CN111521722A - 一种馥郁香型成品白酒瓶贮年份的鉴定方法 - Google Patents
一种馥郁香型成品白酒瓶贮年份的鉴定方法 Download PDFInfo
- Publication number
- CN111521722A CN111521722A CN202010241399.8A CN202010241399A CN111521722A CN 111521722 A CN111521722 A CN 111521722A CN 202010241399 A CN202010241399 A CN 202010241399A CN 111521722 A CN111521722 A CN 111521722A
- Authority
- CN
- China
- Prior art keywords
- liquor
- fragrant
- white spirit
- model
- flavor
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000000796 flavoring agent Substances 0.000 claims abstract description 61
- 235000019634 flavors Nutrition 0.000 claims abstract description 50
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 31
- 238000004817 gas chromatography Methods 0.000 claims abstract description 18
- 238000010813 internal standard method Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000007619 statistical method Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000001228 spectrum Methods 0.000 abstract description 5
- 238000007796 conventional method Methods 0.000 abstract 1
- 235000014101 wine Nutrition 0.000 description 39
- IKHGUXGNUITLKF-UHFFFAOYSA-N Acetaldehyde Chemical compound CC=O IKHGUXGNUITLKF-UHFFFAOYSA-N 0.000 description 20
- SHZIWNPUGXLXDT-UHFFFAOYSA-N ethyl hexanoate Chemical compound CCCCCC(=O)OCC SHZIWNPUGXLXDT-UHFFFAOYSA-N 0.000 description 18
- 238000011160 research Methods 0.000 description 16
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 13
- LRHPLDYGYMQRHN-UHFFFAOYSA-N N-Butanol Chemical compound CCCCO LRHPLDYGYMQRHN-UHFFFAOYSA-N 0.000 description 13
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 12
- 239000003205 fragrance Substances 0.000 description 10
- 239000000126 substance Substances 0.000 description 9
- 150000001875 compounds Chemical class 0.000 description 8
- YYZUSRORWSJGET-UHFFFAOYSA-N ethyl octanoate Chemical compound CCCCCCCC(=O)OCC YYZUSRORWSJGET-UHFFFAOYSA-N 0.000 description 8
- FUZZWVXGSFPDMH-UHFFFAOYSA-N hexanoic acid Chemical compound CCCCCC(O)=O FUZZWVXGSFPDMH-UHFFFAOYSA-N 0.000 description 8
- 125000002777 acetyl group Chemical class [H]C([H])([H])C(*)=O 0.000 description 7
- 230000032683 aging Effects 0.000 description 7
- WJTCHBVEUFDSIK-NWDGAFQWSA-N (2r,5s)-1-benzyl-2,5-dimethylpiperazine Chemical compound C[C@@H]1CN[C@@H](C)CN1CC1=CC=CC=C1 WJTCHBVEUFDSIK-NWDGAFQWSA-N 0.000 description 6
- DHKHKXVYLBGOIT-UHFFFAOYSA-N acetaldehyde Diethyl Acetal Natural products CCOC(C)OCC DHKHKXVYLBGOIT-UHFFFAOYSA-N 0.000 description 6
- 235000019996 baijiu Nutrition 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 6
- IKHGUXGNUITLKF-XPULMUKRSA-N acetaldehyde Chemical compound [14CH]([14CH3])=O IKHGUXGNUITLKF-XPULMUKRSA-N 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 150000002148 esters Chemical class 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000002189 fluorescence spectrum Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- WRMNZCZEMHIOCP-UHFFFAOYSA-N 2-phenylethanol Chemical compound OCCC1=CC=CC=C1 WRMNZCZEMHIOCP-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 241001672694 Citrus reticulata Species 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 230000002378 acidificating effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000001476 alcoholic effect Effects 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000855 fermentation Methods 0.000 description 2
- 230000004151 fermentation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 150000007524 organic acids Chemical class 0.000 description 2
- 235000005985 organic acids Nutrition 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- HNAGHMKIPMKKBB-UHFFFAOYSA-N 1-benzylpyrrolidine-3-carboxamide Chemical compound C1C(C(=O)N)CCN1CC1=CC=CC=C1 HNAGHMKIPMKKBB-UHFFFAOYSA-N 0.000 description 1
- RBTBFTRPCNLSDE-UHFFFAOYSA-N 3,7-bis(dimethylamino)phenothiazin-5-ium Chemical compound C1=CC(N(C)C)=CC2=[S+]C3=CC(N(C)C)=CC=C3N=C21 RBTBFTRPCNLSDE-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- QPLDLSVMHZLSFG-UHFFFAOYSA-N Copper oxide Chemical compound [Cu]=O QPLDLSVMHZLSFG-UHFFFAOYSA-N 0.000 description 1
- 239000005751 Copper oxide Substances 0.000 description 1
- 241001247414 Couma Species 0.000 description 1
- ICMAFTSLXCXHRK-UHFFFAOYSA-N Ethyl pentanoate Chemical compound CCCCC(=O)OCC ICMAFTSLXCXHRK-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 150000001298 alcohols Chemical class 0.000 description 1
- 150000001299 aldehydes Chemical class 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- OBNCKNCVKJNDBV-UHFFFAOYSA-N butanoic acid ethyl ester Natural products CCCC(=O)OCC OBNCKNCVKJNDBV-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 150000001728 carbonyl compounds Chemical class 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 229910000431 copper oxide Inorganic materials 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005886 esterification reaction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000010437 gem Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 229960000907 methylthioninium chloride Drugs 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 235000015096 spirit Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000019605 sweet taste sensations Nutrition 0.000 description 1
- 238000002211 ultraviolet spectrum Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 235000020097 white wine Nutrition 0.000 description 1
- 238000004149 wine analysis Methods 0.000 description 1
- 235000014692 zinc oxide Nutrition 0.000 description 1
- 239000011787 zinc oxide Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N2030/042—Standards
- G01N2030/045—Standards internal
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fats And Perfumes (AREA)
- Pathology (AREA)
- Operations Research (AREA)
- Immunology (AREA)
- Algebra (AREA)
- Biochemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
Abstract
本发明提出一馥郁香型成品白酒瓶贮年份鉴定的方法，属于白酒真实性鉴别分析技术领域，该方法包括：(1)采用气相色谱内标法测定馥郁香型成品白酒中风味特征组分含量；(2)数据进行标准化和中心化预处理；(3)采用偏最小二乘回归多元统计学方法，建立馥郁香型成品白酒瓶贮年份与风味组分含量的偏最小二乘回归方程模型；(4)采用留一交叉验证法验证偏最小二乘回归模型并评价。本发明通过馥郁香型成品白酒风味特征组分指纹图谱，结合多元统计学手段，建立馥郁香型瓶贮年份白酒鉴别技术，明确馥郁香型瓶贮年份白酒特征标记物，突破以往采用常规方法和手段难以对年份白酒产品进行有效真实性识别的技术局限。
Description
技术领域
本发明属于白酒真实性鉴别分析技术领域，尤其涉及一种馥郁香型成品白酒瓶贮年份的鉴定方 法。
背景技术
馥郁香型成品白酒秉承了湘西传统小曲酒的生产基础，将中国传统大曲酒生产工艺精髓与小曲 酒生产工艺巧妙融合，香气优雅，诸香馥郁，具有“前浓、中清、后酱”的香味。年份酒一直以来是 我国白酒市场的畅销产品，深得消费者喜欢，但目前检测技术体系尚不健全。因此，通过科学技术 手段鉴定年份酒产品标注的真实性，建立白酒年份酒真实性检测体系，成为规范行业和市场的迫切 要求。
目前，国内在白酒年份鉴别技术方面已有不少研究。例如，徐占成通过顶空与气相色谱联用技 术测定出年份酒中微量香味成分的挥发系数，并根据挥发系数与储存时间之间的关系绘制出标准曲 线，研究发现年份酒的储存时间越长，其挥发系数越来越小[徐占成.“挥发系数鉴别年份酒的方法” 发明突破了年份酒鉴定的世界性难题.四川食品与发酵，2008.]。庄名扬等利用原子吸收光谱仪测定 酒体中的金属元素含量来鉴定年份酒的贮存年份，研究发现酒体中对酒质产生影响的金属元素随着 贮存时的增长，其含量增加，且成正相关[庄名扬.谈谈年份酒与鉴别方法.四川食品与发酵，2008.]。 杨涛等人采用紫外光谱法测定年份酒中共轭体系化合物含量，研究发现白酒的紫外吸收度随贮存时 间加长而增强[杨涛，李国友，庄名扬.中国白酒“年份酒”鉴别方法的研究.酿酒，2008.]。王国祥等人采用Raman光谱技术对古井贡系列年份酒进行了鉴别分析，建立基于回归框架的白酒年份与年份 指数对应关系，实现了白酒年份识别及预测[王国祥.基于Raman光谱和支持向量机回归的白酒年份 鉴别方法研究[D].南京:南京财经大学,2015.]。徐瑞煜等人采用荧光光谱技术测得浓香型白酒样品的 三维荧光光谱，结合非负矩阵分解-支持向量机算法，可以实现浓香型白酒年份的分类预测[徐瑞煜. 浓香型白酒的荧光光谱特性及其鉴别方法研究[D].无锡:江南大学,2016.]。李彪通过近红外光谱技术 检测白云边年份酒样品(兼香型)，可以建立稀疏主成分-支持向量机白云边年份酒酒龄分类鉴别模 型，模型正确率为96％[李彪.基于指纹图谱的白酒类别定性研究[D].武汉:武汉轻工大学,2015.]。霍丹 群等人利用可视化阵列传感器对泸州老窖四种不同酒龄的酒样进行了检测分析，结合多元统计学手 段实现了对不同酒龄泸州老窖原酒的鉴别[霍丹群,尹猛猛,张良,等.可视化阵列传感器在不同酒龄白 酒检测中的应用[J].食品工业科技,2011.]。马燕红采用气相色谱内标法测定清香型白酒样品的微量 成分，结合多元线性回归及偏最小二乘技术，可以鉴别清香型白酒酒龄[马燕红.白酒组成与品质关系 的研究及应用[D].太原:山西大学,2014.]。陈飞采用气相色谱、气相色谱飞行时间质谱技术测定泸州 老窖(浓香型)基酒样品的微量组分含量，可以建立泸州老窖基酒神经网络年份分类模型[陈飞.基于 微量组分的白酒基酒分类鉴别与模式识别研究[D].重庆:重庆大学,2018.]。
然而，已开发的关于白酒的年份真实性鉴定技术研究，主要集中在探索浓香型、清香型等典型 香型白酒基酒的年份预测方面，对馥郁香型成品白酒尤其是瓶贮年份(瓶贮年份指的是成品酒在原 包装瓶中实际贮存的年数)预测、瓶贮年份与其香气成分之间关系的研究未见报道。
发明内容
本发明以馥郁香型成品白酒为研究对象，采用直接进样气相色谱法测定馥郁香型成品白酒中风 味特征组分含量，结合多元统计学方法进行数据挖掘，建立馥郁香型成品白酒瓶贮年份预测模型， 同时可筛选瓶贮年份特征标记物，解决当下瓶贮年份白酒产业高质量健康发展缺乏有效市场监管的 技术难题。
具体地，本发明提出一种馥郁香型成品白酒瓶贮年份的鉴定方法，通过直接进样气相色谱内标法测 定馥郁香型成品白酒中主要风味特征组分，然后对数据进行标准化和中心化预处理，采用偏最小二 乘回归(Partial Least Squares Regression,PLSR)多元统计学方法，建立馥郁香型成品白酒瓶贮年份与 风味组分含量的PLSR模型，并采用留一交叉验证(LOOCV)法验证PLSR模型，通过预测所得馥 郁香型成品白酒瓶贮年份和实际贮存年份的相关系数(R2)、预测标准偏差(RMSEP)、校正标准 偏差(RMSEC)和相对分析误差(RPD)评价模型的拟合效果与预测能力。并且，采用jack-knife 方法对PLSR模型的回归系数进行显著性检验，明确了馥郁香型成品白酒瓶贮年份特征标记物。
本发明具体技术方案如下：一种馥郁香型成品白酒瓶贮年份的鉴定方法，包括：
(1)采用气相色谱内标法测定馥郁香型成品白酒中风味特征组分含量；
(2)对上述组分含量的数据进行标准化和中心化预处理；
(3)采用偏最小二乘回归多元统计学方法，建立馥郁香型成品白酒瓶贮年份与步骤(2)所得 风味组分含量的偏最小二乘回归模型，采用留一交叉验证法验证；
(4)评价上述偏最小二乘回归模型：通过馥郁香型成品白酒瓶贮年份的偏最小二乘回归模型预 测值与实际贮存年份的相关系数(R2)、预测标准偏差(RMSEP)、校正标准偏差(RMSEC)和相 对分析误差(RPD)评价模型的拟合效果与预测能力。
进一步地，还包括步骤(5)，具体为：采用jack-knife方法对偏最小二乘回归模型的回归系数 进行显著性检验，p＜0.05的组分即为特征标记物。
进一步地，步骤(2)中，还包括：数据进行标准化和中心化预处理后，进行多重共线性诊断及 相关性分析。
进一步地，步骤(3)中，建立偏最小二乘回归模型时，风味组分的含量作为自变量X矩阵， 相应馥郁香型成品白酒的瓶贮年份作为因变量Y矩阵。
进一步地，步骤(3)中，选取RMSEP<1且对变量累计贡献率大于89％的成分作为主成分建 立最小二乘回归模型。
进一步地，步骤(4)中，RMSEC<1，RMSEP<1和RPD>3，表明模型预测精度较高；相关系数(R2)越接近1，模型的预测值与实际值间误差越小。
本发明具有以下优势：
本发明综合考虑馥郁香型白酒与浓香型、清香型白酒的具体组分的不同而引起的检测差异，提 出了一种馥郁香型成品白酒瓶贮年份的鉴定方法，基于馥郁香型成品白酒气相风味特征组分指纹图 谱，结合多元统计学手段，建立了馥郁香型成品白酒瓶贮年份与风味组分含量的PLSR模型，该模 型能够实现瓶贮年份预测值与实际值间误差在±5％以内，馥郁香型成品白酒瓶贮年份预测精度高。 并且，本发明通过数据挖掘手段，采用jack-knife方法对PLSR模型的回归系数进行显著性检验，首 次提出明确馥郁香型成品白酒瓶贮年份特征标记物的方法。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明 用于解释本发明，并不构成对本发明的不当限定。
在附图中：
图1为本发明实施例中不同主成分数参与建模的RMSEP值。
图2为本发明实施例中不同主成分数参与建模的RMSEP值(局部放大图)。
图3为本发明实施例中各个主成分对变量的贡献率。
图4为本发明实施例中不同主成分数对变量的贡献率。
图5为本发明实施例中馥郁香型成品白酒瓶贮年份预测图。
图6为本发明实施例中馥郁香型成品白酒瓶贮年份预测模型回归系数图。
图7为本发明实施例中馥郁香型成品白酒瓶贮年份预测模型回归系数图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1一种馥郁香型成品白酒瓶贮年份的鉴定方法
1材料与方法
1.1材料与设备
37个馥郁香型成品白酒样本，其中包括：8个52％vol内参酒样本、7个42％vol酒鬼酒样本、7个52％vol酒鬼酒样本、6个42％vol湘泉酒样本、9个54％vol湘泉酒样本。
GC-2010plus气相色谱仪(日本Shimadzu公司)，配备PTV进样口和FID检测器；DB-1石英 毛细管柱(15m×0.25mm×0.1μm，美国安捷伦J&W公司)；DC-12氮吹仪(上海安谱公司)。
1.2方法
1.2.1白酒风味特征组分含量测定
采用直接进样气相色谱内标法(填充柱、毛细管柱)测定馥郁香型成品白酒样本品中主要风味 组分的含量。具体实验步骤参照国家标准GB/T 10345-2007《白酒分析方法》。
1.2.2数据预处理
建模前对数据进行预处理(数据标准化和中心化)，具体处理公式如下：
式中：Xij，第i个样本中第j个化合物的气相色谱测定含量原始数据；
所有样本第j个化合物 的气相色谱测定含量均值；sj，所有样本第j个化合物的气相色谱测定含量标准差；
第i个样本 中第j个化合物的气相色谱测定含量标准化处理后数据。
注：数据的处理、模型的构建等操作均使用R语言软件(3.6.2版本)实现，R语言软件[R Core Team.(2020).R:A language and environment for statisticalcomputing.R foundation for statistical computing.Vienna,Austria https://www.R-project.org/.]为一套完整的数据处理、计算和制图软件系统。
1.2.3偏最小二乘回归法
将通过直接进样气相色谱内标法测定出的馥郁香型成品白酒样品中主要风味组分的含量(mg/L) (已进行数据预处理)作为自变量X矩阵，将相应馥郁香型成品白酒样品瓶贮年份(年)作为因变 量Y矩阵。对自变量X矩阵和因变量Y矩阵进行矩阵分解公式如下：
X＝TP+E (1-3)
Y＝UQ+F (1-4)
其中，T为X矩阵的得分矩阵，P为相应的载荷矩阵，E为残差矩阵；U为Y矩阵的得分矩阵， Q为相应的载荷矩阵，F为残差矩阵。T与U满足以下关系：
U＝TB+G (1-5)
其中，B为回归系数矩阵，G为误差矩阵。结合1-3和1-4可得：
Y＝TBQ (1-6)
Y＝XBQP-1 (1-7)
1.2.4偏最小二乘回归模型评价
采用留一交叉验证法(Leave One Out Cross Validation,LOOCV)验证PLSR模型。模型预测的 质量通常需要通过建立预测值与实际值之间的关系进行评价，常用的模型评价参数为相关系数(R2)、 预测标准偏差(Root Mean Square Error of Prediction,RMSEP)、校正标准偏差(Root Mean Square Error of Calibration,RMSEC)和相对分析误差(Residual Predictive Deviation,RPD)，相关计算公式如下：
式中：yi，各样本瓶贮年份实际值；
各样本瓶贮年份预测值；
各样本瓶贮年份实际值的 平均值；n，训练集样本量；m，预测集样本量；SD，样本瓶贮年份实际值的标准偏差。
1.2.5回归系数显著性检验原理
偏最小二乘法不同于一般最小二乘法，其回归系数方差无法得到准确的无偏估计，本实验采用 jack-knife方法[齐琛,方秋莲.偏最小二乘建模在R软件中的实现及实证分析[J].数学理论与应 用,2013,33(02):103-111.Martens H.and Martens M.ModifiedJack-knife estimation of parameter uncertainty in bilinear modelling bypartial least squares regression(PLSR).Food Quality and Preference,2000,11,5-16.]进行方差估计，其公式如下：
式中：k，抽出的样本子集个数；β-i，去除第i个样本子集对应的回归系数；
βi的均值。
2具体操作分析与结果
2.1风味组分含量分析
对上述37个馥郁香型成品白酒样本，采用直接进样气相色谱内标法，测定馥郁香型成品白酒样 品中风味特征指纹图谱，共定量出易挥发风味组分48种，其中包括酯类物质13种、醇类物质15种、 有机酸9种、羰基化合物(醛、酮)8种、缩醛类3种，其描述性统计结果如表1所示。由表1中 48种馥郁香型成品白酒风味组分含量风味组分的均值、中位数、标准差、最小值、最大值、极差和 偏度系数可知，馥郁香型成品白酒中易挥发风味组分含量不同且差别较大，存在量纲的影响，因此， 在建模之前需要对数据采用上述数据标准化和中心化方法进行预处理，消除量纲对所建模型的不良 影响。
表1风味组分含量描述性统计(mg/L)
注：为方便数据处理，序号1～48的化合物组分含量依次表示为X1，X2，….X48。
2.2多重共线性诊断及相关性分析
在进行多变量回归分析时，若变量存在共线性问题，会严重扩大普通最小二乘回归模型的误差， 破坏模型的稳定性。因此，在选择合适的回归模型前，进行变量间的多重共线性诊断和相关性分析 十分必要。判断各自变量是否存在共线性问题的常用指标是方差膨胀因子(Variance Inflation Factor, VIF)，其计算公式如下：
式中：Ri，第i个变量Xi与其它全部变量Xj(i＝1,2,…,k；i≠j)的复相关系数。
48种馥郁香型成品白酒风味组分含量风味组分多重共线性的VIF值，如表2所示。一般情况下， 当VIF>10时，认为模型中自变量存在较强的共线性问题。由表2可知，馥郁香型成品白酒风味组 分VIF均超过10，其中18个组分VIF超过100，13个组分VIF超过1000，表明馥郁香型成品白酒 主要风味组分间存在严重的多重共线性。这可能是由于白酒在经过长期发酵、蒸馏、勾调过程中， 同一前体物质反应生成众多风味成分或产生一连串的化学反应造成的。例如乙醇氧化生成乙醛、乙 醛缩合生成乙缩醛等，使得这些风味成分间存在严重的共线性。
表2主要风味组分多重共线性诊断结果
采用Pearson相关系数法[蒋辉,邓伟民,陈晓青.基于Pearson系数与多元核支持向量分类的葡 萄酒分析[J].农业机械学报,2014.]对48个风味成分进行相关性系数计算。48个风味物质中乙醛、甲 醇、丁酸乙酯、正丁醇等41个风味化合物相关性较强，其相关系数R:0.75＜R＜1或-1＜R＜-0.75。 选取剩余7个化合物进行多元线性回归，R2为0.1211，P值为0.7732(＞0.05)；尝试采用逐步线性 回归，R2为0.07626，P值为0.09804(＞0.05)。研究结果表明无论是进行多元线性回归，还是逐 步线性回归，模型的稳定性和预测效果均不理想，严重的多重共线性会大大影响模型的预测结果， 传统的多元回归已不再适用。
2.3PLSR模型的建立
自由度对普通最小二乘模型的预测精度有很大的影响，本实验数据自由度为36，变量为48，不 适用于普通最小二乘模型的建立。偏最小二乘回归(Partial Least SquaresRegression,PLSR)集成了 主成分分析、典型相关分析、线性回归分析的优点，可以清晰、灵活地阐述自变量与因变量之间的 关系，可以有效避免自由度过小造成的不利影响，解决了样本量少、自由度低、自变量之间存在多 重共线性等问题。
留一交叉验证(LOOCV)是将N个样本单独作为验证集，其余的N-1个样本作为训练集进行 验证。LOOCV在每一次计算中，几乎所有的样本都用于训练模型，训练集最接近原始样本的分布， 建立的模型可靠性更强，且不受随机因素的影响，在处理小样本数据上有较大优势。因此，本研究 采用LOOCV法验证PLSR模型。
2.3.1模型参数的选择
主成分数的选择是PLSR建模的关键，若选取成分的个数过多，会将多余的信息带入模型，导 致过拟合，影响对统计趋势的认识，降低预测能力；如果选取成分个数过少，不能够充分反映样品 的变量信息，导致模型拟合不充分，预测准确性降低。
本实验根据各成分建模时的累计贡献率和RMSEP综合选取参与建模的主成分数。选取1到累 计贡献率为100％的35个主成分分别进行PLSR建模，观察不同主成分数参与建模的RMSEP值变 化趋势(见图1、图2)，各个主成分对变量的贡献率变化趋势(见图3)，不同主成分数对变量的 贡献率变化趋势(见图4)。
综合图1、图2可知，当参与建模主成分数增加至3时，RMSEP值下降至0.8443，继而在其周 围上下波动，待主成分数为9时，RMSEP值达到最低为0.8305，随后，RMSEP值随着参与建模的 主成分数增加而迅速增大。由图3可知，第一主成分、第二主成分、第三主成分对变量的贡献率大， 贡献率均超过10％，但从图4不难看出，前三个主成分累计对自变量累计贡献率为71.95％，对因变 量累计贡献率为55.07％，均小于80％。综合考虑，选择RMSEP<1且对变量累计贡献率大于89％的 主成分个数建立PLSR模型。其中，变量包括因变量和自变量。当提取9个主成分建立PLSR模型 时，RMSEP值取得最小值0.8305，对自变量的累计贡献率为89.17％，对因变量的累计贡献率为 95.34％，样本信息得到了充分的提取。因此，综合RMSEP值与主成分对变量的累计贡献率，选取 前9个主成分建立PLSR模型预测结果更为准确。
2.3.2模型建立与评价
综上，本研究从馥郁香型成品白酒样品中48种风味组分含量数据中抽提出9个主成分参与建立 PLSR模型，得出馥郁香型成品白酒瓶贮年份与风味组分含量的回归方程，进行馥郁香型成品白酒瓶 贮年份的预测。回归方程如下：
Y＝-0.4754X1+0.0484X2+0.2907X3+……+0.2791X46+0.2291X47+0.3123X48
式中：Y，馥郁香型成品白酒瓶贮年份，年；X1……X48，气相色谱测得的各风味组分含量，mg/L。
采用馥郁香型成品白酒瓶贮年份预测值与实际值间相关系数R2、RPD和RMSEC值作为评价 PLSR模型拟合效果的重要指标。
以馥郁香型成品白酒瓶贮年份实际值为横坐标，馥郁香型成品白酒瓶贮年份PLSR模型预测值 为纵坐标，做线性拟合回归方程，如图5所示。由图5可知，馥郁香型成品白酒瓶贮年份实际值与 PLSR模型预测值线性关系良好(R2＝0.95)，R2越接近1，表明PLSR模型预测值与实际值间的误 差越小。RMSEC、RMSEP和RPD是评价PLSR模型预测能力的重要指标，当RMSEC<1，RMSEP <1和RPD>3，表明模型预测精度较高[GHAEDI M,GHAEDI AM,HOSSAINPOURM,etal.Least square-support vector(LS-SVM)method for modeling of methyleneblue dye adsorption using copper oxide loaded on activated carbon:kinetic andisotherm study[J].Journal of Industrial and Engineering Chemistry,2014.]。本实验所建PLSR模型的R2为0.95，RMSEC值为0.22，RMSEP值为0.83，RPD 值为4.63，表明该模型的拟合性较好，预测精度较高。
2.4馥郁香型成品白酒瓶贮年份特征标记物的筛选
馥郁香型成品白酒瓶贮年份预测模型的回归系数，如图6和图7所示。由图6和图7可知，23 个风味组分的含量与馥郁香型成品白酒瓶贮年份呈正相关，25个风味组分的含量与馥郁香型成品白 酒瓶贮年份呈负相关。其中，乙酸、β-苯乙醇、1,1-二乙氧基-3-甲基丁烷、辛酸乙酯、己酸乙酯、戊 酸乙酯等10个风味组分的回归系数绝对值较大，可能是馥郁香型成品白酒瓶贮年份特征标记物。
采用jack-knife方法对回归系数进行显著性检验，p≤0.001的风味物质为己酸乙酯；0.001＜p≤0.01 的风味物质为乙醛；0.01＜p≤0.05的风味物质为正丁醇、辛酸乙酯，其余风味成分的p值均大于0.05。 可以看出，己酸乙酯、乙醛、辛酸乙酯、正丁醇为对馥郁香型成品白酒瓶贮年份预测有显著影响的 变量，且均与馥郁香型成品白酒瓶贮年份呈典型负相关。
己酸和乙酸是馥郁香型成品白酒中含量最高的两种酸类物质，其己酸和乙酸的总量占馥郁香型 成品白酒有机酸总量的85％以上。馥郁香型成品白酒中己酸乙酯含量明显高于酱香型白酒、浓香型 白酒和清香型白酒。程娇娇曾发现，不同年份的赊店酒(浓香型)中，己酸和乙酸的含量随贮藏年 份的增加呈现先降低后平缓的趋势，己酸乙酯的含量随贮藏年份的增加而增加[程娇娇.不同年份赊店 酒香气模型的建立及其对比分析[D].新乡:河南科技学院,2018.]。推测可能是由于白酒的pH为4-5左 右，在酸性条件下，己酸和白酒的主体物质乙醇发生酯化反应，生成己酸乙酯，最终达到动态平衡。 因此，可将己酸乙酯含量看成是馥郁香型成品白酒是否老熟的重要标志。
乙醛是白酒中主要呈味物质，浓度低时有水果香，浓度高时会产生辛辣的刺激性气味。研究发 现，老酒中的乙醛和乙缩醛的含量都比新酒多。新酒贮存一段时间后，酒中检测出的乙醛和乙缩醛 含量均显著升高。白酒的陈酿是一系列的氧化过程，乙醇是白酒中的重要组成成分，在白酒老熟的 过程中，乙醇在酸性条件下不断被氧化为乙醛，乙醛与醇类缩合生产乙缩醛，随着老熟地推进，白 酒中乙醛和乙缩醛的含量不断增加，上下波动，最终达到稳定地动态平衡[林万福,李福玉,李振林.谈 乙醛、乙缩醛在白酒中的含量及其量比关系[J].酿酒,2002(03):42-43.]。因此，可以将乙醛含量看成是 馥郁香型成品白酒是否老熟的重要标志。
辛酸乙酯，对馥郁香酒风味贡献很大，是馥郁香型成品白酒特有的风味物质。周蒙发现，在5-20 年贮存时间的赊店酒中，辛酸乙酯的含量呈现出先上升再下降的趋势[周蒙.五种赊店酒香气模型的建 立及呈香规律研究[D].新乡:河南科技学院,2017.]。醇是酯和酸的前驱物质，可增加白酒的甜味，并 让香气浓郁且持久，部分高级醇还具有特殊的风味。醇还可作为助香剂，衬托出酯香，使香气更丰 满。
研究表明，正丁醇是馥郁香型成品白酒区别于其他香型白酒的主要醇类组分。
可见，通过对馥郁香型成品白酒瓶贮年份预测模型回归系数进行显著性检验，寻找出四个馥郁 香型成品白酒瓶贮年份预测的特征标记物：己酸乙酯、乙醛、辛酸乙酯、正丁醇。而白酒自然老熟 机制也进一步验证了此特征标记物的准确性。
综上，本发明通过直接进样气相色谱内标法检测出馥郁香型成品白酒样品中48种主要挥发性风 味组分含量，在此数据基础上，探索用化学计量学法挖掘数据，建立PLSR模型，对馥郁香型成品 白酒瓶贮年份进行预测。通过累计贡献率和RMSEP综合选取出9个主成分参与建立偏最小二乘回 归模型，所建立的模型R2为0.9534，RMSEC为0.2159，RMSEP为0.8384，RPD为4.6313，回归 拟合效果好，预测精度高。此外，本文还用jack-knife方法对所建模型的回归系数显著性进行检验， 结合白酒自然老熟机制，寻找出四个对馥郁香型成品白酒瓶贮年份预测有显著影响的特征标记物： 己酸乙酯、乙醛、辛酸乙酯和正丁醇，为馥郁香型成品白酒瓶贮年份鉴定提供了一种思路，为馥郁 香型成品白酒贮存机理的研究奠定基础。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所 作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种馥郁香型成品白酒瓶贮年份的鉴定方法，包括如下步骤：
(1)采用气相色谱内标法测定馥郁香型成品白酒中风味特征组分含量；
(2)对上述组分含量进行数据预处理；
(3)采用偏最小二乘回归多元统计学方法，建立馥郁香型成品白酒瓶贮年份与步骤(2)所得风味组分含量的偏最小二乘回归模型，采用留一交叉验证法验证；
(4)评价上述偏最小二乘回归模型：通过馥郁香型成品白酒瓶贮年份的偏最小二乘回归模型预测值与实际贮存年份的相关系数、预测标准偏差、校正标准偏差和相对分析误差评价模型的拟合效果与预测能力。
2.根据权利要求1所述的方法，其特征在于，
还包括步骤(5)，具体为：采用jack-knife方法对偏最小二乘回归模型的回归系数进行显著性检验，p＜0.05的组分即为特征标记物。
3.根据权利要求1所述的方法，其特征在于，
步骤(2)中，所述数据预处理包括数据进行标准化和中心化。
4.根据权利要求1或3所述的方法，其特征在于，
步骤(2)中，还包括：数据进行标准化和中心化预处理后，进行多重共线性诊断及相关性分析。
5.根据权利要求1所述的方法，其特征在于，
步骤(3)中，建立偏最小二乘回归模型时，风味组分的含量作为自变量X矩阵，相应馥郁香型成品白酒的瓶贮年份作为因变量Y矩阵。
6.根据权利要求1所述的方法，其特征在于，
步骤(3)中，选取预测标准偏差<1且对变量累计贡献率大于89％的成分作为主成分建立最小二乘回归模型。
7.根据权利要求1所述的方法，其特征在于，
步骤(4)中，校正标准偏差<1，预测标准偏差<1和相对分析误差>3，表明模型预测精度较高；相关系数越接近1，模型的预测值与实际值间误差越小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010241399.8A CN111521722A (zh) | 2020-03-31 | 2020-03-31 | 一种馥郁香型成品白酒瓶贮年份的鉴定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010241399.8A CN111521722A (zh) | 2020-03-31 | 2020-03-31 | 一种馥郁香型成品白酒瓶贮年份的鉴定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111521722A true CN111521722A (zh) | 2020-08-11 |
Family
ID=71901263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010241399.8A Pending CN111521722A (zh) | 2020-03-31 | 2020-03-31 | 一种馥郁香型成品白酒瓶贮年份的鉴定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111521722A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112415118A (zh) * | 2020-12-09 | 2021-02-26 | 劲牌有限公司 | 一种复合型成品白酒真假酒的鉴别方法 |
| CN113158935A (zh) * | 2021-04-28 | 2021-07-23 | 上海应用技术大学 | 一种酒类光谱峭度回归模式的年份鉴定系统及年份鉴定方法 |
| CN113358779A (zh) * | 2021-06-02 | 2021-09-07 | 四川轻化工大学 | 基于稀疏主成分与气质联用色谱图的白酒感官评价方法 |
| CN114018899A (zh) * | 2021-11-08 | 2022-02-08 | 哈尔滨工业大学 | 从透光包装瓶外鉴别酒类商品的方法 |
| CN114113350A (zh) * | 2020-08-27 | 2022-03-01 | 香港科技大学深圳研究院 | 一种老香黄年份的判别方法 |
| CN114441669A (zh) * | 2021-12-14 | 2022-05-06 | 贵州茅台酒股份有限公司 | 一种基于挥发性风味物质组成的不同酱香型白酒识别模型的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288670A (zh) * | 2011-07-20 | 2011-12-21 | 浙江大学 | 一种黄酒酒龄的检测方法 |
| CN103076317A (zh) * | 2012-12-31 | 2013-05-01 | 华中科技大学 | 白酒年份鉴别方法 |
| CN105223175A (zh) * | 2015-09-28 | 2016-01-06 | 江南大学 | 一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法 |
| CN107543882A (zh) * | 2017-08-24 | 2018-01-05 | 江南大学 | 一种测定白酒风味组分综合分子量的方法 |
| CN108872136A (zh) * | 2018-09-28 | 2018-11-23 | 天津科技大学 | 一种基于红外光谱检测浓香型白酒基酒陈酿年份的方法 |
| CN110927266A (zh) * | 2019-11-15 | 2020-03-27 | 陕西西凤酒股份有限公司 | 一种对凤香型白酒中乙酸乙酯、己酸乙酯、乳酸乙酯碳稳定同位素检测方法 |
-
2020
- 2020-03-31 CN CN202010241399.8A patent/CN111521722A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288670A (zh) * | 2011-07-20 | 2011-12-21 | 浙江大学 | 一种黄酒酒龄的检测方法 |
| CN103076317A (zh) * | 2012-12-31 | 2013-05-01 | 华中科技大学 | 白酒年份鉴别方法 |
| CN105223175A (zh) * | 2015-09-28 | 2016-01-06 | 江南大学 | 一种三维荧光光谱结合非负矩阵分解鉴别浓香型白酒年份的方法 |
| CN107543882A (zh) * | 2017-08-24 | 2018-01-05 | 江南大学 | 一种测定白酒风味组分综合分子量的方法 |
| CN108872136A (zh) * | 2018-09-28 | 2018-11-23 | 天津科技大学 | 一种基于红外光谱检测浓香型白酒基酒陈酿年份的方法 |
| CN110927266A (zh) * | 2019-11-15 | 2020-03-27 | 陕西西凤酒股份有限公司 | 一种对凤香型白酒中乙酸乙酯、己酸乙酯、乳酸乙酯碳稳定同位素检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| DOMINICO A. GUILLEN ET AL: "Determination of the Age of Sherry Wines by Regression Techniques Using Routine Parameters and Phenolic and Volatile Compounds", 《J. AGRIC. FOOD CHEM.》 * |
| 宋普 等: "白兰地酒龄模型的构建", 《食品科学》 * |
| 纪南 等: "市售5种酱香型白酒挥发性风味物质的主成分分析", 《酿酒科技》 * |
| 马燕红 等: "清香型白酒酒龄鉴别的方法研究", 《食品科学》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114113350A (zh) * | 2020-08-27 | 2022-03-01 | 香港科技大学深圳研究院 | 一种老香黄年份的判别方法 |
| CN114113350B (zh) * | 2020-08-27 | 2024-01-12 | 香港科技大学深圳研究院 | 一种老香黄年份的判别方法 |
| CN112415118A (zh) * | 2020-12-09 | 2021-02-26 | 劲牌有限公司 | 一种复合型成品白酒真假酒的鉴别方法 |
| CN113158935A (zh) * | 2021-04-28 | 2021-07-23 | 上海应用技术大学 | 一种酒类光谱峭度回归模式的年份鉴定系统及年份鉴定方法 |
| CN113158935B (zh) * | 2021-04-28 | 2023-09-22 | 上海应用技术大学 | 一种酒类光谱峭度回归模式的年份鉴定系统及年份鉴定方法 |
| CN113358779A (zh) * | 2021-06-02 | 2021-09-07 | 四川轻化工大学 | 基于稀疏主成分与气质联用色谱图的白酒感官评价方法 |
| CN113358779B (zh) * | 2021-06-02 | 2022-11-08 | 四川轻化工大学 | 基于稀疏主成分与气质联用色谱图的白酒感官评价方法 |
| CN114018899A (zh) * | 2021-11-08 | 2022-02-08 | 哈尔滨工业大学 | 从透光包装瓶外鉴别酒类商品的方法 |
| CN114441669A (zh) * | 2021-12-14 | 2022-05-06 | 贵州茅台酒股份有限公司 | 一种基于挥发性风味物质组成的不同酱香型白酒识别模型的方法 |
| CN114441669B (zh) * | 2021-12-14 | 2023-10-27 | 贵州茅台酒股份有限公司 | 一种基于挥发性风味物质组成的不同酱香型白酒识别模型的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111521722A (zh) | 一种馥郁香型成品白酒瓶贮年份的鉴定方法 | |
| Cetó et al. | Electronic tongues to assess wine sensory descriptors | |
| Cheng et al. | Determination of Chinese liquors from different geographic origins by combination of mass spectrometry and chemometric technique | |
| CN108445094B (zh) | 气相离子迁移谱快速鉴别黄酒酒龄的建立方法以及应用 | |
| Pereira et al. | Analysis and assessment of Madeira wine ageing over an extended time period through GC–MS and chemometric analysis | |
| Azcarate et al. | Classification of monovarietal Argentinean white wines by their elemental profile | |
| Ríos-Reina et al. | Spectralprint techniques for wine and vinegar characterization, authentication and quality control: Advances and projections | |
| CN103134850A (zh) | 一种基于特征香气的茶叶品质快速检测装置及检测方法 | |
| Pereira et al. | Aroma ageing trends in GC/MS profiles of liqueur wines | |
| Pigani et al. | Pedot modified electrodes in amperometric sensing for analysis of red wine samples | |
| Li et al. | Vintage analysis of Chinese Baijiu by GC and 1H NMR combined with multivariable analysis | |
| Guerrero et al. | A new FT‐IR method combined with multivariate analysis for the classification of vinegars from different raw materials and production processes | |
| Pérez-Jiménez et al. | Application of untargeted volatile profiling and data driven approaches in wine flavoromics research | |
| CN111738548B (zh) | 一种茉莉花茶香气品质评价方法及其应用 | |
| Diako et al. | Determination of 4‐ethylcatechol in a Merlot wine using sensory evaluation and the electronic tongue | |
| CN116110503A (zh) | 基于gc-ms和机器学习模型的白酒陈酿时间检测方法 | |
| CN103399092B (zh) | 一种快速评定人参品质的方法 | |
| Ceballos-Magana et al. | Quantitation of twelve metals in tequila and mezcal spirits as authenticity parameters | |
| CN106226263A (zh) | 基于红外光谱技术的浓香型白酒基酒等级快速判别方法 | |
| Warren-Vega et al. | A critical review on the assessment of the quality and authenticity of Tequila by different analytical techniques: Recent advances and perspectives | |
| CN111948191B (zh) | 一种多光源拉曼光谱分析方法及其应用 | |
| Cetó et al. | Application of an electronic tongue towards the analysis of brandies | |
| Wang et al. | Characterization of the volatile flavor profiles of Zhenjiang aromatic vinegar combining a novel nanocomposite colorimetric sensor array with HS-SPME-GC/MS | |
| Khalafyan et al. | Statistical-probability simulation of the organoleptic properties of grape wines | |
| CN101308120A (zh) | 一种烟用香精质量控制方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200811 |
|
| RJ01 | Rejection of invention patent application after publication |