傅 均，邢建國(guó)

(浙江工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，杭州310018)

茶葉是我國(guó)重要的經(jīng)濟(jì)農(nóng)產(chǎn)品，在活躍農(nóng)村經(jīng)濟(jì)、增加農(nóng)民收入和出口創(chuàng)匯中占重要地位。據(jù)我國(guó)商務(wù)部統(tǒng)計(jì)，2010年我國(guó)茶葉出口量30.2萬噸，出口金額7.84億美元［1］。茶葉是一種嗜好性很強(qiáng)的商品，其感官品質(zhì)的優(yōu)劣直接影響產(chǎn)品價(jià)值和經(jīng)濟(jì)效益。茶葉品質(zhì)因素包括色、香、味和形等方面，其中香氣在各類茶葉品質(zhì)評(píng)分中占25%～35%的系數(shù)［2］，是決定茶葉品質(zhì)的重要因素。茶葉的加工工藝決定了茶葉的不同風(fēng)味［3］。另外，茶樹的品種、樹齡、生長(zhǎng)環(huán)境、茶葉的采摘方法等也會(huì)影響到茶葉的品質(zhì)。

與傳統(tǒng)的人工感官審評(píng)法和現(xiàn)代分析儀器相比，電子鼻具有快速、簡(jiǎn)單、綜合和廉價(jià)等優(yōu)點(diǎn)，被認(rèn)為是一種具有發(fā)展前景的智能感官審評(píng)技術(shù)［4］。Dutta等［5－6］最早用電子鼻分析了五種不同品質(zhì)的印度紅茶，用概率神經(jīng)網(wǎng)絡(luò)(PNN)和徑向基函數(shù)(RBF)等多種神經(jīng)網(wǎng)絡(luò)對(duì)漂移數(shù)據(jù)進(jìn)行分類和預(yù)測(cè)。Tudu等［7－8］用電子鼻考察了分布印度各地的6個(gè)茶業(yè)公司的紅茶等級(jí)，分別用增量學(xué)習(xí)模糊模型和增量 RBF 進(jìn)行分類。Bhattacharyya等［9－10］用電子鼻在線監(jiān)視紅茶發(fā)酵過程，在對(duì)印度不同季節(jié)和不同地方的81次現(xiàn)場(chǎng)試驗(yàn)中，發(fā)現(xiàn)電子鼻的精度與傳統(tǒng)比色法以及專業(yè)評(píng)茶師一致，并用主成分分析(PCA)和馬氏距離等方法確定發(fā)酵時(shí)間，以獲取較高的識(shí)別率。浙江大學(xué)的王俊研究組［11－12］用PEN2電子鼻分析了4個(gè)品質(zhì)級(jí)別的龍井茶，考察了多種實(shí)驗(yàn)因素對(duì)聚類的影響，并用誤差反向傳播(BP)網(wǎng)絡(luò)進(jìn)行分類。他們［13－14］還對(duì)另外5個(gè)品質(zhì)級(jí)別的龍井茶，用PCA和線性判別分析聚類情況，并獲取PCA前3個(gè)主成分，用聚類分析(CA)、BP和PNN方法進(jìn)行分類。他們［15］還對(duì)不同等級(jí)的干茶葉、茶水和茶底的揮發(fā)成分進(jìn)行檢測(cè)，以尋求最合適的分析角度判別茶葉品質(zhì)。張紅梅等［16］用電子鼻檢測(cè)了三個(gè)等級(jí)的信陽毛尖茶，建立了一種基于氣敏傳感器陣列的咖啡堿含量預(yù)測(cè)模型，并進(jìn)行了驗(yàn)證。

目前電子鼻中的模式識(shí)別算法主要包括多元統(tǒng)計(jì)方法(例如PCA、CA等)和智能分析方法(例如人工神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)等)，前者一般用于數(shù)據(jù)預(yù)處理和可視化等輔助分析，后者因其良好的自適應(yīng)、泛化和容錯(cuò)能力被認(rèn)為是實(shí)現(xiàn)電子鼻智能化和自動(dòng)化的希望，尤其是基于生物模式識(shí)別機(jī)理的仿生信息處理技術(shù)將引起更多重視［17］。我們先前的工作［18－19］嘗試將一種嗅覺模型引入電子鼻中處理傳感陣列信息，通過對(duì)6種簡(jiǎn)單有機(jī)揮發(fā)物的分類，考察了其在抵抗傳感器漂移和直接處理時(shí)間序列信號(hào)上的表現(xiàn)。本文在改進(jìn)電子鼻儀器基礎(chǔ)上，采用該仿生算法對(duì)來自不同省份的5種品牌的綠茶進(jìn)行分類識(shí)別，以探索在實(shí)際生產(chǎn)和生活中對(duì)更精細(xì)和復(fù)雜氣味的檢測(cè)與識(shí)別應(yīng)用。

1 KⅢ嗅覺神經(jīng)網(wǎng)絡(luò)

神經(jīng)電生理實(shí)驗(yàn)提示氣味模式只能在神經(jīng)團(tuán)水平上通過大量神經(jīng)元的局部集群行為得以體現(xiàn)，F(xiàn)reeman等將這些神經(jīng)團(tuán)的功能性連接按照Katchalsky層次拓?fù)浣Y(jié)構(gòu)歸類，提出了基于介觀神經(jīng)動(dòng)力學(xué)理論的K系列模型［20－21］。該模型包括代表神經(jīng)元集群生理基礎(chǔ)的KO模型，及其在不同層次上通過興奮性或者抑制性連接構(gòu)成的更高級(jí)單元KⅠ、KⅡ、KⅢ和KⅣ模型。其中KⅢ模型描述了哺乳類較為完整的嗅覺神經(jīng)網(wǎng)絡(luò)，如圖1所示，它由多層并行的嗅上皮層R、嗅球?qū)覱B、前嗅核AON、前梨狀皮層PC等前饋通路及D1～D4延時(shí)反饋單元組成。

圖1 KⅢ嗅覺神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖［19］

圖1中每個(gè)節(jié)點(diǎn)(即KO單元)的動(dòng)力學(xué)特性可以用二階微分方程描述，例如式1為OB層第i通道的僧帽細(xì)胞神經(jīng)團(tuán)M1的數(shù)學(xué)表達(dá)式，式中直接用圖1中的符號(hào)代表變量，在變量上方加一點(diǎn)表示該變量對(duì)時(shí)間t的一階微分，加兩點(diǎn)表示二階微分。

其中A和B是由生理實(shí)驗(yàn)獲取的開環(huán)時(shí)間常數(shù);Wm1x表示M1節(jié)點(diǎn)到其他相連節(jié)點(diǎn)(即x為G1、G2、P1、M2和R)的固定連接權(quán)值，以保證模型輸出逼近實(shí)際嗅覺系統(tǒng)EEG信號(hào)的某些重要生理特性(例如各神經(jīng)團(tuán)輸出的幅度直方圖在波形和脈沖模式下均接近高斯分布等);WmmL表示OB層任意兩個(gè)M1節(jié)點(diǎn)的側(cè)向連接權(quán)值，這些權(quán)值可以通過學(xué)習(xí)加以調(diào)整，G1節(jié)點(diǎn)的側(cè)向連接權(quán)值亦類似。Q(·)是一個(gè)由H-H方程導(dǎo)出的靜態(tài)Sigmoid函數(shù)，是將神經(jīng)團(tuán)的電位狀態(tài)變量轉(zhuǎn)化為其神經(jīng)樹突輸出的脈沖密度變量的I/O傳遞函數(shù)，如式(2)所示。

其中 u0=－ln［1－q·ln(1+1/q)］，參數(shù) q是函數(shù)的最大漸近值，決定了最大脈沖密度和曲線的陡度。

因此，整個(gè)網(wǎng)絡(luò)的數(shù)學(xué)模型可以用一組二階微分方程組表示，并且呈現(xiàn)出諸如極限環(huán)、不動(dòng)點(diǎn)和混沌等豐富的動(dòng)力學(xué)行為［22－23］。本文選用文獻(xiàn)［24］中的模型參數(shù)，在 Matlab軟件中采用四級(jí)4階經(jīng)典Runge-Kutta方法獲取KⅢ網(wǎng)絡(luò)的近似數(shù)值解。圖2為KⅢ網(wǎng)絡(luò)的第2通道在第601到第1000步輸入幅度為1方波信號(hào)、其他通道為0輸入時(shí)，第2通道M1和G1節(jié)點(diǎn)輸出幅度構(gòu)成的相圖。從圖中看加入外部刺激后，系統(tǒng)從原先的全局混沌吸引子(標(biāo)記1開始的藍(lán)色曲線)跳到一個(gè)準(zhǔn)周期的局部吸引子(標(biāo)記2的黑色曲線)，這個(gè)變化過程是一種由輸入驅(qū)動(dòng)的狀態(tài)變化，而輸入刺激結(jié)束后系統(tǒng)軌道(標(biāo)記3的黑色曲線)又重新回到原先的全局吸引子。

圖2 KⅢ網(wǎng)絡(luò)M1和G1節(jié)點(diǎn)輸出幅度構(gòu)成的相圖

Freeman認(rèn)為動(dòng)物接受到熟悉氣味(食物、敵人或者異性)時(shí)，EEG的時(shí)空模式就會(huì)迅速轉(zhuǎn)換到相應(yīng)的局部吸引子，每種氣味相當(dāng)于混沌吸引子的一個(gè)翼，而靜息狀態(tài)相當(dāng)于混沌吸引子的核，動(dòng)物識(shí)別氣味就是在這些翼之間跳轉(zhuǎn)，而學(xué)習(xí)辨認(rèn)新氣味則是修改原來的翼，建立新的翼。對(duì)于不同的刺激信號(hào)，系統(tǒng)通過不同振蕩調(diào)幅信號(hào)的時(shí)空模式來區(qū)分，同樣也是通過與這些時(shí)空結(jié)構(gòu)相對(duì)應(yīng)的節(jié)點(diǎn)之間的連接權(quán)值產(chǎn)生學(xué)習(xí)和記憶功能。通常從OB層的M1節(jié)點(diǎn)或G1節(jié)點(diǎn)的幅度調(diào)制振蕩信號(hào)或者在相平面上構(gòu)成的吸引子中獲取KⅢ網(wǎng)絡(luò)的輸出信息，常用的方法包括均方根值RMS法、標(biāo)準(zhǔn)差SD法、奇異值分解SVD法等。而對(duì)這些節(jié)點(diǎn)的權(quán)值調(diào)整采用改進(jìn)的Hebb學(xué)習(xí)規(guī)則、Anti-Hebbian學(xué)習(xí)規(guī)則、全局/局部適應(yīng)性規(guī)則等生物相似性學(xué)習(xí)算法，詳細(xì)報(bào)道可以參見文獻(xiàn)［17－18］。

2 材料與方法

2.1 電子鼻系統(tǒng)

實(shí)驗(yàn)采用自行研制的電子鼻系統(tǒng)，如圖3所示，以TI公司的16位微處理器MSP430為核心，主要包括傳感器陣列及加熱控制，氣室、微氣泵及氣流控制，數(shù)據(jù)采集、調(diào)理及通信接口，人機(jī)界面等四部分。傳感器陣列由8個(gè)MOS型氣敏傳感器(日本Figaro技研株式會(huì)社)組成，如表1所示。所有傳感器及其接口電路集成在PCB板上，固定在氣室內(nèi)。傳感信號(hào)經(jīng)過調(diào)理后，由微處理器的片內(nèi)外設(shè)12位ADC采樣，并通過RS232或USB傳送到計(jì)算機(jī)端。人機(jī)界面由計(jì)算機(jī)端的Delphi應(yīng)用軟件實(shí)現(xiàn)，主要包括陣列信號(hào)的實(shí)時(shí)動(dòng)態(tài)顯示、數(shù)據(jù)的保存及回顯，以及通過微處理器控制繼電器給傳感器陣列提供恒定加熱電壓，控制微氣泵定時(shí)自動(dòng)進(jìn)樣、排廢，不僅提高自動(dòng)化程度，而且精確了每次進(jìn)氣量，減少人為誤差。

圖3 自制電子鼻儀器實(shí)物圖

表1 電子鼻中所用氣敏傳感器一覽表

2.2 材料與試驗(yàn)內(nèi)容

綠茶樣品為同一年當(dāng)?shù)禺a(chǎn)的春茶，包括西湖龍井(浙江)、黃山毛峰(安徽)、馬邊云霧(四川)、恩施玉露(湖北)和信陽毛尖(河南)五個(gè)品牌(購(gòu)買于超市或代理商)，分別編號(hào)為 LJ、MF、YW、YL和MJ。每個(gè)品牌的茶葉制作6個(gè)重復(fù)平行樣本，每個(gè)樣本稱取20 g分別置于250 mL的錐形瓶中，用錫紙和橡皮塞密封待用。

在樣品檢測(cè)前，先將錐形瓶在恒溫加熱器上50℃加熱3 min以便富集頂空氣體，然后將橡皮塞上的注射針與電子鼻儀器進(jìn)氣口相連，通過Delphi應(yīng)用軟件自動(dòng)依次完成定量進(jìn)氣，同步數(shù)據(jù)采集和定時(shí)排廢等一系列過程，其中樣品進(jìn)氣時(shí)間10 s(流量0.5 L/min)，樣品反應(yīng)時(shí)間400 s(數(shù)據(jù)采樣率20 Sa/sec)，排廢與“清洗”時(shí)間6 min。如上操作步驟，每個(gè)平行樣本輪流檢測(cè)5次并拋棄第一次數(shù)據(jù)和個(gè)別誤操作數(shù)據(jù)，每個(gè)品牌的茶葉各獲取22個(gè)數(shù)據(jù)樣本。

3 結(jié)果與分析

3.1 綠茶樣品的傳感信號(hào)分析

通過前述步驟獲取的每個(gè)數(shù)據(jù)樣本都是一個(gè)龐大的矩陣，其包含了豐富的模式信息但又難以直接使用，通常在進(jìn)入分類器前需要經(jīng)過一定的預(yù)處理和特征提取。通過對(duì)各類品牌綠茶的傳感陣列信號(hào)考察發(fā)現(xiàn)，所有響應(yīng)曲線在150 s后逐漸從瞬態(tài)進(jìn)入穩(wěn)態(tài)，因此本文計(jì)算其后平穩(wěn)段1 000個(gè)采樣點(diǎn)的平均值作為該樣品的特征向量，并對(duì)其進(jìn)行了統(tǒng)一的歸一化處理，使所有特征向量都分布在單位超球面內(nèi)。

為了更好地觀察和分析電子鼻儀器中所選的8個(gè)氣敏傳感器對(duì)各種品牌綠茶樣品的響應(yīng)情況，將這些傳感陣列信號(hào)的特征向量均勻角度繪制到極坐標(biāo)系并封閉連線，得到表征不同品牌綠茶信息的指紋圖譜，即如圖4所示的雷達(dá)圖。從圖中看，每個(gè)傳感器對(duì)所有綠茶樣品都有響應(yīng)(除S7對(duì)黃山毛峰外)。其中圖4a為所有22個(gè)西湖龍井樣品的雷達(dá)圖，圖中每條指紋圖譜的重現(xiàn)性很好，表示這些數(shù)據(jù)樣本的類內(nèi)差異較小;圖4b為5種不同品牌綠茶的雷達(dá)圖(每種品牌2條指紋圖譜)，圖中不同品牌的綠茶具有形狀不同的指紋圖譜，說明這些數(shù)據(jù)樣本的類間差異較為明顯。從而說明所選的氣敏傳感器用于檢測(cè)這些綠茶樣品既無失效又無冗余，也表明前述簡(jiǎn)單特征提取方法是合適的。

圖4 雷達(dá)圖上各種品牌綠茶的指紋圖譜

3.2 KⅢ網(wǎng)絡(luò)對(duì)綠茶品牌的識(shí)別

根據(jù)特征向量的維數(shù)，使用8通道的KⅢ網(wǎng)絡(luò)，每次數(shù)值計(jì)算迭代長(zhǎng)度1200，其中前200步為靜息狀態(tài)，第201到第1000步輸入特征向量，最后200步使其恢復(fù)到靜息狀態(tài)以便進(jìn)行下一次訓(xùn)練或識(shí)別。采用SD法計(jì)算所有M1節(jié)點(diǎn)對(duì)輸入刺激的興奮度(即幅度調(diào)制振蕩的標(biāo)準(zhǔn)方差)，并按式3所示的學(xué)習(xí)算法(結(jié)合改進(jìn)的Hebb學(xué)習(xí)規(guī)則和全局適應(yīng)性規(guī)則)調(diào)整這些節(jié)點(diǎn)間的側(cè)向連接權(quán)值WmmL(簡(jiǎn)寫為W)，即當(dāng)?shù)趇和第j節(jié)點(diǎn)的興奮度超過所有節(jié)點(diǎn)的平均興奮度SDm時(shí)連接權(quán)值增強(qiáng)(hHeb=1.5)，否則減弱(hhab=0.548 7)。

在5種品牌的綠茶每種22個(gè)樣本中各隨機(jī)但不重復(fù)抽取7個(gè)樣本作為訓(xùn)練集，依次輪流輸入KⅢ網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。圖5是5種品牌綠茶經(jīng)過7次循環(huán)學(xué)習(xí)后，KⅢ網(wǎng)絡(luò)權(quán)值空間變化情況，即每輪學(xué)習(xí)前后OB層對(duì)應(yīng)WmmL權(quán)值差量的平方數(shù)之和。從圖中看，隨著訓(xùn)練次數(shù)的增加，權(quán)值空間變化不斷減小，而且少量的學(xué)習(xí)就使得WmmL趨于穩(wěn)定。表2是訓(xùn)練集樣本數(shù)和訓(xùn)練次數(shù)為3～7時(shí)，用包含訓(xùn)練集在內(nèi)的所有22個(gè)樣本做測(cè)試集，分別進(jìn)行10次重復(fù)試驗(yàn)后得到的平均識(shí)別率。從表中看，在各種情況下不同品牌的綠茶均有較高的識(shí)別率，并且隨著訓(xùn)練次數(shù)的增加，KⅢ網(wǎng)絡(luò)對(duì)5種品牌的綠茶識(shí)別率平均值大致上呈上升趨勢(shì)，但在訓(xùn)練次數(shù)4～7時(shí)并不明顯，而且6時(shí)有小波動(dòng)。一方面是因?yàn)檫@些數(shù)據(jù)樣本本身統(tǒng)計(jì)結(jié)構(gòu)(類內(nèi)聚合與類間分散)較好，對(duì)分類器的敏感度降低;另一方面顯示了輸入驅(qū)動(dòng)聯(lián)想記憶分類器與BP等神經(jīng)網(wǎng)絡(luò)的差別，前者依靠系統(tǒng)自身魯棒性和容錯(cuò)能力利用少量訓(xùn)練樣本和學(xué)習(xí)次數(shù)即能達(dá)到較好的識(shí)別結(jié)果。

圖5 KⅢ網(wǎng)絡(luò)WmmL權(quán)值空間變化曲線圖

采用同樣的樣本集(每種綠茶的訓(xùn)練集比測(cè)試集為7∶22)，用Matlab工具箱的BP神經(jīng)網(wǎng)絡(luò)(網(wǎng)絡(luò)結(jié)構(gòu)8－12－5)進(jìn)行10次重復(fù)試驗(yàn)，觀察它們的平均識(shí)別率。發(fā)現(xiàn)當(dāng)BP網(wǎng)絡(luò)訓(xùn)練次數(shù)大于10 000次時(shí)，平均識(shí)別率均超過99%，優(yōu)于KⅢ網(wǎng)絡(luò)平均識(shí)別率;但當(dāng)BP網(wǎng)絡(luò)的訓(xùn)練次數(shù)降到與KⅢ網(wǎng)絡(luò)訓(xùn)練次數(shù)相當(dāng)(4～7次)時(shí)，識(shí)別率急劇下降，低于10%。從而也證實(shí)了前述觀點(diǎn)，KⅢ網(wǎng)絡(luò)這種輸入驅(qū)動(dòng)聯(lián)想記憶分類器對(duì)學(xué)習(xí)次數(shù)要求很低。

4 結(jié)論

初步建立了一種基于MOS型氣敏傳感器陣列和嗅覺神經(jīng)網(wǎng)絡(luò)檢測(cè)和識(shí)別多種不同品牌綠茶的方法。自制了一套基于計(jì)算機(jī)－嵌入式微處理器的電子鼻系統(tǒng)，由計(jì)算機(jī)軟件控制儀器加熱、定時(shí)進(jìn)樣/排廢、曲線顯示和數(shù)據(jù)保存，提高了數(shù)據(jù)采集試驗(yàn)的自動(dòng)化和精度，并由此獲取了西湖龍井、黃山毛峰、馬邊云霧、恩施玉露和信陽毛尖等5種來自不同省份和品牌的綠茶數(shù)據(jù)樣本，通過雷達(dá)圖比較和分析這些樣本的指紋圖譜，證實(shí)了該電子鼻系統(tǒng)的有效性。采用生物相似性學(xué)習(xí)算法訓(xùn)練KⅢ嗅覺神經(jīng)網(wǎng)絡(luò)，并考察了樣本訓(xùn)練次數(shù)和識(shí)別率的關(guān)系，發(fā)現(xiàn)經(jīng)過4～7次訓(xùn)練，KⅢ網(wǎng)絡(luò)對(duì)這5種綠茶的識(shí)別率平均值都在97%以上。

本文對(duì)電子鼻中引入嗅覺神經(jīng)網(wǎng)絡(luò)識(shí)別較為復(fù)雜的綠茶氣味進(jìn)行了嘗試，但利用嗅覺模型處理電子鼻傳感陣列信息的研究尚在探索階段。今后的工作將繼續(xù)改進(jìn)電子鼻陣列信號(hào)獲取手段，充分發(fā)揮KⅢ網(wǎng)絡(luò)對(duì)時(shí)間序列的處理能力，建立KⅢ網(wǎng)絡(luò)對(duì)傳感陣列信息的時(shí)空模式處理方法，并進(jìn)一步研究對(duì)不同品質(zhì)等級(jí)的同品牌綠茶的識(shí)別，提升我國(guó)具有地理標(biāo)志的名茶產(chǎn)品在出口中的國(guó)際競(jìng)爭(zhēng)力。

［1］ 中華人民共和國(guó)商務(wù)部對(duì)外貿(mào)易司.中國(guó)出口月度統(tǒng)計(jì)報(bào)告－茶葉(2010 年 12 月)［EB/OL］，http://wms.mofcom.gov.cn/table/nongcp/tea_1012.pdf，2011－8－18.

［2］ GB/T 23776—2009，茶葉感官審評(píng)方法［S］.

［3］ 朱德文，岳鵬翔，袁弟順.不同殺青方法對(duì)綠茶品質(zhì)的影響［J］.農(nóng)業(yè)工程學(xué)報(bào)，2009，25(8):275－279.

［4］ 史波林，趙鐳，汪厚銀，等.智能感官分析技術(shù)在茶葉品質(zhì)檢測(cè)中的應(yīng)用［J］.食品科學(xué)，2009，30(19):351－355.

［5］ Dutta R，Hines E L，Gardner J W，et al.Tea Quality Prediction U-sing a Tin Oxide-Based Electronic Nose:an Artificial Intelligence Approach［J］.Sens Actuator B-Chem，2003，94(2):228－237.

［6］ Dutta R，Kashwan K R，Bhuyan M，et al.Electronic Nose Based Tea Quality Standardization［J］.Neural Netw，2003，16(5－6):847－853.

［7］ Tudu B，Metla A，Das B，et al.Towards Versatile Electronic Nose Pattern Classifier for Black Tea Quality Evaluation:an Incremental Fuzzy Approach［J］.IEEE Trans Instrum Meas，2009，58(9):3069－3078.

［8］ Tudu B，Jana A，Metla A，et al.Electronic Nose for Black Tea Quality Evaluation by an Incremental RBF Network［J］.Sens Actuator B-Chem，2009，138(1):90－95.

［9］ Bhattacharyya N，Seth S，Tudu B，et al.Detection of Optimum Fermentation Time for Black Tea Manufacturing Using Electronic Nose［J］.Sens Actuator B-Chem，2007，122:627－634.

［10］ Bhattacharyya N，Seth S，Tudu B，et al.Monitoring of Black Tea Fermentation Process Using Electronic Nose［J］.J Food Eng，2007，80(4):1146－1156.

［11］于慧春，王俊，張紅梅，等.龍井茶葉品質(zhì)的電子鼻檢測(cè)方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38(7):103－106.

［12］ Yu Huichun，Wang Jun.Discrimination of LongJing Green-Tea Grade by Electronic Nose［J］.Sens Actuator B-Chem，2007，122(1):134－140.

［13］ Yu Huichun，Wang Jun，Zhang Hongmei，et al.Identification of Green Tea Grade Using Different Feature of Response Signal from ENose Sensors［J］.Sens Actuator B-Chem，2008，128(2):455－461.

［14］ Yu Huichun，WangJun，YaoCong，etal.QualityGrade Identification of Green Tea Using E-Nose by CA and ANN［J］.LWT-Food Sci Technol，2008，41(7):1268－1273.

［15］于慧春，王俊.電子鼻技術(shù)在茶葉品質(zhì)檢測(cè)中的應(yīng)用研究［J］.傳感技術(shù)學(xué)報(bào)，2008，21(5):748－752.

［16］張紅梅，王俊，余泳昌，等.基于電子鼻技術(shù)的信陽毛尖茶咖啡堿檢測(cè)方法［J］.傳感技術(shù)學(xué)報(bào)，2011，24(8):1223－1228.

［17］ Li Guang，F(xiàn)u Jun，Zhang Jia，et al.Progress in Bionic Information Processing Techniques for an Electronic Nose Based on Olfactory Models［J］.Chin Sci Bull，2009，54(4):521－534.

［18］ Fu Jun，Li Guang，Qin Yuqi，et al.A Pattern Recognition Method for Electronic Noses Based on an Olfactory Neural Network［J］.Sens Actuator B-Chem，2007，125(2):489－497.

［19］傅均，李光，F(xiàn)reeman W J.基于嗅覺神經(jīng)網(wǎng)絡(luò)采用時(shí)間序列的電子鼻模式分類方法［J］.傳感技術(shù)學(xué)報(bào)，2007，20(9):1958－1962.

［20］ Freeman W J.Mass Action in the Nervous System［M］.New York:Academic Press.1975.

［21］ Freeman W J.Neurodynamics:An Exploration of Mesoscopic Brain Dynamics［M］.London:Springer-Verlag.2000.

［22］ Freeman W J，Chang H J，Burke B C，et al.Taming Chaos:Stabili-zation of Aperiodic Attractors by Noise［J］.IEEE Trans Circuits Syst I-Regul Pap，1997，44(10):989－996.

［23］ Kozma R，F(xiàn)reeman W J.Chaotic Resonance-Methods and Applications for Robust Classification of Noise and Variable Patterns［J］.Int J Bifurcation Chaos，2001，11(6):1607－1629.

［24］ Chang H J，F(xiàn)reeman W J，Burke B C.Biologically Modeled Noise Stabilizing Neurodynamics for Pattern Recognition［J］.Int J Bifurcation Chaos，1998，8(2):321－345.