一种白酒香型的快速、准确鉴别方法技术

本发明专利技术涉及一种白酒香型的快速、准确鉴别方法。具体为先用近红外光谱仪扫描样品的近红外光谱，得到近红外光谱数据。之后将数据矩阵进行预处理，再采用HCA和PLS‑DA两种化学模式识别方法对数据进行建模，确立最佳建模方法，采用最佳方法预测未知香型。本发明专利技术采用偏最小二乘‑判别分析模式识别方法对白酒香型鉴别，正确率高、快速且有效。本发明专利技术适用于不用香型的白酒的鉴别。

A rapid and accurate method for identification of liquor flavors

【技术实现步骤摘要】
一种白酒香型的快速、准确鉴别方法
本专利技术属于分析化学领域的光谱分析技术，涉及一种白酒香型的快速、准确鉴别方法。
技术介绍
我国古代就有着饮用白酒的历史，白酒在中国占有着很大的市场。酿造工艺丰富多彩，酿制的酒的化学组分不同，由此产生了不同的香型。我国白酒的香型主要有酱香型、浓香型、清香型、米香型和其它香型等。传统鉴别白酒香型的方法是人工品酒，这种方法不仅准确性欠佳，而且有很大局限性。它需要品酒的人有丰富的经验，无法广泛使用，此外对感觉要求较高，所以比较容易出错，特别是人的感觉有时候不够敏感，两种白酒如果口感相差不大就难以区别。后来国内各类光谱图技术因其操作简单、专属性强的优点快速发展，逐渐成为广泛应用于检测酒类质量的有效方法，大大提高白酒鉴别的效率和准确性。目前比较常用的光谱技术主要有紫外光谱分析、红外光谱分析和近红外光谱分析技术等。其中，紫外光谱法使用仪器操作简单、价格便宜并且分析速度较快，所以应用范围也愈加广泛。在白酒鉴别中，它可以利用溶液中物质分子或离子对紫外光和可见光谱区辐射能的吸收从而对白酒进行鉴别研究。红外光谱法同样是一种快速、有效的鉴别方法，使用红外光谱仪器对白酒处理，得到红外光谱图，再利用多级红外图谱法鉴定不同厂家的同种香型白酒。与传统光谱技术相比，近红外光谱分析技术很多优点，光谱测量时也不需要对分析样品进行前处理，它可以在几分钟就完成对样品的十余项指标的测定，分析重现性好、成本低，在食品和酒类鉴别等领域迅速发展。但是近红外光谱需要使用化学计量学软件提前建立模型。化学计量学建模方法主要有多元校正(定量)和化学模式识别(定性)模型。目前常用的化学模式识别方法有无监督的主成分分析(PCA)，系统聚类分析(HCA)，有监督的偏最小二乘-判别分析(PLS-DA)，支持向量机(SVM)，人工神经网络(AMN)等。其中系统聚类分析的基本思想是首先将参加聚类的样品各自看成一类，然后定义样品之间以及类与类之间的相似度(距离)，最后在自成类的样品中选择距离最近的样品合并为一个新类，重新计算新类和其它类之间的距离，并按最小距离并类，如此重复，每次减少一类，直至所有的样品并为一类为止，并将最终的结果以系统聚类图的形式直观地展示出来。PLS-DA结合了最小二乘与线性判别分析，它首先将样品分为训练集与预测集，对训练集建立PLS-DA模型，再对预测集进行类别预测。综上所述，开发出快速、智能的白酒鉴别方法是当前需要解决的问题。而本专利技术以近红外光谱作为测试手段，采用化学模式识别来区分不同香型的白酒，实现对白酒香型的快速、准确鉴别。
技术实现思路
本专利技术的目的是针对上述存在的问题，提供一种白酒香型快速、有效、智能的鉴别方法，完善白酒品质，对假冒和伪劣白酒进行打击。为实现本专利技术所提供的技术方案包括以下步骤：1)收集不同香型的白酒样本，每种香型相同的白酒来自不同品牌，用近红外光谱仪测量各样本近红外光谱数据，保存文本。2)使用HCA算法，通过Spearman相关系数来优化类间距离与类内距离等参数，利用最优参数对样品的近红外光谱数据进行系统聚类，画出HCA聚类图。3)使用PLS-DA算法，首先对样本进行分组，确定训练集和预测集，其次确定最佳因子数，根据最佳因子数进行PLS-DA建模，对于未知样品，扫描其近红外光谱，利用建立好的PLS-DA模型，预测其所属类别。4)比较HCA模型和PLS-DA模型的分类状况，选择最佳的分类方法。本专利技术中样本光谱数据采用近红外光谱仪测获取，经过化学模式识别方法建立模型，从而对新样品预测其所属香型。附图说明图1为不同香型白酒的近红外光谱系统聚类图。图2为预测正确随因子数的变化图。具体实施方式为更好理解本专利技术，下面结合实施例对本专利技术做进一步地详细说明，但是本专利技术要求保护的范围并不局限于实施例表示的范围。实施例：1)从各大超市购买老白干香型3种白酒、浓香型4种白酒、清香型3种白酒，共3类型香型10种白酒，并将编号依次为1到10。2)用TJ270-60双光束近红外分光光度计扫描样品的用近红外光谱。测量模式设置为吸光度，连续快速扫描，采样间隔设置为：2nm，光谱带宽设置为正常，波长范围800-2500nm，将仪器预热30分钟后再进行测量。以空的1mm样品池和空气为背景条件下，放入仪器内进行基线扫描，按1-10的序号依次对样品进行测量，每个样品重复测量3次光谱并保存，最终取其平均值。3)使用HCA算法，优化类间距离与类内距离，结果表明，类内聚类采用相关距离法(correlation)，类间距离使用类平均法(average)得到的Spearman相关系数最高，绘制相应HCA白酒香型树状聚类图(图1)。从图中可以看出，10个样本中第3个样本错分，错分率为10％。4)使用PLS-DA算法，首先对样品进行KS分组，其次根据预测正确率随因子数的变化确定最佳因子数。以因子数为横坐标，预测成功率为纵坐标作图，得到图2。从图中可以看出，因子数达到4以后，预测正确率都为100％。因此，确定4为最佳因子数。5)通过比较HCA模型与PLS-DA模型，HCA模型存在10％的错分率，而PLS-DA模型可以达到100％的预测正确率。因此采用PLS-DA模型作为白酒香型的预测模型，预测未知样品香型种类。预测结果表明该方法能有效、智能鉴别白酒香型。本文档来自技高网...

【技术保护点】
一种白酒香型的快速、准确鉴别方法，其特征在于：它是采用近红外光谱测量样品的近红外光谱，之后用化学模式识别方法进行分析计算。

【技术特征摘要】
1.一种白酒香型的快速、准确鉴别方法，其特征在于：它是采用近红外光谱测量样品的近红外光谱，之后用化学模式识别方法进行分析计算。2.根据权利要求1所述的一种白酒香型的快速、准确鉴别方法，其特征在于：近红外光谱仪扫描所得数据...

【专利技术属性】
技术研发人员：刘鹏，卞希慧，徐浩，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：天津,12