茶葉品質智能評價中統計分析技術的應用現狀與展望

戴悅雯，支瑞聰*，趙 鐳，高海燕，史波林，汪厚銀

（1.上海大學生命科學學院，上海 200444；2.中國標準化研究院食品與農業標準化研究所，北京 100088）

?

茶葉品質智能評價中統計分析技術的應用現狀與展望

戴悅雯1，支瑞聰2,*，趙 鐳2，高海燕1，史波林2，汪厚銀2

（1.上海大學生命科學學院，上海 200444；2.中國標準化研究院食品與農業標準化研究所，北京 100088）

摘 要：智能感官分析技術是茶葉品質檢測領域中的一項新興技術，它通過模擬人的感官實現對于茶葉品質的快速檢測和判別。數據統計分析作為智能評價中的核心部分，決定著評判結果的高效性和準確性。本文重點剖析統計分析方法（數據降維、模式分類、信息融合）在茶葉品質智能評價中的應用現狀，并對統計分析技術的發展和進一步研究進行展望。

關鍵詞：茶葉品質；數據統計分析；數據降維；模式分類；信息融合

中國是茶的故鄉，茶在中國已經有四五千年的歷史。近年來，國內外市場對茶需求量的不斷增加為我國整個茶市場的發展提供了廣闊的舞臺。然而，目前市場上茶葉級別混亂，以次充好的現象時常發生，這給茶葉貿易和消費者權益都帶來了不良的影響。如何讓如今的茶市場走上健康有序的道路，對茶葉質量檢測技術提出了巨大的挑戰。

長期以來，人工評審作為評判茶葉品質的一種傳統方式，通過綜合外形、香氣、湯色、滋味和葉底五方面的信息對茶葉品質做出整體的評判[1]。但該方法對審評人員具有較高的專業要求且易受外界因素干擾。理化檢測作為后發展起來的一項技術，依靠儀器設備對茶葉物質成分進行檢測。該方法能有效解析茶葉的香氣及滋味成分，但難以根據物質成分對茶葉整體香氣及滋味品質進行評判[2]。智能感官分析技術是茶葉品質檢測中的一項新興技術，它通過模擬人的感官得到有關茶葉香氣和滋味的指紋信息，經數據統計分析給出評判結果。該技術因操作簡便、客觀準確、檢測時間短、重復性好等特點，成為目前茶葉品質檢測領域中的研究熱點。

1　智能感官分析技術

智能感官分析技術是對人感官感知過程的模仿。在茶葉品質檢測過程中，智能感官分析設備對茶葉色、香、味、形等感官屬性進行檢測，通過對所得信息進行處理，實現對于茶葉品質的檢測[2]。目前，可用于茶葉品質檢測的智能感官分析設備主要有電子鼻、電子舌和機器視覺。與機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香氣及滋味的響應信號。因電子鼻和電子舌傳感器采集到的信號形式相似，所以其數據處理方式相同，主要包括傳感器信號參數提取、樣品特征信息提取（數據降維）及模式分類（圖1）。其中，數據統計分析作為智能評價的核心，統計分析方法的選擇和應用決定了智能感官分析技術在茶葉品質檢測中的效果。本文將重點對電子鼻和電子舌傳感器信號解析中數據統計分析方法的應用現狀進行介紹。

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

2　統計分析技術在茶葉品質智能評價中的應用

2.1傳感器信號參數提取

電子鼻、電子舌傳感器響應信號是隨時間變化的時序信號。時序信號與時間相關聯，因而其數據量是非常龐大的，所以直接以原始信號為對象進行分析在時間和空間上都是不可行的[3]。信號參數提取的目的在于從數據量龐大的時序信號中提取出特征性較強的數據點，從而更加快速有效地實現對于傳感器信號的分析。

目前，在茶葉智能感官分析領域，傳感器信號參數以時域參數為主。時域參數是以時間軸為基準對信號提取的特征參數，能形象且直觀地反映原始信號的特征[4]。信號分析領域常用的時域參數有最大值、均值、穩值、方差、標準偏差等。在茶葉智能感官分析領域，電子鼻、電子舌傳感器信號分別以最大值和均值作為主要時域參數進行數據分析。Qin Zihan[5]、Chen Quansheng[6]、Banerjee[7]等在利用電子鼻對不同等級紅茶、龍井茶、炒青綠茶的識別中，以傳感器信號最大值作為后續茶葉等級識別模型建立的特征點。王新宇[8]、陳全勝[9]等在利用電子舌對不同等級炒青綠茶的識別中，以時序信號最后20 s測量值的平均值作為傳感器響應值進行后續實驗分析。電子鼻、電子舌信號參數提取是決定茶葉品質判定效果的關鍵步驟，在現有特征參數的基礎上，提取出更具特征性和代表性的參數將會進一步提升對于茶葉品質的判定效果。

2.2特征信息提取（數據降維）

目前，通過傳感器獲得的信息哪些真正有助于茶葉品質的檢測還不得而知。所以，人們總是提取盡可能多的信息用于茶葉品質的檢測。但是，信息量與檢測效果之間并非呈絕對的正比關系。因為在大量的信息中往往包含著與茶葉品質特征相關性差，甚至不相關且冗余的信息。這些信息的存在不但不會提升對于茶葉品質的檢測效果，反而會起到負面作用。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，除了可以對原始高維數據進行降維，減少運算時間和計算復雜度，更重要的是能夠提高智能感官分析結果的準確性和有效性。特征信息提取（數據降維）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雜，且智能感官分析技術在茶葉品質檢測領域的研究尚不深入，所以目前主要是以線性方法實現對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原始數據進行降維，本質上就是把原始的高維數據從輸入空間通過線性變換映射到低維空間，從而獲得關于原數據集的低維表示。假設X=（x1, x2……xi）是高維空間中的一個向量，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的每個分量Fi都是X的線性函數，則稱F為線性降維[10-11]。在茶葉智能感官分析領域，經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通過對原始變量的相關矩陣或協方差矩陣內部結構的研究，將多個變量轉換為少數幾個綜合變量即主成分。通過轉換所得到的主成分能夠反映原始變量的大部分信息，實現對于原始數據降維的目的。相對于非監督的PCA，LDA是一種有監督的降維方法。它以樣本的可區分性為目標，通過尋找一組線性變換以達到類內散度最小且類間散度最大[11-12]。

在利用PCA和LDA對茶葉數據進行降維的應用中，Qin Zihan[5]和He Wei[13]等通過PCA分別對3 個不同等級龍井茶的電子鼻和電子舌數據進行了分析。3 個不同等級龍井茶的電子鼻、電子舌數據經PCA（電子鼻：PC1 65%，PC2 20%；電子舌：PC1 67.85%，PC2 28.95%）進行特征提取后，分別位于得分圖的不同區域，不同等級之間得以明顯區分且相互之間無交叉重疊。Yu Huichun等[14]在利用電子鼻對不同等級綠茶品質的判別研究中，將PCA提取到的不同等級綠茶的特征信息作為神經網絡輸入，使訓練集和測試集對于茶葉等級的正確識別率分別達到了100%和88%。Chen Quansheng[15]和Mirasoli[16]等在利用電子鼻分別對不同種茶葉和不同貯藏時間綠茶的分類識別中，通過LDA分別實現了對于不同茶葉100%的正確識別。PCA和LDA在茶葉智能感官分析中的應用，幫助實現了對于茶葉數據的壓縮及特征的提取，并且進一步提升了對于茶葉品質的檢測效果。在對PCA和LDA這兩種方法的比較中，Yu Huichun等[17-18]同時利用這兩種方法對不同等級和不同貯藏時間龍井茶的電子鼻數據進行了分析。實驗結果表明，LDA對于不同等級和不同貯藏時間龍井茶的區分效果優于PCA，經LDA進行特征提取后能達到對于不同等級龍井茶100%的正確識別，并且能對不同貯藏天數（0、60、120、180、240 d）下的龍井茶進行有效區分。張紅梅等[19]在基于氣敏傳感器陣列的茶葉等級檢測方法研究中，以電子鼻采集到的3 個等級信陽毛尖茶為分析對象，同樣對PCA和LDA這兩種方法在特征提取中的效果進行了比較。實驗結果顯示，LDA的特征提取效果優于PCA，兩種方法對于不同等級信陽毛尖茶的正確識別率分別為100%（LDA）和96.6%（PCA）。根據上述研究可以看出，PCA和LDA這兩種降維方法在茶葉智能感官分析領域已得到廣泛應用。其中，多數實驗研究結果顯示，相對于無監督的PCA，LDA通過已知類別信息的訓練數據集學習并建立模型，能夠更好地對測試集樣本進行識別。

2.3模式分類

模式分類是在特征提取的基礎上，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）、神經網絡、支持向量機等。KNN是相對簡單的一種信息分類算法。在分類過程中，對于新給定樣本，KNN通過尋找訓練樣本集中與測試樣本距離最近的K 個樣本，根據這K 個樣本所屬的類別判定測試樣本的類別[20]。神經網絡是從結構上模仿生物神經網絡的一種分類算法。在神經網絡模型中，分類知識被隱式地存儲在連接的權值上，使用迭代算法確定權值向量。當網絡輸出判別正確時，權值向量保持不變，否則進行增加或降低的調整[21-22]。支持向量機最初來自兩類線性可分的數據，設X為輸入空間，Y表示輸出域，通常模式集合X={xi}∈Rn由兩類點組成，即Y={－1, 1}。對n 個樣本組成的訓練集 S=（（x1, x2）,……,（xn, xn））∈（X×Y）n，根據結構風險最小原理，構造一個目標函數，尋找一個滿足要求的分割超平面，并使訓練集中的點距離分割超平面盡可能的遠[23-24]。

在茶葉模式分類研究中，神經網絡以其大規模并行、分布式存儲、自組織、自適應和自學習能力強等特點得到廣泛應用。Dutta等[25]在利用電子鼻對5 種不同加工工藝茶葉的識別研究中，比較分析了4 種神經網絡分類器對于茶葉的識別效果。其中，以徑向基函數（radical basis function，RBF）神經網絡為分類器時，實現了對不同加工工藝茶葉100%的正確識別。于慧春等[26]在利用電子鼻對同類不同等級的茶葉、茶水和茶底的識別研究中，通過誤差逆傳播（back propagation，BP）神經網絡分別實現了97%、100%和93%的正確識別。與此同時，KNN和支持向量機作為另外兩種分類器，在茶葉模式分類中也得到了應用。陳哲等[27]在基于電子鼻技術的碧螺春茶葉品質等級檢測研究中，利用KNN實現了對3種等級碧螺春茶83.33%的正確識別。在基于電子舌技術對茶葉質量等級評判的研究中，陳全勝等[9]利用KNN建立了茶葉等級判定模型。通過交互驗證的方法優化模型參數K和主成分因子數后，使模型交互驗證的識別率達到97.5%，對預測集中40 個樣本的預測識別率達到100%。同時，在利用電子鼻對不同等級炒青綠茶的品質判別中，Chen Quansheng等[6]比較分析了KNN、神經網絡和支持向量機3 種分類器對于炒青綠茶等級的分類效果。實驗結果表明，支持向量機的模式分類效果優于KNN和神經網絡，在對訓練集和測試集的判別中分別能達到100%和95%的正確識別率。由于支持向量機在茶葉智能感官分析中的研究還未普遍，所以目前還無法對其在茶葉分類中的性能做出準確的評價。但是，根據已有文獻可知，基于統計學習理論的支持向量機在茶葉模式分類中展現出了巨大潛力。

2.4信息融合技術在茶葉品質智能評價中的應用

茶葉品質是由色、香、味、形等多方面感官特性共同決定，通過單一來源數據難以準確、全面地表征茶葉的整體品質。信息融合作為一種多源信息處理技術，通過對多源信息進行綜合分析，能夠進一步提高數據處理結果的準確性和可靠性[28]。

針對信息融合技術在茶葉領域中的應用，陳全勝等[29]提出了利用近紅外光譜和機器視覺的多傳感信息融合技術來評判茶葉的品質。通過利用BP神經網絡方法建立茶葉綜合品質評判模型，最后實現了99%的訓練回判率和89%的預測識別率，評判結果的準確性和穩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據對不同質量的茶葉進行了識別。實驗結果顯示，與僅利用單一來源數據相比，將電子鼻和電子舌數據融合后，對于不同質量茶葉的正確識別率由電子鼻的83.1%和電子舌的85.7%提升到93.3%。信息融合技術除了已應用于茶葉品質檢測外，在食品智能感官分析領域的其他方面如果蔬、橄欖油、肉產品等的質量檢測中也得到了應用[30-32]。信息融合技術正以其覆蓋面廣、容錯性好、可靠性高等優勢在食品檢測領域發揮越來越重要的作用。但是，由于信息融合技術在我國的發展起步較晚，到目前為止在食品智能感官分析領域的研究尚不深入。所以，如何充分發揮信息融合技術的優勢更好地應用于食品質量檢測，將會成為整個食品智能感官分析領域的研究重點。

3　結 語

統計分析方法的應用為智能感官分析技術在茶葉品質檢測領域的快速發展奠定了基礎。除茶葉外，統計分析方法在酒類[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用，進一步推進了智能感官分析技術在食品領域的發展。但是，目前用于智能感官分析的統計分析方法較為局限，很大程度上影響了對于食品檢測效果的進一步提升以及整個智能感官分析技術的發展。因此，在現有統計分析方法的基礎上引入并結合其他統計分析方法，將會成為食品智能感官分析領域下一步的研究方向：1）信號時域、頻域參數的結合：頻域參數是描述信號頻率特性的一種參數，它能反映信號內部的頻率結構及頻率與頻率信號幅度的關系。作為信號分析的兩個不同角度，時域和頻域參數各有優缺點。時域參數能形象且直觀地反映原始信號的特征，頻域參數能揭示原始信號內部的結構特性，并能從頻率結構對時域參數相同的信號進行進一步解析。但它們共同的缺點是都只能反映原始信號的單方面特征信息。為了能從不同角度更加全面地代表信號的特征信息，將時域和頻域參數結合，充分發揮各參數優勢，將會成為食品智能感官分析領域一個新的研究方向。2）非線性降維方法的應用：線性數據是相對簡單的一類數據，現實世界中的數據往往是以非線性的結構存在，此時通過線性方法就很難挖掘出高維數據中的集合結構和相關性。針對具有非線性結構的高維數據，非線性降維方法不但能保持原始數據的拓撲結構不變，而且能較好地對非線性高維數據進行降維。將非線性方法引入到食品智能評價中，利用非線性方法的優勢對數據降維將會成為該領域又一個新的研究方向。3）多通道信息融合技術的應用：通過單一來源的信息已無法滿足產品多感官特性的表征及識別。信息融合技術通過對產品的多來源信息進行綜合考察，取精華去冗余，能夠增加表征產品品質的信息量，提高產品品質模型的有效性和穩定性。

參考文獻：

[1]中華人民共和國國家質量監督檢驗檢疫總局, 中國國家標準化管理委員會. GB/T 23776—2009 茶葉感官審評方法[S]. 北京: 中國標準出版社, 2009.

[2]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, 20 09, 30(19): 351-355.

[3]賈素玲, 陳當陽, 姜浩. 時序數據挖掘中的數據表示算法[J]. 計算機工程與應用, 2006(29): 184-186.

[4]余順園. 信號與系統中時域頻 域的對稱性[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. 利用電子舌識別炒青綠茶的等級[J]. 安徽農業科學, 2007, 35(28): 8872-8873.

[9]陳全勝, 江水泉, 王新宇. 基于電子舌技術和模式識別方法的茶葉質量等級評判[J]. 食品與機械, 2008, 24(1): 124- 126.

[10]鄒艷. 高維數據降維方法的研究[D]. 成都: 西南交通大學, 2009: 9-15.

[11]安亞靜. 智能降維技術的研究與應用[D]. 無錫: 江南大學, 2 012: 9-12.

[12]陸捷榮. 基于流形學習與D-S證據理論的語音情感識別研究[D]. 鎮江: 江蘇大學, 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, 高獻坤, 徐國強, 等. 基于氣敏傳感器陣列的茶葉等級檢測方法研究[J]. 河南農業大學學報, 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及支持向量機的人臉識別算法研究[J].沈陽理工大學學報, 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.

[27]陳哲, 趙杰文. 基于電子鼻技術的碧螺春茶葉品質等級檢測研究[J].農機化研究, 2012, 34(11): 133-137.

[28]黃漫國, 樊尚春, 鄭德智, 等. 多傳感器數據融合技術研究進展[J].傳感器與微系統, 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器視覺的多信息融合技術評判茶葉品質[J]. 農業工程學報, 2008, 24(3): 5-10.

[30]劉鵬, 屠康, 蘇子鵬, 等. 基于多傳感器融合技術的蘋果成熟度檢測研究[J]. 江蘇農業學報, 2010, 26(3): 670-672.

[31]張永超, 吳才章. 基于多傳感器信息融合技術的糧食水分測定儀[J].儀器儀表與檢測技術, 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：TS272.7

文獻標志碼：A

文章編號：1002-6630（2015）07-0223-05

*通信作者：支瑞聰（1983—），女，副研究員，博士，研究方向為智能感官分析。E-mail：zhirc@cnis.gov.cn

作者簡介：戴悅雯（1989—），女，碩士研究生，研究方向為智能感官分析。E-mail：DAIDAIDD11@163.com

基金項目：國家高技術研究發展計劃（863計劃）項目（2011AA1008047）；國家自然科學基金青年科學基金項目（31201358）

收稿日期：2014-06-11