,当样品中特定微生物含量过高或过低时即可预判在发酵进程中酒醅是否产生馊味,从而可提前采取措施进行干预。
附图说明
图1为MDA占到80%以上的微生物变量分布图。
具体实施方式
以下结合具体实施例对本发明进行进一步的阐述。实施例作为非限制性的例子,并非对本发明保护范围的限制。其他人根据本发明理念所做出的一些非本质的修改和调整仍属于本发明的保护范围。
实施例一一种构建酒醅馊味鉴别模型的方法
(1)酒醅分类
选取27个来源于酱香型白酒堆积发酵的酒醅样品,并且上述27个酒醅样品根据感官评测可将其划分为三类,具体如表1所示:
表1酒醅样品的感官评价
无馊味 | 馊味轻 | 搜味重 | |
数量(份) | 22 | 3 | 2 |
(2)信息提取
然后利用Illumina Miseq测序平台对上述27个酒醅样品的微生物及其含量进行测序鉴定,获取酒醅样品的微生物信息。测序共计获取137个不同属的微生物及相应属微生物的含量。
(3)变量优化
将馊味类型和微生物信息输入到R软件中,利用随机森林(Random Forest) 算法中的变量重要性度量中的平均精度下降(Mean Decrease Accuracy,MDA) 对样品微生物组成变量进行优化筛选,选取对样品分类贡献占比大于80%以上的变量,共获得11个属的微生物,结果见图1,对样品分类贡献占比大于80%以上的变量的11个菌种为:乳杆菌属Lactobacillus、芽孢杆菌属Bacillus、片球菌属Pediococcus、不动杆菌属Acinetobacter、葡萄球菌属Staphylococcus、魏斯氏属Weissella、克雷伯菌属Klebsiella、高温放线菌属Thermoactinomyces、肠杆菌属Enterobacter、假单胞菌属Pseudomonas以及醋酸杆菌属Acetobacter。
从图1可以看出,Lactobacillus(乳杆菌属)、Bacillus(芽孢杆菌属)微生物对样品分类影响大,其中Lactobacillus(乳杆菌属)对馊味样品贡献大,而 Bacillus(芽孢杆菌属)对正常样品贡献大。另外,Klebsiella(克雷伯菌属)、 Pediococcus(片球菌属)、Weissella(魏斯氏菌属)、Pseudomonas(假单胞菌属) 和Staphylococcus(葡萄球菌)都对馊味样品有贡献。
(4)模型构建
根据上面筛选获得的微生物变量信息及其对应的微生物含量,以及步骤(1) 得到的样品类型,采用随机森林算法,构建堆积酒醅是否产馊味的判别模型,其中森林算法中mtry值为整个变量个数的1/3,即在本实施例中mtry=4(11*1/3 取整)。另外选择nodesize=1,ntree=500。
从建立的模型中,得到了对酒醅样品馊味分类贡献最大的微生物组成变量为乳杆菌属Lactobacillus和芽孢杆菌属Bacillus,其中,乳杆菌属Lactobacillus 含量越高,则馊味越重,而芽孢杆菌属Bacillus越低,馊味越轻。
进一步地,该模型中,判别得到的酒醅类型与微生物相对含量具有以下关系:
表2酒醅类别与乳杆菌Lactobacillus相对含量的关系
表3酒醅类别与芽孢杆菌属Bacillus相对含量的关系
采用构建得到的判别模型,对该27个样品的判别结果见表4。
表4建模样品判别结果
注:A:正常样品;B:馊味轻样品;C:馊味重样品
从表1可以看出,用于建模的样品共27个:正常样品(22个)、馊味轻样品(3个)、馊味重样品(2个)。该随机森林算法对正常样品的判别准确率为 22/22=100.0%,对所有样品的判别准确率为(22+3+1)/27=96.3%,表明所建立的判别模型对堆积酒醅是否产馊味的判别较为有效。
(5)结果验证
感官评判小组从堆积酒醅中选取了3个不同类型酒醅(无馊味、馊味轻、馊味重样品各1个),然后利用YPD培养基(计数酵母菌和霉菌)、LB培养基 (计数芽孢杆菌和细菌总数)、MRS培养基(计数乳酸菌)以及乳酸杆菌选择性培养基(计数乳酸杆菌)对这3个样品进行微生物纯化分离,其中对样品直接涂布于LB培养基计数细菌总数,对样品进行80℃热处理20min涂布于LB培养基计数芽孢杆菌数量,结果见表5。
表5可培养分离计数结果
无馊味 | 馊味轻 | 馊味重 | |
乳酸杆菌占比% | 13.74 | 18.19 | 70.23 |
芽孢杆菌占比% | 30.54 | 11.58 | 5.57 |
酵母菌占比% | 30.55 | 17.48 | 21.77 |
由于馊味主要是由一些微生物生长代谢的过程中产生特定物质而形成的,因此,为了验证所述酒醅馊味鉴别方法的鉴别结果的准确性,分别挑选5株乳酸杆菌、5株芽孢杆菌以及5株酵母菌进行液态发酵,发酵结束后,感官评判小组对发酵液进行感官评价,同时利用GC-MS对发酵液中双乙酰含量进行测定,结果见表5。
表6 15株菌种纯培养结束感官评价及双乙酰含量
感官评价 | 双乙酰含量(ppm) | |
乳杆菌1 | 馊味重 | 55 |
乳杆菌2 | 馊味重 | 102 |
乳杆菌3 | 馊味重 | 138 |
乳杆菌4 | 馊味重 | 74 |
乳杆菌5 | 馊味重 | 64 |
芽孢杆菌1 | 无馊味 | 21 |
芽孢杆菌2 | 无馊味 | 0.6 |
芽孢杆菌3 | 无馊味 | 2.6 |
芽孢杆菌4 | 馊味轻 | 1.7 |
芽孢杆菌5 | 无馊味 | 0.9 |
酵母菌1 | 无馊味 | 3.8 |
酵母菌2 | 无馊味 | 4.2 |
酵母菌3 | 无馊味 | 1.7 |
酵母菌4 | 无馊味 | 0.4 |
酵母菌5 | 馊味轻 | 2.9 |
结果发现,样品中的乳酸杆菌属微生物含量高,且该属中特定的菌株代谢产生的双乙酰可高达138ppm,闻香表明有强烈的馊味产生。该含量远高于啤酒中双乙酰的阈值(双乙酰阈值为0.1ppm)和白酒中的阈值(双乙酰阈值为4.5ppm)。这一方面证明了乳酸杆菌属与馊味产生具有强相关性,这与变量重要性度量(Mean Decrease Accuracy)判别一致;同时说明了随机森林算法对样品类型判别结果准确。
实施例二一种酒醅馊味鉴别的方法
随机选取堆积发酵酒醅样品5份,然后利用荧光定量PCR技术对这5个样品进行中乳酸杆菌、芽孢杆菌、片球菌、魏斯氏菌、葡萄球菌以及总细菌进行定量分析,结果见表7。
表7可培养分离计数结果
样品1 | 样品2 | 样品3 | 样品4 | 样品5 | |
乳酸杆菌占比% | 74.21 | 88.45 | 5.98 | 6.78 | 20.18 |
芽孢杆菌占比% | 0.89 | 3.12 | 33.64 | 28.14 | 17.65 |
片球菌占比% | 1.17 | 0.89 | 2.65 | 2.78 | 1.98 |
魏斯氏菌占比% | 4.05 | 3.87 | 2.78 | 1.16 | 3.23 |
葡萄球菌占比% | 0.28 | 0.89 | 1.01 | 0.69 | 0.57 |
将该5份样品的乳酸杆菌、芽孢杆菌、片球菌、魏斯氏菌、葡萄球菌相对含量占比输入构建好的判别模型中进行判别,同时,感官评判小组也对这5份样品进行感官评判,结果见表8。
表8样品评判结果
模型评判结果 | 感官小组评判 | |
样品1 | 馊味重 | 馊味重 |
样品2 | 馊味重 | 馊味重 |
样品3 | 无馊味 | 无馊味 |
样品4 | 无馊味 | 无馊味 |
样品5 | 馊味轻 | 馊味轻 |
从表8中可以看出,当定量乳酸杆菌、芽孢杆菌、片球菌、魏斯氏菌、葡萄球菌这5种微生物相对含量时,利用构建好的模型对样品的评判结果与感官评判小组与完全一致,表明该判别模型准确有效。
实施例三 一种酒醅馊味鉴别的方法
该实施例与上一实施例的差别在于,获取微生物信息的方法不同,该实施例是通过培养计数方法获取微生物相关信息,具体流程如下:
随机选取堆积发酵酒醅样品5份,然后利用LB培养基(计数芽孢杆菌和细菌总数)、MRS培养基(计数乳酸菌)以及乳酸杆菌选择性培养基(计数乳酸杆菌)对这5个样品进行微生物纯化分离,其中对样品直接涂布于LB培养基计数细菌总数,对样品进行80℃热处理20min涂布于LB培养基计数芽孢杆菌数量,结果见表9。
表9可培养分离计数结果
样品1 | 样品2 | 样品3 | 样品4 | 样品5 | |
乳酸杆菌占比% | 5.45 | 25.74 | 80.43 | 10.26 | 17.42 |
芽孢杆菌占比% | 15.44 | 6.87 | 3.68 | 10.19 | 30.87 |
将该5份样品的乳酸杆菌、芽孢杆菌相对含量输入构建好的判别模型中进行判别,同时,感官评判小组也对这5份样品进行感官评判,结果见表10。
表10样品评判结果
模型评判结果 | 感官小组评判 | |
样品1 | 无馊味 | 无馊味 |
样品2 | 馊味轻 | 馊味轻 |
样品3 | 馊味重 | 馊味重 |
样品4 | 馊味轻 | 无馊味 |
样品5 | 馊味轻 | 馊味轻 |
从表10中可以看出,当只定量两种微生物相对含量时(乳酸杆菌和芽孢杆菌)模型对样品的评判结果与感官评判小组结果也基本一致,表明该判别模型较为可靠有效。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种构建酒醅馊味判别模型的方法,其特征在于:包括以下步骤:
(1)信息提取:利用高通量测序技术获取酒醅样品的微生物信息;
(2)酒醅分类:通过感官评测步骤(1)中酒醅样品的馊味类型,将酒醅样品分为无馊味、馊味轻、馊味重三种类型;
(3)变量优化:根据步骤(1)中的微生物信息和步骤(2)中的馊味类型,采用随机森林算法中变量重要性度量对酒醅样品的微生物组成变量进行优化筛选,获取对酒醅样品馊味分类贡献大的微生物组成变量;所述的微生物组成变量为微生物的属分类;
(4)模型构建:基于步骤(3)所优化筛选的微生物组成变量及其对应的微生物含量与样品类型,采用随机森林算法,构建堆积酒醅是否产馊味的判别模型;
其中,步骤(1)和步骤(2)的顺序可互换或者同时进行。
2.根据权利要求1所述的方法,其特征在于,所述的方法还包括:
(5)方法验证:基于步骤(4)的判别结果,对样品进行微生物纯化分离,并进行分离纯化出来的微生物进行发酵试验,检测发酵样品中双乙酰的含量。
3.如权利要求1所述的方法,其特征在于,步骤(1)中,所述微生物信息包括微生物的属分类,以及属对应的微生物含量。
4.如权利要求1所述的方法,其特征在于,步骤(1)中,高通量测序技术采用IlluminaMiseq测序平台、罗氏454测序平台或Ion Torrent测序平台。
5.如权利要求1所述的方法,其特征在于,步骤(3)中,变量重要性度量选自平均精度下降Mean Decrease Accuracy;
优选地,优化筛选的原则为变量的平均精度下降Mean Decrease Accuracy变量占到80%以上;
更优选地,步骤(3)中,优化筛选得到的微生物组成变量为乳杆菌属Lactobacillus、芽孢杆菌属Bacillus、片球菌属Pediococcus、不动杆菌属Acinetobacter、葡萄球菌属Staphylococcus、魏斯氏属Weissella、克雷伯菌属Klebsiella、高温放线菌属Thermoactinomyces、肠杆菌属Enterobacter、假单胞菌属Pseudomonas以及醋酸杆菌属Acetobacter。
6.根据权利要求1所述的方法,其特征在于,所述的步骤(4)中,森林算法中mtry值为整个变量个数的1/3取整,nodesize=1,ntree=500。
7.根据权利要求1所述的方法,其特征在于,步骤(4)构建的判别模型中,对酒醅样品馊味分类贡献最大的微生物组成变量为乳杆菌属Lactobacillus和芽孢杆菌属Bacillus,其中,乳杆菌属Lactobacillus含量越高,则馊味越重,而芽孢杆菌属Bacillus越低,馊味越轻。
8.如权利要求1所述的方法,其特征在于,步骤(3)和步骤(4)中,通过R语言软件实现。
9.一种酒醅馊味鉴别的方法,其特征在于,包含以下步骤:
S1.获取待测酒醅样品中微生物的信息;
优选地,所述的微生物信息选自乳酸杆菌Lactobacillus或/和芽孢杆菌Bacillus的及其对应的相对含量;
或者优选地,所述的微生物信息选自乳杆菌属Lactobacillus、芽孢杆菌属Bacillus、片球菌属Pediococcus、不动杆菌属Acinetobacter、葡萄球菌属Staphylococcus、魏斯氏属Weissella、克雷伯菌属Klebsiella、高温放线菌属Thermoactinomyces、肠杆菌属Enterobacter、假单胞菌属Pseudomonas以及醋酸杆菌属Acetobacter及其对应的相对含量;
S2.将步骤(1)获取的微生物信息输入权利要求1-8任一所述的方法构建的判别模型中,输出待测酒醅样品的馊味分类。
10.根据权利要求9所述的方法,其特征在于,步骤S1中,酒醅样品微生物的信息采用高通量测序技术、可培养分离计数技术或荧光定量PCR技术获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796370.9A CN109142626B (zh) | 2018-07-19 | 2018-07-19 | 一种酒醅馊味判别模型构建以及采用该模型判别酒醅馊味的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796370.9A CN109142626B (zh) | 2018-07-19 | 2018-07-19 | 一种酒醅馊味判别模型构建以及采用该模型判别酒醅馊味的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109142626A true CN109142626A (zh) | 2019-01-04 |
CN109142626B CN109142626B (zh) | 2021-03-30 |
Family
ID=64801003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810796370.9A Active CN109142626B (zh) | 2018-07-19 | 2018-07-19 | 一种酒醅馊味判别模型构建以及采用该模型判别酒醅馊味的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109142626B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949863A (zh) * | 2019-02-18 | 2019-06-28 | 贵州茅台酒股份有限公司 | 一种基于随机森林模型鉴别大曲质量的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004208533A (ja) * | 2002-12-27 | 2004-07-29 | Nikkan Kagaku Kk | 発酵物の品質評価システムおよび記録メディア |
CN103852543A (zh) * | 2014-03-12 | 2014-06-11 | 贵州茅台酒股份有限公司 | 一种快速简便提取酒醅中挥发性风味物质的方法 |
CN104372075A (zh) * | 2014-08-22 | 2015-02-25 | 贵州茅台酒股份有限公司 | 一种构建判别模型鉴别大曲质量的方法 |
-
2018
- 2018-07-19 CN CN201810796370.9A patent/CN109142626B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004208533A (ja) * | 2002-12-27 | 2004-07-29 | Nikkan Kagaku Kk | 発酵物の品質評価システムおよび記録メディア |
CN103852543A (zh) * | 2014-03-12 | 2014-06-11 | 贵州茅台酒股份有限公司 | 一种快速简便提取酒醅中挥发性风味物质的方法 |
CN104372075A (zh) * | 2014-08-22 | 2015-02-25 | 贵州茅台酒股份有限公司 | 一种构建判别模型鉴别大曲质量的方法 |
Non-Patent Citations (4)
Title |
---|
CHUNWANG DONG等: "Prediction of Congou Black Tea Fermentation Quality Indices from Color Features Using Non-Linear Regression Methods", 《SCIENTIFIC REPORTS》 * |
J. FISCHER等: "MACHINE LEARNING TECHNIQUES APPLIED TO LIGNOCELLULOSIC ETHANOL IN SIMULTANEOUS HYDROLYSIS AND FERMENTATION", 《BRAZILIAN JOURNAL OF CHEMICAL ENGINEERING》 * |
林劼等: "基于随机森林算法的葡萄酒品质预测方法", 《莆田学院学报》 * |
蒋诗泉等: "随机森林算法在红葡萄酒质量评价指标体系选择中的应用", 《食品工业科技》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949863A (zh) * | 2019-02-18 | 2019-06-28 | 贵州茅台酒股份有限公司 | 一种基于随机森林模型鉴别大曲质量的方法 |
CN109949863B (zh) * | 2019-02-18 | 2023-05-26 | 贵州茅台酒股份有限公司 | 一种基于随机森林模型鉴别大曲质量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109142626B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Exploring flavour-producing core microbiota in multispecies solid-state fermentation of traditional Chinese vinegar | |
Howell et al. | Metabolic profiling as a tool for revealing Saccharomyces interactions during wine fermentation | |
González-Jaén et al. | Genetic markers for the analysis of variability and for production of specific diagnostic sequences in fumonisin-producing strains of Fusarium verticillioides | |
Poveda et al. | Occurrence of biogenic amine-forming lactic acid bacteria during a craft brewing process | |
Koyanagi et al. | Tracing microbiota changes in yamahai-moto, the traditional Japanese sake starter | |
Takahashi et al. | Modulation of primary cell function of host P seudomonas bacteria by the conjugative plasmid pCAR 1 | |
Morgan et al. | The effect of sulfur dioxide addition at crush on the fungal and bacterial communities and the sensory attributes of Pinot gris wines | |
Barrajón et al. | Co-inoculation of different Saccharomyces cerevisiae strains and influence on volatile composition of wines | |
Akaike et al. | Chemical and bacterial components in sake and sake production process | |
Rollero et al. | Agitation impacts fermentation performance as well as carbon and nitrogen metabolism in Saccharomyces cerevisiae under winemaking conditions | |
CN109949863B (zh) | 一种基于随机森林模型鉴别大曲质量的方法 | |
Bach et al. | Effect of nitrogen addition during alcoholic fermentation on the final content of biogenic amines in wine | |
CN103616383B (zh) | 食品批量发酵过程中菌群结构稳定性的定量检测方法 | |
Gethins et al. | Acquisition of the yeast Kluyveromyces marxianus from unpasteurised milk by a kefir grain enhances kefir quality | |
Liu | Do bigger and older firms learn more from exporting?—Evidence from China | |
Afshari et al. | Microbiota and metabolite profiling combined with integrative analysis for differentiating cheeses of varying ripening ages | |
CN109142626A (zh) | 一种酒醅馊味判别模型构建以及采用该模型判别酒醅馊味的方法 | |
Shayevitz et al. | Barrel-induced variation in the microbiome and mycobiome of aged sour ale and imperial porter beer | |
Hutchinson et al. | Product and microbial population kinetics during balsamic‐styled vinegar production | |
Takahashi et al. | Changes in bacterial and chemical components and growth prediction for Lactobacillus sakei during kimoto-style fermentation starter preparation in sake brewing: a comprehensive analysis | |
Liu et al. | Detection of viable and total fungal community in zaopei of Chinese strong-flavor baijiu using PMA combined with qPCR and HTS based on ITS2 region | |
Zhang et al. | Evaluation of bacterial diversity of traditional cheese in Tarbagatay Prefecture, China, and its correlation with cheese quality | |
Lebleux et al. | Must protection, sulfites versus bioprotection: A metabolomic study | |
Román-Camacho et al. | Combining omics tools for the characterization of the microbiota of diverse vinegars obtained by submerged culture: 16S rRNA amplicon sequencing and MALDI-TOF MS | |
Sun et al. | Changes of diversity and population of yeasts during the fermentations by pure and mixed inoculation of Saccharomyces cerevisiae strains |
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 |