茶葉品質(zhì)智能評(píng)價(jià)中統(tǒng)計(jì)分析技術(shù)的應(yīng)用現(xiàn)狀與展望

戴悅雯，支瑞聰*，趙 鐳，高海燕，史波林，汪厚銀

（1.上海大學(xué)生命科學(xué)學(xué)院，上海 200444；2.中國(guó)標(biāo)準(zhǔn)化研究院食品與農(nóng)業(yè)標(biāo)準(zhǔn)化研究所，北京 100088）

?

茶葉品質(zhì)智能評(píng)價(jià)中統(tǒng)計(jì)分析技術(shù)的應(yīng)用現(xiàn)狀與展望

戴悅雯1，支瑞聰2,*，趙 鐳2，高海燕1，史波林2，汪厚銀2

（1.上海大學(xué)生命科學(xué)學(xué)院，上海 200444；2.中國(guó)標(biāo)準(zhǔn)化研究院食品與農(nóng)業(yè)標(biāo)準(zhǔn)化研究所，北京 100088）

摘 要：智能感官分析技術(shù)是茶葉品質(zhì)檢測(cè)領(lǐng)域中的一項(xiàng)新興技術(shù)，它通過模擬人的感官實(shí)現(xiàn)對(duì)于茶葉品質(zhì)的快速檢測(cè)和判別。數(shù)據(jù)統(tǒng)計(jì)分析作為智能評(píng)價(jià)中的核心部分，決定著評(píng)判結(jié)果的高效性和準(zhǔn)確性。本文重點(diǎn)剖析統(tǒng)計(jì)分析方法（數(shù)據(jù)降維、模式分類、信息融合）在茶葉品質(zhì)智能評(píng)價(jià)中的應(yīng)用現(xiàn)狀，并對(duì)統(tǒng)計(jì)分析技術(shù)的發(fā)展和進(jìn)一步研究進(jìn)行展望。

關(guān)鍵詞：茶葉品質(zhì)；數(shù)據(jù)統(tǒng)計(jì)分析；數(shù)據(jù)降維；模式分類；信息融合

中國(guó)是茶的故鄉(xiāng)，茶在中國(guó)已經(jīng)有四五千年的歷史。近年來，國(guó)內(nèi)外市場(chǎng)對(duì)茶需求量的不斷增加為我國(guó)整個(gè)茶市場(chǎng)的發(fā)展提供了廣闊的舞臺(tái)。然而，目前市場(chǎng)上茶葉級(jí)別混亂，以次充好的現(xiàn)象時(shí)常發(fā)生，這給茶葉貿(mào)易和消費(fèi)者權(quán)益都帶來了不良的影響。如何讓如今的茶市場(chǎng)走上健康有序的道路，對(duì)茶葉質(zhì)量檢測(cè)技術(shù)提出了巨大的挑戰(zhàn)。

長(zhǎng)期以來，人工評(píng)審作為評(píng)判茶葉品質(zhì)的一種傳統(tǒng)方式，通過綜合外形、香氣、湯色、滋味和葉底五方面的信息對(duì)茶葉品質(zhì)做出整體的評(píng)判[1]。但該方法對(duì)審評(píng)人員具有較高的專業(yè)要求且易受外界因素干擾。理化檢測(cè)作為后發(fā)展起來的一項(xiàng)技術(shù)，依靠?jī)x器設(shè)備對(duì)茶葉物質(zhì)成分進(jìn)行檢測(cè)。該方法能有效解析茶葉的香氣及滋味成分，但難以根據(jù)物質(zhì)成分對(duì)茶葉整體香氣及滋味品質(zhì)進(jìn)行評(píng)判[2]。智能感官分析技術(shù)是茶葉品質(zhì)檢測(cè)中的一項(xiàng)新興技術(shù)，它通過模擬人的感官得到有關(guān)茶葉香氣和滋味的指紋信息，經(jīng)數(shù)據(jù)統(tǒng)計(jì)分析給出評(píng)判結(jié)果。該技術(shù)因操作簡(jiǎn)便、客觀準(zhǔn)確、檢測(cè)時(shí)間短、重復(fù)性好等特點(diǎn)，成為目前茶葉品質(zhì)檢測(cè)領(lǐng)域中的研究熱點(diǎn)。

1　智能感官分析技術(shù)

智能感官分析技術(shù)是對(duì)人感官感知過程的模仿。在茶葉品質(zhì)檢測(cè)過程中，智能感官分析設(shè)備對(duì)茶葉色、香、味、形等感官屬性進(jìn)行檢測(cè)，通過對(duì)所得信息進(jìn)行處理，實(shí)現(xiàn)對(duì)于茶葉品質(zhì)的檢測(cè)[2]。目前，可用于茶葉品質(zhì)檢測(cè)的智能感官分析設(shè)備主要有電子鼻、電子舌和機(jī)器視覺。與機(jī)器視覺的圖像信息不同，電子鼻和電子舌通過傳感器采集有關(guān)香氣及滋味的響應(yīng)信號(hào)。因電子鼻和電子舌傳感器采集到的信號(hào)形式相似，所以其數(shù)據(jù)處理方式相同，主要包括傳感器信號(hào)參數(shù)提取、樣品特征信息提取（數(shù)據(jù)降維）及模式分類（圖1）。其中，數(shù)據(jù)統(tǒng)計(jì)分析作為智能評(píng)價(jià)的核心，統(tǒng)計(jì)分析方法的選擇和應(yīng)用決定了智能感官分析技術(shù)在茶葉品質(zhì)檢測(cè)中的效果。本文將重點(diǎn)對(duì)電子鼻和電子舌傳感器信號(hào)解析中數(shù)據(jù)統(tǒng)計(jì)分析方法的應(yīng)用現(xiàn)狀進(jìn)行介紹。

圖1　智能感官分析流程Fig.1 Diagram of intelligent sensory analysis

2　統(tǒng)計(jì)分析技術(shù)在茶葉品質(zhì)智能評(píng)價(jià)中的應(yīng)用

2.1傳感器信號(hào)參數(shù)提取

電子鼻、電子舌傳感器響應(yīng)信號(hào)是隨時(shí)間變化的時(shí)序信號(hào)。時(shí)序信號(hào)與時(shí)間相關(guān)聯(lián)，因而其數(shù)據(jù)量是非常龐大的，所以直接以原始信號(hào)為對(duì)象進(jìn)行分析在時(shí)間和空間上都是不可行的[3]。信號(hào)參數(shù)提取的目的在于從數(shù)據(jù)量龐大的時(shí)序信號(hào)中提取出特征性較強(qiáng)的數(shù)據(jù)點(diǎn)，從而更加快速有效地實(shí)現(xiàn)對(duì)于傳感器信號(hào)的分析。

目前，在茶葉智能感官分析領(lǐng)域，傳感器信號(hào)參數(shù)以時(shí)域參數(shù)為主。時(shí)域參數(shù)是以時(shí)間軸為基準(zhǔn)對(duì)信號(hào)提取的特征參數(shù)，能形象且直觀地反映原始信號(hào)的特征[4]。信號(hào)分析領(lǐng)域常用的時(shí)域參數(shù)有最大值、均值、穩(wěn)值、方差、標(biāo)準(zhǔn)偏差等。在茶葉智能感官分析領(lǐng)域，電子鼻、電子舌傳感器信號(hào)分別以最大值和均值作為主要時(shí)域參數(shù)進(jìn)行數(shù)據(jù)分析。Qin Zihan[5]、Chen Quansheng[6]、Banerjee[7]等在利用電子鼻對(duì)不同等級(jí)紅茶、龍井茶、炒青綠茶的識(shí)別中，以傳感器信號(hào)最大值作為后續(xù)茶葉等級(jí)識(shí)別模型建立的特征點(diǎn)。王新宇[8]、陳全勝[9]等在利用電子舌對(duì)不同等級(jí)炒青綠茶的識(shí)別中，以時(shí)序信號(hào)最后20 s測(cè)量值的平均值作為傳感器響應(yīng)值進(jìn)行后續(xù)實(shí)驗(yàn)分析。電子鼻、電子舌信號(hào)參數(shù)提取是決定茶葉品質(zhì)判定效果的關(guān)鍵步驟，在現(xiàn)有特征參數(shù)的基礎(chǔ)上，提取出更具特征性和代表性的參數(shù)將會(huì)進(jìn)一步提升對(duì)于茶葉品質(zhì)的判定效果。

2.2特征信息提取（數(shù)據(jù)降維）

目前，通過傳感器獲得的信息哪些真正有助于茶葉品質(zhì)的檢測(cè)還不得而知。所以，人們總是提取盡可能多的信息用于茶葉品質(zhì)的檢測(cè)。但是，信息量與檢測(cè)效果之間并非呈絕對(duì)的正比關(guān)系。因?yàn)樵诖罅康男畔⒅型c茶葉品質(zhì)特征相關(guān)性差，甚至不相關(guān)且冗余的信息。這些信息的存在不但不會(huì)提升對(duì)于茶葉品質(zhì)的檢測(cè)效果，反而會(huì)起到負(fù)面作用。為了減少“垃圾”信息的影響，從大量的信息中提取出具有代表性的特征信息，除了可以對(duì)原始高維數(shù)據(jù)進(jìn)行降維，減少運(yùn)算時(shí)間和計(jì)算復(fù)雜度，更重要的是能夠提高智能感官分析結(jié)果的準(zhǔn)確性和有效性。特征信息提取（數(shù)據(jù)降維）方法主要分為線性和非線性兩大類。非線性方法雖然能解決實(shí)際問題中線性方法所無法解決的問題，但非線性映射比線性映射的處理過程復(fù)雜，且智能感官分析技術(shù)在茶葉品質(zhì)檢測(cè)領(lǐng)域的研究尚不深入，所以目前主要是以線性方法實(shí)現(xiàn)對(duì)于茶葉特征信息的提取。

線性降維是指通過線性的特征組合對(duì)原始數(shù)據(jù)進(jìn)行降維，本質(zhì)上就是把原始的高維數(shù)據(jù)從輸入空間通過線性變換映射到低維空間，從而獲得關(guān)于原數(shù)據(jù)集的低維表示。假設(shè)X=（x1, x2……xi）是高維空間中的一個(gè)向量，通過降維得到低維空間中的向量Y=（y1, y2……yi）Y=（y1, y2……yi）T。如果F的每個(gè)分量Fi都是X的線性函數(shù)，則稱F為線性降維[10-11]。在茶葉智能感官分析領(lǐng)域，經(jīng)典且廣泛使用的線性降維方法主要有主成分分析法（principal components analysis，PCA）和線性判別分析法（linear discriminant analysis，LDA）。PCA通過對(duì)原始變量的相關(guān)矩陣或協(xié)方差矩陣內(nèi)部結(jié)構(gòu)的研究，將多個(gè)變量轉(zhuǎn)換為少數(shù)幾個(gè)綜合變量即主成分。通過轉(zhuǎn)換所得到的主成分能夠反映原始變量的大部分信息，實(shí)現(xiàn)對(duì)于原始數(shù)據(jù)降維的目的。相對(duì)于非監(jiān)督的PCA，LDA是一種有監(jiān)督的降維方法。它以樣本的可區(qū)分性為目標(biāo)，通過尋找一組線性變換以達(dá)到類內(nèi)散度最小且類間散度最大[11-12]。

在利用PCA和LDA對(duì)茶葉數(shù)據(jù)進(jìn)行降維的應(yīng)用中，Qin Zihan[5]和He Wei[13]等通過PCA分別對(duì)3 個(gè)不同等級(jí)龍井茶的電子鼻和電子舌數(shù)據(jù)進(jìn)行了分析。3 個(gè)不同等級(jí)龍井茶的電子鼻、電子舌數(shù)據(jù)經(jīng)PCA（電子鼻：PC1 65%，PC2 20%；電子舌：PC1 67.85%，PC2 28.95%）進(jìn)行特征提取后，分別位于得分圖的不同區(qū)域，不同等級(jí)之間得以明顯區(qū)分且相互之間無交叉重疊。Yu Huichun等[14]在利用電子鼻對(duì)不同等級(jí)綠茶品質(zhì)的判別研究中，將PCA提取到的不同等級(jí)綠茶的特征信息作為神經(jīng)網(wǎng)絡(luò)輸入，使訓(xùn)練集和測(cè)試集對(duì)于茶葉等級(jí)的正確識(shí)別率分別達(dá)到了100%和88%。Chen Quansheng[15]和Mirasoli[16]等在利用電子鼻分別對(duì)不同種茶葉和不同貯藏時(shí)間綠茶的分類識(shí)別中，通過LDA分別實(shí)現(xiàn)了對(duì)于不同茶葉100%的正確識(shí)別。PCA和LDA在茶葉智能感官分析中的應(yīng)用，幫助實(shí)現(xiàn)了對(duì)于茶葉數(shù)據(jù)的壓縮及特征的提取，并且進(jìn)一步提升了對(duì)于茶葉品質(zhì)的檢測(cè)效果。在對(duì)PCA和LDA這兩種方法的比較中，Yu Huichun等[17-18]同時(shí)利用這兩種方法對(duì)不同等級(jí)和不同貯藏時(shí)間龍井茶的電子鼻數(shù)據(jù)進(jìn)行了分析。實(shí)驗(yàn)結(jié)果表明，LDA對(duì)于不同等級(jí)和不同貯藏時(shí)間龍井茶的區(qū)分效果優(yōu)于PCA，經(jīng)LDA進(jìn)行特征提取后能達(dá)到對(duì)于不同等級(jí)龍井茶100%的正確識(shí)別，并且能對(duì)不同貯藏天數(shù)（0、60、120、180、240 d）下的龍井茶進(jìn)行有效區(qū)分。張紅梅等[19]在基于氣敏傳感器陣列的茶葉等級(jí)檢測(cè)方法研究中，以電子鼻采集到的3 個(gè)等級(jí)信陽毛尖茶為分析對(duì)象，同樣對(duì)PCA和LDA這兩種方法在特征提取中的效果進(jìn)行了比較。實(shí)驗(yàn)結(jié)果顯示，LDA的特征提取效果優(yōu)于PCA，兩種方法對(duì)于不同等級(jí)信陽毛尖茶的正確識(shí)別率分別為100%（LDA）和96.6%（PCA）。根據(jù)上述研究可以看出，PCA和LDA這兩種降維方法在茶葉智能感官分析領(lǐng)域已得到廣泛應(yīng)用。其中，多數(shù)實(shí)驗(yàn)研究結(jié)果顯示，相對(duì)于無監(jiān)督的PCA，LDA通過已知類別信息的訓(xùn)練數(shù)據(jù)集學(xué)習(xí)并建立模型，能夠更好地對(duì)測(cè)試集樣本進(jìn)行識(shí)別。

2.3模式分類

模式分類是在特征提取的基礎(chǔ)上，利用分類方法將樣品特征信息判斷為某一模式類別的過程。基于不同的分類原理，模式分類方法主要包括：K-最近鄰分類（K-nearest neighbor，KNN）、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。KNN是相對(duì)簡(jiǎn)單的一種信息分類算法。在分類過程中，對(duì)于新給定樣本，KNN通過尋找訓(xùn)練樣本集中與測(cè)試樣本距離最近的K 個(gè)樣本，根據(jù)這K 個(gè)樣本所屬的類別判定測(cè)試樣本的類別[20]。神經(jīng)網(wǎng)絡(luò)是從結(jié)構(gòu)上模仿生物神經(jīng)網(wǎng)絡(luò)的一種分類算法。在神經(jīng)網(wǎng)絡(luò)模型中，分類知識(shí)被隱式地存儲(chǔ)在連接的權(quán)值上，使用迭代算法確定權(quán)值向量。當(dāng)網(wǎng)絡(luò)輸出判別正確時(shí)，權(quán)值向量保持不變，否則進(jìn)行增加或降低的調(diào)整[21-22]。支持向量機(jī)最初來自兩類線性可分的數(shù)據(jù)，設(shè)X為輸入空間，Y表示輸出域，通常模式集合X={xi}∈Rn由兩類點(diǎn)組成，即Y={－1, 1}。對(duì)n 個(gè)樣本組成的訓(xùn)練集 S=（（x1, x2）,……,（xn, xn））∈（X×Y）n，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小原理，構(gòu)造一個(gè)目標(biāo)函數(shù)，尋找一個(gè)滿足要求的分割超平面，并使訓(xùn)練集中的點(diǎn)距離分割超平面盡可能的遠(yuǎn)[23-24]。

在茶葉模式分類研究中，神經(jīng)網(wǎng)絡(luò)以其大規(guī)模并行、分布式存儲(chǔ)、自組織、自適應(yīng)和自學(xué)習(xí)能力強(qiáng)等特點(diǎn)得到廣泛應(yīng)用。Dutta等[25]在利用電子鼻對(duì)5 種不同加工工藝茶葉的識(shí)別研究中，比較分析了4 種神經(jīng)網(wǎng)絡(luò)分類器對(duì)于茶葉的識(shí)別效果。其中，以徑向基函數(shù)（radical basis function，RBF）神經(jīng)網(wǎng)絡(luò)為分類器時(shí)，實(shí)現(xiàn)了對(duì)不同加工工藝茶葉100%的正確識(shí)別。于慧春等[26]在利用電子鼻對(duì)同類不同等級(jí)的茶葉、茶水和茶底的識(shí)別研究中，通過誤差逆?zhèn)鞑ィ╞ack propagation，BP）神經(jīng)網(wǎng)絡(luò)分別實(shí)現(xiàn)了97%、100%和93%的正確識(shí)別。與此同時(shí)，KNN和支持向量機(jī)作為另外兩種分類器，在茶葉模式分類中也得到了應(yīng)用。陳哲等[27]在基于電子鼻技術(shù)的碧螺春茶葉品質(zhì)等級(jí)檢測(cè)研究中，利用KNN實(shí)現(xiàn)了對(duì)3種等級(jí)碧螺春茶83.33%的正確識(shí)別。在基于電子舌技術(shù)對(duì)茶葉質(zhì)量等級(jí)評(píng)判的研究中，陳全勝等[9]利用KNN建立了茶葉等級(jí)判定模型。通過交互驗(yàn)證的方法優(yōu)化模型參數(shù)K和主成分因子數(shù)后，使模型交互驗(yàn)證的識(shí)別率達(dá)到97.5%，對(duì)預(yù)測(cè)集中40 個(gè)樣本的預(yù)測(cè)識(shí)別率達(dá)到100%。同時(shí)，在利用電子鼻對(duì)不同等級(jí)炒青綠茶的品質(zhì)判別中，Chen Quansheng等[6]比較分析了KNN、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)3 種分類器對(duì)于炒青綠茶等級(jí)的分類效果。實(shí)驗(yàn)結(jié)果表明，支持向量機(jī)的模式分類效果優(yōu)于KNN和神經(jīng)網(wǎng)絡(luò)，在對(duì)訓(xùn)練集和測(cè)試集的判別中分別能達(dá)到100%和95%的正確識(shí)別率。由于支持向量機(jī)在茶葉智能感官分析中的研究還未普遍，所以目前還無法對(duì)其在茶葉分類中的性能做出準(zhǔn)確的評(píng)價(jià)。但是，根據(jù)已有文獻(xiàn)可知，基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)在茶葉模式分類中展現(xiàn)出了巨大潛力。

2.4信息融合技術(shù)在茶葉品質(zhì)智能評(píng)價(jià)中的應(yīng)用

茶葉品質(zhì)是由色、香、味、形等多方面感官特性共同決定，通過單一來源數(shù)據(jù)難以準(zhǔn)確、全面地表征茶葉的整體品質(zhì)。信息融合作為一種多源信息處理技術(shù)，通過對(duì)多源信息進(jìn)行綜合分析，能夠進(jìn)一步提高數(shù)據(jù)處理結(jié)果的準(zhǔn)確性和可靠性[28]。

針對(duì)信息融合技術(shù)在茶葉領(lǐng)域中的應(yīng)用，陳全勝等[29]提出了利用近紅外光譜和機(jī)器視覺的多傳感信息融合技術(shù)來評(píng)判茶葉的品質(zhì)。通過利用BP神經(jīng)網(wǎng)絡(luò)方法建立茶葉綜合品質(zhì)評(píng)判模型，最后實(shí)現(xiàn)了99%的訓(xùn)練回判率和89%的預(yù)測(cè)識(shí)別率，評(píng)判結(jié)果的準(zhǔn)確性和穩(wěn)定性都較單一信息模型有所提高。Banerjee等[7]通過融合電子鼻和電子舌數(shù)據(jù)對(duì)不同質(zhì)量的茶葉進(jìn)行了識(shí)別。實(shí)驗(yàn)結(jié)果顯示，與僅利用單一來源數(shù)據(jù)相比，將電子鼻和電子舌數(shù)據(jù)融合后，對(duì)于不同質(zhì)量茶葉的正確識(shí)別率由電子鼻的83.1%和電子舌的85.7%提升到93.3%。信息融合技術(shù)除了已應(yīng)用于茶葉品質(zhì)檢測(cè)外，在食品智能感官分析領(lǐng)域的其他方面如果蔬、橄欖油、肉產(chǎn)品等的質(zhì)量檢測(cè)中也得到了應(yīng)用[30-32]。信息融合技術(shù)正以其覆蓋面廣、容錯(cuò)性好、可靠性高等優(yōu)勢(shì)在食品檢測(cè)領(lǐng)域發(fā)揮越來越重要的作用。但是，由于信息融合技術(shù)在我國(guó)的發(fā)展起步較晚，到目前為止在食品智能感官分析領(lǐng)域的研究尚不深入。所以，如何充分發(fā)揮信息融合技術(shù)的優(yōu)勢(shì)更好地應(yīng)用于食品質(zhì)量檢測(cè)，將會(huì)成為整個(gè)食品智能感官分析領(lǐng)域的研究重點(diǎn)。

3　結(jié) 語

統(tǒng)計(jì)分析方法的應(yīng)用為智能感官分析技術(shù)在茶葉品質(zhì)檢測(cè)領(lǐng)域的快速發(fā)展奠定了基礎(chǔ)。除茶葉外，統(tǒng)計(jì)分析方法在酒類[33-34]、乳制品[35-36]、橄欖油[32-37]、飲料[38-39]等其他方面的成功應(yīng)用，進(jìn)一步推進(jìn)了智能感官分析技術(shù)在食品領(lǐng)域的發(fā)展。但是，目前用于智能感官分析的統(tǒng)計(jì)分析方法較為局限，很大程度上影響了對(duì)于食品檢測(cè)效果的進(jìn)一步提升以及整個(gè)智能感官分析技術(shù)的發(fā)展。因此，在現(xiàn)有統(tǒng)計(jì)分析方法的基礎(chǔ)上引入并結(jié)合其他統(tǒng)計(jì)分析方法，將會(huì)成為食品智能感官分析領(lǐng)域下一步的研究方向：1）信號(hào)時(shí)域、頻域參數(shù)的結(jié)合：頻域參數(shù)是描述信號(hào)頻率特性的一種參數(shù)，它能反映信號(hào)內(nèi)部的頻率結(jié)構(gòu)及頻率與頻率信號(hào)幅度的關(guān)系。作為信號(hào)分析的兩個(gè)不同角度，時(shí)域和頻域參數(shù)各有優(yōu)缺點(diǎn)。時(shí)域參數(shù)能形象且直觀地反映原始信號(hào)的特征，頻域參數(shù)能揭示原始信號(hào)內(nèi)部的結(jié)構(gòu)特性，并能從頻率結(jié)構(gòu)對(duì)時(shí)域參數(shù)相同的信號(hào)進(jìn)行進(jìn)一步解析。但它們共同的缺點(diǎn)是都只能反映原始信號(hào)的單方面特征信息。為了能從不同角度更加全面地代表信號(hào)的特征信息，將時(shí)域和頻域參數(shù)結(jié)合，充分發(fā)揮各參數(shù)優(yōu)勢(shì)，將會(huì)成為食品智能感官分析領(lǐng)域一個(gè)新的研究方向。2）非線性降維方法的應(yīng)用：線性數(shù)據(jù)是相對(duì)簡(jiǎn)單的一類數(shù)據(jù)，現(xiàn)實(shí)世界中的數(shù)據(jù)往往是以非線性的結(jié)構(gòu)存在，此時(shí)通過線性方法就很難挖掘出高維數(shù)據(jù)中的集合結(jié)構(gòu)和相關(guān)性。針對(duì)具有非線性結(jié)構(gòu)的高維數(shù)據(jù)，非線性降維方法不但能保持原始數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)不變，而且能較好地對(duì)非線性高維數(shù)據(jù)進(jìn)行降維。將非線性方法引入到食品智能評(píng)價(jià)中，利用非線性方法的優(yōu)勢(shì)對(duì)數(shù)據(jù)降維將會(huì)成為該領(lǐng)域又一個(gè)新的研究方向。3）多通道信息融合技術(shù)的應(yīng)用：通過單一來源的信息已無法滿足產(chǎn)品多感官特性的表征及識(shí)別。信息融合技術(shù)通過對(duì)產(chǎn)品的多來源信息進(jìn)行綜合考察，取精華去冗余，能夠增加表征產(chǎn)品品質(zhì)的信息量，提高產(chǎn)品品質(zhì)模型的有效性和穩(wěn)定性。

參考文獻(xiàn)：

[1]中華人民共和國(guó)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局, 中國(guó)國(guó)家標(biāo)準(zhǔn)化管理委員會(huì). GB/T 23776—2009 茶葉感官審評(píng)方法[S]. 北京: 中國(guó)標(biāo)準(zhǔn)出版社, 2009.

[2]史波林, 趙鐳, 汪厚銀, 等. 智能感官分析技術(shù)在茶葉品質(zhì)檢測(cè)中的應(yīng)用[J]. 食品科學(xué), 20 09, 30(19): 351-355.

[3]賈素玲, 陳當(dāng)陽, 姜浩. 時(shí)序數(shù)據(jù)挖掘中的數(shù)據(jù)表示算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2006(29): 184-186.

[4]余順園. 信號(hào)與系統(tǒng)中時(shí)域頻 域的對(duì)稱性[J]. 科技視界, 2012(25): 192-193.

[5]QIN Zihan, PANG Xueli, CHEN Dong, et al. Evaluation of Ch inese tea by the electronic nose and gas chromatography massspectrometry: c orrelation with sensory properties and classification according to grade level[J]. Food Research International, 2013, 53(2): 864-874.

[6]CHEN Quansheng, ZHAO Jiewen, CHEN Zhe, et al. Discrimination of green tea quality using the electronic nose technique and the human pan el test, comparison of linear and nonlinear classification tools[J]. Sensors and Actuators B: Chemical, 2011, 159(1): 294-300.

[7]BANERJEE R, TUDU B, SHAW L, et al. Instrumental testing of tea by combining the responses of electronic nose and tongue[J]. Journal of Food Engineering, 2012, 110(3): 356-363.

[8]王新宇, 陳全勝. 利用電子舌識(shí)別炒青綠茶的等級(jí)[J]. 安徽農(nóng)業(yè)科學(xué), 2007, 35(28): 8872-8873.

[9]陳全勝, 江水泉, 王新宇. 基于電子舌技術(shù)和模式識(shí)別方法的茶葉質(zhì)量等級(jí)評(píng)判[J]. 食品與機(jī)械, 2008, 24(1): 124- 126.

[10]鄒艷. 高維數(shù)據(jù)降維方法的研究[D]. 成都: 西南交通大學(xué), 2009: 9-15.

[11]安亞靜. 智能降維技術(shù)的研究與應(yīng)用[D]. 無錫: 江南大學(xué), 2 012: 9-12.

[12]陸捷榮. 基于流形學(xué)習(xí)與D-S證據(jù)理論的語音情感識(shí)別研究[D]. 鎮(zhèn)江: 江蘇大學(xué), 2010: 16-17.

[13]HE Wei, HU Xiaosong, ZHAO Lei. Eval uation of Chinese tea by the electronic tongue: correlation with senso ry p roperties and classification according to geographical origin and grade level[J]. Food Research International, 2009, 42(10): 1462-1467.

[14]YU Huichun, WANG Jun, YAO Cong, et al. Quality grade identification of green tea using E-nose by CA and ANN[J]. LWTFood Science and Technology, 2008, 41(7): 1268-1273.

[15]CHEN Quansheng, LIU Aiping, ZHAO Jiewen. Classification of tea category using a portable electronic nose based on an odor imaging sensor array[J]. Journal of Pharmaceutical and Biomedical Analysis, 2013, 84: 77-83.

[16]MIRASOLI M, GOTTI R, di FUSCO M. Electronic no se and chiralcapillary electrophoresis in evaluation of the quality changes in commercial green tea leaves during a long-term storage[J]. Talanta, 2014, 129: 32-38.

[17]YU Huichun, WANG Jun, ZHANG Hongmei, et al. Iden tifi cation of green tea grade using different feature of response signal from E-nose sensors[J]. Sensors and Actuators B: Chemical, 2008, 128(2): 455-461.

[18]YU Huichun, WANG Yongwei, WANG Jun. Identification of tea sto rage times by linear discrimination analysis and back-propagation neural network techniques based on the eigenvalues of principal components analysis of e-nose sensor signals[J/OL]. Sensors, 2009, 9(10): 8073-8082. doi: 10.3390/s91008073.

[19]張紅梅, 高獻(xiàn)坤, 徐國(guó)強(qiáng), 等. 基于氣敏傳感器陣列的茶葉等級(jí)檢測(cè)方法研究[J]. 河南農(nóng)業(yè)大學(xué)學(xué)報(bào), 2010, 44(2): 177-179.

[20]SAINI I, SINGH D, KHOSLA A. QRS detection using K-Nearest Neighbor algorithm (KNN) and evaluation on standard ECG databases[J]. Journal of Advanced Research, 2013, 4(4): 331-344.

[21]S UN J ianye. Learning algorithm and hidden node selection scheme for local coupled feedforward neural network classifier[J]. Neurocomputing, 2012, 79: 158-163.

[22]BORAH S, HINES E L, LEESON M S, et al. Neural network based electronic nose for classification of tea aroma[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(1): 7-14.

[23]ALKAN A, GüNAY M. Identification of EMG signals using discriminant analysis and SVM classifier[J]. Expert Systems w ith Applications, 2012, 39(1): 44-47.

[24]李小娟, 張艷珠, 李媛. LDA及支持向量機(jī)的人臉識(shí)別算法研究[J].沈陽理工大學(xué)學(xué)報(bào), 2012, 31(5): 52-55.

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

[26]于慧春, 王俊. 電子鼻技術(shù)在茶葉品質(zhì)檢測(cè)中的應(yīng)用研 究[J]. 傳感技術(shù)學(xué)報(bào), 2008, 21(5): 748-752.

[27]陳哲, 趙杰文. 基于電子鼻技術(shù)的碧螺春茶葉品質(zhì)等級(jí)檢測(cè)研究[J].農(nóng)機(jī)化研究, 2012, 34(11): 133-137.

[28]黃漫國(guó), 樊尚春, 鄭德智, 等. 多傳感器數(shù)據(jù)融合技術(shù)研究進(jìn)展[J].傳感器與微系統(tǒng), 2010, 29(3): 5-8.

[29]陳全勝, 趙杰文, 蔡健榮, 等. 基于近紅外光譜和機(jī)器視覺的多信息融合技術(shù)評(píng)判茶葉品質(zhì)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2008, 24(3): 5-10.

[30]劉鵬, 屠康, 蘇子鵬, 等. 基于多傳感器融合技術(shù)的蘋果成熟度檢測(cè)研究[J]. 江蘇農(nóng)業(yè)學(xué)報(bào), 2010, 26(3): 670-672.

[31]張永超, 吳才章. 基于多傳感器信息融合技術(shù)的糧食水分測(cè)定儀[J].儀器儀表與檢測(cè)技術(shù), 2010, 29(4): 66-69.

[32]HADDI Z, ALAMI H, EI BARI N, et al. Electronic nose and tongue combination for improved classifi cat ion of Moroccan virgin olive oil profi les[J]. Food Research International, 2013, 54(2): 1488-1498.

[ 33]de las NIEVES LóPEZ de LERMA M, BELLINCONTRO A, GARCíA-MARTíNEZ T, et al. Feasibility of an electronic nose to differen tiate commercial Spanish wines elaborated from the same grape variety[J]. Food Research International, 2013, 5 1(2): 790-796.

[34]PRIETO N, RODRIGUEZ-M NDEZ M L, LEARDI R, et al. Application of multi-way analysis to UV-visible spectroscopy, gas chromatography and electronic nose data for wine ageing evaluation[J]. Analytica Chimica Acta, 2012, 719: 43-51.

[35]WEI Zhenbo, WANG Jun, ZHANG Xi. Monitoring of quality an d storage time of unsealed pasteurized milk by voltammetric electronic tongue[J]. Electrochimica Acta, 2013, 88: 231-239.

[36]BRUDZEWSKI K, OSOWSKI S, MARKIEWICZ T. Classification of milk by means of an electronic nose and SVM neural network[J]. Sens ors and Actuators B: Chemical, 2004, 98(2/3): 291-298.

[37]COSIO M S, BALLABIO D, BENEDETTI S, et al. Geographical origin and authentication of extra virgin olive oils by an electronic nose in combination with artificial neural netw orks[ J]. Analytica Chimica Acta, 2006, 567(2): 202-210.

[38]HARTYANI P, DALMADI I, KNORR D. Electronic nose investigation of Alicyclobacillus acidoterrestris inoculated apple and orange juice treated by high hydrostatic pressure[J]. Food Control, 2013, 32(1): 262-269.

[39]HONG Xuezhen, WANG Jun. Detection of adulteration in cherry tomato juices based on electronic nose and tongue: comparison of different data fusion approaches[J]. Journal of Food Engineering, 2014, 126: 89-97.

Application of Statistical Analysis Techniques in Intelligent Evaluation of Tea Quality: Current Situation and Future Prospect

DAI Yuewen1, ZHI Ruicong2,*, ZHAO Lei2, GAO Haiyan1, SHI Bolin2, WANG Houyin2

(1. College of Life Science, Shanghai University, Shanghai 200444, China; 2. Institute of Foods and Agriculture Standardization, China National Institute of Standardization, Beijing 100088, China)

Abstract:Intelligent sensory analysis is an emerging technology in tea quality evaluation. It can achieve rapid detection and classifi cation of tea quality by simulating human senses. Statistical data analysis, as the core of intelligent evaluation, determines the effi ciency and accuracy of evaluation results. This paper is focused on reviewing the application of statistical analysis techniques (data dimensionality reduction, pattern classifi cation, and information fusion) in intelligent evaluation of tea quality and future prospects and further research directions of statistical analysis technique are also proposed.

Key words:tea quality; statistical data analysis; data dimensionality reduction; pattern classifi cation; information fusion

doi:10.7506/spkx1002-6630-201507041

中圖分類號(hào)：TS272.7

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-6630（2015）07-0223-05

*通信作者：支瑞聰（1983—），女，副研究員，博士，研究方向?yàn)橹悄芨泄俜治觥-mail：zhirc@cnis.gov.cn

作者簡(jiǎn)介：戴悅雯（1989—），女，碩士研究生，研究方向?yàn)橹悄芨泄俜治觥-mail：DAIDAIDD11@163.com

基金項(xiàng)目：國(guó)家高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）項(xiàng)目（2011AA1008047）；國(guó)家自然科學(xué)基金青年科學(xué)基金項(xiàng)目（31201358）

收稿日期：2014-06-11