基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法（SPXY）进行训练集和测试集的划分,将1 000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析（PCA）法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法（SVM）建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。     

电子鼻和电子舌技术在五倍子蜂蜜风味识别中的应用

为实现不同产地五倍子蜂蜜的快速识别,采用德国AIRSENSE公司的PEN3型电子鼻系统和日本INSENT公司的味觉分析系统对贵州12个不同地区五倍子蜂蜜进行检测,通过主成分分析（Principal Component Analysis,PCA）、线性判别分析（Linear Discriminant Analysis,LDA）、传感器区分贡献率（Loadings）分析等,从气味和滋味方面对不同产地五倍子蜂蜜进行识别。不同产地的五倍子蜂蜜在电子鼻PCA分析、LDA分析中第一和第二主成分贡献率之和分别为99.90%、87.05%,Loadings分析发现气味差异主要来自于无机硫化物类、氮氧化物类、有机硫化物类、醇醚醛酮类等;在电子舌PCA分析中第一和第二主成分贡献率之和为99.35%,通过雷达图离散程度可知,不同地区五倍子蜂蜜在酸味、甜味、苦味上的差异较大。电子鼻和电子舌技术均能区分不同产地的五倍子蜂蜜,可用于今后蜂蜜的鉴别分析中。     

电子鼻鉴别核桃油中掺入大豆油、菜籽油及玉米油研究

为了快速简便地鉴别核桃油掺伪,利用电子鼻技术鉴别核桃油中掺入大豆油、菜籽油及玉米油,并采用主成分分析(PCA)和线性判别式分析(LDA)对结果进行分析,研究表明:采用PCA方法可以鉴别核桃油掺入大于20%大豆油、7%菜籽油和7%玉米油;采用LDA方法可以鉴别核桃油中掺入大于1%大豆油、1%菜籽油和7%玉米油,LDA方法比PCA方法能更加有效地鉴别核桃油中掺入大豆油、菜籽油和玉米油的现象。电子鼻技术可以作为鉴别核桃油掺假的一种快速简便的检测技术。     

地理标志大米的仿生电子鼻分类识别

为了对地理标志大米进行原产地保护,采用PEN3电子鼻,分析样品质量、项空空间及静置时间等试验参数对电子鼻传感器响应值影响,结合主成分分析(PCA)和线性判别分析(LDA)方法对3个不同地理标志大米进行识别研究。结果表明:选取50 g样品,以50 mL顶空空间、静置1 h测得的电子鼻响应值最佳;PCA法可以区分不同地域的大米,也可以区分不同品种大米,LDA法也可以区分不同地域的大米,但不能区分不同品种的大米。运用电子鼻可以将地理标志大米进行较好的区分,为电子鼻技术应用于大米产地溯源提供理论基础。     

电子鼻对芝麻油掺假的检测

使用电子鼻系统PEN3 对芝麻油中掺入大豆油、玉米油、葵花籽油进行检测分析,分别对芝麻油中不同量的掺假进行辨别,用主成分分析(PCA)和线性判别式分析(LDA)两种方法分析。结果表明：电子鼻能够较好的识别芝麻油掺假不同比例的大豆油、玉米油和葵花籽油,而且LDA 方法比PCA 方法的效果好。PCA 方法对掺入大豆油、玉米油超过50% 和葵花籽油超过70% 的芝麻油能明显区分,而LDA 方法对芝麻油中掺入不同量的大豆油、玉米油和葵花籽油均能明显区分。     

基于超高效液相色谱-高分辨质谱的白酒基酒等级判别

白酒基酒等级的准确鉴别是白酒分级储藏和勾兑的重要依据,对白酒质量控制至关重要。以浓香型白酒基酒为研究对象,采用超高效液相色谱-高分辨质谱联用(UPLC-Q-Exacive-MS)技术对不同等级浓香型白酒基酒进行分析,经过主成分分析(PCA)降维处理,结合线性判别分析(LDA)、支持向量机(SVM)和反向传播神经网络(BP-ANN)等多种化学计量学方法建立白酒基酒等级判别模型。结果显示,BP-ANN鉴别效果最好,在主成分为8时,训练集和测试集的识别率均达100%,不同等级的白酒样本全部正确识别;其次是SVM(训练集和测试集的识别率分别为96.25%、95.00%)和LDA(训练集和测试集的识别率分别为91.25%、90.00%)。实验证明,UPLC-Q-Exacive-MS结合化学计量学分析方法能实现不同等级浓香型白酒基酒的准确判别。     

基于电子鼻气味指纹图谱快速鉴别茶籽油

以不同产地、不同类型、不同工艺和不同质量的茶籽油为研究对象，通过电子鼻技术获取茶籽油的风味信息，结合Loading负载分析、主成分分析（?principal component analysis，PCA）、线性判别分析（linear discriminant analysis，LDA）等对电子鼻传感器数据进行解读。通过欧氏距离（?euclidean distance，ED）、马氏距离（?markov distance，MD）和判别函数法(discriminant function method，DFA)对未知样品进行鉴别，以期建立不同茶籽油的快速、准确鉴别方法。结果表明：加工工艺极大地影响了茶籽油的气味差异，电子鼻响应值雷达图及Loading负载分析均表明W1S、W1W、W2S、W2W传感器对茶籽油样品具有较好的响应值，通过ED、MD、DFA可以识别不同类型和不同质量的茶籽油。基于PCA的LDA可以有效的鉴别不同类型的茶籽油，模型准确性高，其确定性大于99%。电子鼻技术结合化学计量学可以快速、有效鉴别不同的茶籽油并为茶籽油掺伪的快速鉴别提供了借鉴。     

基于电子鼻的食用油氧化判别分析

为实现食用油氧化快速判别分析,以市场上常见的食用油为原料,对其进行氧化处理,根据国标中过氧化值和酸值划分为氧化油与未氧化油并作为模型样品和验证样品,采用电子鼻技术测定食用油气味,同时结合聚类分析（cluster analysis,CA）、主成分分析（principal component analysis,PCA）和线性判别分析（linear discriminantanalysis,LDA）方法对不同氧化程度的食用油进行判别,并建立油脂氧化的快速判别模型。同时将检测判别结果与国标规定进行比较分析,结果表明：3 种方法建立模型判别正确率均为100%,CA、PCA和LDA模型验证的判别正确率分别为95.8%、98.9%和100%,说明基于电子鼻技术的食用油氧化判别检测是可行的。     

电子鼻检测烤后烟叶挥发性组分的方法研究

本研究采用电子鼻系统对不同形态烤后烟样进行测定,以便初步建立一个烤后烟叶挥发性组分判别检测的方法。结果表明,不同样品形态、同一样品不同放置时间均对电子鼻检测效果有一定影响。对于烟丝样品,放置4h检测为宜;对于烟末样品,放置30 min检测为宜;采用烟丝样品检测效果优于烟末样品。结果分析表明,线性判别分析（LDA）比主成分分析（PCA）更能有效的区分不同样品,幵且LDA分析的结果更能代表样品的整体特征。传感器Loadings分析表明,烟丝样品检测时贡献率较大的传感器是2、7、8、9;烟末样品检测时贡献率较大的传感器是2、7、9。利用电子鼻技术在合适的条件下,可以对不同品种不同部位的烟样进行区分和鉴别。     

电子鼻分析技术在白酒品质检定中的应用研究

通过应用德国AIRSENSE公司生产的电子鼻系统PEN3对4个不同质量等级的清香型大曲酒进行挥发物特征响应分析、PCA分析、LDA分析、LOADING分析,其中PCA主成分析区分贡献率可达99.986%,LDA分析第一、第二主成分总的区分贡献率达96.872%,可以较显著的区分酒样,其中10个传感器中贡献最大的两个是W5S与W1W。     

电子鼻判别不同储藏条件下糙米品质的研究

采用德国Airsense 公司生产的PEN3 型电子鼻系统对不同储藏条件下的糙米进行分析检测。通过对传感器响应值进行PCA、LDA 方法的分析,发现PCA 和LDA 均能准确判别出不同水分含量的糙米;PCA、LDA 方法均可判别不同温度储藏的糙米样品,LDA 方法呈现出良好的集中性和单向趋势;LDA 可以很好的区分不同氧气体积分数储藏的糙米样品,并根据氧气体积分数的不同呈现出明显的规律,但总贡献率要低于PCA 方法。另外,通过方差分析发现不同储藏条件对电子鼻响应值的影响大小有所差异,顺序为水分条件＞温度＞氧气体积分数,水分和温度存在交互作用。另外,采用Loadings 分析方法可以得知传感器W5C、W1S 在检测中起到的作用最大,可以对电子鼻的传感器进行优化与选择,根据不同的具体条件选择适当的传感器阵列组合。     

电子鼻结合化学计量法对羊奶中蛋白质掺假的识别

利用电子鼻结合化学计量法对羊奶中的蛋白质掺假进行定性和定量的研究。用电子鼻检测掺入了不同蛋白质物质的羊奶,采用主成分分析、线性判别分析对电子鼻响应值进行定性分析,采用线性回归分析、Fisher判别分析以及K-最邻近值分析对电子鼻响应值进行定量分析。结果表明:主成分分析和线性判别分析都能够区分不同类别的掺假样品。线性回归分析的决定系数为84.5%,表明回归方程估测可靠程度较高。Fisher判别分析的原始分类的正确率达到100.0%,交叉验证的正确率为98.2%,说明其预测结果较好。K-最邻近值分析对训练集的分类正确率达到95.1%,对验证集的分类正确率为97.1%,说明模型的预测结果良好。说明应用电子鼻技术检测羊奶中的蛋白质掺假具有一定的可行性。     

基于电子鼻技术的烟丝霉变检测

霉变是影响烟丝质量的重要因素之一,研究探索建立基于电子鼻技术的烟丝霉变检测方法。构建的电子鼻系统主要由5只SnO2半导体气敏传感器形成反应阵列,采用BP神经网络(back propagation neural network,BPNN)为主的模式识别方法。从每个传感器响应曲线中提取2个特征值,使用主成分分析和BP神经网络对传感器阵列的所有特征值进行处理。主成分分析结果显示:非霉变烟丝和霉变烟丝存在可区分趋势,但不同霉变程度的烟丝间存在部分重叠。进一步利用BP神经网络对霉变烟丝判别,识别正确率达到90.00%。试验表明,使用电子鼻技术可以客观、有效地区分霉变和非霉变烟丝,为有效控制烟丝质量提供了可靠途径。     

电子鼻对不同温度下生鲜羊奶贮藏时间的判定

利用电子鼻PEN3 系统判定常温和冷藏条件下羊奶的贮藏时间。通过电子鼻系统采集羊奶常温贮藏及冷藏期间挥发性成分的响应值,并利用主成分分析法(principal component analysis,PCA)及线性判别分析法(linear discrimination analysis,LDA)对其挥发性成分及贮藏时间进行分析。结果表明：PCA方法既可以区分常温贮藏及冷藏1～6d的生鲜羊奶,还可以对比常温和冷藏条件下贮藏1～6d的羊奶,并表现出了较好的区分性,但是不能分析出贮藏期间羊奶挥发性成分的变化趋势;LDA方法区分效果不及PCA,但明显体现出了羊奶贮藏期间挥发性成分的变化趋势。综合PCA及LDA方法的分析结果,说明电子鼻可以有效地判定常温和冷藏条件下生鲜羊奶的贮藏时间及贮藏期内挥发性成分的变化趋势。     

基于电子鼻对不同植物油油炸薯片的区分

以大豆油,玉米油,葵花籽油,花生油及棕榈油5种植物油油炸的薯片为研究对象,利用电子鼻检测其在贮藏期内(0～60 d)的风味物质变化,根据主成分分析(Principal Component Analysis,PCA)、线性判别分析(Linear Discriminant Analysis,LDA)和Fisher判别分析,考察电子鼻对5种植物油油炸薯片区分效果。结果表明,在整个贮藏期内电子鼻传感器对样品的氮氧化物、硫化物和芳香类物质响应值高;PCA分析和LDA分析都可以代表样品的主要信息,但LDA分析的区分效果较PCA分析更明显;Fisher判别分析除0 d时1个样品被误判,总的正确判别率为96%,其余样品均未被误判,总的正确判别率都为100%。     

电子鼻对酿酒酵母菌株产香特性的评价

利用电子鼻PEN3 系统对不同酿酒酵母酿制葡萄酒的芳香成分进行检测分析。通过电子鼻系统动态采集葡萄酒试样的芳香成分,利用主成分分析(PCA)、线性判断分析(LDA)进行数据分析,两种分析方法都能较好的区分不同酵母对应的葡萄酒试样,表明酿酒酵母的产香能力具有菌株多态性,而电子鼻能够对其差异进行检测并加以区分。同时结合Loadings 分析方法得知,除7 号(对硫化物灵敏)、9 号(对有机硫化物灵敏)和10 号(对烷烃灵敏)外,其他的传感器在菌株的产香差异分析中起主要作用。     

基于电子鼻与统计学方法的海鲈鱼新鲜度品质预测

通过电子鼻系统采集贮藏在0 ℃下海鲈鱼的气体指纹信息,并测定挥发性盐基氮(TVB-N)、菌落总数和假单胞菌。分析不同贮藏期海鲈鱼电子鼻传感器响应值的变化,采用主成分分析(PCA)、线性判别分析(LDA)进行数据分析,采用偏最小二乘法(PLS)建立TVB-N、菌落总数和假单胞菌的预测模型。结果表明:随着海鲈鱼贮藏时间的延长,电子鼻的响应值数值在海鲈鱼贮藏过程中增加。采用PCA、LDA方法可较好区分不同贮藏时间海鲈鱼的腐败程度。通过偏最小二乘法(PLS)建立TVB-N、菌落总数和假单胞菌的快速预测模型,其决定系数(R2)分别为0.9737、0.8778、0.5943,而假单胞菌预测模型的R2较低,模型拟合度不高,故不适合用PLS建立假单胞菌预测模型。利用电子鼻结合化学计量学方法对海鲈鱼新鲜度品质进行快速检测是可行的。     

利用电子鼻区分羊奶中不同浓度抗生素

采用电子鼻方法,利用主成分分析(PCA)和线性判别分析(LDA)进行数据采集,对添加硫酸土霉素、盐酸链霉素、硫酸庆大霉素的羊奶进行快速检测与识别.结果表明,PCA只能区分盐酸链霉素样品,LDA的区分效果明显优于PCA.电子鼻能够有效的区分添加以上3种不同浓度抗生素的羊奶.