嗅覺神經網絡在電子鼻識別多品牌綠茶中的應用研究*

傅 均，邢建國

(浙江工商大學計算機與信息工程學院，杭州310018)

茶葉是我國重要的經濟農產品，在活躍農村經濟、增加農民收入和出口創匯中占重要地位。據我國商務部統計，2010年我國茶葉出口量30.2萬噸，出口金額7.84億美元［1］。茶葉是一種嗜好性很強的商品，其感官品質的優劣直接影響產品價值和經濟效益。茶葉品質因素包括色、香、味和形等方面，其中香氣在各類茶葉品質評分中占25%～35%的系數［2］，是決定茶葉品質的重要因素。茶葉的加工工藝決定了茶葉的不同風味［3］。另外，茶樹的品種、樹齡、生長環境、茶葉的采摘方法等也會影響到茶葉的品質。

與傳統的人工感官審評法和現代分析儀器相比，電子鼻具有快速、簡單、綜合和廉價等優點，被認為是一種具有發展前景的智能感官審評技術［4］。Dutta等［5－6］最早用電子鼻分析了五種不同品質的印度紅茶，用概率神經網絡(PNN)和徑向基函數(RBF)等多種神經網絡對漂移數據進行分類和預測。Tudu等［7－8］用電子鼻考察了分布印度各地的6個茶業公司的紅茶等級，分別用增量學習模糊模型和增量 RBF 進行分類。Bhattacharyya等［9－10］用電子鼻在線監視紅茶發酵過程，在對印度不同季節和不同地方的81次現場試驗中，發現電子鼻的精度與傳統比色法以及專業評茶師一致，并用主成分分析(PCA)和馬氏距離等方法確定發酵時間，以獲取較高的識別率。浙江大學的王俊研究組［11－12］用PEN2電子鼻分析了4個品質級別的龍井茶，考察了多種實驗因素對聚類的影響，并用誤差反向傳播(BP)網絡進行分類。他們［13－14］還對另外5個品質級別的龍井茶，用PCA和線性判別分析聚類情況，并獲取PCA前3個主成分，用聚類分析(CA)、BP和PNN方法進行分類。他們［15］還對不同等級的干茶葉、茶水和茶底的揮發成分進行檢測，以尋求最合適的分析角度判別茶葉品質。張紅梅等［16］用電子鼻檢測了三個等級的信陽毛尖茶，建立了一種基于氣敏傳感器陣列的咖啡堿含量預測模型，并進行了驗證。

目前電子鼻中的模式識別算法主要包括多元統計方法(例如PCA、CA等)和智能分析方法(例如人工神經網絡和專家系統等)，前者一般用于數據預處理和可視化等輔助分析，后者因其良好的自適應、泛化和容錯能力被認為是實現電子鼻智能化和自動化的希望，尤其是基于生物模式識別機理的仿生信息處理技術將引起更多重視［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6種簡單有機揮發物的分類，考察了其在抵抗傳感器漂移和直接處理時間序列信號上的表現。本文在改進電子鼻儀器基礎上，采用該仿生算法對來自不同省份的5種品牌的綠茶進行分類識別，以探索在實際生產和生活中對更精細和復雜氣味的檢測與識別應用。

1 KⅢ嗅覺神經網絡

神經電生理實驗提示氣味模式只能在神經團水平上通過大量神經元的局部集群行為得以體現，Freeman等將這些神經團的功能性連接按照Katchalsky層次拓撲結構歸類，提出了基于介觀神經動力學理論的K系列模型［20－21］。該模型包括代表神經元集群生理基礎的KO模型，及其在不同層次上通過興奮性或者抑制性連接構成的更高級單元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網絡，如圖1所示，它由多層并行的嗅上皮層R、嗅球層OB、前嗅核AON、前梨狀皮層PC等前饋通路及D1～D4延時反饋單元組成。

圖1 KⅢ嗅覺神經網絡的拓撲結構圖［19］

圖1中每個節點(即KO單元)的動力學特性可以用二階微分方程描述，例如式1為OB層第i通道的僧帽細胞神經團M1的數學表達式，式中直接用圖1中的符號代表變量，在變量上方加一點表示該變量對時間t的一階微分，加兩點表示二階微分。

其中A和B是由生理實驗獲取的開環時間常數;Wm1x表示M1節點到其他相連節點(即x為G1、G2、P1、M2和R)的固定連接權值，以保證模型輸出逼近實際嗅覺系統EEG信號的某些重要生理特性(例如各神經團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M1節點的側向連接權值，這些權值可以通過學習加以調整，G1節點的側向連接權值亦類似。Q(·)是一個由H-H方程導出的靜態Sigmoid函數，是將神經團的電位狀態變量轉化為其神經樹突輸出的脈沖密度變量的I/O傳遞函數，如式(2)所示。

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

因此，整個網絡的數學模型可以用一組二階微分方程組表示，并且呈現出諸如極限環、不動點和混沌等豐富的動力學行為［22－23］。本文選用文獻［24］中的模型參數，在 Matlab軟件中采用四級4階經典Runge-Kutta方法獲取KⅢ網絡的近似數值解。圖2為KⅢ網絡的第2通道在第601到第1000步輸入幅度為1方波信號、其他通道為0輸入時，第2通道M1和G1節點輸出幅度構成的相圖。從圖中看加入外部刺激后，系統從原先的全局混沌吸引子(標記1開始的藍色曲線)跳到一個準周期的局部吸引子(標記2的黑色曲線)，這個變化過程是一種由輸入驅動的狀態變化，而輸入刺激結束后系統軌道(標記3的黑色曲線)又重新回到原先的全局吸引子。

圖2 KⅢ網絡M1和G1節點輸出幅度構成的相圖

Freeman認為動物接受到熟悉氣味(食物、敵人或者異性)時，EEG的時空模式就會迅速轉換到相應的局部吸引子，每種氣味相當于混沌吸引子的一個翼，而靜息狀態相當于混沌吸引子的核，動物識別氣味就是在這些翼之間跳轉，而學習辨認新氣味則是修改原來的翼，建立新的翼。對于不同的刺激信號，系統通過不同振蕩調幅信號的時空模式來區分，同樣也是通過與這些時空結構相對應的節點之間的連接權值產生學習和記憶功能。通常從OB層的M1節點或G1節點的幅度調制振蕩信號或者在相平面上構成的吸引子中獲取KⅢ網絡的輸出信息，常用的方法包括均方根值RMS法、標準差SD法、奇異值分解SVD法等。而對這些節點的權值調整采用改進的Hebb學習規則、Anti-Hebbian學習規則、全局/局部適應性規則等生物相似性學習算法，詳細報道可以參見文獻［17－18］。

2 材料與方法

2.1 電子鼻系統

實驗采用自行研制的電子鼻系統，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，數據采集、調理及通信接口，人機界面等四部分。傳感器陣列由8個MOS型氣敏傳感器(日本Figaro技研株式會社)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。傳感信號經過調理后，由微處理器的片內外設12位ADC采樣，并通過RS232或USB傳送到計算機端。人機界面由計算機端的Delphi應用軟件實現，主要包括陣列信號的實時動態顯示、數據的保存及回顯，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，控制微氣泵定時自動進樣、排廢，不僅提高自動化程度，而且精確了每次進氣量，減少人為誤差。

圖3 自制電子鼻儀器實物圖

表1 電子鼻中所用氣敏傳感器一覽表

2.2 材料與試驗內容

綠茶樣品為同一年當地產的春茶，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)五個品牌(購買于超市或代理商)，分別編號為 LJ、MF、YW、YL和MJ。每個品牌的茶葉制作6個重復平行樣本，每個樣本稱取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氣口相連，通過Delphi應用軟件自動依次完成定量進氣，同步數據采集和定時排廢等一系列過程，其中樣品進氣時間10 s(流量0.5 L/min)，樣品反應時間400 s(數據采樣率20 Sa/sec)，排廢與“清洗”時間6 min。如上操作步驟，每個平行樣本輪流檢測5次并拋棄第一次數據和個別誤操作數據，每個品牌的茶葉各獲取22個數據樣本。

3 結果與分析

3.1 綠茶樣品的傳感信號分析

通過前述步驟獲取的每個數據樣本都是一個龐大的矩陣，其包含了豐富的模式信息但又難以直接使用，通常在進入分類器前需要經過一定的預處理和特征提取。通過對各類品牌綠茶的傳感陣列信號考察發現，所有響應曲線在150 s后逐漸從瞬態進入穩態，因此本文計算其后平穩段1 000個采樣點的平均值作為該樣品的特征向量，并對其進行了統一的歸一化處理，使所有特征向量都分布在單位超球面內。

為了更好地觀察和分析電子鼻儀器中所選的8個氣敏傳感器對各種品牌綠茶樣品的響應情況，將這些傳感陣列信號的特征向量均勻角度繪制到極坐標系并封閉連線，得到表征不同品牌綠茶信息的指紋圖譜，即如圖4所示的雷達圖。從圖中看，每個傳感器對所有綠茶樣品都有響應(除S7對黃山毛峰外)。其中圖4a為所有22個西湖龍井樣品的雷達圖，圖中每條指紋圖譜的重現性很好，表示這些數據樣本的類內差異較小;圖4b為5種不同品牌綠茶的雷達圖(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，說明這些數據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這些綠茶樣品既無失效又無冗余，也表明前述簡單特征提取方法是合適的。

圖4 雷達圖上各種品牌綠茶的指紋圖譜

3.2 KⅢ網絡對綠茶品牌的識別

根據特征向量的維數，使用8通道的KⅢ網絡，每次數值計算迭代長度1200，其中前200步為靜息狀態，第201到第1000步輸入特征向量，最后200步使其恢復到靜息狀態以便進行下一次訓練或識別。采用SD法計算所有M1節點對輸入刺激的興奮度(即幅度調制振蕩的標準方差)，并按式3所示的學習算法(結合改進的Hebb學習規則和全局適應性規則)調整這些節點間的側向連接權值WmmL(簡寫為W)，即當第i和第j節點的興奮度超過所有節點的平均興奮度SDm時連接權值增強(hHeb=1.5)，否則減弱(hhab=0.548 7)。

在5種品牌的綠茶每種22個樣本中各隨機但不重復抽取7個樣本作為訓練集，依次輪流輸入KⅢ網絡進行學習。圖5是5種品牌綠茶經過7次循環學習后，KⅢ網絡權值空間變化情況，即每輪學習前后OB層對應WmmL權值差量的平方數之和。從圖中看，隨著訓練次數的增加，權值空間變化不斷減小，而且少量的學習就使得WmmL趨于穩定。表2是訓練集樣本數和訓練次數為3～7時，用包含訓練集在內的所有22個樣本做測試集，分別進行10次重復試驗后得到的平均識別率。從表中看，在各種情況下不同品牌的綠茶均有較高的識別率，并且隨著訓練次數的增加，KⅢ網絡對5種品牌的綠茶識別率平均值大致上呈上升趨勢，但在訓練次數4～7時并不明顯，而且6時有小波動。一方面是因為這些數據樣本本身統計結構(類內聚合與類間分散)較好，對分類器的敏感度降低;另一方面顯示了輸入驅動聯想記憶分類器與BP等神經網絡的差別，前者依靠系統自身魯棒性和容錯能力利用少量訓練樣本和學習次數即能達到較好的識別結果。

圖5 KⅢ網絡WmmL權值空間變化曲線圖

采用同樣的樣本集(每種綠茶的訓練集比測試集為7∶22)，用Matlab工具箱的BP神經網絡(網絡結構8－12－5)進行10次重復試驗，觀察它們的平均識別率。發現當BP網絡訓練次數大于10 000次時，平均識別率均超過99%，優于KⅢ網絡平均識別率;但當BP網絡的訓練次數降到與KⅢ網絡訓練次數相當(4～7次)時，識別率急劇下降，低于10%。從而也證實了前述觀點，KⅢ網絡這種輸入驅動聯想記憶分類器對學習次數要求很低。

4 結論

初步建立了一種基于MOS型氣敏傳感器陣列和嗅覺神經網絡檢測和識別多種不同品牌綠茶的方法。自制了一套基于計算機－嵌入式微處理器的電子鼻系統，由計算機軟件控制儀器加熱、定時進樣/排廢、曲線顯示和數據保存，提高了數據采集試驗的自動化和精度，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據樣本，通過雷達圖比較和分析這些樣本的指紋圖譜，證實了該電子鼻系統的有效性。采用生物相似性學習算法訓練KⅢ嗅覺神經網絡，并考察了樣本訓練次數和識別率的關系，發現經過4～7次訓練，KⅢ網絡對這5種綠茶的識別率平均值都在97%以上。

本文對電子鼻中引入嗅覺神經網絡識別較為復雜的綠茶氣味進行了嘗試，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。今后的工作將繼續改進電子鼻陣列信號獲取手段，充分發揮KⅢ網絡對時間序列的處理能力，建立KⅢ網絡對傳感陣列信息的時空模式處理方法，并進一步研究對不同品質等級的同品牌綠茶的識別，提升我國具有地理標志的名茶產品在出口中的國際競爭力。

［1］ 中華人民共和國商務部對外貿易司.中國出口月度統計報告－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，茶葉感官審評方法［S］.

［3］ 朱德文，岳鵬翔，袁弟順.不同殺青方法對綠茶品質的影響［J］.農業工程學報，2009，25(8):275－279.

［4］ 史波林，趙鐳，汪厚銀，等.智能感官分析技術在茶葉品質檢測中的應用［J］.食品科學，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.龍井茶葉品質的電子鼻檢測方法［J］.農業機械學報，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.電子鼻技術在茶葉品質檢測中的應用研究［J］.傳感技術學報，2008，21(5):748－752.

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

［17］ Li Guang，Fu 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，Freeman W J.基于嗅覺神經網絡采用時間序列的電子鼻模式分類方法［J］.傳感技術學報，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，Freeman 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，Freeman W J，Burke B C.Biologically Modeled Noise Stabilizing Neurodynamics for Pattern Recognition［J］.Int J Bifurcation Chaos，1998，8(2):321－345.