電子鼻黃芽茶的香氣品質(zhì)分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種分類方法，尤其是電子鼻黃芽茶的香氣品質(zhì)分類方法。
【背景技術(shù)】
[0002] 利用智能感官分析技術(shù)模擬人感官品評(píng)的功能和特征，結(jié)合多種算法提取智能感 官檢測(cè)中有價(jià)值的、新穎的、精煉的、可理解的信息，進(jìn)而獲得相對(duì)應(yīng)的預(yù)測(cè)模型和方法。電 子鼻是自20世紀(jì)90年代興起的新型智能感官儀器，是一種模擬動(dòng)物嗅覺器官的儀器。目 前已廣泛應(yīng)用于食品、飲料、環(huán)境監(jiān)測(cè)以及農(nóng)產(chǎn)品加工等領(lǐng)域。相比傳統(tǒng)的檢測(cè)分析方法， 電子鼻技術(shù)操作簡(jiǎn)單，靈敏度高，測(cè)定結(jié)果更加客觀、可靠。
[0003] 茶葉數(shù)據(jù)研宄中存在大量的分類問(wèn)題，現(xiàn)有的分類算法有很多種，比如經(jīng)典的 有決策樹、人工神經(jīng)網(wǎng)絡(luò)、貝葉斯、K最近鄰算法、支持向量機(jī)等方法。序列最小優(yōu)化算法 (Sequential Minimal Optimization，SM0)是由 Platt 在 1998 年提出的，是目前 SVM 處理 大數(shù)據(jù)集十分有效的方法。它是分解算法中固定工作集的特殊情形，將工作集的規(guī)模減到 最小一一兩個(gè)樣本。此外，該算法還具有不需要存儲(chǔ)核函數(shù)矩陣，簡(jiǎn)單易行，不需要矩陣運(yùn) 算等特點(diǎn)，使得該算法通常顯現(xiàn)出整體的快速收斂特性。
[0004]隨著農(nóng)業(yè)信息技術(shù)的發(fā)展，在長(zhǎng)期的茶葉科學(xué)技術(shù)的研宄與實(shí)踐，通過(guò)觀察、調(diào) 查、實(shí)驗(yàn)和計(jì)算等各種方式產(chǎn)生和積累大量的具有重要現(xiàn)實(shí)意義和科學(xué)價(jià)值的茶葉數(shù)據(jù)信 息。在面對(duì)這些大量的茶葉數(shù)據(jù)時(shí)，SM0算法存在訓(xùn)練速度慢、分類精度不夠高的缺陷。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的技術(shù)問(wèn)題是提供一種電子鼻黃芽茶的香氣品質(zhì)分類方法。
[0006] 本發(fā)明是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的。
[0007] -種電子鼻黃芽茶的香氣品質(zhì)分類方法，步驟包括：
[0008] (1)準(zhǔn)備70個(gè)重復(fù)的黃芽茶樣品；
[0009] (2)使用含有10個(gè)不同金屬氧化物傳感器的電子鼻對(duì)黃芽茶樣品進(jìn)行檢測(cè)，得到 10個(gè)傳感器特征值，按照不同時(shí)間下的檢測(cè)值，構(gòu)建數(shù)據(jù)集；
[0010] (3)茶葉香氣品質(zhì)建模利用十折交叉驗(yàn)證法，即將樣本集切割成10個(gè)相等的互不 相交的子樣本，輪流將其中9份樣本作為訓(xùn)練樣本集構(gòu)建模型，剩下的1個(gè)子樣本驗(yàn)證所建 的模型，以上步驟重復(fù)10次后的均值作為對(duì)算法精度的估計(jì)，采用改進(jìn)的SM0算法對(duì)黃芽 茶香氣品質(zhì)進(jìn)行分類：
[0011] (a)根據(jù)測(cè)試樣本分類誤差率的期望上界
【主權(quán)項(xiàng)】
1. 一種電子鼻黃芽茶的香氣品質(zhì)分類方法，其特征在于，步驟包括： (1) 準(zhǔn)備70個(gè)重復(fù)的黃芽茶樣品； (2) 使用含有10個(gè)不同金屬氧化物傳感器的電子鼻對(duì)黃芽茶樣品進(jìn)行檢測(cè)，得到10個(gè) 傳感器特征值，按照不同時(shí)間下的檢測(cè)值，構(gòu)建數(shù)據(jù)集； (3) 茶葉香氣品質(zhì)建模利用十折交叉驗(yàn)證法，即將樣本集切割成10個(gè)相等的互不相交 的子樣本，輪流將其中9份樣本作為訓(xùn)練樣本集構(gòu)建模型，剩下的1個(gè)子樣本驗(yàn)證所建的模 型，W上步驟重復(fù)10次后的均值作為對(duì)算法精度的估計(jì)，采用改進(jìn)的SMO算法對(duì)黃芽茶香 氣品質(zhì)進(jìn)行分類： (a)根據(jù)測(cè)試樣本分類誤差率的期望上界
其中；N是訓(xùn)練樣本總數(shù)，Ew[ ?]表示在大小為N的訓(xùn)練集上的期望，由核函數(shù)的性質(zhì)可 知，將核函數(shù)與一個(gè)正實(shí)數(shù)相乘，形成的仍為核函數(shù)，選取SMO算法的核函數(shù)與系數(shù)（1+m) (m〉0)相乘，W高斯核函數(shù)為例， K(X，Z)二（1+m)本exp(-yIIX-ZI12) 核函數(shù)與一個(gè)系數(shù)（l+m) (m〉0)相乘之后，目標(biāo)函數(shù)
Ld中二次項(xiàng)系數(shù)的絕對(duì)值增大，導(dǎo)致ai的最優(yōu)值降低，支持向量數(shù)減少W及分類誤差 率降低，從而算法的分類精度提高； 化）對(duì)基于核函數(shù)改進(jìn)的SMO算法的相關(guān)參數(shù)進(jìn)行優(yōu)化，選定一組參數(shù)m和懲罰因子C的取值范圍和捜索步長(zhǎng)，設(shè)C的初始范圍為[1，8]，步長(zhǎng)為1 ;m的初始范圍為[0, 20]，步長(zhǎng) 為1。 用基于核函數(shù)改進(jìn)的SMO算法計(jì)算整體的分類正確率和捜索時(shí)間，得到使分類正確率 最高的最優(yōu)參數(shù)C=l，m= 20， 根據(jù)獲得的最優(yōu)參數(shù)，在上述參數(shù)范圍附近選擇不同的取值范圍進(jìn)一步細(xì)分網(wǎng)格，進(jìn) 行二次尋優(yōu)，選定第二組參數(shù)m和懲罰因子C的取值范圍和捜索步長(zhǎng)，設(shè)C的取值范圍為 [1，8]，步長(zhǎng)為1 ;m的取值范圍為巧0,40]，步長(zhǎng)為1，用同樣的方法選取第S組參數(shù)組合，C 的取值范圍為[1，引，步長(zhǎng)為1 ;m的取值范圍為[40,60]，步長(zhǎng)為1，并計(jì)算出捜索時(shí)間和分 類正確率，比較不同的取值范圍對(duì)分類正確率的影響。
2. 根據(jù)權(quán)利要求1所述的電子鼻黃芽茶的香氣品質(zhì)分類方法，其特征在于，（1)每個(gè)重 復(fù)樣品質(zhì)量為5g，雙層薄膜密封在500ml的燒杯中，靜置45min，室溫25± °C。
3. 根據(jù)權(quán)利要求1所述的電子鼻黃芽茶的香氣品質(zhì)分類方法，其特征在于，（1)茶、 水比1 ;50,取5g茶葉用250ml水沖泡，泡茶用水為沸滾適度100°C的純凈水，沖泡時(shí)間為 5min，然后將茶水濾出，將茶水和茶底分別在500ml的燒杯中密封、靜置45min，水溫也冷卻 至室溫，室溫保持25 +°C。
【專利摘要】本發(fā)明公開了電子鼻黃芽茶的香氣品質(zhì)分類方法，采用電子鼻傳感器模擬人感官品評(píng)的功能和特征，結(jié)合改進(jìn)的SMO算法進(jìn)行香氣品質(zhì)分類，進(jìn)而獲得相對(duì)應(yīng)的預(yù)測(cè)模型和方法。本發(fā)明的有益效果在于，將改進(jìn)的SMO分類算法應(yīng)用于實(shí)際的黃芽茶葉數(shù)據(jù)中，對(duì)茶葉香氣品質(zhì)進(jìn)行分類，有效地提高了數(shù)據(jù)的分類精度和效率。這對(duì)我國(guó)茶葉科學(xué)技術(shù)的研究和開發(fā)的進(jìn)一步完善具有重大的意義。
【IPC分類】G01N27-00
【公開號(hào)】CN104849320
【申請(qǐng)?zhí)枴緾N201510304907
【發(fā)明人】楊寶華, 劉曉瑩, 戴前穎, 王淑娟
【申請(qǐng)人】安徽農(nóng)業(yè)大學(xué)
【公開日】2015年8月19日
【申請(qǐng)日】2015年6月4日