CN112946156A - 一种快速判定红茶等级的方法 - Google Patents
一种快速判定红茶等级的方法 Download PDFInfo
- Publication number
- CN112946156A CN112946156A CN202110259651.2A CN202110259651A CN112946156A CN 112946156 A CN112946156 A CN 112946156A CN 202110259651 A CN202110259651 A CN 202110259651A CN 112946156 A CN112946156 A CN 112946156A
- Authority
- CN
- China
- Prior art keywords
- black tea
- grade
- component
- analysis
- regression
- 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
- 244000269722 Thea sinensis Species 0.000 title claims abstract description 94
- 235000006468 Thea sinensis Nutrition 0.000 title claims abstract description 65
- 235000020279 black tea Nutrition 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 23
- 235000013616 tea Nutrition 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000004128 high performance liquid chromatography Methods 0.000 claims abstract description 22
- 238000007417 hierarchical cluster analysis Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 239000000843 powder Substances 0.000 claims abstract description 7
- 238000009835 boiling Methods 0.000 claims abstract description 6
- 239000012528 membrane Substances 0.000 claims abstract description 6
- 239000007788 liquid Substances 0.000 claims abstract 4
- 239000011159 matrix material Substances 0.000 claims description 27
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 claims description 16
- XMOCLSLCDHWDHP-IUODEOHRSA-N epi-Gallocatechin Chemical compound C1([C@H]2OC3=CC(O)=CC(O)=C3C[C@H]2O)=CC(O)=C(O)C(O)=C1 XMOCLSLCDHWDHP-IUODEOHRSA-N 0.000 claims description 16
- WEVYAHXRMPXWCK-UHFFFAOYSA-N Acetonitrile Chemical group CC#N WEVYAHXRMPXWCK-UHFFFAOYSA-N 0.000 claims description 15
- YAPQBXQYLJRXSA-UHFFFAOYSA-N theobromine Chemical compound CN1C(=O)NC(=O)C2=C1N=CN2C YAPQBXQYLJRXSA-UHFFFAOYSA-N 0.000 claims description 14
- WMBWREPUVVBILR-WIYYLYMNSA-N (-)-Epigallocatechin-3-o-gallate Chemical compound O([C@@H]1CC2=C(O)C=C(C=C2O[C@@H]1C=1C=C(O)C(O)=C(O)C=1)O)C(=O)C1=CC(O)=C(O)C(O)=C1 WMBWREPUVVBILR-WIYYLYMNSA-N 0.000 claims description 13
- WMBWREPUVVBILR-UHFFFAOYSA-N GCG Natural products C=1C(O)=C(O)C(O)=CC=1C1OC2=CC(O)=CC(O)=C2CC1OC(=O)C1=CC(O)=C(O)C(O)=C1 WMBWREPUVVBILR-UHFFFAOYSA-N 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 10
- 229940030275 epigallocatechin gallate Drugs 0.000 claims description 9
- 238000010238 partial least squares regression Methods 0.000 claims description 9
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 claims description 8
- XMOCLSLCDHWDHP-UHFFFAOYSA-N L-Epigallocatechin Natural products OC1CC2=C(O)C=C(O)C=C2OC1C1=CC(O)=C(O)C(O)=C1 XMOCLSLCDHWDHP-UHFFFAOYSA-N 0.000 claims description 8
- 229960001948 caffeine Drugs 0.000 claims description 8
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 claims description 8
- DZYNKLUGCOSVKS-UHFFFAOYSA-N epigallocatechin Natural products OC1Cc2cc(O)cc(O)c2OC1c3cc(O)c(O)c(O)c3 DZYNKLUGCOSVKS-UHFFFAOYSA-N 0.000 claims description 8
- PFTAWBLQPZVEMU-ZFWWWQNUSA-N (+)-epicatechin Natural products C1([C@@H]2OC3=CC(O)=CC(O)=C3C[C@@H]2O)=CC=C(O)C(O)=C1 PFTAWBLQPZVEMU-ZFWWWQNUSA-N 0.000 claims description 7
- PFTAWBLQPZVEMU-UKRRQHHQSA-N (-)-epicatechin Chemical compound C1([C@H]2OC3=CC(O)=CC(O)=C3C[C@H]2O)=CC=C(O)C(O)=C1 PFTAWBLQPZVEMU-UKRRQHHQSA-N 0.000 claims description 7
- GPLOTACQBREROW-UHFFFAOYSA-N Phlegmanol A-acetat Natural products OC1CC2=C(O)C=C(O)C=C2OC1C(=CC1=2)C=C(O)C(=O)C1=C(O)C(O)=CC=2C1OC2=CC(O)=CC(O)=C2CC1OC(=O)C1=CC(O)=C(O)C(O)=C1 GPLOTACQBREROW-UHFFFAOYSA-N 0.000 claims description 7
- KMJPKUVSXFVQGZ-UHFFFAOYSA-N TF2B Natural products OC1CC2=C(O)C=C(O)C=C2OC1C(C1=C2)=CC(O)=C(O)C1=C(O)C(=O)C=C2C1OC2=CC(O)=CC(O)=C2CC1OC(=O)C1=CC(O)=C(O)C(O)=C1 KMJPKUVSXFVQGZ-UHFFFAOYSA-N 0.000 claims description 7
- LPTRNLNOHUVQMS-UHFFFAOYSA-N epicatechin Natural products Cc1cc(O)cc2OC(C(O)Cc12)c1ccc(O)c(O)c1 LPTRNLNOHUVQMS-UHFFFAOYSA-N 0.000 claims description 7
- 235000012734 epicatechin Nutrition 0.000 claims description 7
- AATSUYYYTHJRJO-UHFFFAOYSA-N theaflavin 3-gallate Natural products OC1CC2=C(O)C=C(O)C=C2OC1C(=CC(=O)C(O)=C1C(O)=C2O)C=C1C=C2C1OC2=CC(O)=CC(O)=C2CC1OC(=O)C1=CC(O)=C(O)C(O)=C1 AATSUYYYTHJRJO-UHFFFAOYSA-N 0.000 claims description 7
- 235000007900 theaflavin-3-gallate Nutrition 0.000 claims description 7
- AATSUYYYTHJRJO-RZYARBFNSA-N theaflavin-3-gallate Chemical compound O([C@@H]1CC2=C(O)C=C(O)C=C2O[C@@H]1C1=C(O)C(O)=C2C(=O)C(O)=CC(=CC2=C1)[C@H]1OC2=CC(O)=CC(O)=C2C[C@H]1O)C(=O)C1=CC(O)=C(O)C(O)=C1 AATSUYYYTHJRJO-RZYARBFNSA-N 0.000 claims description 7
- 229960004559 theobromine Drugs 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 5
- 229910021642 ultra pure water Inorganic materials 0.000 claims description 5
- 239000012498 ultrapure water Substances 0.000 claims description 5
- LSHVYAFMTMFKBA-TZIWHRDSSA-N (-)-epicatechin-3-O-gallate Chemical compound O([C@@H]1CC2=C(O)C=C(C=C2O[C@@H]1C=1C=C(O)C(O)=CC=1)O)C(=O)C1=CC(O)=C(O)C(O)=C1 LSHVYAFMTMFKBA-TZIWHRDSSA-N 0.000 claims description 4
- LSHVYAFMTMFKBA-UHFFFAOYSA-N ECG Natural products C=1C=C(O)C(O)=CC=1C1OC2=CC(O)=CC(O)=C2CC1OC(=O)C1=CC(O)=C(O)C(O)=C1 LSHVYAFMTMFKBA-UHFFFAOYSA-N 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000012086 standard solution Substances 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- FJYGFTHLNNSVPY-BBXLVSEPSA-N theaflavin digallate Chemical compound C1=C([C@@H]2[C@@H](CC3=C(O)C=C(O)C=C3O2)O)C=C(OC(=O)C=2C=C(O)C(O)=C(O)C=2)C(=O)C2=C1C([C@H]1OC3=CC(O)=CC(O)=C3C[C@H]1O)=CC(O)=C2OC(=O)C1=CC(O)=C(O)C(O)=C1 FJYGFTHLNNSVPY-BBXLVSEPSA-N 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 239000000203 mixture Substances 0.000 abstract 1
- 239000000523 sample Substances 0.000 abstract 1
- 239000012488 sample solution Substances 0.000 abstract 1
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 11
- 235000014620 theaflavin Nutrition 0.000 description 8
- ADRVNXBAWSRFAJ-UHFFFAOYSA-N catechin Natural products OC1Cc2cc(O)cc(O)c2OC1c3ccc(O)c(O)c3 ADRVNXBAWSRFAJ-UHFFFAOYSA-N 0.000 description 7
- 235000005487 catechin Nutrition 0.000 description 7
- 235000013824 polyphenols Nutrition 0.000 description 6
- 239000006228 supernatant Substances 0.000 description 6
- 150000001765 catechin Chemical class 0.000 description 5
- 239000012153 distilled water Substances 0.000 description 5
- 239000012071 phase Substances 0.000 description 5
- 150000008442 polyphenolic compounds Chemical class 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 238000003756 stirring Methods 0.000 description 4
- 238000005303 weighing Methods 0.000 description 4
- IPMYMEWFZKHGAX-UHFFFAOYSA-N Isotheaflavin Natural products OC1CC2=C(O)C=C(O)C=C2OC1C(C1=C2)=CC(O)=C(O)C1=C(O)C(=O)C=C2C1C(O)CC2=C(O)C=C(O)C=C2O1 IPMYMEWFZKHGAX-UHFFFAOYSA-N 0.000 description 3
- UXRMWRBWCAGDQB-UHFFFAOYSA-N Theaflavin Natural products C1=CC(C2C(CC3=C(O)C=C(O)C=C3O2)O)=C(O)C(=O)C2=C1C(C1OC3=CC(O)=CC(O)=C3CC1O)=CC(O)=C2O UXRMWRBWCAGDQB-UHFFFAOYSA-N 0.000 description 3
- 239000007791 liquid phase Substances 0.000 description 3
- 238000011068 loading method Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 239000011550 stock solution Substances 0.000 description 3
- IPMYMEWFZKHGAX-ZKSIBHASSA-N theaflavin Chemical compound C1=C2C([C@H]3OC4=CC(O)=CC(O)=C4C[C@H]3O)=CC(O)=C(O)C2=C(O)C(=O)C=C1[C@@H]1[C@H](O)CC2=C(O)C=C(O)C=C2O1 IPMYMEWFZKHGAX-ZKSIBHASSA-N 0.000 description 3
- 229940026509 theaflavin Drugs 0.000 description 3
- PFTAWBLQPZVEMU-DZGCQCFKSA-N (+)-catechin Chemical compound C1([C@H]2OC3=CC(O)=CC(O)=C3C[C@@H]2O)=CC=C(O)C(O)=C1 PFTAWBLQPZVEMU-DZGCQCFKSA-N 0.000 description 2
- 229930013930 alkaloid Natural products 0.000 description 2
- 229950001002 cianidanol Drugs 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000009569 green tea Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- BDAGIHXWWSANSR-UHFFFAOYSA-N methanoic acid Natural products OC=O BDAGIHXWWSANSR-UHFFFAOYSA-N 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- OSWFIVFLDKOXQC-UHFFFAOYSA-N 4-(3-methoxyphenyl)aniline Chemical compound COC1=CC=CC(C=2C=CC(N)=CC=2)=C1 OSWFIVFLDKOXQC-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 235000006708 antioxidants Nutrition 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000000975 bioactive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000010828 elution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 235000019253 formic acid Nutrition 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 239000012982 microporous membrane Substances 0.000 description 1
- 239000002366 mineral element Substances 0.000 description 1
- 235000020333 oolong tea Nutrition 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- -1 polyphenol compounds Chemical class 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 229930002161 purine alkaloid Natural products 0.000 description 1
- 150000003212 purines Chemical class 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000825 ultraviolet detection Methods 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
- G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
-
- 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
- G01N30/8693—Models, e.g. prediction of retention times, method development and validation
-
- 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
- G01N33/02—Food
- G01N33/14—Beverages
-
- 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
- G01N30/26—Conditioning of the fluid carrier; Flow patterns
- G01N30/28—Control of physical parameters of the fluid carrier
- G01N30/30—Control of physical parameters of the fluid carrier of temperature
-
- 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
- G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
-
- 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
- G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
- G01N30/8679—Target compound analysis, i.e. whereby a limited number of peaks is analysed
-
- 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
- G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
- G01N30/8682—Group type analysis, e.g. of components having structural properties in common
-
- 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
- G01N2030/022—Column chromatography characterised by the kind of separation mechanism
- G01N2030/027—Liquid chromatography
-
- 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
- G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
- G01N2030/8809—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample
-
- 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
- G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
- G01N2030/8809—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample
- G01N2030/884—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample organic compounds
Landscapes
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Library & Information Science (AREA)
- Medicinal Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种利用高效液相色谱检测实现红茶等级判定的方法，属于茶叶等级领域。具体步骤为：将已知不同等级的红茶粉末样品中加入95~100℃的沸水中提取，过0.20~0.25μm的滤膜，得到红茶样液；采用峰面积归一化法测得10种成分的含量；将红茶样液中所述十种成分含量的数据标准化处理，再进行无监督的主成分分析，之后进行有监督的偏最小二乘判别分析，在偏最小二乘判别分析的基础上进行层次聚类分析，最后建立基于高效液相色谱法的茶叶等级区分模型。本发明方法简单，准确高效，不受红茶品种的影响。
Description
技术领域
本发明属于红茶等级判定技术领域，具体涉及一种基于高效液相色谱法的红茶等级划分方法。
背景技术
茶叶是源于中国的全球四大饮料之一，饮茶不仅是生活中的休闲方式，更是良好的保健方式。茶叶中富含抗氧化功能的多酚类化合物，能够有效清除人体产生的有害自由基，延缓组织衰老，降低心血管疾病的发生。茶叶一般分为绿茶（非发酵)，乌龙茶(半发酵)，红茶(发酵)三种。儿茶素和茶黄素是红茶中的主要多酚，它们是评价红茶质量的指标多酚。儿茶素是茶叶中最丰富的多酚。 红茶通常比绿茶具有更低的儿茶素水平，因为在制造过程中，儿茶素在发酵过程中被氧化和聚合。红茶因为是全发酵的，因此具有高含量的茶黄素。红茶中主要的非挥发性成分有多酚类物质和生物碱（咖啡碱和可可碱），其等级与这些多酚类物质以及生物碱的含量有着密不可分的关系。随着人们生活水平的逐渐提高，对于红茶品质的要求也越来越高。由于市场监管不利以及商家利益驱使，名优茶市场时常出现红茶以次充好，以假乱真的现象，严重损害消费者利益并对国内茶文化的发展产生不良影响。人工感官评审通常应用于对红茶质量等级进行评价，但是评审结果容易受到评审员生理状态，心理状态以及评审环境的影响，因此难以满足当下茶叶品质检测中对检测精度以及重复性的要求。
为避免感官评审的主观性，各种基于茶叶内在成分差异的分析方法不断被提出。与传统的感官分析相比，化学分析技术能够提供更客观且精度较高的检测结果。前期研究发现，不同产区或产地茶叶等级差异主要取决于主要成分和矿物元素含量，但对于同一产区的不同等级茶叶，其主要成分含量相近，只有少数特征成分之间存在差异。因此，可通过选择特征成分以减少实际茶叶品质分析化学指标，降低检测成本和检测时间，并提高相应模型分析精度。高效液相色谱法可以分离和鉴定物质组分，它主要通过分离鉴定红茶中的非挥发性成分，进行定性和定量分析，从而实现对茶叶品质等级的鉴别，但是茶叶品质是由多个因素共同决定的，因此通过高效液相色谱对茶叶生物活性成分进行定量和综合比较，再用多变量分析软件找到不同等级红茶的主要差异物质并进行定性分析，为茶叶分级分类提供了一种新的策略，对于茶叶品质等级鉴别有更重大的意义。
发明内容
本发明的目的是提供一种红茶等级的划分方法。本发明所述的方法具有简单、灵敏、高效等优点。
为实现上述发明目的，本发明采用如下技术方案：
1、高效液相色谱标准储备液配制：十个标准品分别是四种儿茶素：表没食子儿茶素(EGC)、表儿茶素(EC)、表没食子儿茶素没食子酸脂（ECG）、表儿茶素没食子酸脂（EGCG）；四种茶黄素：茶黄素（TF1），茶黄素-3-没食子酸脂（TF2A），茶黄素-3-没食子酸脂（TF2B），茶黄素-双-没食子酸脂（TF3）；可可碱和咖啡碱。精确称量十种标准品各 10 mg，迅速放于5mL离心管中加入蒸馏水稀释，得到浓度为 2 mg/ m L 标准品储备液，置于-40℃备用。
2、标准溶液配制：分别配制可可碱和咖啡碱、表儿茶素(EC)、表没食子儿茶素没食子酸脂（ECG）为60，80，100，120(单位：mg/ L)，表没食子儿茶素(EGC)、表儿茶素没食子酸脂（EGCG）、茶黄素（TF1）、茶黄素-3-没食子酸脂（TF2A）、茶黄素-3-没食子酸脂（TF2B）和茶黄素-双-没食子酸脂（TF3）为120，180，200，240(单位：mg/ L)，再用 0.22μm 有机系微孔滤膜过滤，HPLC 检测绘制标准曲线。
3、样品制备：称取 0.2g （精确到0.001g)均匀磨碎的红茶粉末样品于离心管中，加入80℃蒸馏水10mL，充分混匀，立即移入95-100℃的沸水中提取10分钟，隔3-5分钟搅拌一次，浸提后冷却至室温，离心。取上清液过 0.20~025μm的滤膜，放于 4℃冰箱中贮存备用。
4、用高效液相色谱分离和鉴定茶叶组分，流动相为乙腈和超纯水，流速为0.6-1.0mL/min，，峰面积归一化法测得含量。
5、数据导入多变量分析软件（例如SIMCA、SPSS、MetaboAnalyst、MassProfilerProfessional)，将数据标准化后进行无监督的主成分分析，其是在没有进行预先分类的情况下，分类结果更加客观。再进行有监督的偏最小二乘判别分析，通过放大组与组之间的差异，同时缩小组内之间的差异来获得更精确的结果，并得到贡献率及预测能力等相关数据，累计预测能力值（Q2）和累计方差贡献率（R2Y）接近1.0说明建立了一个很好的模型。最后在偏最小二乘判别分析的基础上进行层次聚类分析，层次聚类分析是根据事物的性质来进行分类，性质相差大和小对应的距离就是远和近，可以很直接看出聚类分析给出了不同等级的不同种类的红茶再次分级图。偏最小二乘判别分析中的重要性因子（VIP）值可以量化每个变量对分类的贡献，VIP值＞1，说明变量在不同类别红茶不同级别间的差异显著。最后建立了建立基于高效液相色谱法的茶叶等级区分模型。
6、主成分分析法的算法步骤
（1）原始指标数据的标准化
设有 n个样本, p项指标,可得数据矩阵 X= (X ij ) nxp , i= 1, 2,… , n表示n个样本, j= 1, 2,… , p。表示 p个指标, xij 表示第 i 个样本的第 j 项指标值。
（2）用 Z- score法对数据进行标准化变换:Z ij= (xij- xj) /Sj
（3）求指标数据的相关矩阵：R= (r jk ) pX p，j= 1, 2,… , k= 1, 2,… , p 。rjk 为指标 j与指标 k的相关系数。
（4）求相关矩阵 R的特征根特征向量确定主成分：由特征方程式|λIp - R|= 0可求得的 p个特征根 λg(g= 1, 2,… , p) ,λ1 将其按大小顺序排列为 λ1≥λ2 ≥…≥λp ≥0,它是主成分的方差 ,它的大小描述了各个主成分在描述被评价对象上所起作用的大小。由特征方程式 ,每一个特征根对应一个特征向量 Lg(Lg= lg1,lg2,… ,lgp ) g= 1, 2, -, p。将标准化后的指标变量转换为主成分:Fg = l g1 Z 1 + l g2 Z 2 + … + l gp Zp (g =1, 2,… , p)。F1称为第一主成分 , F2 称为第二主成分 ,… , Fp称为第 p主成分。
（5）求方差贡献率 ,确定主成分个数：一般主成分个数等于原始指标个数 ,如果原始指标个数较多 ,进行综合评价时就比较麻烦。主成分分析法就是选取尽量少的 k 个主成分 (k < p)来进行综合评价 ,同时还要使损失的信息量尽可能少。
7、偏最小二乘判别分析的算法步骤
（1）建模方法：设有n个样本，q个因变量和p个自变量。构成了自变量与因变量的数据表X和Y。偏最小二乘回归分别在X与Y中提取出t和u。要求t和u应尽可能大地携带它们各自数据表中的变异信息，且t和u的相关程度能够达到最大。在第一个成分被提取后，偏最小二乘回归分别实施X对t的回归以及Y对t的回归。如果回归方程已经达到满意的精度，则算法终止;否则，将利用X被t解释后的残余信息以及Y被t解释后的残余信息进行第二轮的成分提取。如此往复，直到能达到一个较满意的精度为止。若最终对X共提取了多个成分，偏最小二乘回归将通过施行yk对X的这些成分的回归，然后再表达成yk关于原自变量的回归方程。
（2）X经标准化处理后的数据矩阵记为E0=( E01,…,E0p)n×p，Y的相应矩阵记为F0=( F01,…,F0q)n×q。 记t 1是E0的第一个成分，t 1= E0w1，w1是E0的第一个轴，它是一个单位向量，即|| w1||=1。记u 1是F0的第一个成分，u 1= F0c1，c1是F0的第一个轴，并且|| c1||=1。于是，要求解下列优化问题，即记θ1= w1'E0'F0c1，即正是优化问题的目标函数值。采用拉格朗日算法，可得 E0'F0F0'E0w1=θ12 w1 ；F0'E0E0'F0c1=θ12 c1。所以，w1是对应于E0'F0F0'E0矩阵最大特征值的单位特征向量，而c1是对应于F0'E0E0'F0矩阵最大特征值θ12的单位特征向量。求得轴w1和c1后，即可得到成分t 1= E0w1 ，u 1= F0c1然后，分别求E0和F0对t 1的回归方程: E0=t 1 p1'+ E1;F0= t 1r1'+ F1，回归系数向量是p1= E0' t 1/|| t 1||2；r1= F0' t 1/|| t 1||2。而E1和F1分别是两个方程的残差矩阵。
（3）用残差矩阵E1和F1取代E0和F0，然后，求第二个轴w2和c2以及第二个成分t2，u2，有t 2= E1w2;u2= F1c2; θ2=< t2, u2>= w2'E1'F1c2。w2是对应于E1'F1F1'E1矩阵最大特征值的单位特征向量，而c2是对应于F1'E1E1'F1矩阵最大特征值θ22的单位特征向量。计算回归系数p2= E1' t 2/|| t 2||2 r2= F1' t 2/|| t2||2。因此有回归方程E1= t 2 p2'+ E2；F1= t2r2'+ F2。如此计算下去，如果X的秩是A，则会有E0= t 1 p1'+…+t A pA'；F0= t 1r1'+ …+tA r A'+ FA。
（4）交叉有效性：如果多一个成分而少一个样本的预测误差平方和(所有因变量和预测样本相加)除以少一个成分的误差平方和(所有的因变量和样本相加)小于0.952，则多一个成分是值得的。
有益效果
本发明提供了高效液相色谱法结合化学计量学分析对茶叶进行快速分类分级，开创性的使用十个标准品，分别是四种儿茶素：表没食子儿茶素(EGC)、表儿茶素(EC)、表没食子儿茶素没食子酸脂（ECG）、表儿茶素没食子酸脂（EGCG）；四种茶黄素：茶黄素（TF1），茶黄素-3-没食子酸脂（TF2A），茶黄素-3-没食子酸脂（TF2B），茶黄素-双-没食子酸脂（TF3）；可可碱和咖啡碱。准确将不同级别的红茶分离出来，解决了以前只有靠人工经验来分级茶叶品质的单一问题，本发明用数据对其进行分级，分级后的结果满足国标对茶叶分级的要求，本发明的分级方法具有快速、简单、灵敏、高效等优点，且不受红茶品种的影响，可以对不同种类红茶的等级进行分类。同时也第一次的建立了红茶分级的数字化标准，可以促进茶叶生产和采摘的标准化，现代化。
附图说明
图1坦洋工夫红茶的主成分分析（R2 X=0.948,Q2=0.995）。
图2坦洋工夫红茶的偏最小二乘判别分析（R2 Y=0.975,Q2=0.899)。
图3坦洋工夫红茶的层次聚类分析。
图4祁门红茶的主成分分析（R2X=0.916,Q2=0.805）。
图5祁门红茶的偏最小二乘判别分析（R2Y=0.885,Q2=0.799）。
图6祁门红茶的层次聚类分析。
图7四川乐山红茶的主成分分析（R2 X=0.999，Q2=0.985）。
图8四川乐山红茶的偏最小二乘判别分析（R2 Y=0.986，Q2=0.975）。
图9四川乐山红茶的层次聚类分析。
图10 不同物质的标准曲线Ⅰ。
图11不同物质的标准曲线Ⅱ。
图12不同等级的不同红茶中主要的儿茶素，嘌呤生物碱和茶黄素的含量。
具体实施方式
为了对本发明的技术特征、目的及有益效果有更好的理解，以下结合具体实施例来对本发明做进一步说明，但本发明并不限制于本实施例。
本发明的所有的实施例中，茶叶等级根据国家标准(GB/T 23776-2009）确定。
坦洋工夫（特等级：1，2，3；一等级：4，5，6；二等级：7，8，9；三等级：10，11，12；四等级：13，14，15）；
祁门红茶（特等级：1，2，3；一等级：4，5，6；二等级：7，8，9；三等级：10，11，12；四等级：13，14，15；五等级：16，17，18；六等级：19，20，21）；
四川乐山红茶（特等级：1，2，3；一等级：4，5，6；二等级：7，8，9）。
实施例1
称取 0.200g均匀磨碎的坦洋工夫红茶粉末样品于离心管中，加入80℃蒸馏水10mL，充分混匀，立即移入95-100℃的沸水中提取10分钟，隔3-5分钟搅拌一次，浸提后冷却至室温，离心。取上清液过 0.20μm的滤膜过滤后装入液相小瓶后，用高效液相色谱分离和鉴定茶叶组分，流动相为乙腈和超纯水，流速为0.6-1.0mL/min，峰面积归一化法测得含量。将数据导入SIMCA软件，将数据标准化后进行无监督的主成分分析，其是在没有进行预先分类的情况下，分类结果更加客观。再进行有监督的偏最小二乘判别分析，通过放大组与组之间的差异，同时缩小组内之间的差异来获得更精确的结果，并得到贡献率及预测能力等相关数据，累计预测能力值（Q2）和累计方差贡献率（R2Y）接近1.0说明建立了一个很好的模型。最后在偏最小二乘判别分析的基础上进行层次聚类分析，层次聚类分析是根据事物的性质来进行分类，性质相差大和小对应的距离就是远和近，可以很直接看出聚类分析给出了不同等级的不同种类的红茶再次分级图。偏最小二乘判别分析中的重要性因子（VIP）值可以量化每个变量对分类的贡献，VIP值＞1，说明变量在不同类别红茶不同级别间的差异显著。最后建立了建立基于高效液相色谱法的茶叶等级区分模型。VIP值显示，可可碱、咖啡碱和EGC可以将坦洋工夫红茶分为特等级、一等级、二等级和三等级。具体见图1，图2，图3，其结果与GB/T 23776-2009判定的结果一致，证明本评定红茶分级的方法准确有效。
数据导入多变量分析软件SPSS，将数据标准化后进行无监督的主成分分析，其是在没有进行预先分类的情况下，分类结果更加客观。再进行有监督的偏最小二乘判别分析，通过放大组与组之间的差异，同时缩小组内之间的差异来获得更精确的结果，并得到贡献率及预测能力等相关数据，累计预测能力值（Q2）和累计方差贡献率（R2Y）接近1.0说明建立了一个很好的模型。最后在偏最小二乘判别分析的基础上进行层次聚类分析，层次聚类分析是根据事物的性质来进行分类，性质相差大和小对应的距离就是远和近，可以很直接看出聚类分析给出了不同等级的不同种类的红茶再次分级图。偏最小二乘判别分析中的重要性因子（VIP）值可以量化每个变量对分类的贡献，VIP值＞1，说明变量在不同类别红茶不同级别间的差异显著。最后建立了建立基于高效液相色谱法的茶叶等级区分模型。
其中，所述多变量分析软件的数据标准化和进行无监督的主成分分析方法如下：
（1）原始指标数据的标准化
设有 n个样本, p项指标,可得数据矩阵 X= (X ij ) nxp , i= 1, 2,… , n表示n个样本, j= 1, 2,… , p。表示 p个指标, xij 表示第 i 个样本的第 j 项指标值。
（2）用 Z- score法对数据进行标准化变换:Z ij= (xij- xj) /Sj
（3）求指标数据的相关矩阵：R= (r jk ) pX p，j= 1, 2,… , k= 1, 2,… , p 。rjk 为指标 j与指标 k的相关系数。
（4）求相关矩阵 R的特征根特征向量确定主成分：由特征方程式|λIp - R|= 0可求得的 p个特征根 λg(g= 1, 2,… , p) ,λ1 将其按大小顺序排列为 λ1≥λ2 ≥…≥λp ≥0,它是主成分的方差 ,它的大小描述了各个主成分在描述被评价对象上所起作用的大小。由特征方程式 ,每一个特征根对应一个特征向量 Lg(Lg= lg1,lg2,… ,lgp ) g= 1, 2, -, p。将标准化后的指标变量转换为主成分:Fg = l g1 Z 1 + l g2 Z 2 + … + l gp Zp (g =1, 2,… , p)。F1称为第一主成分 , F2 称为第二主成分 ,… , Fp称为第 p主成分。
（5）求方差贡献率 ,确定主成分个数：一般主成分个数等于原始指标个数 ,如果原始指标个数较多 ,进行综合评价时就比较麻烦。主成分分析法就是选取尽量少的 k 个主成分 (k < p)来进行综合评价 ,同时还要使损失的信息量尽可能少。
所述偏最小二乘判别分析的算法步骤如下：
（1）建模方法：设有n个样本，q个因变量和p个自变量。构成了自变量与因变量的数据表X和Y。偏最小二乘回归分别在X与Y中提取出t和u。要求t和u应尽可能大地携带它们各自数据表中的变异信息，且t和u的相关程度能够达到最大。在第一个成分被提取后，偏最小二乘回归分别实施X对t的回归以及Y对t的回归。如果回归方程已经达到满意的精度，则算法终止;否则，将利用X被t解释后的残余信息以及Y被t解释后的残余信息进行第二轮的成分提取。如此往复，直到能达到一个较满意的精度为止。若最终对X共提取了多个成分，偏最小二乘回归将通过施行yk对X的这些成分的回归，然后再表达成yk关于原自变量的回归方程。
（2）X经标准化处理后的数据矩阵记为E0=( E01,…,E0p)n×p，Y的相应矩阵记为F0=( F01,…,F0q)n×q。 记t 1是E0的第一个成分，t 1= E0w1，w1是E0的第一个轴，它是一个单位向量，即|| w1||=1。记u 1是F0的第一个成分，u 1= F0c1，c1是F0的第一个轴，并且|| c1||=1。于是，要求解下列优化问题，即记θ1= w1'E0'F0c1，即正是优化问题的目标函数值。采用拉格朗日算法，可得 E0'F0F0'E0w1=θ12 w1 ；F0'E0E0'F0c1=θ12 c1。所以，w1是对应于E0'F0F0'E0矩阵最大特征值的单位特征向量，而c1是对应于F0'E0E0'F0矩阵最大特征值θ12的单位特征向量。求得轴w1和c1后，即可得到成分t 1= E0w1 ，u 1= F0c1然后，分别求E0和F0对t 1的回归方程: E0=t 1 p1'+ E1;F0= t 1r1'+ F1，回归系数向量是p1= E0' t 1/|| t 1||2；r1= F0' t 1/|| t 1||2。而E1和F1分别是两个方程的残差矩阵。
（3）用残差矩阵E1和F1取代E0和F0，然后，求第二个轴w2和c2以及第二个成分t2，u2，有t 2= E1w2;u2= F1c2; θ2=< t2, u2>= w2'E1'F1c2。w2是对应于E1'F1F1'E1矩阵最大特征值的单位特征向量，而c2是对应于F1'E1E1'F1矩阵最大特征值θ22的单位特征向量。计算回归系数p2= E1' t 2/|| t 2||2 r2= F1' t 2/|| t2||2。因此有回归方程E1= t 2 p2'+ E2；F1= t2r2'+ F2。如此计算下去，如果X的秩是A，则会有E0= t 1 p1'+…+t A pA'；F0= t 1r1'+ …+tA r A'+ FA。
（4）交叉有效性：如果多一个成分而少一个样本的预测误差平方和(所有因变量和预测样本相加)除以少一个成分的误差平方和(所有的因变量和样本相加)小于0.952，则多一个成分是值得的。
实施例2
称取 0.200g均匀磨碎的祁门红茶粉末样品于离心管中，加入80℃蒸馏水10mL，充分混匀，立即移入95-100℃的沸水中提取10分钟，隔3-5分钟搅拌一次，浸提后冷却至室温，离心。取上清液过 0.22μm的滤膜过滤后装入液相小瓶后，用高效液相色谱分离和鉴定茶叶组分，用高效液相色谱分离和鉴定茶叶组分，流动相为乙腈和超纯水，流速为0.6-1.0mL/min，峰面积归一化法测得含量。将数据导入SIMCA软件，将数据标准化后进行无监督的主成分分析，其是在没有进行预先分类的情况下，分类结果更加客观。再进行有监督的偏最小二乘判别分析，通过放大组与组之间的差异，同时缩小组内之间的差异来获得更精确的结果，并得到贡献率及预测能力等相关数据，累计预测能力值（Q2）和累计方差贡献率（R2Y）接近1.0说明建立了一个很好的模型。最后在偏最小二乘判别分析的基础上进行层次聚类分析，层次聚类分析是根据事物的性质来进行分类，性质相差大和小对应的距离就是远和近，可以很直接看出聚类分析给出了不同等级的不同种类的红茶再次分级图。偏最小二乘判别分析中的重要性因子（VIP）值可以量化每个变量对分类的贡献，VIP值＞1，说明变量在不同类别红茶不同级别间的差异显著。最后建立了建立基于高效液相色谱法的茶叶等级区分模型。VIP值显示，咖啡碱和ECG可以将祁门红茶分为高等级（特级、一级、二级、三级）和低等级（四级、五级、六级），其结果与GB/T 23776-2009判定的结果一致，证明本评定红茶分级的方法准确有效。
其中，所述多变量分析软件的数据标准化和进行无监督的主成分分析方法及所述偏最小二乘判别分析的算法与实施例1相同。
实施例3
称取 0.200g均匀磨碎的四川乐山红茶红茶粉末样品于离心管中，加入80℃蒸馏水10mL，充分混匀，立即移入95-100℃的沸水中提取10分钟，隔3-5分钟搅拌一次，浸提后冷却至室温，离心。取上清液过 0.25μm的滤膜过滤后装入液相小瓶后，用高效液相色谱分离和鉴定茶叶组分，流动相A相为超纯水，B为1%甲酸，C相为乙腈，流速为0.8mL/min，洗脱时间为70min，紫外检测波长为280nm，柱温为30℃。将峰面积代入标准曲线中测得化合物的含量。将数据导入SIMCA软件，将数据导入SIMCA软件，将数据标准化后进行无监督的主成分分析，其是在没有进行预先分类的情况下，分类结果更加客观。再进行有监督的偏最小二乘判别分析，通过放大组与组之间的差异，同时缩小组内之间的差异来获得更精确的结果，并得到贡献率及预测能力等相关数据，累计预测能力值（Q2）和累计方差贡献率（R2Y）接近1.0说明建立了一个很好的模型。最后在偏最小二乘判别分析的基础上进行层次聚类分析，层次聚类分析是根据事物的性质来进行分类，性质相差大和小对应的距离就是远和近，可以很直接看出聚类分析给出了不同等级的不同种类的红茶再次分级图。最后建立了建立基于高效液相色谱法的茶叶等级区分模型。偏最小二乘判别分析中的重要性因子（VIP）值可以量化每个变量对分类的贡献，VIP值＞1，说明变量在不同类别红茶不同级别间的差异显著。VIP值显示，咖啡碱、ECG、可可碱和EGCG可以将四川红茶分为特等级、一等级、二等级，其等级的评定结果与GB/T 23776-2009判定的结果一致，证明本评定红茶分级的方法准确有效。
其中，所述多变量分析软件的数据标准化和进行无监督的主成分分析方法及所述偏最小二乘判别分析的算法与实施例1相同。
Claims (5)
1.一种快速判定红茶等级的方法，其特征在于：所述判定红茶等级的方法包括如下步骤：
①按照梯度配制不同浓度的十种标准品的高效液相色谱标准液，并绘制标准曲线；
②将已知不同等级的红茶粉末样品中加入95~100℃的沸水中提取，浸提完成后，冷却至室温，离心处理，后取上清液过 0.20~0.25μm的滤膜，得到红茶样液；
用高效液相色谱分离和鉴定已知等级的红茶样液的组分，采用峰面积归一化法测得上述10种成分的含量；
将红茶样液中所述十种成分含量的数据标准化处理，再进行无监督的主成分分析，之后进行有监督的偏最小二乘判别分析；
最后在偏最小二乘判别分析的基础上进行层次聚类分析得到不同等级的不同种类的红茶再次分级图；建立基于高效液相色谱法的茶叶等级区分模型；
将待测红茶粉末样品一次采用步骤②、③处理，带入步骤⑤所述的茶叶等级区分模型，计算出待测红茶的分级；
其中，所述标准品包括表没食子儿茶素、表儿茶素、表没食子儿茶素没食子酸脂、表儿茶素没食子酸脂，茶黄素，茶黄素-3-没食子酸脂，茶黄素-3-没食子酸脂，茶黄素-双-没食子酸脂，可可碱和咖啡碱。
2.根据权利要求1所述的快速判定红茶等级的方法，其特征在于：所述高效液相色谱分离的流动相为乙腈和超纯水，流速为0.6-1.0mL/min。
3.根据权利要求1所述的快速判定红茶等级的方法，其特征在于：所述多变量分析软件的数据标准化和进行无监督的主成分分析具体方法如下：
（1）设有 n个样本, p项指标,可得数据矩阵 X= (X ij ) nxp , i= 1, 2,… , n表示 n个样本, j= 1, 2,… , p；
表示 p个指标, xij 表示第 i 个样本的第 j 项指标值；
（2）用 Z- score法对数据进行标准化变换:Z ij= (xij- xj) /Sj；
（3）求指标数据的相关矩阵：R= (r jk ) pX p，j= 1, 2,… , k= 1, 2,… , p ；
rjk 为指标 j与指标 k的相关系数；
（4）求相关矩阵 R的特征根特征向量确定主成分：由特征方程式|λIp - R|= 0可求得的p个特征根 λg(g= 1, 2,… , p) ,λ1 将其按大小顺序排列为 λ1≥λ2 ≥…≥λp ≥ 0,它是主成分的方差 ,它的大小描述了各个主成分在描述被评价对象上所起作用的大小。
4.由特征方程式 ,每一个特征根对应一个特征向量 Lg(Lg= lg1,lg2,… ,lgp ) g= 1,2, - , p；
将标准化后的指标变量转换为主成分:Fg = l g1 Z 1 + l g2 Z 2 + … + l gp Zp (g =1, 2,… , p)；
F1称为第一主成分 , F2 称为第二主成分 ,… , Fp 称为第 p主成分；
（5）求方差贡献率，确定主成分个数：一般主成分个数等于原始指标个数 ,如果原始指标个数较多 ,进行综合评价时就比较麻烦；
主成分分析法就是选取尽量少的 k 个主成分 (k < p)来进行综合评价，同时还要使损失的信息量尽可能少。
5.根据权利要求1所述的快速判定红茶等级的方法，其特征在于：所述偏最小二乘判别分析的算法步骤具体为：
（1）建模方法：设有n个样本，q个因变量和p个自变量，构成了自变量与因变量的数据表X和Y，偏最小二乘回归分别在X与Y中提取出t和u，要求t和u应尽可能大地携带它们各自数据表中的变异信息，且t和u的相关程度能够达到最大，在第一个成分被提取后，偏最小二乘回归分别实施X对t的回归以及Y对t的回归，如果回归方程已经达到满意的精度，则算法终止;否则，将利用X被t解释后的残余信息以及Y被t解释后的残余信息进行第二轮的成分提取；
如此往复，直到能达到一个较满意的精度为止，若最终对X共提取了多个成分，偏最小二乘回归将通过施行yk对X的这些成分的回归，然后再表达成yk关于原自变量的回归方程；
（2）X经标准化处理后的数据矩阵记为E0=( E01,…,E0p)n×p，Y的相应矩阵记为F0=(F01,…,F0q)n×q，记t 1是E0的第一个成分，t 1= E0w1，w1是E0的第一个轴，它是一个单位向量，即|| w1||=1，记u 1是F0的第一个成分，u 1= F0c1，c1是F0的第一个轴，并且|| c1||=1，于是，要求解下列优化问题，即记θ1= w1'E0'F0c1，即正是优化问题的目标函数值，采用拉格朗日算法，可得 E0'F0F0'E0w1=θ12 w1 ；F0'E0E0'F0c1=θ12 c1，所以，w1是对应于E0'F0F0'E0矩阵最大特征值的单位特征向量，而c1是对应于F0'E0E0'F0矩阵最大特征值θ12的单位特征向量，求得轴w1和c1后，即可得到成分t 1= E0w1 ，u 1= F0c1然后，分别求E0和F0对t 1的回归方程: E0= t1 p1'+ E1;F0= t 1r1'+ F1，回归系数向量是p1= E0' t 1/|| t 1||2；r1= F0' t 1/|| t 1||2，而E1和F1分别是两个方程的残差矩阵；
（3）用残差矩阵E1和F1取代E0和F0，然后，求第二个轴w2和c2以及第二个成分t2，u2，有t 2= E1w2;u 2= F1c2; θ2=< t2, u2>= w2'E1'F1c2；
w2是对应于E1'F1F1'E1矩阵最大特征值的单位特征向量，而c2是对应于F1'E1E1'F1矩阵最大特征值θ22的单位特征向量；计算回归系数p2= E1' t 2/|| t 2||2 r2= F1' t 2/|| t2||2，因此有回归方程E1= t 2 p2'+ E2；F1= t 2r2'+ F2；
如此计算下去，如果X的秩是A，则会有E0= t 1 p1'+…+t A pA'；F0= t 1r1'+ …+t A rA'+ FA；
（4）交叉有效性：如果多一个成分而少一个样本的预测误差平方和除以少一个成分的误差平方和小于0.952，则多一个成分是值得的，反之不值得。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110259651.2A CN112946156A (zh) | 2021-03-10 | 2021-03-10 | 一种快速判定红茶等级的方法 |
| US17/690,205 US20220291181A1 (en) | 2021-03-10 | 2022-03-09 | Method for rapidly determining grade of black tea |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110259651.2A CN112946156A (zh) | 2021-03-10 | 2021-03-10 | 一种快速判定红茶等级的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112946156A true CN112946156A (zh) | 2021-06-11 |
Family
ID=76229039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110259651.2A Pending CN112946156A (zh) | 2021-03-10 | 2021-03-10 | 一种快速判定红茶等级的方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220291181A1 (zh) |
| CN (1) | CN112946156A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114019100A (zh) * | 2021-10-29 | 2022-02-08 | 中国农业科学院茶叶研究所 | 基于多源信息融合技术的滇红工夫茶汤综合品质客观量化评价方法 |
| CN114705772A (zh) * | 2022-03-25 | 2022-07-05 | 中国农业科学院茶叶研究所 | 一种基于年份红茶特征化合物的红茶贮藏年份判别方法 |
| CN114965907A (zh) * | 2022-04-02 | 2022-08-30 | 浙江大学 | 一种基于浊度差的茶叶等级快速检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009014700A (ja) * | 2007-01-31 | 2009-01-22 | Osaka Univ | 緑茶の品質予測方法 |
| CN103018384A (zh) * | 2012-09-29 | 2013-04-03 | 云南白药天颐茶品有限公司 | 一种红茶的质量分析评价方法及其应用 |
| CN104914190A (zh) * | 2015-06-23 | 2015-09-16 | 福建省农业科学院农业工程技术研究所 | 一种茶叶种类鉴别和21种特征成分含量测定的方法 |
| CN106885851A (zh) * | 2017-01-22 | 2017-06-23 | 中国农业科学院茶叶研究所 | 一种基于手性定量分析技术的红茶产地判别方法 |
| CN107271396A (zh) * | 2017-08-14 | 2017-10-20 | 扬州大学 | 一种茶叶中总黄酮含量的快速检测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103028384A (zh) * | 2012-12-03 | 2013-04-10 | 姜英杰 | 一种高容量氟离子吸附剂的制备方法 |
| CN108205042B (zh) * | 2016-12-19 | 2021-01-19 | 湖南出入境检验检疫局检验检疫技术中心 | 一种安化黑茶识别方法 |
| WO2018227384A1 (zh) * | 2017-06-13 | 2018-12-20 | 浙江海正甦力康生物科技有限公司 | 一种鉴定茶叶品质的方法 |
| CN108760870B (zh) * | 2018-05-28 | 2020-10-30 | 安徽农业大学 | 基于化学成分的茶类判别方法 |
| CN113884593B (zh) * | 2021-09-28 | 2023-05-05 | 安徽农业大学 | 一种判别六安瓜片茶叶等级的方法 |
-
2021
- 2021-03-10 CN CN202110259651.2A patent/CN112946156A/zh active Pending
-
2022
- 2022-03-09 US US17/690,205 patent/US20220291181A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009014700A (ja) * | 2007-01-31 | 2009-01-22 | Osaka Univ | 緑茶の品質予測方法 |
| CN103018384A (zh) * | 2012-09-29 | 2013-04-03 | 云南白药天颐茶品有限公司 | 一种红茶的质量分析评价方法及其应用 |
| CN104914190A (zh) * | 2015-06-23 | 2015-09-16 | 福建省农业科学院农业工程技术研究所 | 一种茶叶种类鉴别和21种特征成分含量测定的方法 |
| CN106885851A (zh) * | 2017-01-22 | 2017-06-23 | 中国农业科学院茶叶研究所 | 一种基于手性定量分析技术的红茶产地判别方法 |
| CN107271396A (zh) * | 2017-08-14 | 2017-10-20 | 扬州大学 | 一种茶叶中总黄酮含量的快速检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| 刘志彬等: "高效液相色谱法分析武夷岩茶中的生物碱含量", 《食品与机械》 * |
| 刘洪林等: "高效液相色谱法同时测定工夫红茶中10种内含物成分", 《食品科学》 * |
| 宋晓虹等: "发酵时间对可可红茶品质的影响", 《广东农业科学》 * |
| 王坤波等: "茶黄素分析方法研究进展", 《食品科学》 * |
| 谭和平等: "茶叶中色素的测试方法概述", 《中国测试》 * |
| 郭雪梅: "不同等级红茶样品主要成分分析和代谢组学研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114019100A (zh) * | 2021-10-29 | 2022-02-08 | 中国农业科学院茶叶研究所 | 基于多源信息融合技术的滇红工夫茶汤综合品质客观量化评价方法 |
| CN114019100B (zh) * | 2021-10-29 | 2024-03-26 | 中国农业科学院茶叶研究所 | 基于多源信息融合技术的滇红工夫茶汤综合品质客观量化评价方法 |
| CN114705772A (zh) * | 2022-03-25 | 2022-07-05 | 中国农业科学院茶叶研究所 | 一种基于年份红茶特征化合物的红茶贮藏年份判别方法 |
| CN114965907A (zh) * | 2022-04-02 | 2022-08-30 | 浙江大学 | 一种基于浊度差的茶叶等级快速检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220291181A1 (en) | 2022-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112946156A (zh) | 一种快速判定红茶等级的方法 | |
| Ning et al. | Stepwise identification of six tea (Camellia sinensis (L.)) categories based on catechins, caffeine, and theanine contents combined with fisher discriminant analysis | |
| Ren et al. | Quantitative analysis and geographical traceability of black tea using Fourier transform near-infrared spectroscopy (FT-NIRS) | |
| CN104914190B (zh) | 一种茶叶种类鉴别和21种特征成分含量测定的方法 | |
| Lin et al. | Discrimination of oolong tea (Camellia sinensis) varieties based on feature extraction and selection from aromatic profiles analysed by HS-SPME/GC–MS | |
| JP5177384B2 (ja) | 緑茶の品質予測方法 | |
| Jensen et al. | Prediction of wine color attributes from the phenolic profiles of red grapes (Vitis vinifera) | |
| Fang et al. | Geographical origin traceability of Keemun black tea based on its non‐volatile composition combined with chemometrics | |
| CN108181263B (zh) | 基于近红外光谱的烟叶部位特征提取及判别方法 | |
| Wright et al. | Analysis of caffeine and flavan‐3‐ol composition in the fresh leaf of Camellia sinesis for predicting the quality of the black tea produced in Central and Southern Africa | |
| CN110716021B (zh) | 一种快速判断六堡茶渥堆发酵程度的方法 | |
| CN113125590B (zh) | 一种基于快速气相电子鼻技术的滇红工夫茶汤香气品质客观评价方法 | |
| US20230109241A1 (en) | Method and System for Differentiation of Tea Type | |
| Tarachiwin et al. | Quality evaluation of Angelica acutiloba Kitagawa roots by 1H NMR-based metabolic fingerprinting | |
| CN103558311B (zh) | 一种基于茶叶生化成分的绿茶苦涩味判别方法 | |
| CN110133050B (zh) | 一种基于多传感器指纹图谱定性定量检测茶叶品质的方法 | |
| CN106560693A (zh) | 基于偏最小二乘判别的武夷岩茶产地鉴别方法 | |
| Cui et al. | Machine learning applications for identify the geographical origin, variety and processing of black tea using 1H NMR chemical fingerprinting | |
| Pauli et al. | Analytical investigation of secondary metabolites extracted from Camellia sinensis L. leaves using a HPLC‐DAD‐ESI/MS data fusion strategy and chemometric methods | |
| Li et al. | Quality chemical analysis of crush–tear–curl (CTC) black tea from different geographical regions based on UHPLC‐Orbitrap‐MS | |
| Zhao et al. | Identification of markers for tea authenticity assessment: Non-targeted metabolomics of highly similar oolong tea cultivars (Camellia sinensis var. sinensis) | |
| Lu et al. | Optimization of Submerged Fermentation Parameters for Instant Dark Tea Production by E urotium cristatum | |
| CN112435721A (zh) | 一种基于偏最小二乘构建龙井绿茶品质判别模型的方法 | |
| CN112033911A (zh) | 一种基于色差和紫外光谱的茶叶等级快速鉴别方法 | |
| CN107029038B (zh) | 一种响应面法优化龙眼叶总黄酮的提取工艺 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |