萬賜暉 賈文珅 王紀華 吳楠京

(1. 三峽大學計算機與信息學院，湖北 宜昌 443002； 2. 北京農(nóng)業(yè)質(zhì)量標準與檢測技術(shù)研究中心，北京 100097；3. 農(nóng)業(yè)部農(nóng)產(chǎn)品質(zhì)量安全風險評估實驗室(北京)，北京 100097；4. 4. 北京信息科技大學自動化學院，北京 100192)

?

基于人工神經(jīng)網(wǎng)絡(luò)算法的電子鼻系統(tǒng)在食品無損檢測中的應(yīng)用

萬賜暉1,2,3,4賈文珅2,3,4王紀華1,2,3,4吳楠京2,3,4

(1. 三峽大學計算機與信息學院，湖北 宜昌 443002； 2. 北京農(nóng)業(yè)質(zhì)量標準與檢測技術(shù)研究中心，北京 100097；3. 農(nóng)業(yè)部農(nóng)產(chǎn)品質(zhì)量安全風險評估實驗室(北京)，北京 100097；4. 4. 北京信息科技大學自動化學院，北京 100192)

電子鼻技術(shù)是一門新興的氣體分析技術(shù)，因其具有響應(yīng)速度快、檢測時間短等優(yōu)點而被廣泛應(yīng)用于醫(yī)療診斷、環(huán)境監(jiān)測、農(nóng)副產(chǎn)品與食品的檢測中。文章首先介紹了幾種常用神經(jīng)網(wǎng)絡(luò)算法的，并比較了不同算法的優(yōu)缺點，然后重點介紹了基于人工神經(jīng)網(wǎng)絡(luò)算法的電子鼻系統(tǒng)在水果檢測鑒別、肉制品檢測、茶葉品質(zhì)鑒定、乳制品、酒類等食品檢測方面的應(yīng)用，最后對電子鼻技術(shù)、ANN算法目前存在問題及發(fā)展趨勢進行了闡述。

電子鼻；神經(jīng)網(wǎng)絡(luò)算法；應(yīng)用；無損檢測

從20世紀50年代電子鼻的概念被提出[1]，發(fā)展到當今能實現(xiàn)多種用途的電子鼻，在這短短幾十年的時間里，電子鼻展現(xiàn)出了良好的市場前景。其已被應(yīng)用于醫(yī)療診斷[2]、環(huán)境監(jiān)測[3]、農(nóng)產(chǎn)品檢測[4]以及食品檢測[5-6]等多個領(lǐng)域。如商品化電子鼻檢測儀器，智能鼻Fox4000、PEN3型電子鼻、香味掃描儀Aromascan等。這些電子鼻儀器已經(jīng)被用于食品、農(nóng)作物等的品質(zhì)檢測中。

電子鼻模擬生物嗅覺[7-8]，其系統(tǒng)主要由氣敏傳感器陣列、信號預處理單元和模式識別單元三部分組成[9]。氣敏傳感器陣列位于進氣室，采集氣體信號[10]。傳感器陣列將采集到的信號傳輸給信號與處理單元。模式識別單元運用指定的模式識別算法對預處理過的信號進行處理，以實現(xiàn)對氣體信號的定性或定量分析[11]。

電子鼻系統(tǒng)的工作流程見圖1。在電子鼻系統(tǒng)中，模式識別算法是核心部分，目前被廣泛應(yīng)用的模式識別算法主要有兩大類[12]：一類是基于統(tǒng)計理論的線性分類算法，如主成分分析(PCA)、線性判別分析(LDA)、支持向量機(SVM)等；另一類基于神經(jīng)網(wǎng)絡(luò)的非線性算法(ANN)。線性分類算法因其模型簡單而被廣泛應(yīng)用[13]，雖然抗干擾能力差；相比較之下，神經(jīng)網(wǎng)絡(luò)算法則具有初步的自適應(yīng)與自組織能力，對噪聲的抗干擾能力強、在一定環(huán)境下預測的準確度相對較高等優(yōu)點，因此神經(jīng)網(wǎng)絡(luò)算法目前被更為廣泛地應(yīng)用[14-15]。但是，采用何種模式識別算法對測定信號進行處理可以得到最準確的結(jié)果仍存在爭議，也成為科研工作者爭論的焦點。

圖1 電子鼻系統(tǒng)工作流程

本文介紹并比較了基于不同人工神經(jīng)網(wǎng)絡(luò)算法的電子鼻系統(tǒng)在水果、肉制品、茶葉、乳制品、酒類等食品檢測方面的應(yīng)用，并對目前基于ANN算法的電子鼻技術(shù)未來發(fā)展趨勢進行了展望。

1 神經(jīng)網(wǎng)絡(luò)算法

1.1 神經(jīng)網(wǎng)絡(luò)算法簡介

神經(jīng)網(wǎng)絡(luò)算法模擬生物神經(jīng)網(wǎng)絡(luò)，起源于腦神經(jīng)元學說，是一類模式匹配算法，用于解決分類和回歸問題[16]。神經(jīng)網(wǎng)絡(luò)算法是機器學習的一個龐大分支，有幾百種不同的算法。例如：模糊神經(jīng)網(wǎng)絡(luò)、廣義回歸網(wǎng)絡(luò)、反向傳播人工神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)等。大量結(jié)構(gòu)簡單的神經(jīng)元組合在一起構(gòu)成人工神經(jīng)網(wǎng)絡(luò)，其可以對人腦的一些基本功能進行模擬。人工神經(jīng)網(wǎng)絡(luò)算法不按給定步驟執(zhí)行運算，而是不斷地適應(yīng)、調(diào)整，最后完成某種運算或識別。目前已有不少科研人員[17-18]將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到了電子鼻系統(tǒng)中。

1.2 常用的神經(jīng)網(wǎng)絡(luò)算法

1.2.1 BP神經(jīng)網(wǎng)絡(luò)算法 BP神經(jīng)網(wǎng)絡(luò)(BPNN)，是一種誤差反向傳播算法的學習過程，這個過程由信息的正向傳播和誤差的反向傳播組成。輸出層的直接前導層的誤差由輸出后的誤差來估計，并以此計算更前一層的誤差，如此層層遞進，最后判斷網(wǎng)絡(luò)誤差是否滿足要求。

1.2.2 廣義回歸神經(jīng)網(wǎng)絡(luò) 廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種特殊形式，它的網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，除了輸入和輸出層外，一般只有兩個隱藏層，模式層和求和層。而模式中隱藏單元的個數(shù)，與訓練樣本的個數(shù)是相同的，當樣本通過隱藏層的同時，它的訓練也已經(jīng)完成，具有訓練時間少，計算成本低和易優(yōu)化的特點。同時，GRNN的最后結(jié)果是全局收斂的而非局部收斂。

1.2.3 概率神經(jīng)網(wǎng)絡(luò) 概率神經(jīng)網(wǎng)絡(luò)(PNN)常用于模式分類。它在分類功能上與最優(yōu)Bayes分類器等價，是基于統(tǒng)計原理的神經(jīng)網(wǎng)絡(luò)模型。其實質(zhì)是基于貝葉斯最小風險準則發(fā)展而來的一種并行算法，同時是完全前向的計算過程而不像傳統(tǒng)的多層前向網(wǎng)絡(luò)進行反向計算。它的優(yōu)點是訓練時間短、不易產(chǎn)生局部最優(yōu)，而且它的分類正確率較高。在有足夠多的訓練數(shù)據(jù)條件下，無論多復雜的問題，都可以保證獲得貝葉斯準則下的最優(yōu)解。

1.2.4 模糊神經(jīng)網(wǎng)絡(luò) 模糊神經(jīng)網(wǎng)絡(luò)(FNN)將模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)互補結(jié)合，將邏輯推理、語言計算、非線性動力學集于一體，具有強大的學習和信息處理功能。在模糊神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)的輸入、輸出節(jié)點用來表示模糊系統(tǒng)的輸入、輸出信號，神經(jīng)網(wǎng)絡(luò)的隱含節(jié)點用來表示隸屬函數(shù)和模糊規(guī)則，利用神經(jīng)網(wǎng)絡(luò)的并行處理能力使得模糊系統(tǒng)的推理能力大大提高。

不同的神經(jīng)網(wǎng)絡(luò)算法優(yōu)劣不同，其具體比較見表1。

表1 常用神經(jīng)網(wǎng)絡(luò)算法性能比較

2 神經(jīng)網(wǎng)絡(luò)算法在電子鼻上的應(yīng)用

2.1 水果及果制品檢測

水果中含有豐富的維生素、水分和膳食纖維等，對人的身體有很多的益處。但是，病變腐敗的水果卻會給人帶來不可估量的危害，因此，需要一種快速的檢測方法來對水果進行檢測[19]。水果的芳香物質(zhì)是影響人們購買的主要因素，也是對其品質(zhì)進行判定的重要依據(jù)[20]。因此，可以用電子鼻對其進行檢測從而判定水果質(zhì)量[21]。

李瑩等[22]用PEN3型電子鼻對富士蘋果的貯藏時間進行檢測，檢測不同貯藏時間蘋果的硬度、可滴定酸度和可溶性固性物。分別用PLS和BPNN方法建模，結(jié)果顯示，PLS法預測的相關(guān)系數(shù)為0.90，而BPNN法預測的相關(guān)系數(shù)為0.93，預測效果好于PLS模型。證明了用電子鼻對蘋果進行貯藏時間檢測是可行的，且采用BPNN建模能提高預測的正確率。為了比較BPNN算法與常規(guī)線性算法結(jié)合使用后的效果，王宇菲等[23]用自制電子鼻對熱帶水果進行實時檢測，判斷其在倉儲、運輸中出現(xiàn)的品質(zhì)改變問題。使用PCA和LDA進行數(shù)據(jù)降維，并結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法進行數(shù)據(jù)分析，結(jié)果顯示，用LDA+BP算法時系統(tǒng)判別準確率可達 100%。結(jié)果說明，用電子鼻對熱帶水果的品質(zhì)檢測是可行的，且用LDA算法降維，BPNN算法建模得到的準確率很高。為了檢測應(yīng)用BPNN算法對水果檢測的準確率，Zhang Hong-mei等[24]采用兩種品牌共8個MOS型傳感器自制電子鼻，用以對桃進行檢測。使用了多元線性回歸(MLR)、二次多項式逐步回歸(QPST)和BPNN 3種方法建模對桃的糖度和pH進行預測。在統(tǒng)計分析時將傳感器收集的信號和質(zhì)量參數(shù)結(jié)合分析，采用PCA和LDA的方法提取主成份。結(jié)果顯示，MLR模型的相關(guān)系數(shù)只有0.8，而QPST和BPNN方法建立的模型相關(guān)系數(shù)能達到0.9。結(jié)果說明，電子鼻有潛力成為一種可靠的工具用于檢測桃的品質(zhì)，且使用BPNN算法建模得到的正確率較高。由此說明，電子鼻系統(tǒng)應(yīng)用BPNN算法對水果進行檢測可得到較高的準確率。

Z. Haddi等[25]用5種MOS型傳感器自制電子鼻對多種果汁進行檢測，用PCA算法建模檢測后發(fā)現(xiàn)，有幾種果汁不能被準確地區(qū)分，而使用FNN算法建模檢測，能100%地鑒別所有不同的果汁。證明了用電子鼻鑒別不同品種的果汁是可行的，且使用FNN算法建模比使用PCA算法建模更優(yōu)。

由此可知，用電子鼻對水果進行檢測是可行的，不同算法對于不同水果之間體現(xiàn)了較大適用性差異，選擇合適的算法可以使其檢測準確率得到提高。

2.2 肉制品檢測

隨著人們對肉制品的需要越來越多，市場上出現(xiàn)的肉制品越來越參差不齊。肉制品保存不當極易造成腐敗變質(zhì)，對人體造成危害。傳統(tǒng)的肉制品檢測方法[26]已經(jīng)不能滿足市場需求。因此，用電子鼻進行快速無損檢測意義重大[27]。目前在肉制品新鮮度檢測、肉制品品質(zhì)的判定和肉品摻假檢測等方面以得到廣泛應(yīng)用[28-29]。

洪雪珍等[30]用PEN2型電子鼻對不同冷藏牛肉的貯藏天數(shù)進行檢測，運用主成分分析和線性判別分析對其新鮮度進行檢測，結(jié)果表明，采用此兩種方法，對貯藏時間0～5 d的牛肉無法很好地鑒別。而采用BPNN和GRNN建立的模型誤差較小，能很好地區(qū)分不同貯藏天數(shù)的牛肉。且GRNN對冷藏時間、揮發(fā)性鹽基氮、微生物總數(shù)的預測效果均十分理想。證明用電子鼻對不用貯藏天數(shù)的牛肉進行鑒別完全是可行的，且使用BPNN和GRNN建模的效果良好，優(yōu)于PCA和LDA。

Garcia等[31]使用薄膜傳感器制作電子鼻對不同品質(zhì)的火腿進行區(qū)分，采用PCA進行特征提取，PNN進行識別，最后的識別結(jié)果能達到100%，完全區(qū)分不同品質(zhì)的火腿。證明采用PNN建模的電子鼻系統(tǒng)能很好地區(qū)別不同品質(zhì)的火腿。

Li Huan-huan等[32]采用可視傳感器陣列對豬肉的新鮮度進行評價，用LDA和BPNN分別建模，BPNN的最佳識別率能達到100%，而LDA的最佳識別率為97.5%。結(jié)果說明用電子鼻來對豬肉新鮮度進行實時檢測是可行的，且BP神經(jīng)網(wǎng)絡(luò)算法的性能優(yōu)于線性判別分析。與此同時，洪雪珍等[33]用PEN2型電子鼻對豬肉儲藏時間進行快速檢測，用BP神經(jīng)網(wǎng)絡(luò)算法對豬肉儲藏時間進行預測時，訓練集的準確率達到94.17%，預測集的準確率達到93.75%，此結(jié)果說明用電子鼻區(qū)分新鮮度不同的豬肉是可行的，且BP神經(jīng)網(wǎng)絡(luò)建立的模型預測效果良好。

由此可見，用電子鼻對肉和肉制品進行不同貯藏天數(shù)的鑒別完全可行，通過比較不難發(fā)現(xiàn)，使用神經(jīng)網(wǎng)絡(luò)算法建模取得的效果良好，優(yōu)于PCA和LDA算法。

2.3 茶葉檢測

長久以來，人們用感官對茶葉進行評定，評定過程中主觀因素太多，評定結(jié)果難以準確。因此，急需一種能快速而且準確的檢測方法[34]。而電子鼻恰好可以滿足這些需求且不損傷待檢測樣品[35]。

Ritaban Duttaa等[36]最早用MOS型傳感器自制電子鼻對5種不同工藝加工的紅茶進行電子鼻檢測，采用PNN和徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行分類和預測。這兩種神經(jīng)網(wǎng)絡(luò)算法都能區(qū)分出不同加工的紅茶，其中PNN正確率為94%，RBF網(wǎng)絡(luò)的正確率為100%。充分說明用電子鼻可以代替?zhèn)鹘y(tǒng)工藝對茶葉進行評價且使用神經(jīng)網(wǎng)絡(luò)算法正確率較高。為了驗證其他神經(jīng)網(wǎng)絡(luò)算法的準確率，傅均等[37]用8個MOS型傳感器自制的電子鼻對5種品牌的綠茶進行檢測，采用K Ⅲ嗅覺神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)K Ⅲ網(wǎng)絡(luò)這種輸入驅(qū)動聯(lián)想記憶分類器對學習次數(shù)要求很低，經(jīng)過4～7次訓練，K Ⅲ網(wǎng)絡(luò)對5種綠茶的識別率平均值都能達到97%以上。為了比較使用PCA算法特征提取后神經(jīng)網(wǎng)絡(luò)算法建模的模型準確率，Yu Hui-chun等[38]對5種不同品牌的綠茶用PEN2型電子鼻進行檢測，使用PCA進行特征提取，然后使用BPNN和PNN算法進行數(shù)據(jù)分析，結(jié)果顯示，兩種算法的識別率分別達到100%和98.7%，此結(jié)果表明使用神經(jīng)網(wǎng)絡(luò)算法進行識別的電子鼻能很好地區(qū)分出不同的茶葉且使用神經(jīng)網(wǎng)絡(luò)算法建模效果良好。

張紅梅等[39]使用PEN2型電子鼻對茶葉中茶多酚的含量進行快速檢測，分別用多元線性回歸、二次多項式逐步回歸分析和BP神經(jīng)網(wǎng)絡(luò)建立預測模型，結(jié)果表明，3種模型茶多酚含量預測值與實測值之間的相關(guān)系數(shù)分別為0.86，0.90 和0.92。結(jié)果說明，使用電子鼻對茶葉茶多酚含量的檢測是可行的，且采用BP神經(jīng)網(wǎng)絡(luò)算法得到的準確率最高。陳哲等[40]用12個MOS傳感器自制電子鼻對碧螺春茶葉品質(zhì)等級進行檢測。對比了K最臨近(KNN)算法和BPNN算法來區(qū)分不同等級的茶葉，提取了茶水和茶底的特征融合信息。結(jié)果顯示，KNN模型的判別率為83.33%，BPNN模型對茶葉樣本判別率則達到了100%。結(jié)果表明，采用電子鼻收集信號再用BPNN模型進行分析，能達到預期的效果。證明電子鼻對茶葉品質(zhì)檢測是可行的。

由此可見，電子鼻可以應(yīng)用于茶葉檢測的多個方面，由上述試驗結(jié)果不難看出，使用神經(jīng)網(wǎng)絡(luò)算法建模對茶葉檢測，能取得較好的試驗效果，得到的結(jié)果更為準確。

2.4 乳制品檢測

乳制品已經(jīng)是日常生活中不可或缺的一部分，它不但是提供鈣元素的好食品，而且含大量的蛋白質(zhì)、維生素和礦物質(zhì)，對人的身體健康十分有益。但乳制品的保質(zhì)期普遍較短，新鮮的乳制品往往只有幾天的保存時間，且在貯藏期間乳制品含有的揮發(fā)性成分每天都在發(fā)生變化。所以，采用電子鼻系統(tǒng)對乳制品進行快速、準確的測定，從而保證乳制品的質(zhì)量意義重大[41]。

張虹艷等[42]使用PEN3型電子鼻，采用4層BP神經(jīng)網(wǎng)絡(luò)進行模式識別。對室溫及冷藏條件下不同貯藏時間羊奶用電子鼻進行檢測，并與LM-BP神經(jīng)網(wǎng)絡(luò)方法和遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)(GANN)方法進行對比。結(jié)果表明LM-BP神經(jīng)網(wǎng)絡(luò)方法的判別率為86.67%，遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的判別率為94.44%，4層神經(jīng)網(wǎng)絡(luò)的判別率為98.89%。由試驗結(jié)果可以看出，多一層隱藏層的神經(jīng)網(wǎng)絡(luò)，對信號的處理能力更強，使得正確率更高。除此之外，張虹艷等[43]還采用了BP神經(jīng)網(wǎng)絡(luò)和線性判別分析對羊奶儲存時間進行鑒別，結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)能區(qū)分不同儲存時間的羊奶，說明用電子鼻進行羊奶檢測是可行的。

肖濤等[44]采用MOS傳感器自制電子鼻對百利包、利樂枕和利樂包3種包裝方式的純牛奶用電子鼻進行檢測，分別使用了Fisher判別分析(FDA)和BPNN，結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)模式識別能夠識別出不同質(zhì)量的純牛奶，并根據(jù)此判斷不同的包裝方式。姜天緯等[45]對多種品牌、不同新鮮程度的牛奶進行檢測，并對比了PCA算法的檢測結(jié)果。結(jié)果表明，PCA更適用于廣普操作，而ANN則更適用于高精度要求的針對性操作，其自適應(yīng)調(diào)整的特性可以減少牛奶中其他成分來帶的干擾。

由此可見，電子鼻對乳制品的檢測是可行的，將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到乳制品中，可以較為準確的檢測出不同儲藏時間和不同種類的乳制品。

2.5 酒類檢測

中國是酒的故鄉(xiāng)，也是酒文化的發(fā)源地，是世界上釀酒最早的國家之一。風味是所有酒類最重要的分級標準[46]，目前市場充斥著各種以次充好，以新充陳的假酒劣酒。傳統(tǒng)的感官檢測已經(jīng)無法滿足客觀需求。目前近紅外光譜技術(shù)、色譜/質(zhì)譜技術(shù)、電子鼻技術(shù)等已經(jīng)開始展現(xiàn)其優(yōu)勢[47]，其中電子鼻因其操作簡單、價格適中、靈敏度高等特性越來越受到重視。

周紅標等[48]用5個MOS型傳感器自制電子鼻對4種品牌的白酒進行檢測。采用遺傳小波神經(jīng)網(wǎng)絡(luò)(GA-WNN)，對4種品牌白酒的識別率均在97.0%以上，其收斂速度和診斷精度較之其他算法有明顯的優(yōu)勢。周紅標等[49]還采用了自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)(DE-PNN)的模型對白酒品牌進行檢測，其識別率達到97.5%，對比RBF和SVM模型的結(jié)果，發(fā)現(xiàn)DE-PNN 的方法具有更好的分類效果和較快的收斂速度。證明用電子鼻檢測不同白酒是可行的，使用DE-PNN建模的效果優(yōu)于RBF和SVM。為了驗證不同的神經(jīng)網(wǎng)絡(luò)算法的準確性，秦樹基等[50]用4個MOS型傳感器自制電子鼻對4種品牌的白酒進行檢測。采用了3種神經(jīng)網(wǎng)絡(luò)算法，分別是BPNN、LVQ和PNN。試驗結(jié)果顯示，BPNN網(wǎng)絡(luò)可達到的最大識別率為92.5%，LVQ網(wǎng)絡(luò)可達到的最大識別率為95.0%，PNN網(wǎng)絡(luò)可達到的最大識別率為92.5%。說明用電子鼻檢測酒類品牌完全是可行的，且用神經(jīng)網(wǎng)絡(luò)算法建模能獲得較高的識別率。

M.Aleixandre等[51]用自制便攜式電子鼻對4種不同的葡萄酒進行檢測。他們分別用PCA和PNN算法建模，結(jié)果顯示，PCA的處理結(jié)果無法準確地區(qū)分4個品種的葡萄酒，會有部分信息重疊，而PNN能以100%的正確率辨別這些葡萄酒。結(jié)果表明電子鼻可以對不同的葡萄酒進行區(qū)分，且PNN算法建模效果優(yōu)于PCA。

由此可見，用電子鼻對白酒和葡萄酒進行品牌區(qū)分是可行的，且神經(jīng)網(wǎng)絡(luò)算法建立的模型性能要優(yōu)于PCA、SVM，得到的準確率更高。然而，乙醇和水蒸氣對電子鼻有著較大的影響，使其難以準確把握酒類的風味特征，此問題有待進一步解決。

3 結(jié)論與展望

電子鼻的研究是對仿生嗅覺的研究，有著巨大的發(fā)展?jié)摿Γ淇焖?、簡便、成本低、重復率好、無損檢測等特點，為檢測工作帶來了極大的便利，在各個領(lǐng)域已經(jīng)開始了應(yīng)用。但不可否認的是，電子鼻技術(shù)還處在不斷完善進步的過程，受材料、工藝、數(shù)據(jù)處理方法等方面的限制，電子鼻的檢測與識別范圍與人們的期望還存在差距。

神經(jīng)網(wǎng)絡(luò)算法由于具有很強的非線性處理能力及模式識別能力而得到了廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)算法通過學習，自動掌握隱藏在傳感器響應(yīng)強度和氣味類型之間的、難以用明確的數(shù)學模型表示的對應(yīng)關(guān)系。但是人工神經(jīng)網(wǎng)絡(luò)并不能滿足所有情況下的精度需求，所以許多統(tǒng)計技術(shù)常常與ANN聯(lián)合使用以得到一組比用單個技術(shù)得到的數(shù)據(jù)更加全面的分類和聚類。

由此可見，無論是電子鼻技術(shù)還是神經(jīng)網(wǎng)絡(luò)算法都有著需要進一步研究發(fā)展的地方，但不可否認的是，隨著電子鼻技術(shù)的發(fā)展，人們的“嗅覺”將會擴展到更遠的地方。隨著科研人員對算法的不斷研究，將對算法程序不斷優(yōu)化，智能算法的結(jié)合使用已經(jīng)成為今后的發(fā)展趨勢。將智能算法應(yīng)用到電子鼻中，將會提高電子鼻預測的正確率，使得電子鼻的性能得到提升。

[1] 劉婷利, 胡國清. 電子鼻的應(yīng)用綜述[J]. 傳感器世界, 2007, 13(8): 6-10.

[2] LI Dong, LEI Tao, ZHANG Shun-ping, et al. A novel headspace integrated E-nose and its application indiscrimination of Chinese medical herbs[J]. Sensors and Actuators B: Chemical, 2015, 221(31): 556-563.

[3] HERRERO J L, LOZANO J, SANTOS J P, et al. On-line classification of pollutants in water using wireless portable electronic noses[J]. Chemosphere, 2016, 152: 107-116.

[4] 陳靜, 孫宇, 沈麗. 電子鼻在農(nóng)產(chǎn)品品質(zhì)檢測中的應(yīng)用進展[J]. 安徽農(nóng)業(yè)科學, 2015, 43(3): 364-366.

[5] 閆李慧, 王金水, 渠琛玲, 等. 仿生電子鼻及其在食品工業(yè)中的應(yīng)用研究[J]. 食品與機械, 2010, 26(6): 156-159.

[6] 邱丹丹, 劉嘉, 徐春紅, 等. 電子鼻及其在食品分析中應(yīng)用研究進展[J]. 糧食與油脂,2010(6): 36-38.

[7] 鄒慧琴, 劉勇, 林輝, 等. 電子鼻技術(shù)及應(yīng)用研究進展[J]. 傳感器世界, 2011, 17(11): 4-5.

[8] VITO S D, MASSERA E, MIGLIETTA M, et al. Detection and quantification of composite surface contaminants with an e-nose for fast and reliable pre-bond quality assessment of aircraft components[J]. Sensors and Actuators B: Chemical, 2016, 222: 1 264-1 273.

[9] 毛友安, 劉巍, 鐘科軍. 電子鼻技術(shù)應(yīng)用研究進展[J]. 化學傳感器, 2009, 29(2): 12-17.

[10] 彭婧. 氣敏傳感器陣列優(yōu)化應(yīng)用研究[D]. 武漢: 華中科技大學, 2008: 7-12.

[11] 韋彩虹. 基于電子鼻系統(tǒng)的混合氣體的定性分析和定量估計[D]. 杭州: 浙江大學, 2012: 18-44.

[12] 余煒, 萬代立, 周婭, 等. 基于在線支持向量機的電子鼻模式識別算法[J]. 西北大學學報:自然科學版, 2015, 45(1): 49-52.

[13] 劉寧晶, 史波林, 趙鐳, 等. 電子鼻檢測技術(shù)研究進展[J].食品科技, 2012, 37(10): 248-252.

[14] 黃星奕, 陳瑋. 基于電子鼻技術(shù)的煙絲霉變檢測[J]. 食品與機械, 2015, 31(4): 65-67.

[15] ZHANG Lei, TIAN Feng-chun, DANG Li-jun, et al. A novel background interferences elimination method in electronic nose using pattern recognition[J]. Sensors and Actuators A: Physical, 2013, 201(15): 254-263.

[16] IGNATYEV D I, KHRABROV A N. Neural network modeling of unsteady aerodynamic characteristics at high angles of attack[J]. Aerospace Science and Technology, 2015, 41: 106-115.[17] OMATU S, YANO M. E-nose system by using neural networks[J]. Neurocomputing, 2016, 172(8): 394-398.

[18] SARKAR S T, BHONDEKAR A P, MARTIN M.Towards biological plausibility of electronic noses: A spiking neural network based approach for tea odour classification[J]. Neural Networks, 2015, 71: 142-149.

[19] RADI, CIPTOHADIJOYO S, LITANANDA W S, et al. Electronic nose based on partition column integrated with gas sensor for fruit identification and classification[J]. Computers & Electronics in Agriculture, 2016, 121: 429-435.

[20] 唐會周. 電子鼻在水果品質(zhì)評價體系中應(yīng)用的研究進展[J]. 包裝與食品機械, 2011, 29(1): 51-55.

[21] BAIETTO M, WILSON A D. Electronic-nose applications for fruit identification, ripeness and quality grading[J]. Sensors, 2015, 15(1): 899-931.

[22] 李瑩, 任亞梅, 張爽, 等. 基于電子鼻的蘋果低溫貯藏時間及品質(zhì)預測[J]. 西北農(nóng)林科技大學學報: 自然科學版, 2015, 43(5): 183-191.

[23] 王宇菲, 譚妹二, 許桂香. 基于電子鼻技術(shù)多算法檢測熱帶水果品質(zhì)的實驗研究[J]. 軟件, 2016, 37(3): 40-43.

[24] ZHANG Hong-mei, CHANG Ming-xun, WANG Jun, et al. Evaluation of peach quality indices using an electronic nose by MLR, QPST and BP network[J]. Sensors and Actuators B: Chemical, 2008, 134(1): 332-338.

[25] HADDI Z, MABROUK S, BOUGRINI M, et al. E-Nose and e-Tongue combination for improved recognition of fruit juice samples[J]. Food Chemistry, 2014, 150(1): 246-253.

[26] NICKY S, BRUNTON N P, LYNG J G, et al. Texture,colour and sensory evaluation of a conventionally and ohmically cooked meat emulsion batter[J]. Journal of The Science of Food and Agriculture, 2004, 84(14): 1 861-1 870.

[27] 洪雪珍, 王俊, 周博, 等. 豬肉儲藏時間的電子鼻區(qū)分方法[J]. 浙江大學學報: 農(nóng)業(yè)與生命科學版, 2010, 36(5): 568-572.

[28] 賈洪鋒, 盧一, 何江紅, 等. 肉類電子鼻識別模型的建立[J]. 食品與機械, 2011, 27(3): 96-97, 139.

[29] TIKK K, HAUGEN J E, ANDERSEN H J. Monitoring of warmed-over flavour in pork using the electronic nose-correlation to sensory attributes and secondary lipid oxidation products[J]. Meat Science, 2008, 80(4): 1 254-1 263.

[30] 洪雪珍, 韋真博, 海錚, 等. 基于電子鼻和神經(jīng)網(wǎng)絡(luò)的牛肉新鮮度的檢測[J]. 現(xiàn)代食品科技, 2014, 30(4): 279-285.

[31] GARCIA M, ALEIXANDRE M, GUTIERREZ J, et al. Electronic nose for ham discrimination[J]. Sens Actuat B-Chem, 2006, 114(1): 418-422.

[32] LI Huan-huan, CHEN Quan-sheng, ZHAO Jie-wen, et al. Non-destructive evaluation of pork freshness using a portable electronic nose (E-nose) based on a colorimetric sensor array[J]. Analytical Methods, 2014, 6(16): 6 271-6 277.

[33] 洪雪珍, 王俊. 基于逐步判別分析和BP神經(jīng)網(wǎng)絡(luò)的電子鼻豬肉儲藏時間預測[J]. 傳感技術(shù)學報, 2010, 23(10): 1 376-1 380.

[34] 于慧春, 王俊. 電子鼻技術(shù)在茶葉品質(zhì)檢測中的應(yīng)用研究[J]. 傳感技術(shù)學報, 2008, 21(5): 748-752

[35] DAI Yue-wen, ZHI Rui-cong, ZHAO Lei, et al. Longjing tea quality classification by fusion of features collected from E-nose[J].Chemometrics & Intelligent Laboratory Systems, 2015, 144(15): 63-70.

[36] DUTTA R, HINES E L, GARDNER J W,et al. Tea quality prediction using a tin oxide-based electronic nose:an artificial intelligence approach[J]. Sensors & Actuators B Chemical, 2003, 94(2): 228-237.

[37] 傅均, 邢建國. 嗅覺神經(jīng)網(wǎng)絡(luò)在電子鼻識別多品牌綠茶中的應(yīng)用研究[J]. 傳感技術(shù)學報, 2012, 25(3): 313-318.

[38] YU Hui-chun, WANG Jun, YAO Cong, et al. Quality grade identification of green tea using E-nose by CA and ANN[J]. LWT-Food Science and Technology, 2008, 41(7): 1 268-1 273.

[39] 張紅梅, 田輝, 何玉靜, 等. 茶葉中茶多酚含量電子鼻技術(shù)檢測模型研究[J]. 河南農(nóng)業(yè)大學學報, 2012, 46(3): 302-306.

[40] 陳哲, 趙杰文. 基于電子鼻技術(shù)的碧螺春茶葉品質(zhì)等級檢測研究[J]. 農(nóng)機化研究, 2012, 11(1): 133-137.

[41] 王寵, 梁琪, 甘伯中, 等. 電子鼻在干酪風味檢測中的應(yīng)用[J]. 食品與機械, 2012, 28(2): 250-253.

[42] 張虹艷, 丁武. 基于BP神經(jīng)網(wǎng)絡(luò)的電子鼻羊奶貯藏時間的預測[J]. 食品工業(yè)科技, 2012, 33(6): 377-381.

[43] 張虹艷, 丁武. 基于fisher線性判別和BP神經(jīng)網(wǎng)絡(luò)的電子鼻羊奶貯藏時間預測[J]. 中國食品學報, 2012, 12(6): 166-173.

[44] 肖濤, 殷勇, 于慧春, 等. 不同包裝純牛奶的電子鼻檢測[J]. 食品科學, 2011, 32(14): 307-310.

[45] 姜天緯, 林然, 陳星, 等. 電子鼻牛奶質(zhì)量檢測的研究[J]. 傳感技術(shù)學報, 2007, 20(8): 1 727-1 731.

[46] 徐晚秀, 李臻峰, 張振, 等. 基于電子鼻的中國白酒酒齡檢測[J]. 食品與發(fā)酵工業(yè), 2016, 42(2): 144-149.

[47] 張振, 李臻鋒, 宋飛虎, 等. 電子鼻結(jié)合化學計量法用于檢測黃酒酒齡[J].食品與機械, 2015, 31(3): 57-61, 118.

[48] 周紅標, 張新榮, 耿忠華. 基于遺傳小波神經(jīng)網(wǎng)絡(luò)的白酒識別電子鼻[J]. 計算機工程與應(yīng)用, 2013, 49(5): 254-257.

[49] 周紅標, 張宇林, 丁友威, 等. 自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)及其在白酒電子鼻中的應(yīng)用[J]. 智能系統(tǒng)學報, 2013, 8(2): 177-182.

[50] 秦樹基, 徐春花, 王占山. 人工神經(jīng)網(wǎng)絡(luò)對電子鼻性能的影響[J]. 同濟大學學報: 自然科學版, 2005, 33(6): 804-808.

[51] ALEIXANDRE M, LOZANO J, GUTIéRREZ J, et al. Portable e-nose to classify different kinds of wine[J]. Sensors and Actuators B: Chemical, 2008, 131(1): 71-76.

ANN-based electronic nose system in the application of food nondestructive testing

WANCi-hui1,2,3,4JIAWen-shen2,3,4WANGJi-hua1,2,3,4WUNan-jing2,3,4

(1.CollegeofComputerandInformationTechnology,ChinaThreeGorgesUniversity,Yichang,Hubei443002,China;2.DepartmentofBeijingResearchCenterforAgriculturalStandardsandTesting,BeijingAcademyofAgricultureandForestryScience,Beijing100097,China; 3.DepartmentofRiskAssessmentLabforAgro-products(Beijing),MinistryofAgriculture.P.R.China,Beijing100097,China; 4.CollegeofAutomation,BeijingInformationScience&TechnologyUniversity,Beijing100192,China)

Electronic nose technique is a kind of emerging technology in gas analysis and has been widely applied in agricultural products and food testing, due to the advantages of its rapid response in a short time. In this paper, a number of ANN algorithm were illuminated, and the applications of ANN-based electronic nose system in destructive testing of fruit, meal, tea, milk and wine etc. were reviewed. Finally, the shortcomings of electronic nose technique and ANN algorithm and the development trend of them were also discussed.

electronic nose; neural network algorithm; application; nondestructive testing

北京市農(nóng)林科學院青年基金(編號：QNJJ201630)

萬賜暉，男，三峽大學在讀碩士研究生。

王紀華(1958—)，男，北京農(nóng)業(yè)質(zhì)量標準與檢測技術(shù)研究中心研究員，博士。E-mail: jiaws@brcast.org.cn

2016—09—18

10.13652/j.issn.1003-5788.2016.10.048