学位论文 > 优秀研究生学位论文题录展示

不同香型、产地、等级白酒数字化分类方法学研究

作　者: 程平言
导　师: 范文来
学　校: 江南大学
专　业: 发酵工程
关键词: 顶空固相微萃取质谱技术白酒原产地判别白酒等级判别反向传播神经网络支持向量机
分类号: TS262.3
类　型: 硕士论文
年　份: 2013年
下　载: 57次
引　用: 0次
阅　读: 论文下载

内容摘要

白酒的独特风味不同于其他蒸馏酒，由于地理环境、原料和酿造工艺设备的不同，形成了各具风味特色的香型白酒。本文运用顶空固相微萃取质谱（HS SPME MS）技术与化学计量学相结合的方法，实现不同香型、产地和等级白酒的数字化分类。主要研究内容如下：（1）运用HS SPME MS技术获取不同产地白酒的离子丰度值，结合偏最小二乘判别分析（PLS DA）、逐步线性判别分析（SLDA）和反向传播（BP）神经网络建立白酒原产地判别模型，其预测准确率为84.4%。其中PLS DA与SLDA分析选出36个重要离子作BP网络的输入层，不同酒样的原产地作输出层，网络的最优参数组合为：传递函数tansig、训练函数trainbfg、隐藏层神经元数5。运用偏最小二乘回归分析（PLS）、主成分回归分析（PCR）和支持向量机（SVM）建立产地判别模型，与BP网络相互验证，以保证预测结果的准确性。根据PLS与PCR回归系数分别选择17和16个重要离子，其中PCR回归系数法选择的重要离子所建SVM模型的最优核参数σ=1.414和惩罚因子c=32，预测准确率达87.5%。（2）收集不同香型（浓香和酱香）习酒的离子丰度值，结合PLS回归分析、BP神经网络和SVM建立香型判别模型，BP网络与SVM模型的预测准确率均为100%。其中PLS回归系数法选出7个重要离子作输入层，设定最优参数组合：tansig、trainlm、神经元数3，构建BP网络香型判别模型。同时用选出的重要离子构建SVM模型，与BP网络相互验证，设定最优参数σ=1，c=1.414。（3）获取浓香型洋河蓝色经典系列三类不同等级酒的离子丰度值，结合PLS DA、SLDA和BP网络建立浓香型白酒等级判别模型，预测准确率达100%。其中PLS DA与SLDA分析选出14个重要离子作输入层，酒样的不同等级作输出层，网络的最优参数组合为：tansig、trainbfg、神经元数4。运用PLS、PCR分析和SVM建立等级判别模型，与BP网络相互验证。根据PLS与PCR回归系数均选择13个重要离子，其中PLS回归系数法构建的SVM模型优于PCR回归系数法，此模型的最优参数σ=32，c=5.66，预测准确率达96.3%。（4）获取清香型牛栏山二锅头三类不同等级白酒的离子丰度值，结合PLS DA、SLDA和BP网络建立清香型白酒等级判别模型，预测准确率达93.3%。其中PLS DA与SLDA分析选出8个离子作输入层，网络的最优参数组合为：tansig、trainlm、神经元数2。运用PLS、PCR分析和SVM建立清香型等级判别模型，与BP网络相互验证。根据PLS和PCR回归系数分别选择12和10个离子，其中PCR回归系数法所建SVM模型优于PLS回归系数法，此模型的最优参数σ=11.314，c=2，预测准确率达86.7%。

全文目录

摘要  3-4
Abstract  4-8
第一章绪论  8-15
  1.1 立体背景和意义  8-9
  1.2 国内外研究进展  9-13
    1.2.1 白酒香型、产地、等级研究进展  9-10
    1.2.2 检测技术在饮料酒中的应用  10-12
    1.2.3 化学计量学在饮料酒中的应用  12-13
  1.3 课题研究的主要目标和内容  13-15
第二章材料与方法  15-23
  2.1 实验材料  15-16
    2.1.1 白酒样品  15-16
    2.1.2 主要试剂与仪器  16
  2.2 实验方法  16
    2.2.1 样品准备  16
    2.2.2 HS SPME 条件  16
    2.2.3 质谱条件  16
  2.3 化学计量学方法  16-23
    2.3.1 偏最小二乘回归分析  16-18
    2.3.2 主成分回归分析  18-19
    2.3.3 偏最小二乘判别分析  19
    2.3.4 逐步线性判别分析  19-20
    2.3.5 BP 神经网络  20-21
    2.3.6 支持向量机  21-23
第三章结果与讨论  23-54
  3.1 白酒原产地判别模型  23-33
    3.1.1 不同产地白酒质谱图  23-24
    3.1.2 特征离子变量选择  24-27
    3.1.3 BP 神经网络  27-29
    3.1.4 回归分析  29-31
    3.1.5 SVM 模型  31-33
  3.2 白酒香型判别模型  33-37
    3.2.1 不同香型习酒质谱图  33-34
    3.2.2 PLS 回归分析  34-35
    3.2.3 BP 神经网络  35-36
    3.2.4 SVM 模型  36-37
  3.3 白酒等级判别模型  37-54
    3.3.1 浓香型白酒等级判别  37-45
    3.3.2 清香型白酒等级判别  45-54
主要结论与展望  54-56
  主要结论  54-55
  展望  55-56
致谢  56-57
参考文献  57-62
附录：作者在攻读硕士学位期间发表的论文  62

不同香型、产地、等级白酒数字化分类方法学研究

内容摘要

全文目录

相似论文