CN113138181B - 一种对清香型原酒品质分级的方法 - Google Patents

一种对清香型原酒品质分级的方法 Download PDF

Info

Publication number
CN113138181B
CN113138181B CN202110460358.2A CN202110460358A CN113138181B CN 113138181 B CN113138181 B CN 113138181B CN 202110460358 A CN202110460358 A CN 202110460358A CN 113138181 B CN113138181 B CN 113138181B
Authority
CN
China
Prior art keywords
data
wine
spectrum
matrix
dimensional fluorescence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110460358.2A
Other languages
English (en)
Other versions
CN113138181A (zh
Inventor
杨海麟
冯守帅
王鑫
张玲
丁林志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN202110460358.2A priority Critical patent/CN113138181B/zh
Publication of CN113138181A publication Critical patent/CN113138181A/zh
Application granted granted Critical
Publication of CN113138181B publication Critical patent/CN113138181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6402—Atomic fluorescence; Laser induced fluorescence
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Optics & Photonics (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种对清香型原酒品质分级的方法，属于白酒鉴别领域。本发明所述的方法包括如下步骤：(1)得到待测原酒酒样光谱数据；(2)将得到的光谱数据进行矩阵缩小处理，得到53×61的光谱矩阵；(3)提取光谱矩阵的原始光谱中激发波长为290nm、310nm、340nm、360nm处的发射光谱数据，作为新的特征参数；(4)对新的特征参数进行主成分分析，得到65个主成分的数据；(5)将主成分的数据进行线性判别分析后，得到原酒的分级模型输入的特征量；(6)将特征量代入原酒的分级模型中，得到待测原酒酒样的级别。本发明的方法采用大茬单独建模预测准确率在92.3％以上；大茬、二茬混合建模预测准确率在85.9％以上。

Description

一种对清香型原酒品质分级的方法
技术领域
本发明涉及一种对清香型原酒品质分级的方法，属于白酒鉴别领域。
背景技术
白酒作为中国传统饮料之一，有悠久的历史。白酒的生产属于固态发酵，发酵过程中很难对各种数据进行实时监测，因此目前仍未完全实现数字化生产。不同批次生产出来的白酒存在或多或少的差异，因此，酒厂需要对不同原酒进行品质品鉴分级。
目前，对原酒的分级只能通过专业人员凭借多年的经验，根据感官对原酒的品质进行鉴定，该方法不仅效率较低，费用高，而且准确性受主观因素影响较大。因此，通过科学手段，客观、准确地区分不同批次原酒之间的差异，并进行准确分级，更加快速科学高效。
主成分分析(Principal components analysis，以下简称PCA)是最重要的降维方法之一。对数据进行降维的同时损失最小的信息，即用主要的特征来代替整体数据。原酒扫描出来的数据图谱包含的信息非常多，相对弱化了品质相关信息，会对品质分级起到干扰作用。
线性判别分析(Linear Discriminant Analysis，以下简称LDA)算法一种监督学习的降维方法，LDA算法的思想是将数据投影到低维空间之后，使得同一类数据尽可能的紧凑，不同类的数据尽可能分散。这点和PCA不同，PCA是不考虑样本类别输出的无监督降维技术。也就是说它的数据集的每个样本是有类别输出的。利用这个方法处理后即可得到原酒品质的较好分级。
发明内容
[技术问题]
目前对原酒的分级都是通过专业人员根据经验、感官进行评定，效率低且准确率受主观影响大。
[技术方案]
为了解决上述问题，本发明采用三维荧光光谱分析不同等级的原酒酒样，获得各个酒样的三维荧光光谱数据；之后采用平行因子分析酒样光谱数据的差异性，提取4条光谱作为新的特征量，并采用主成分分析、线性判别降维，结合支持向量机建立白酒原酒分级模型，实现了原酒的分级。本发明的方法操作简单，无污染，而且准确率高。
本发明的第一个目的是提供一种利用三维荧光光谱结合PCA-LDA-SVM对清香型原酒品质分级的方法，包括如下步骤：
(1)采用三维荧光光谱仪对待测原酒酒样进行扫描，得到三维荧光光谱光谱数据；
(2)将步骤(1)得到的光谱数据进行矩阵缩小处理，得到53×61的光谱矩阵；
(3)提取步骤(2)53×61的光谱矩阵的原始光谱中激发波长为290nm、310nm、340nm、360nm处的发射光谱数据，作为新的特征参数；
(4)对步骤(3)中新的特征参数进行主成分分析，对数据进行降维，得到65个主成分的数据；
(5)将步骤(4)得到的主成分的数据进行线性判别分析后，得到原酒的分级模型输入的特征量；
(6)将步骤(5)得到的特征量代入原酒的分级模型中，得到待测原酒酒样的级别。
在本发明的一种实施方式中，步骤(1)所述扫描的参数包括：激发与发射狭缝宽度为5nm，积分时间为1s，激发波长为200-500nm，步长5nm，发射波长为210-500nm。
在本发明的一种实施方式中，步骤(1)扫描之后得到的三维荧光光谱是一个47641×3的光谱矩阵。
在本发明的一种实施方式中，步骤(2)是将步骤(1)得到的47641×3的光谱原始数据中提取第3列的荧光强度值，共47641个数据，每隔781个数据作为新的一列，共61列得到781×61的光谱矩阵；之后每隔15个点取一个发射波长，得到一个53×61的光谱矩阵。
在本发明的一种实施方式中，步骤(6)所述的原酒的分级模型的构建方式为：
步骤1：使用三维荧光光谱仪采集某一品牌不同等级白酒的原酒酒样的三维荧光光谱光谱数据；
步骤2：光谱数据前处理
a、对所有原酒酒样进行三维荧光光谱扫描，每一个原酒酒样扫描后得到一个47641×3的光谱矩阵，提取第3列的荧光强度值，共47641个数据，每隔781个数据作为新的一列，共61列得到781×61的光谱矩阵；之后每隔15个点取一个发射波长，得到一个53×61的光谱矩阵；
b、建立不同等级的清香型原酒的三维荧光光谱数据库；
c、利用平行因子分析所有原酒酒样的光谱数据得到在激发波长为290nm、310nm、340nm、360nm处的光谱数据，作为新的特征参数；
d、对新的特征参数进行主成分分析，对数据进行降维，得到65个主成分的数据；
步骤3：将得到的65个主成分的数据作为新的特征参数进行线性判别分析后，采用线性支持向量机建模，得到原酒的分级模型。
在本发明的一种实施方式中，步骤(6)所述的原酒的分级模型的构建方式中原酒酒样采集具体为：
采集清香型大茬特级、优级和一级原酒；采集清香型二茬特级、优级和一级原酒，每个等级的酒收集65个原酒酒样样本，共390个原酒酒样样本。
在本发明的一种实施方式中，步骤(6)所述的原酒的分级模型的构建方式中三维荧光光谱仪的扫描条件为：激发与发射狭缝宽度为5nm，积分时间为1s，激发波长为200-500nm，步长5nm；发射波长为210-500nm。
在本发明的一种实施方式中，步骤(1)所述的三维荧光光谱仪为SmartFluo-Pro三维荧光光谱仪。
本发明的第二个目的是本发明所述的方法在食品领域中的应用。
在本发明的一种实施方式中，所述的应用是在清香型原酒分级中的应用。
[有益效果]
(1)同一厂家生产的原酒的光谱有高度相似性，主成分提取的90％的信息可能是共性较多，无法体现其样本间的差异性，而本发明使用三维荧光光谱技术分析不同等级的原酒酒样，获得各个酒样的三维荧光光谱数据；采用平行因子分析酒样光谱数据的差异性，提取4条光谱作为新的特征量，并采用主成分分析、线性判别降维，结合支持向量机建立白酒原酒分级模型，之后进行未知原酒酒样的检测，大茬单独建精度在92.5％以上，预测未知酒样准确率为92.3％以上；大茬、二茬混合建模的精度为86.9％以上，预测未知酒样准确率在85.9％以上。
(2)本发明是一种的新的白酒原酒质量控制方法，操作简单，无污染。
附图说明
图1为6个不同等级的清香型大、二茬三维荧光光谱图，其中(a)为大茬特级酒；(b)为大茬优级酒；(c)为大茬一级酒；(d)为二茬特级酒；(e)为二茬优级酒；(f)为二茬一级酒。
图2为平行因子分析360个光谱数据得到的3个组分图；其中(a)为310nm/335nm荧光峰；(b)为290nm/310nm荧光峰；(c)为340nm/400nm荧光峰。
图3为由激发波长290nm、310nm、340nm、360nm形成新的特征参数光谱图。
图4为前6个主成分的成分累积贡献图。
图5为采用线性支持向量机建模得到的大茬原酒的分级模型。
图6为采用线性支持向量机建模得到大茬、二茬原酒的分级模型。
图7为采用BP神经网络建模得到的大茬原酒的分级模型；其中(a)为训练集拟合效果图；(b)为验证集拟合效果图；(c)为预测集拟合效果图；(d)为总数据集拟合效果图。
图8为采用BP神经网络建模得到大茬、二茬原酒的分级模型；其中(a)为训练集拟合效果图；(b)为验证集拟合效果图；(c)为预测集拟合效果图；(d)为总数据集拟合效果图。
图9为一种利用三维荧光光谱结合PCA-LDA-SVM对清香型原酒品质分级的方法的流程图。
图10为大茬单独建模准确率的测试结果。
图11为大茬、二茬混合建模的准确率的测试结果。
具体实施方式
以下对本发明的优选实施例进行说明，应当理解实施例是为了更好地解释本发明，不用于限制本发明。
实施例中提及的平行因子分析方法可参考文献(C.M.ANDERSEN,R.BRO.Practicalaspects of PARAFAC modeling of fluorescence excitation-emission data[J].Journal of Chemometrics,2003,17:200-215.)；主成分分析方法可参考文献(AllegreTt A I,Marangoni B,Manzari P,et al.Macro-classification of meteorites byportable energy dispersive X-ray fluorescence spectroscopy(pED-XRF),principalcomponent analysis(PCA)and machine learning algorithms[J].Talanta,2020,212:120785.)；支持向量机建模方法可参考文献(Gu J,Lu S.An effective intrusiondetection approach using SVM with nave Bayes feature embedding[J].Computers&Security,2020,103(3):102158.)；BP神经网络建模方法可参考文献(Zhu N,Wang K,ZhangS L,et al.Application of artificial neural networks to predict multiplequality of dry-cured ham based on protein degradation[J].Food Chemistry,2020,344(12):128-586.)；线性判别分析可参考文献(武斌,王大智,嵇港,等.基于正交线性判别分析和电子鼻技术的食醋分类[J].食品与发酵工业,2020,046(006):263-268.)。
实施例1酒的分级模型的构建-向量机建模
酒的分级模型的构建方法，包括如下步骤：
(1)使用SmartFluo-Pro三维荧光光谱仪采集清香型某一品牌不同等级的白酒原酒的三维荧光光谱光谱数据；
a、酒样采集：采集清香型大茬特级、优级和一级原酒；采集二茬特级、优级和一级的原酒，每个等级的酒收集65个样本，共390个样本；
b、扫描条件：激发与发射狭缝宽度为5nm，积分时间为1s，激发波长为200-500nm，步长5nm；发射波长为210-500nm；
(2)光谱数据前处理
a、对390个样本进行三维荧光光谱扫描，每一个样本扫描后得到一个47641×3的光谱矩阵，进行变换后得到781×61的光谱矩阵，由于发射波长步长太密导致数据量过大，可以去除一些发射波长的点进行适当缩放减小数据量仍然保持光谱的有效信息，每隔15个点取一个发射波长，得到一个53×61的光谱矩阵，去除由瑞丽散射和水拉曼形成的峰；
b、建立不同等级的清香型原酒的三维荧光光谱数据库，如图1所示；
c、利用平行因子分析390个样本的光谱数据的差异性，390个样本的光谱数据主要由3个组分图中的荧光峰组成，每个样本的荧光光谱中这3个荧光峰的含量不同，3个组分图如图2所示，共有3个峰值，分别是在激发波长为290nm、310nm、340nm处，再额外多选取一个360nm处的发射光谱，提取其3个组分的峰值激发波长处的发射光谱数据和激发波长为360nm处的发射光谱数据，共4条发射光谱数据作为新的特征参数，特征参数谱图如图3所示；
d、对新的特征参数进行主成分分析，对数据进行降维，得到前65个主成分的数据，65个主成分的累计贡献率为99.92％；图4为前6个主成分的成分累积贡献图；
(3)先进行大茬原酒单独分级：线性判别结合支持向量机建模
利用大茬3个等级酒共195个酒样，提取4条光谱后的数据，经主成分分析得到65个主成分作为新的特征参数，线性判别分析后，采用支持向量机建模，核函数为高斯函数，最佳c值为987.78，最佳g值为474.74，建模精度为92.5％，得到原酒的分级模型(图5)。
(4)大茬、二茬原酒混合建模：线性判别结合支持向量机建模
利用大茬3个等级和二茬3个等级酒，共390个酒样，提取4条光谱后的数据，经主成分分析得到65个主成分作为新的特征参数，线性判别分析后，采用支持向量机建模，核函数为线性，最佳惩罚系数C为998.39，建模精度为86.9％，得到酒的分级模型，其结果如图6所示。
对照例1 BP神经网络建模
将实施例1步骤(2)得到的前65个主成分的数据进行建模：
(1)先进行大茬原酒单独分级：BP神经网络
利用大茬3个等级酒共195个酒样，提取4条光谱后的数据，经主成分分析得到65个主成分作为新的特征参数，线性判别分析后，采用BP神经网络建模，得到原酒的分级模型(图7)；
(2)大茬、二茬原酒混合建模：BP神经网络
利用大茬3个等级和二茬3个等级酒，共195个酒样，提取4条光谱后的数据，经主成分分析得到65个主成分作为新的特征参数，线性判别分析后，采用BP神经网络建模，得到原酒的分级模型，如图8所示。
对照例2
调整实施例1步骤(2)c中的4条发射光谱数据为290nm和310nm两条发射光谱，其他和实施例1保持一致，得到大茬原酒单独的分级模型和大茬、二茬原酒的分级模型。
实施例2
调整实施例1中主成分的个数为6、25、65、75、全部数据，其他和实施例1保持一致，得到检测结果。
结果如表1所示，从表1可以看出：6个主成分代表着原始数据的信息95.01％，但其准确率相比较于原始数据有所降低；当主成分个数为65时，代表原始数据的99.92％的信息，其准确率为最高，与原始数据相比提高2.3％；而当主成分个数继续增加时，准确度相较于65个时有所下降。可见，主成分累计贡献率为95％时的信息其相似度较高，差异性并不体现在其中，更多地体现在累计贡献率95.01％到99.92％的贡献率的成分中。因此建模过程中进行主成分降维时选取的个数为65个。
表1主成分个数对建模准确率的影响
Figure BDA0003042193540000061
注：表中的准确率是采用五折交叉验证法得到的。
实施例3
一种利用三维荧光光谱结合PCA-LDA-SVM对清香型原酒品质分级的方法(如图9)，包括如下步骤：
(1)取78个新产原酒作为待测酒样，采用三维荧光光谱仪对待测酒样进行扫描，得到三维荧光光谱光谱数据；
(2)将步骤(1)得到的三维荧光光谱光谱数据中进行变换，得到781×61的光谱矩阵；之后每隔15个点取一个发射波长，得到一个53×61的光谱矩阵；
(3)提取步骤(2)53×61的光谱矩阵的原始光谱中激发波长为290nm、310nm、340nm、360nm处的发射光谱数据，作为新的特征参数；
(4)对步骤(3)中新的特征参数进行主成分分析，对数据进行降维，得到65个主成分的数据；
(5)将步骤(4)得到的65个主成分的数据进行线性判别分析后，得到原酒的分级模型输入的特征量；
(6)将步骤(5)得到的特征量输入实施例1得到的原酒的分级模型中，得到待测酒样的级别。
具体如下：
大茬单独建模预测准确率为92.3％(图10)；大茬、二茬混合建模的预测准确率为85.9％(图11)。
对照例3
将实施例3得到的65个主成分的数据输入对照例1的原酒的分级模型，得到的结果如下：
大茬单独建模预测准确率为90％(表2)，大茬和二茬混合建模为83.3％(表3)。
表2 LDA-BP神经网络大茬模型部分预测结果
Figure BDA0003042193540000071
表3 LDA-BP神经网络大茬和二茬混合建模部分预测结果
Figure BDA0003042193540000072
对照例4
将实施例3得到的65个主成分的数据输入对照例2的原酒的分级模型，得到的结果如下：
大茬单独建模预测准确率为80％，大茬和二茬混合建模为77.95％。
综上所述，本发明通过扫描清香型大、二茬各3个等级原酒的三维荧光光谱，利用平行因子算法对光谱数据进行分析得到4个组分，其中共出现峰值点4个，分别在激发波长290nm、310nm、340nm和360nm处。从原有的光谱数据中提取出4个峰值波长处的发射光谱作为新的特征参数，进行主成分降维，发现各光谱样本之间的差异性主要集中在主成分贡献率的后10％中，而前90％的贡献率的主成分中进行建模误差率较大。提取99.92％贡献率的主成分维度作为建模特征产量，利用线性判别结合支持向量机算法建模，建模分为两部分，一是大茬建模，以195个大茬酒样的荧光光谱数据作为训练集建模，交叉验证后模型精度为92.5％，再采集39个未参与建模的大茬酒样的光谱数据作为测试集，验证模型，预测结果为92.3％％；二是大茬和二茬混合建模，以390个大、二茬酒样作为训练集建模，交叉验证后模型精度为86.9％，再采集39个未参与建模的大茬酒样的光谱数据作为测试集，验证模型，预测结果为85.9％，较好的实现了对清香型大、二茬各等级间的分类。
虽然本发明已以较佳实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可做各种的改动与修饰，因此本发明的保护范围应该以权利要求书所界定的为准。

Claims (10)

1.一种利用三维荧光光谱结合PCA-LDA-SVM对清香型原酒品质分级的方法，其特征在于，包括如下步骤：
（1）采用三维荧光光谱仪对待测原酒酒样进行扫描，得到三维荧光光谱光谱数据；
（2）将步骤（1）得到的光谱数据进行矩阵缩小处理，得到53×61的光谱矩阵；
（3）提取步骤（2）53×61的光谱矩阵的原始光谱中激发波长为290nm、310nm、340nm、360nm处的发射光谱数据，作为新的特征参数；
（4）对步骤（3）中新的特征参数进行主成分分析，对数据进行降维，得到65个主成分的数据；
（5）将步骤（4）得到的主成分的数据进行线性判别分析后，得到原酒的分级模型输入的特征量；
（6）将步骤（5）得到的特征量代入原酒的分级模型中，得到待测原酒酒样的级别；其中，原酒的分级模型的构建方式为：
步骤1：使用三维荧光光谱仪采集某一品牌不同等级白酒的原酒酒样的三维荧光光谱光谱数据；
步骤2：光谱数据前处理
a、对所有原酒酒样进行三维荧光光谱扫描，每一个原酒酒样扫描后得到一个47641×3的光谱矩阵，提取第3列的荧光强度值，共47641个数据，每隔781个数据作为新的一列，共61列得到781×61的光谱矩阵；之后每隔15个点取一个发射波长，得到一个53×61的光谱矩阵；
b、建立不同等级的清香型原酒的三维荧光光谱数据库；
c、利用平行因子分析所有原酒酒样的光谱数据得到在激发波长为290nm、310nm、340nm、360nm处的光谱数据，作为新的特征参数；
d、对新的特征参数进行主成分分析，对数据进行降维，得到65个主成分的数据；
步骤3：将得到的65个主成分的数据作为新的特征参数进行线性判别分析后，采用线性支持向量机建模，得到原酒的分级模型。
2.根据权利要求1所述的方法，其特征在于，步骤（1）所述扫描的参数包括：激发与发射狭缝宽度为5nm，积分时间为1s，激发波长为200-500nm，步长5nm，发射波长为210-500nm。
3.根据权利要求1或2所述的方法，其特征在于，步骤（1）扫描之后得到的三维荧光光谱是一个47641×3的光谱矩阵。
4.根据权利要求1或2所述的方法，其特征在于，步骤（2）是将步骤（1）得到的47641×3的光谱原始数据中提取第3列的荧光强度值，共47641个数据，每隔781个数据作为新的一列，共61列得到781×61的光谱矩阵；之后每隔15个点取一个发射波长，得到一个53×61的光谱矩阵。
5.根据权利要求3所述的方法，其特征在于，步骤（2）是将步骤（1）得到的47641×3的光谱原始数据中提取第3列的荧光强度值，共47641个数据，每隔781个数据作为新的一列，共61列得到781×61的光谱矩阵；之后每隔15个点取一个发射波长，得到一个53×61的光谱矩阵。
6.根据权利要求1所述的方法，其特征在于，步骤（6）所述的原酒的分级模型的构建方式中原酒酒样采集具体为：
采集清香型大茬特级、优级和一级原酒；采集清香型二茬特级、优级和一级原酒，每个等级的酒收集65个原酒酒样样本，共390个原酒酒样样本。
7.根据权利要求1所述的方法，其特征在于，步骤（6）所述的原酒的分级模型的构建方式中三维荧光光谱仪的扫描条件为：激发与发射狭缝宽度为5nm，积分时间为1s，激发波长为200-500nm，步长5nm；发射波长为210-500nm。
8.根据权利要求1所述的方法，其特征在于，步骤（1）所述的三维荧光光谱仪为SmartFluo-Pro三维荧光光谱仪。
9.权利要求1-8任一项所述的方法在食品领域中的应用。
10.根据权利要求9所述的应用，其特征在于，所述的应用是在清香型原酒分级中的应用。
CN202110460358.2A 2021-04-27 2021-04-27 一种对清香型原酒品质分级的方法 Active CN113138181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110460358.2A CN113138181B (zh) 2021-04-27 2021-04-27 一种对清香型原酒品质分级的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110460358.2A CN113138181B (zh) 2021-04-27 2021-04-27 一种对清香型原酒品质分级的方法

Publications (2)

Publication Number Publication Date
CN113138181A CN113138181A (zh) 2021-07-20
CN113138181B true CN113138181B (zh) 2022-07-05

Family

ID=76812395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110460358.2A Active CN113138181B (zh) 2021-04-27 2021-04-27 一种对清香型原酒品质分级的方法

Country Status (1)

Country Link
CN (1) CN113138181B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935573A (zh) * 2021-09-06 2022-01-14 山西杏花村汾酒厂股份有限公司 一种清香型汾酒基酒感官质量智能化、数字化的分级评价方法
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013108855A (ja) * 2011-11-21 2013-06-06 National Agriculture & Food Research Organization 判別フィルタ設計方法、判別方法、判別フィルタセット、判別装置、および、プログラム
CN104502320A (zh) * 2014-12-29 2015-04-08 江南大学 一种三维荧光光谱结合pca-svm鉴别浓香型白酒的方法
CN104677875A (zh) * 2015-03-24 2015-06-03 江南大学 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法
CN107290315A (zh) * 2017-06-20 2017-10-24 滁州学院 一种复原椰汁的三维同步荧光光谱检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299026A (zh) * 2008-05-29 2008-11-05 江南大学 一种通过三维荧光光谱鉴别白酒的系统以及方法
CN103293141B (zh) * 2013-03-25 2015-03-11 江苏省质量安全工程研究院 基于离子迁移谱/质谱/拉曼光谱融合技术的白酒年份识别方法
JP7207702B2 (ja) * 2018-11-06 2023-01-18 国立研究開発法人農業・食品産業技術総合研究機構 成分抽出方法、蛍光指紋測定装置、及びコンピュータが実行可能なプログラム
CN110907625B (zh) * 2019-12-06 2022-02-22 大连海事大学 基于多维化学指纹量化模型判别海上溢油种类的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013108855A (ja) * 2011-11-21 2013-06-06 National Agriculture & Food Research Organization 判別フィルタ設計方法、判別方法、判別フィルタセット、判別装置、および、プログラム
CN104502320A (zh) * 2014-12-29 2015-04-08 江南大学 一种三维荧光光谱结合pca-svm鉴别浓香型白酒的方法
CN104677875A (zh) * 2015-03-24 2015-06-03 江南大学 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法
CN107290315A (zh) * 2017-06-20 2017-10-24 滁州学院 一种复原椰汁的三维同步荧光光谱检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
三维荧光光谱结合平行因子及神经网络对清香型白酒的年份鉴别;朱焯炜等;《光谱学与光谱分析》;20150930;第35卷(第9期);第2573-2577页 *
傅里叶变换红外光谱结合化学计量学方法对白酒基酒的快速定性和定量分析;孙宗保等;《光谱学与光谱分析》;20170930;第37卷(第9期);第2756-2762页 *
洋河蓝色经典系列酒的三维荧光光谱研究;顾恩东等;《光谱学与光谱分析》;20081231;第28卷(第12期);第2916-2920页 *

Also Published As

Publication number Publication date
CN113138181A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
Silva et al. Classification of blue pen ink using infrared spectroscopy and linear discriminant analysis
Karimi et al. Detection and quantification of food colorant adulteration in saffron sample using chemometric analysis of FT-IR spectra
CN113138181B (zh) 一种对清香型原酒品质分级的方法
Berghian-Grosan et al. Application of Raman spectroscopy and Machine Learning algorithms for fruit distillates discrimination
Bin et al. A modified random forest approach to improve multi-class classification performance of tobacco leaf grades coupled with NIR spectroscopy
CN110243806A (zh) 拉曼光谱下基于相似度的混合物组分识别方法
US20220390374A1 (en) Method for extracting raman characteristic peaks employing improved principal component analysis
Chen et al. Combination of the manifold dimensionality reduction methods with least squares support vector machines for classifying the species of sorghum seeds
Sha et al. Evaluation of sample pretreatment method for geographic authentication of rice using Raman spectroscopy
CN110110789A (zh) 一种基于多谱图信息融合技术的中草药品质鉴别方法
Xia et al. Non-destructive analysis the dating of paper based on convolutional neural network
CN117349741A (zh) 拉曼光谱分类方法、物种血液精液及物种分类方法
Pan et al. Identification of softwood species using convolutional neural networks and raw near-infrared spectroscopy
CN113408616B (zh) 基于pca-uve-elm的光谱分类方法
CN111426657B (zh) 一种溶解性有机物三维荧光谱图的识别比对方法
Dai et al. Nondestructive identification of rice varieties by the data fusion of Raman and near-infrared (NIR) spectroscopies
Noshad et al. Volatilomic with chemometrics: a toward authentication approach for food authenticity control
CN117556245A (zh) 一种四甲基氢氧化铵生产过滤杂质检测方法
CN117949429A (zh) 基于拉曼光谱和多模态混合式模型的杏仁产地鉴别方法
Silva et al. Evaluating the generalization ability of deep learning models: An application on sugar content estimation from hyperspectral images of wine grape berries
CN114062306B (zh) 一种近红外光谱数据分段预处理方法
CN106383103A (zh) 一种基于主成分分析的时间分辨油荧光鉴别方法
CN111398238A (zh) 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法
CN109063767B (zh) 一种基于样本和变量共识的近红外光谱建模方法
Kalivas et al. Automatic food and beverage authentication and adulteration detection by classification hybrid fusion

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