祝海江， 唐 昊， 孫靜嫻， 杜振霞

1. 北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院， 北京 100029 2. 北京化工大學(xué)化學(xué)學(xué)院， 北京 100029

引 言

白酒是中國(guó)特產(chǎn)的一種酒類， 因其獨(dú)特的生產(chǎn)原料和工藝， 頗受世界各地消費(fèi)者的喜愛。 然而， 由于生產(chǎn)工藝、 產(chǎn)地、 原料等各種因素影響， 同一品牌的白酒質(zhì)量存在不一致的情況， 甚至同一酒廠不同生產(chǎn)班次所生產(chǎn)的酒的品質(zhì)也不一致。 因此， 白酒品質(zhì)的分析檢測(cè)是白酒行業(yè)科技發(fā)展的一個(gè)重要組成部分。

在白酒釀造企業(yè)中， 鑒別白酒品質(zhì)常用的方法有： 感官品嘗法、 電子鼻或色譜儀等儀器檢測(cè)方法。 但是， 由于生產(chǎn)工藝不斷發(fā)展， 生產(chǎn)原料變得多樣化， 同時(shí)也衍生了不同的制酒工藝， 導(dǎo)致現(xiàn)有的鑒定方法存在一定的缺陷。 感官評(píng)定法雖然便捷， 但由于其鑒定模式多基于人為評(píng)定， 且伴隨著白酒種類的多樣化， 白酒的品鑒結(jié)果會(huì)受到人為主觀因素的影響； 電子鼻的價(jià)格昂貴， 成本較高， 同時(shí)受到傳感器材料和數(shù)據(jù)處理的限制， 檢測(cè)效果不佳。 相對(duì)而言， 儀器檢測(cè)的結(jié)果會(huì)更客觀， 檢測(cè)裝置的廣泛應(yīng)用為評(píng)價(jià)白酒提供了標(biāo)準(zhǔn)。

在白酒的頻譜分析方面， Yu[1]用近紅外光譜和化學(xué)計(jì)量方法測(cè)定了黃酒的酒齡， 實(shí)驗(yàn)采集了86 瓶紹興黃酒的近紅外光譜， 對(duì)原始光譜、 平滑處理的光譜以及二階微分處理的光譜分別使用判別分析法建立酒齡鑒定模型。 實(shí)驗(yàn)結(jié)果表明近紅外透射原始光譜結(jié)合判別分析法最佳， 可作為檢驗(yàn)黃酒年齡的一種有效方式。 呂海棠等[2]對(duì)清香型和濃香型這2種不同的白酒去除白酒中的水分， 進(jìn)行干燥萃取， 然后通過紅外光譜對(duì)剩余的干燥物酒類進(jìn)行定量分析， 結(jié)果顯示， 濃香型和清香型白酒干燥物紅外光譜差異明顯， 酯化物在濃香型白酒干燥物中含量較高， 而羧酸鹽和醇類物質(zhì)在清香型白酒干燥物中含量較高。 這種方法可以用于直接分析圖譜中的物質(zhì)含量， 并可以有效地分析和確定酒的品質(zhì)和真假。 有研究強(qiáng)調(diào)， 相對(duì)于原始質(zhì)譜的峰強(qiáng)度， 原始質(zhì)譜的數(shù)學(xué)轉(zhuǎn)換產(chǎn)生了一個(gè)與質(zhì)譜和分子結(jié)構(gòu)密切相關(guān)的新質(zhì)譜特性。

目前， 國(guó)內(nèi)外針對(duì)酒的品質(zhì)鑒別方法有越來(lái)越多的學(xué)者深入研究。 近年來(lái)， 許多相關(guān)的研究都是基于不同的實(shí)驗(yàn)數(shù)據(jù)和分類模式。 李建[3]等在堿性加熱前提下， 根據(jù)純糧白酒的吸光度值在363 nm波長(zhǎng)處不同的原理， 構(gòu)建白酒標(biāo)準(zhǔn)曲線圖來(lái)鑒別樣品中純糧白酒的百分比。 結(jié)果顯示4個(gè)樣品的精度在90%以上， 相對(duì)標(biāo)準(zhǔn)差在1%以下； 有報(bào)道則在三維熒光光譜中， 采用主成分分析(principal component analysis,PCA)進(jìn)行降維處理， 使用支持向量機(jī)(support vector machine,SVM)算法， 通過k-fold交叉驗(yàn)證方法發(fā)現(xiàn)SVM的最佳參數(shù)c和γ， 建立了高準(zhǔn)確率的不同酒品牌的分類模型； 姜安[4]等使用多項(xiàng)式插值擬合等方法， 將采集的白酒紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理， 依據(jù)年份、 味道等特征構(gòu)建SVM支持向量機(jī)分類模型， 結(jié)果表明該方法較為快速準(zhǔn)確。

國(guó)外就酒品質(zhì)的頻譜分析多針對(duì)葡萄酒或啤酒數(shù)據(jù)展開研究。 Cozzolino等[5]在白葡萄酒的可見近紅外光譜實(shí)驗(yàn)中， 使用PCA主成分分析等方法實(shí)現(xiàn)了葡萄酒品種的分類。 但是， 參與實(shí)驗(yàn)的紅酒品種數(shù)量相對(duì)有限， 所以在實(shí)際應(yīng)用上必須慎重。 Pontes[6]等采用主成分分析法提取白蘭地、 朗姆酒、 其他酒精飲料與其摻假樣本的近紅外光譜特征， 進(jìn)行酒的分類和驗(yàn)證， 現(xiàn)已應(yīng)用于鑒別假酒， 預(yù)測(cè)準(zhǔn)確率可達(dá)100%(95%置信區(qū)間)。

近些年， 離子遷移譜也被用于分析白酒的風(fēng)味與品質(zhì)。 朱玲[7]等采用氣相-離子遷移譜分析了白酒揮發(fā)性風(fēng)味物質(zhì)， 并通過構(gòu)建白酒香型風(fēng)味指紋圖譜， 實(shí)現(xiàn)了三種不同香型白酒分類。 李娟[8]等將氣相色譜和離子遷移譜相結(jié)合， 分析了白酒譜圖中風(fēng)味物質(zhì)的出峰信號(hào)， 并對(duì)11種不同香型白酒進(jìn)行了分類。 張志剛[9]等研究了利用離子遷移譜快速檢測(cè)白酒和紅酒中的塑化劑含量。

針對(duì)白酒品質(zhì)鑒定問題， 本研究使用真酒和添加不同乙醇濃度的假酒， 從中得到樣本的離子遷移譜數(shù)據(jù)， 通過頻譜分析的方式， 結(jié)合常用的一維信號(hào)特征提取方法， 從多角度提取白酒信號(hào)特征并作篩選。 根據(jù)不同的需求， 構(gòu)建二分類和多分類白酒品質(zhì)分類模型[SVM、 K最鄰近(K-nearest neighbor,KNN)分類、 LR邏輯回歸(logistic regression analysis,LRM)分類、 模糊C均值(fuzzy C-means,FCM)算法等]， 通過計(jì)算多個(gè)評(píng)價(jià)指標(biāo)給出白酒分類最佳模型。

1 實(shí)驗(yàn)部分

1.1 數(shù)據(jù)獲取

使用樣本離子遷移譜信號(hào)由美國(guó)Excellims公司GA2100型電噴霧-離子遷移譜儀(ESI-IMS)采集獲得。 Excellims離子遷移譜,具有快速、 準(zhǔn)確、 高分辨率和高靈敏度的特點(diǎn)。 GA2100離子遷移譜儀具有高分辨率， 可以達(dá)到70～120 s， 分析時(shí)間僅為幾秒。

文中白酒樣本數(shù)據(jù)來(lái)自于國(guó)內(nèi)某一白酒廠， 共6類樣本， 每一類含有若干份樣本， 其中一類樣本為真酒， 其余五類分別是添加10%， 20%， 30%， 40%和50%酒精濃度的白酒。 這六類樣本的離子遷移譜如圖1所示， 圖中僅顯示了部分時(shí)間段內(nèi)離子遷移譜。 離子遷移譜中橫坐標(biāo)表示離子的遷移時(shí)間， 縱坐標(biāo)表示峰的強(qiáng)度。 因?yàn)椴煌焚|(zhì)白酒的離子成分不同， 故不同種類的樣本含有不同的特征譜峰。 由圖1所示樣本的離子遷移譜可知， 不同品質(zhì)白酒譜的形狀相似， 主要區(qū)別在于峰強(qiáng)度有略微的差別， 難于直接判斷出其白酒品質(zhì)。 因此， 可以利用特征提取和機(jī)器學(xué)習(xí)的方法將不同離子遷移譜進(jìn)行識(shí)別和分類。

圖1 真酒和添加不同比例酒精的白酒離子遷移譜Fig.1 The ion mobility spectra of real liquor andliquor with different proportion of alcohol

1.2 特征提取和選擇

通過對(duì)白酒離子遷移譜的時(shí)域譜峰、 頻域譜峰、 譜熵和過零率等特征進(jìn)行提取， 構(gòu)建特征向量； 分別使用主成分分析(PCA)和線性判別分析(linear discriminate analysis,LDA)進(jìn)行特征選擇。

時(shí)域譜峰即離子遷移譜的時(shí)域信號(hào)不同時(shí)刻的峰值。 而頻域譜峰是根據(jù)傅里葉變換對(duì)原始離子遷移譜進(jìn)行處理后， 計(jì)算出其在不同頻率點(diǎn)上的峰值。 假設(shè)采樣頻率為Fs， 采樣點(diǎn)數(shù)為N， 傅里葉變換處理后的結(jié)果就是點(diǎn)數(shù)為N的復(fù)數(shù)， 每一個(gè)點(diǎn)就對(duì)應(yīng)著一個(gè)頻率， 而每個(gè)點(diǎn)的模值， 就是該頻率值下的幅度特性， 即就是頻域譜峰。 某一點(diǎn)n表示的頻率為

在信息論中， 熵是信息無(wú)序程度的一種度量， 也是信息有用程度的一種表現(xiàn)形式。 熵越小， 不確定性越小， 而概率的差別越大， 熵就越小。 因此， 熵可以描述各類別信號(hào)的可區(qū)分性。 譜熵度量了信號(hào)的頻率分布均勻程度， 體現(xiàn)了信號(hào)能量分布的頻域復(fù)雜性。 對(duì)于一個(gè)信號(hào)x(n)， 功率譜S(m)為

S(m)=|x(m)|2

(3)

式(3)中， x(m)是x(n)的離散傅里葉變換。 概率分布P(m)為

則譜熵H為

正則化后

其中N是總頻率點(diǎn)。log2N表示白噪聲的最大譜熵， 在頻域內(nèi)均勻分布。 若已知時(shí)頻功率譜圖S(t,f)， 則概率分布為

為計(jì)算給定時(shí)頻功率譜圖S(t,f)的瞬時(shí)譜熵， t時(shí)刻的概率分布為

則t時(shí)刻的譜熵為

過零率 (zero-crossingrate,ZCR)是單位時(shí)間內(nèi)波形通過零點(diǎn)的次數(shù)， 通常指一個(gè)信號(hào)的符號(hào)變化的比率， 例如信號(hào)從正數(shù)變成負(fù)數(shù)或反向。 在離散時(shí)間信號(hào)情況下， 如果相鄰的采樣具有不同的代數(shù)符號(hào)就稱為發(fā)生了過零， 因此可以計(jì)算過零的次數(shù)。 過零率在一定程度上可以反映信號(hào)的頻率信息。 其計(jì)算方法如下： 首先計(jì)算信號(hào)絕對(duì)值|x|， 求取信號(hào)均值后使其均值變?yōu)?， 每偏移1個(gè)單位計(jì)算該狀態(tài)下信號(hào)是否過零點(diǎn)， 最后輸出過零率F0。

綜上所述， 將要提取的時(shí)域峰值特征記為U， 頻域峰值特征記為O、 譜熵特征記為P， 過零率特征記為Q， 則所有的特征合在一起記為C={U,O,P,Q}， 將矩陣C作為白酒品質(zhì)分類的特征矩陣。

提取完特征向量之后， 由于特征的維數(shù)較大， 部分特征是冗余特征， 對(duì)分類沒有幫助。 因此， 需要對(duì)提取的特征進(jìn)行降維。 采用主成分分析法(PCA)和線性判別分析法(LDA)分別對(duì)獲得的特征進(jìn)行降維。PCA是為了去除原始數(shù)據(jù)集中冗余的維度， 讓投影子空間的各個(gè)維度的方差盡可能大， 也就是熵盡可能大。LDA通過數(shù)據(jù)降維找到那些具有差異性的維度， 使得原始數(shù)據(jù)在這些維度上的投影， 不同類別盡可能區(qū)分開來(lái)。

1.2 分類方法

支持向量機(jī)(SVM)是一種在分類與回歸分析中常用的監(jiān)督式學(xué)習(xí)分類算法。 最初用于二分類， 也可以通過組合多個(gè)二分類器來(lái)實(shí)現(xiàn)多分類。 分類任務(wù)為二分類(真酒和添加酒精的白酒分類)和六分類(真酒和添加不同酒精成分的白酒分類)。 因此， 選擇支持向量機(jī)作為分類器實(shí)現(xiàn)多個(gè)類別分類。

選擇核函數(shù)為徑向基函數(shù)(radialbasisfunction,RBF)的SVM分類器， 在SVM中g(shù)amma和C(懲罰系數(shù))是需要人為給定的兩個(gè)超參數(shù)， 參數(shù)gamma表明單個(gè)訓(xùn)練樣本的影響大小， 值越小影響越大， 值越大影響越小； 而參數(shù)C的值低時(shí)使得分界面平滑， 而高的C值通過增加模型自由度以選擇更多支持向量來(lái)確保所有樣本都被正確分類。 為了確定這兩個(gè)超參數(shù)的最優(yōu)值， 使用網(wǎng)格搜索方法尋找使得模型分類效果最優(yōu)時(shí)兩個(gè)參數(shù)的值。

工作中比較了SVM分類器和邏輯回歸分類器(LRM)、 模糊C均值分類器(FCM)、K最鄰近分類器(KNN)等多種分類算法對(duì)樣本數(shù)據(jù)分類的準(zhǔn)確率。

2 結(jié)果與討論

2.1 特征提取結(jié)果

由于樣本數(shù)據(jù)在采樣點(diǎn)1 050到采樣點(diǎn)2 500峰值有明顯的變化， 故保留此時(shí)間段的數(shù)據(jù)。 在時(shí)域譜峰特征提取中， 選擇每類樣本數(shù)據(jù)的7個(gè)峰值點(diǎn)TDP1(timedomainpeak)，TDP2，TDP3，TDP4，TDP5，TDP6和TDP7， 作為時(shí)域譜峰的峰值， 如圖2所示。

圖2 時(shí)域特征峰值示意圖Fig.2 The time domain characteristic peak

由圖2可以看到在某些峰上不同類別的數(shù)據(jù)差別很小， 這些峰值不是很好的特征， 需要將其剔除。 同時(shí)在一個(gè)類別樣本數(shù)據(jù)內(nèi)部， 希望不同的峰值數(shù)據(jù)能夠集中， 以體現(xiàn)樣本內(nèi)數(shù)據(jù)的穩(wěn)定性。 因此， 計(jì)算同一峰值下同一類別的樣本內(nèi)方差和不同類別之間同一峰的樣本間方差， 經(jīng)過計(jì)算發(fā)現(xiàn)第1和3峰的各類樣本內(nèi)的方差較大， 說(shuō)明處于第1和3峰的樣本內(nèi)數(shù)據(jù)不集中； 而在第1和2峰值下， 各類樣本的方差過小， 區(qū)別不明顯。 故剔除了第1， 2和3峰值， 保留TDP4， TDP5， TDP6和TDP7這4個(gè)時(shí)域譜峰值， 即N×4個(gè)特征點(diǎn)， 形成時(shí)域譜峰特征集合U。

同理， 在提取樣本離子遷移譜的頻域譜峰值時(shí)， 先對(duì)時(shí)域的離子遷移譜數(shù)據(jù)進(jìn)行快速傅里葉變換， 得到其頻域響應(yīng)曲線， 如圖3所示。 根據(jù)各個(gè)樣本的頻域響應(yīng)信號(hào)， 剔除樣本間方差較小和樣本內(nèi)方差較大的峰值點(diǎn)， 最后每個(gè)樣本信號(hào)保留FDP1(frequency domain peak),FDP2,FDP3這3個(gè)頻域峰值， 即N×3個(gè)特征點(diǎn)， 形成頻域譜峰特征集合O。

圖3 離子遷移譜的頻域響應(yīng)曲線圖Fig.3 The frequency domain response curveof ion mobility spectrum

所有樣本離子遷移譜的譜熵計(jì)算得到后， 形成了該類樣本的譜熵序列向量， 其譜熵-時(shí)間關(guān)系如圖4所示。 由圖4可看出， 真酒在第17 ms左右的譜熵[圖4(a)中黑色虛線橢圓標(biāo)記]區(qū)別于其他添加不同濃度酒精的白酒。 真酒在此時(shí)的譜熵范圍為[0.532 97,0.536 25]， 添加酒精后的白酒樣本譜熵范圍在[0.476 059 584,0.464 387 249]， 見圖4(b—f)， 且隨著添加酒精濃度的提升， 譜熵在15 ms左右時(shí)， 區(qū)間范圍從高逐漸降低。 該譜熵特征較為明顯， 記第17 ms的數(shù)據(jù)為特征矩陣P。 同理， 六類樣本的過零率特征計(jì)算后記為特征矩陣Q。

圖4 白酒樣本的譜熵-時(shí)間圖

綜上所述， 已提取的時(shí)域峰值特征、 頻域峰值特征、 譜熵特征和過零率特征， 可以記為C={U,O,P,Q}， 將矩陣C作為白酒品質(zhì)分類的特征矩陣。

在特征選擇實(shí)驗(yàn)中， 利用PCA和LDA對(duì)特征矩陣C進(jìn)行了降維實(shí)驗(yàn)。 在使用PCA對(duì)特征矩陣C進(jìn)行降維時(shí)， 將特征矩陣降為5維的特征矩陣， 并統(tǒng)計(jì)其每個(gè)維度的特征對(duì)整體特征的貢獻(xiàn)率， 如圖5所示。 由圖5可以看出， 前三維的特征對(duì)整體特征的累計(jì)貢獻(xiàn)率達(dá)到了95%。 因此取前三維特征作為特征矩陣。

圖5 使用PCA降維后特征的貢獻(xiàn)率示意圖Fig.5 The contribution rate of features afterdimension reduction using PCA

同理， 使用LDA對(duì)特征矩陣C進(jìn)行降維， 并統(tǒng)計(jì)每個(gè)維度的特征對(duì)總體特征的貢獻(xiàn)率， 如圖6所示。 由圖6可以看出， 前兩維特征向量對(duì)整體特征的累計(jì)貢獻(xiàn)率達(dá)到了95%。 因此， 取前兩維特征向量作為特征矩陣。 相比PCA而言， 使用LDA降維后， 各類樣本的特征較為明顯， 同時(shí)特征維度更低。 因此， 選用LDA作為特征降維方法。

圖6 使用LDA降維后特征的貢獻(xiàn)率示意圖Fig.6 The contribution rate of features afterdimension reduction using LDA

2.2 分類實(shí)驗(yàn)結(jié)果及分析

首先， 利用SVM進(jìn)行了二分類和六分類實(shí)驗(yàn)。 在SVM二分類實(shí)驗(yàn)中， 兩個(gè)參數(shù)C和gamma的尋優(yōu)結(jié)果如圖7， 圖8所示。 可以看出， 當(dāng)C為0.435 28， gamma為1時(shí)， SVM的二分類準(zhǔn)確率最高， 達(dá)到了100%。

圖7 SVM二分類實(shí)驗(yàn)中參數(shù)C尋優(yōu)結(jié)果示意圖Fig.7 The optimization results of parameter C inSVM binary classification experiment

圖8 SVM二分類實(shí)驗(yàn)中參數(shù)gamma尋優(yōu)結(jié)果示意圖Fig.8 The optimization results of parameter gamma in SVM binary classification experiment

而在SVM六分類實(shí)驗(yàn)中， 兩個(gè)參數(shù)C和gamma的尋優(yōu)結(jié)果如圖9， 圖10所示。 可以看出， 六分類時(shí)最優(yōu)參數(shù)C和gamma分別為4和11.313 7。 此時(shí)， SVM的分類準(zhǔn)確率最高， 達(dá)到了99.7%。

圖9 SVM六分類實(shí)驗(yàn)中參數(shù)C尋優(yōu)結(jié)果示意圖Fig.9 The optimization results of parameter Cin SVM six classification experiment

圖10 SVM六分類實(shí)驗(yàn)中參數(shù)gamma尋優(yōu)結(jié)果示意圖Fig.10 The optimization results of parameter gamma in SVM six classification experiment

然后， 選擇邏輯回歸(LRM)分類、 模糊C均值分類(FCM)和K近鄰分類(KNN)對(duì)樣本數(shù)據(jù)進(jìn)行了二分類和六分類實(shí)驗(yàn)， 分類準(zhǔn)確率如表1所示。

表1 分類方法實(shí)驗(yàn)結(jié)果比較Table 1 The comparison of experimental resultsof classification methods

由表1可以看出， 這四種分類方法在對(duì)樣本數(shù)據(jù)進(jìn)行二分類時(shí)， 分類準(zhǔn)確率都可以到達(dá)100%； 在進(jìn)行六分類時(shí)， LRM的分類準(zhǔn)確率僅有33.33%。 利用FCM進(jìn)行六分類時(shí)， 總體每個(gè)類別的聚類中心都比較分散， 但是類別4和類別5的聚類中心非常接近， 這就會(huì)導(dǎo)致在分類上的錯(cuò)誤， 在六分類任務(wù)上表現(xiàn)欠佳， 準(zhǔn)確率為80.66%。 與FCM相似， KNN也是聚類算法， 在實(shí)驗(yàn)中K取2時(shí)， 分類準(zhǔn)確率最高： 二分類準(zhǔn)確率達(dá)100%， 六分類準(zhǔn)確率為91.7%。 而SVM的六分類準(zhǔn)確率最高， 達(dá)到了99.7%。

為了進(jìn)一步評(píng)價(jià)分類器的性能， 實(shí)驗(yàn)中對(duì)多分類的分類器性能進(jìn)行了評(píng)價(jià)。 引入Macro-F1和Micro-F1作為評(píng)價(jià)指標(biāo)。 指標(biāo)Macro F1由F1-score描述得來(lái)， 首先計(jì)算出所有類別總體的準(zhǔn)確率P和召回率R， 然后計(jì)算F1-score， 其計(jì)算式為

四種分類器兩個(gè)指標(biāo)Macro-F1和Micro-F1的計(jì)算結(jié)果如表2所示， 綜合考慮這兩個(gè)性能指標(biāo)結(jié)果， 可以看出SVM具有最佳的分類性能。

表2 四種分類器性能指標(biāo)比較結(jié)果Table 2 The performance comparison of four classifiers

研究中對(duì)不同分類器運(yùn)行時(shí)間進(jìn)行了計(jì)算， 結(jié)果如表3所示， 由表中可以看出， 運(yùn)行時(shí)間上SVM耗時(shí)最長(zhǎng)。 雖然其他分類器運(yùn)算速度快， 但是六分類準(zhǔn)確率確遠(yuǎn)不如SVM。 因此， 在二分類和多分類任務(wù)上， SVM的表現(xiàn)是最出色， 同時(shí)也說(shuō)明了本研究對(duì)白酒樣本提取的特征具有代表性。

表3 四種分類器運(yùn)行時(shí)間比較結(jié)果Table 3 The comparison of running timeof four classifiers

3 結(jié) 論

利用美國(guó)Excellims公司GA2100型電噴霧-離子遷移譜儀(ESI-IMS)獲得白酒樣本的離子遷移譜數(shù)據(jù)， 并將離子遷移譜數(shù)據(jù)的時(shí)域特征譜峰， 頻域特征譜峰， 譜熵和過零率作為白酒樣本的特征數(shù)據(jù)。 采用主成分分析法(PCA)和線性判別法(LDA)分別對(duì)特征數(shù)據(jù)進(jìn)行降維研究， 通過比較特征貢獻(xiàn)率， 發(fā)現(xiàn)線性判別法有更好的特征提取能力(通過LDA降維的前兩維特征數(shù)據(jù)的特征累計(jì)貢獻(xiàn)率達(dá)到了95%)。 通過SVM分類器對(duì)降維后特征數(shù)據(jù)分別進(jìn)行二分類和六分類訓(xùn)練， 準(zhǔn)確率分別達(dá)到了100%和99.7%。 因此， 白酒離子遷移譜數(shù)據(jù)的時(shí)頻譜特征結(jié)合線性判別法和支持向量機(jī)可以作為白酒品質(zhì)鑒別的一種新的檢測(cè)方法。