一种基于电子舌数据预测黄酒中谷氨酸含量的方法
阅读说明：本技术 一种基于电子舌数据预测黄酒中谷氨酸含量的方法 (Method for predicting content of glutamic acid in yellow wine based on electronic tongue data ) 是由 刘太昂 刘太行 刘振昌 周晶晶 周央 吴治富 朱峰 刘远 刘婷婷 朱鲁阳 于 2021-09-17 设计创作，主要内容包括：本发明的目的就是为了克服黄酒中谷氨酸检测方法的速度慢、成本高等缺陷而提供一种简便快捷、低成本、无污染的检测方法。通过对黄酒直接进行电子舌扫描,得到黄酒的电子舌数据,再通过映射转化得到基于电子舌中间数据,基于电子舌中间数据,利用支持向量机算法建立谷氨酸的定量预报模型。利用建立的定量预报模型可以实现对新的黄酒样品中的谷氨酸快速检测。(The invention aims to provide a simple, convenient, quick, low-cost and pollution-free detection method for overcoming the defects of low speed, high cost and the like of a detection method for glutamic acid in yellow wine. Electronic tongue data of the yellow wine are obtained by directly scanning the yellow wine, intermediate data based on the electronic tongue are obtained by mapping and converting, and a quantitative forecasting model of the glutamic acid is established by utilizing a support vector machine algorithm based on the intermediate data of the electronic tongue. The established quantitative forecasting model can be used for realizing the rapid detection of the glutamic acid in the new yellow wine sample.)
技术领域
本发明涉及黄酒成分分析检测技术领域，尤其是涉及一种基于电子舌数据预测黄酒中谷氨酸含量的方法。
背景技术
黄酒是中华民族传统酒,也是华夏瑰宝和酒中奇葩。随着我国经济的快速发展、人民生活质量的提高和健康意识的增强，黄酒以其低度、营养、安全和保健的特征越来越受到消费者的喜爱。黄酒中的成分，特别是挥发性风味物质决定这黄酒的口感和品质，但目前对于这些成分的检测主要通过高效液相色谱法、气相色谱法等来完成，但由于还不太成熟，缺少相关标准，或由于价格昂贵，很多还只限于试验室阶段。所以，为了满足消费者对黄酒品质质量要求以及提高黄酒企业在日趋激烈的竞争中的优势，从而促进黄酒消费市场扩大、产品的出口创汇和黄酒行业的健康发展，探求一种能对黄酒中的挥发性风味物质进行快速的检测的新方法显得日益迫切和重要。
电子舌技术是世纪年代中期发展起来的一种分析、识别液体“味道”的新型检测手段。利用电子舌对黄酒挥发性风味物质进行检测，优点也很突出首先，不需要对样品进行任何预处理，直接对样品进行检测其次，检测速度快，电子舌检测一个样只需凡十秒到几分钟，相比其他仪器要快很多。
黄酒中的挥发性风味物质比较多，本专利针对黄酒中的谷氨酸进行检测，尝试基于黄酒电子舌数据建立谷氨酸含量的定量预报模型。通过建立的定量模型实现黄酒中谷氨酸的快速检测，为黄酒企业服务。
发明内容
本发明的目的就是为了克服黄酒中谷氨酸检测方法的速度慢、成本高等缺陷而提供一种简便快捷、低成本、无污染的检测方法。通过对黄酒直接进行电子舌扫描，得到黄酒的电子舌数据，再通过映射转化得到基于电子舌中间数据，基于电子舌中间数据，利用支持向量机回归算法建立谷氨酸的定量预报模型。
本发明的目的可以通过以下技术方案来实现：
一种基于电子舌数据预测黄酒中谷氨酸含量的方法，包括以下步骤：
1）收集多个不同品牌的黄酒样品，分别取少量样品直接进行电子舌扫描，得到黄酒样品的电子舌数据，电子舌数据由847维数据构成。利用高效液相色谱法检测黄酒样品中的谷氨酸含量。黄酒的电子舌和谷氨酸含量数据构成了快速检测模型的基础数据。
2）由于电子舌数据由847维构成，因此采用映射函数将高维数据映射到低维空间，得到其低维数据。基础数据转化成了由低维数据和谷氨酸含量数据构成中间数据；
3）基于中间数据，采用支持向量机回归算法建立黄酒中谷氨酸的预测模型；
4）收集新的黄酒样本，对其电子舌扫描，将得到的电子舌数据代入映射函数得到新的黄酒样品的低维数据，最后将新的黄酒样品的低维数据代入支持向量机回归模型，直接预测出新的黄酒样品的谷氨酸含量。
与现有技术相比，本发明具有以下优点：
一、低成本：虽然本专利在前面工作中也需要用高效液相色谱法完成对黄酒样品谷氨酸的检测，但等到预报模型建立后，新的需要检测谷氨酸含量的黄酒样本就不在需要高效液相色谱法进行检测了，而是直接扫描电子舌，直接代入模型进行预报，这样后期节约很多成本。
二、无污染：本发明在谷氨酸定量模型建立之后，对新的黄酒样本进行谷氨酸预报过程中，是直接用电子舌仪器检测，整个过程中不用到化学药品，对环境没有污染。
三、测试简单：电子舌仪器几秒钟就可以完成一个样品的检测，而且整个过程仅需一人即可完成，检测快捷和简单。
附图说明
图1为黄酒样品的电子舌数据图。
图2为黄酒中谷氨酸支持向量机预报模型建模结果图。
图3为黄酒中谷氨酸支持向量机预报模型留一法结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例：
一种基于电子舌数据预测黄酒中谷氨酸含量的方法。包括如下步骤：
（1）收集多个不同品牌的黄酒样品18个，分别取少量样品直接进行电子舌扫描，得到黄酒样品的电子舌数据。电子舌仪器由7根传感器构成，每根传感器可以收集到121个数据，这样总的电子舌数据由847维数据构成。利用高效液相色谱法检测18个黄酒样品中的谷氨酸含量。这样黄酒样品的电子舌和谷氨酸含量数据构成了快速检测模型的基础数据，基础数据是18*847的数据矩阵。黄酒电子舌数据如图1所示。黄酒电子舌部分示例数据如表1所示。
表1 电子鼻部分示例数据
SRS_0
SRS_1
GPS_0
GPS_1
STS_0
STS_1
UMS_0
UMS_1
SPS_0
SPS_1
SWS_0
SWS_1
BRS_0
BRS_1
1642.96
1641.13
1555.40
1565.77
1085.24
1077.92
1508.11
1496.21
1089.82
1087.68
1373.26
1350.98
1885.82
1883.38
1471.19
1467.53
1606.96
1600.86
1252.74
1244.20
1352.51
1342.14
1339.08
1321.39
1250.00
1210.64
1930.37
1930.37
1605.74
1618.86
1635.03
1621.61
1170.97
1172.50
1307.96
1302.47
1253.05
1242.06
1256.71
1216.43
1914.81
1915.72
1446.48
1441.60
1597.81
1595.98
1256.10
1257.01
1353.73
1371.43
1323.52
1317.12
1242.98
1210.33
1926.10
1921.22
1388.51
1387.90
1613.67
1597.81
935.74
939.40
1398.88
1392.17
1260.67
1247.55
1509.03
1496.52
2044.48
2043.26
1318.95
1400.10
1389.12
1411.09
965.64
1012.02
1484.31
1492.55
1356.78
1364.71
1897.42
1753.41
-525.99
-525.08
1613.67
1625.27
1536.79
1526.42
1013.54
1021.17
1428.78
1431.83
1235.66
1231.69
1392.78
1378.14
2030.75
2029.83
1618.25
1633.20
1545.94
1537.70
954.05
937.57
1416.58
1403.77
1210.94
1204.23
1433.06
1422.07
2046.92
2043.87
1538.62
1542.89
1578.28
1570.96
1008.36
1013.54
1458.68
1451.97
1282.34
1276.84
1402.55
1390.95
2028.61
2030.44
1563.64
1567.30
1592.93
1583.16
1016.29
1017.20
1442.82
1432.14
1251.52
1244.50
1389.73
1379.66
2027.39
2024.95
1547.77
1554.48
1589.88
1584.38
1016.59
1019.95
1449.53
1442.21
1255.49
1247.55
1433.36
1421.77
2033.49
2035.32
1623.74
1630.76
1589.27
1578.59
1033.37
1023.00
1480.96
1449.53
1261.59
1248.77
1406.82
1397.97
2031.36
2028.00
（2）对18*847的数据矩阵的基础数据，采用映射函数将高维数据映射到低维空间，得到其低维数据，我们取前10维的低维数据。这些低维数据是过程中也损失了部分信息，但不影响建模结果。基础数据转化成了由低维847维数据的线性组合，因此这些低维数据包含了大量的原始数据信息，当然在映射数据和谷氨酸含量数据构成中间数据，中间数据是18*10的数据矩阵。部分映射函数如下：
P1=+3.417E-4[SRS_0]+3.152E-4[SRS_1]+3.358E-4[SRS_2]+……+3.210E-5[BRS_119]+3.220E-5[BRS_120]-62.214
……
P10=-8.511E-4[SRS_0]-6.174E-4[SRS_1]-3.195E-4[SRS_2]+……+1.590E-5[BRS_119]+1.250E-5[BRS_120]+2.014
映射转化后的部分电子舌数据如表2所示。
表2 映射转化后的部分电子舌数据
P<sub>1</sub>
P<sub>2</sub>
P<sub>3</sub>
P<sub>4</sub>
P<sub>5</sub>
P<sub>6</sub>
P<sub>7</sub>
P<sub>8</sub>
P<sub>9</sub>
P<sub>10</sub>
39.74
7.99
-15.30
1.99
9.65
-0.27
-0.59
0.23
-0.03
0.25
-5.02
-0.24
7.12
-3.98
16.07
-1.63
-0.41
-0.30
0.46
0.87
4.81
8.28
13.26
-3.22
8.81
-6.02
-0.66
1.95
1.03
-0.17
-7.10
-1.32
3.96
-4.24
18.65
1.97
-0.51
-0.53
-1.72
-0.38
-3.38
-17.11
-3.73
-2.00
-10.37
-5.29
-0.37
4.52
0.02
0.95
-10.84
8.62
-7.03
3.01
-0.30
-15.71
2.16
-2.74
0.55
0.19
3.20
-3.07
8.63
7.76
-1.04
4.30
0.26
0.97
1.57
0.09
3.92
-3.32
9.15
6.10
-8.07
0.12
-0.87
-1.37
-2.69
1.25
0.53
-6.38
3.02
1.31
-3.80
1.93
0.13
-0.68
1.12
0.00
2.97
-6.71
3.93
2.92
-2.40
0.57
0.18
-0.31
0.28
-1.25
3.18
-5.98
2.95
1.83
-3.15
0.71
0.89
-0.31
-0.60
-0.48
4.22
-0.73
2.61
-1.63
-6.66
1.42
0.54
0.20
1.03
-0.52
2.14
-4.80
3.19
1.86
-0.23
3.06
1.05
-1.63
-0.33
-0.36
（3）根据中间数据，采用支持向量机回归算法建立黄酒中谷氨酸的预测模型。对于支持向量机算法的参数，本专利选择线性核函数，惩罚因子取55，不敏感函数取0.03。
（4）收集2个新的黄酒样本，对其电子舌扫描，将得到的电子舌数据代入映射函数得到新的黄酒样品的低维数据，最后将新的黄酒样品的低维数据代入支持向量机回归模型，直接预测出2个新的黄酒样品的谷氨酸含量。
实施例1：18个黄酒样品氨基酸支持向量机预报模型的建模结果
利用支持向量机回归算法对基于18个黄酒电子舌数据的中间数据建立谷氨酸定量预报建模。建模结果的谷氨酸计算值和实验检测值的相关系数0.99。结果如图1所示。
实施例2：18个黄酒样品氨基酸支持向量机预报模型的留一法检验结果
基于18个黄酒样品的电子舌数据建立氨基酸支持向量机预报模型，其留一法检验结果如图2所示。留一法检验结果的谷氨酸计算值和实验检测值的相关系数0.89。
实施例3：对2个新的黄酒样品谷氨酸进行预报
收集2个新的黄酒样本，对其电子舌扫描，将得到的电子舌数据代入映射函数得到新的黄酒样品的低维数据，最后将新的黄酒样品的低维数据代入支持向量机回归模型，直接预测出2个新的黄酒样品的谷氨酸数据。结果如表3所示。
表3 预测结果
样本序号
谷氨酸预报值（mg/l）
1
90.15
2
118.93
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种烟草中香气成分的分析方法