蚌埠學(xué)院電子與電氣工程系 鮑俊宏 薛大為

茶葉貯藏時(shí)間電子鼻檢測(cè)方法

蚌埠學(xué)院電子與電氣工程系 鮑俊宏 薛大為

利用電子鼻對(duì)4個(gè)不同貯藏時(shí)間黃山毛峰茶干茶葉進(jìn)行了檢測(cè)。首先根據(jù)傳感器陣列響應(yīng)曲線選擇了原始特征變量，再通過(guò)PCA提取出主特征變量，最后以主特征變量作為輸入建立了茶葉貯藏時(shí)間的BPNN預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明電子鼻用于檢測(cè)茶葉貯藏時(shí)間是可行的。

茶葉；貯藏時(shí)間；電子鼻；BPNN

茶葉的貯藏時(shí)間對(duì)茶葉的品質(zhì)會(huì)產(chǎn)生重要的影響，一般來(lái)講對(duì)于非發(fā)酵茶隨著茶葉貯藏時(shí)間的增長(zhǎng)其品質(zhì)也會(huì)隨之降低[1]。目前用于判斷茶葉貯藏時(shí)間長(zhǎng)短的方法還大都采用人的感官進(jìn)行評(píng)價(jià)，但感官評(píng)價(jià)法[2]存在程序繁瑣、主觀性強(qiáng)、準(zhǔn)確度低等缺陷。人們一直以來(lái)在不斷尋求一種更加簡(jiǎn)便、快速、準(zhǔn)確的檢測(cè)茶葉貯藏時(shí)間的方法。因此，本研究將采用電子鼻對(duì)茶葉貯藏時(shí)間檢測(cè)。首先根據(jù)電子鼻傳感器陣列響應(yīng)變化趨勢(shì)選擇相應(yīng)的特征變量，再通過(guò)主成分分析法（PCA）提取出主變量，最后以主變量最為輸入建立茶葉貯藏時(shí)間的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并進(jìn)行實(shí)驗(yàn)驗(yàn)證方法的有效性。

1 電子鼻

本研究中采用德國(guó)的PEN2型便攜式電子鼻，該電子鼻的傳感器陣列由10個(gè)半導(dǎo)體金屬氧化物傳感器組成，傳感器響應(yīng)為其接觸揮發(fā)性氣味時(shí)的電導(dǎo)率與經(jīng)過(guò)干凈空氣吸附處理后的電導(dǎo)率的比值。傳感器典型響應(yīng)曲線如圖1所示。

圖1 傳感器典型響應(yīng)曲線

2 主成分分析法與BP神經(jīng)網(wǎng)絡(luò)

主成分分析法（PCA）是常用的常用數(shù)學(xué)統(tǒng)計(jì)分析方法，可用少數(shù)幾個(gè)互不相關(guān)的綜合變量來(lái)描述多個(gè)變量，且綜合變量保留了原多變量包含的主要信息，通過(guò)PCA可以達(dá)到降維的目的。

BP神經(jīng)網(wǎng)絡(luò)（BPNN）[3-4]是模式識(shí)別中常用的非線性處理方法，具有結(jié)構(gòu)簡(jiǎn)單、設(shè)計(jì)方便、泛化能力強(qiáng)等優(yōu)點(diǎn)。BPNN通過(guò)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，學(xué)習(xí)過(guò)程中依據(jù)網(wǎng)絡(luò)輸出的期望值與實(shí)際輸出值之間的誤差來(lái)調(diào)整連接權(quán)值和閾值，直到網(wǎng)絡(luò)誤差達(dá)到設(shè)定的精度或設(shè)定的最大學(xué)習(xí)次數(shù)，則學(xué)習(xí)結(jié)束。BPNN常用的學(xué)習(xí)算法為帶動(dòng)量因子的δ學(xué)習(xí)算法[5]。

3 茶葉貯藏時(shí)間預(yù)測(cè)模型建立

3.1 原始特征變量的確定

本研究以黃山毛峰茶為檢測(cè)對(duì)象，從茶廠訂購(gòu)了市場(chǎng)價(jià)格為300元一斤的黃山毛峰新產(chǎn)干茶葉并保存在5℃的冰箱中。每隔90天利用電子鼻對(duì)茶葉檢測(cè)一次，連續(xù)檢測(cè)270天，即0 天、90天、180天、270天。每次檢測(cè)重復(fù)試驗(yàn)40次，一共得到160組原始數(shù)據(jù)樣本，其中120組作為訓(xùn)練樣本，40組最為測(cè)試樣本。

根據(jù)電子鼻傳感器陣列響應(yīng)曲線特點(diǎn)，選擇響應(yīng)的最大值、穩(wěn)態(tài)值作為原始特征變量。因?yàn)閭鞲衅黜憫?yīng)在50s之后基本沒(méi)有變化即趨于穩(wěn)定，因此選擇傳感器第55s時(shí)的響應(yīng)值作為穩(wěn)態(tài)值。由傳感器陣列特征變量構(gòu)成的特征向量可表示為：

3.2 PCA分析

原始特征向量為20維數(shù)，維數(shù)很大，并且各變量之間往往存在一定的相干性，如果以原始特征變量作為輸入建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，不但學(xué)習(xí)時(shí)間較長(zhǎng)且精度較低。因此，先進(jìn)行PCA分析提取出主特征變量，再以住特征量作為神經(jīng)網(wǎng)絡(luò)的輸入建立預(yù)測(cè)模型。

PCA分析結(jié)果如表1所示?？梢钥闯銮?個(gè)主成分的貢獻(xiàn)率已經(jīng)超過(guò)了90%，可以對(duì)原始特征變量進(jìn)行有效的描述。

表1 不同貯藏時(shí)間下茶葉前4個(gè)主成分分析結(jié)果

3.3 BPNN設(shè)計(jì)

研究中采用3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)。輸入層節(jié)點(diǎn)數(shù)為主變量個(gè)數(shù)為4個(gè)，輸出為貯藏時(shí)間節(jié)點(diǎn)數(shù)為1個(gè)。中間層節(jié)點(diǎn)通過(guò)反復(fù)試驗(yàn)比較最終確定為10個(gè)。因此，BPNN的最終結(jié)構(gòu)為4-10-1。

4 實(shí)驗(yàn)分析

為了檢驗(yàn)所建立的茶葉貯藏時(shí)間預(yù)測(cè)模型的性能，利用檢測(cè)樣本對(duì)其進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果分析如表2所示。

表2 預(yù)測(cè)模型的實(shí)驗(yàn)結(jié)果分析

5 結(jié)論

以黃山毛峰茶為檢測(cè)對(duì)象，利用電子鼻對(duì)4個(gè)不同貯藏時(shí)間的干茶葉進(jìn)行檢測(cè)，并建立的茶葉貯藏時(shí)間預(yù)測(cè)模型。通過(guò)實(shí)驗(yàn)分析，最大預(yù)測(cè)誤差為38.5天，預(yù)測(cè)誤差超過(guò)10天的最大比率為20%。說(shuō)明電子鼻可用于對(duì)茶葉貯藏時(shí)間進(jìn)行檢測(cè)。

[1]楊春蘭,薛大為,鮑俊宏.黃山毛峰茶貯藏時(shí)間電子鼻檢測(cè)方法研究[J].浙江農(nóng)業(yè)學(xué)報(bào),2016,28(4):676-681.

[2]趙菁.綠茶特征香氣成分及與品質(zhì)的關(guān)系研究[D].杭州:浙江大學(xué),2002.

[3]苑津莎,尚海昆.基于主成分分析和概率神經(jīng)網(wǎng)絡(luò)的變壓器局部放電模式識(shí)別[J].電力自動(dòng)化設(shè)備,2013,33(6):141-146.

[4]王茜荷,黃志文,劉凱 等.基于主成分分析和人工神經(jīng)網(wǎng)絡(luò)的激光誘導(dǎo)擊穿光譜塑料分類識(shí)別方法研究[J]光譜學(xué)與光譜分析,2012,32(12):3179-3182.

[5]楊俊.電子鼻識(shí)別中的預(yù)處理與模糊神經(jīng)網(wǎng)絡(luò)算法[D].大連:大連理工大學(xué),2007.

鮑俊宏（1994—），男，電氣工程及其自動(dòng)化專業(yè)本科生。

薛大為（1978—），男，副教授，主要從事儀器儀表與智能檢測(cè)、模式識(shí)別等方面的研究。

國(guó)家級(jí)大學(xué)生創(chuàng)新訓(xùn)練計(jì)劃項(xiàng)目(201511305023)。