基于電子舌檢測的橙汁貯藏品質(zhì)研究

史慶瑞SHI Qing-rui 國婷婷 - 殷廷家 - 王志強 - 李彩虹 - 郭業(yè)民 - 孫 霞

(1. 山東理工大學計算機科學與技術學院，山東 淄博 255000；2. 山東理工大學農(nóng)業(yè)工程與食品科學學院，山東 淄博 255000)

鮮榨果汁以其豐富的營養(yǎng)價值和對人體特殊的生理功效越來越多地出現(xiàn)在人們的日常生活中。長期飲用鮮榨果汁不僅可以促進消化、美白肌膚，而且還可以預防疾病、減緩衰老[1]。但是，鮮榨果汁氧化一直以來是影響果汁風味和品質(zhì)的重要因素之一。隨著貯藏時間的延長，鮮榨果汁的氧化程度加劇以及微生物的滋生將會破壞VC、氨基酸、糖類等營養(yǎng)物質(zhì)，并使果汁發(fā)生褐變，大大降低果汁中原有的營養(yǎng)成分和生理功效，從而影響鮮榨果汁原有的風味和品質(zhì)[2]。所以鮮榨果汁的風味品質(zhì)能否得以保障已成為生產(chǎn)商之間的競爭以及消費者所關心的重要問題。

感官質(zhì)量分析是果汁品質(zhì)分析中常用的方法。但此方法易受品評者的主觀影響，存在主觀性強，重復性差等缺點。傳統(tǒng)的分析方法有高效液相色譜法檢測果汁中酚類物質(zhì)[3]、紫外分光光度法測定VC[4]等，但果汁的風味以及品質(zhì)是由內(nèi)部各組分之間的相互作用產(chǎn)生，傳統(tǒng)分析方法只檢測果汁單一組分很難表征果汁樣本的整體特征信息。同時，其儀器昂貴、體積大、樣本制備復雜、分析時間長，不適合快速、實時、準確地檢測分析。因此，實際生產(chǎn)中需要一種客觀、全面、快速的現(xiàn)代化分析檢測儀器，可以從整體上對果汁的風味和品質(zhì)給予分析和評價。電子舌是一種利用多傳感器陣列結(jié)合多元統(tǒng)計分析方法對復雜溶液進行定性和定量分析的新型現(xiàn)代化分析檢測儀器[5]，具有操作簡單、攜帶方便、檢測迅速、重復性好、客觀性強等特點。目前，電子舌已經(jīng)成功應用在食品[6-7]、醫(yī)藥[8-9]、環(huán)境[10-11]等領域中。近年來，眾多國內(nèi)外學者在果汁風味和品質(zhì)檢測方面已經(jīng)成功開展了大量相關研究。如高麗萍等[12]利用電子舌對不同冷藏時間的草莓鮮榨汁進行了定性和定量分析；張淼等[13]利用電子舌對鮮榨橙汁摻假進行了區(qū)分辨別；Baldeon E O等[14]利用電子舌對果汁的抗氧化性進行了分析研究；Haddi Z等[15]利用電子舌和電子鼻對不同水果果汁進行了區(qū)分辨識。眾多研究表明，電子舌在鮮榨果汁檢測中具有較大的潛能和實際價值。但是，目前尚未有電子舌用于鮮榨橙汁貯藏品質(zhì)的相關研究。

本研究以鮮榨橙汁為試驗對象，利用基于虛擬儀器技術搭建的電子舌系統(tǒng)對不同貯存時間的鮮榨橙汁風味品質(zhì)進行檢測分析。針對電子舌響應信號的特點，利用DWT方法對電子舌原始信號進行預處理，并與傳統(tǒng)的PCA數(shù)據(jù)預處理方法相比較，選取較佳的電子舌數(shù)據(jù)預處理方法，然后結(jié)合LDA、最小二乘支持向量機(Least Squared-Support Vector Machines, LSSVM)對不同貯存時間鮮榨橙汁的風味品質(zhì)進行定性和定量分析。旨在為鮮榨果汁風味和品質(zhì)評價提供理論依據(jù)和技術支持。

1 材料與方法

1.1 材料與儀器

1.1.1 材料與試劑

橙汁：選取由農(nóng)夫山泉公司生產(chǎn)的100%非濃縮鮮榨橙汁，該橙汁由江西贛州柑橘橙經(jīng)冷壓榨而成，未添加水、糖、添加劑等其他成分，每瓶共計330 mL。所有橙汁均冷藏運輸，送達實驗室后均密封完好，溶液無異樣，未超過保質(zhì)期。

1.1.2 電子舌系統(tǒng)

試驗采用本實驗室自行設計的一種基于虛擬儀器技術的大幅脈沖伏安電子舌系統(tǒng)。電子舌系統(tǒng)結(jié)構(gòu)見圖1。該系統(tǒng)由傳感器陣列模塊、信號處理與采集模塊、Labview上位機軟件組成。

傳感器陣列由6個貴金屬裸電極(玻碳、鎳、鈀、鈦、鉑、鎢)組成的交互感應工作電極陣列以及1個參比電極(Ag/AgCl)和1個輔助電極(鉑柱電極)構(gòu)成(所有電極均由天津艾達恒晟有限公司生產(chǎn))。信號處理與采集模塊由數(shù)據(jù)采集卡和信號調(diào)理模塊組成。該儀器工作時，Labview上位機軟件平臺產(chǎn)生的大幅脈沖激發(fā)信號由美國National Instruments公司的USB6002數(shù)據(jù)采集卡對其進行數(shù)/模轉(zhuǎn)換后，經(jīng)信號調(diào)理模塊中的恒電位電路將其恒定地施加在傳感器陣列上。在大幅脈沖激發(fā)信號影響下，待測溶液在工作電極表面發(fā)生電化學反應并產(chǎn)生微弱的響應電流，為了獲得準確的溶液信息，該響應電流經(jīng)過信號調(diào)理模塊I/V轉(zhuǎn)換、放大、濾波后，送至數(shù)據(jù)采集卡進行模/數(shù)轉(zhuǎn)換，最終到達上位機對其進行模式識別分析。

1.2 試驗方法

試驗前采用Al2O3打磨粉和拋光布對每個工作電極進行拋光處理，確保每個電極表面呈鏡面為止。試驗過程中，從首次啟封的果汁瓶中取出50 mL的果汁于燒杯中進行電子舌檢測，同時標記為0 h，隨后每貯存2 h便從瓶中量取50 mL 果汁進行檢測，分別標記為2，4，6，8，10 h，每次量取之后將瓶蓋擰緊。電子舌檢測過程中利用上位機軟件控制6個工作電極依次對鮮榨橙汁樣本進行連續(xù)10次檢測，每次檢測完一個樣本后，采用超純水依次對工作電極進行超聲清洗，去除電極表面殘留物以免影響下次檢測結(jié)果。鮮榨果汁在0～6 ℃下儲存，檢測試驗在室溫下進行。檢測一次工作電極陣列共得到6 000個數(shù)據(jù)點，則最終可得到一個60×6 000 的數(shù)據(jù)矩陣。

1.3 數(shù)據(jù)預處理與分析

在大幅脈沖信號的激發(fā)下，電子舌系統(tǒng)能夠從待測溶液中獲得大量整體信息。但是，此信息中包含的數(shù)據(jù)量較大，若將其直接用于模型輸入，不但增加了系統(tǒng)處理時間和難度，而且由于傳感器的交互敏感特性使得數(shù)據(jù)中存在大量冗余信息，從而影響模型的分類和預測效果。因此在對電子舌輸出數(shù)據(jù)進行分析前，分別采用主成分分析和離散小波變換2種方法對電子舌原始數(shù)據(jù)進行預處理。

1.3.1 主成分分析 主成分分析(PCA)是一種無監(jiān)督的模式識別方法。PCA 通過對相關原始變量進行線性變換得到幾個線性無關的綜合變量，即主成分，并且將復雜的高維原始變量空間投影到簡單的低維綜合變量空間內(nèi)。新的變量空間不僅降低了原始數(shù)據(jù)維度，壓縮了數(shù)據(jù)量，而且新的綜合變量仍可以表征原始變量中絕大多數(shù)的特征信息。從而實現(xiàn)特征提取、簡化問題、提高模型分類和預測效果的目的[16]。

1.3.2 離散小波變換 小波變換是一種高效、簡單、快捷的時頻域聯(lián)合分析方法，可以對信號進行多分辨率、自適應、時頻域局部化的分析，被稱為“數(shù)字顯微鏡”[17]。由于其多分辨能力強、壓縮效果好、有效信息保存完整，已成功應用在激光誘導擊穿光譜[18]、電子舌信號[19]中。離散小波變換(DWT)是在尺度和位移上對小波變換的一種離散化，能夠?qū)π盘柕姆治龈訙蚀_、高效。本研究根據(jù)大幅脈沖響應信號的特點采用離散小波變換對其進行Mallat小波分解，計算公式：

(1)

式中：

α——低通濾波器；

β——高通濾波器；

αm-2k——低通濾波系數(shù)；

βm-2k——高通濾波系數(shù)；

j——分解層數(shù)；

經(jīng)小波分解后，去掉信號中的高頻分量，只保留低頻分量，不會造成原有信號中有效信息的缺失。因此可以對電子舌數(shù)據(jù)進行高效壓縮和特征提取。

采用Mallat重構(gòu)算法進行反變換可以得到壓縮重構(gòu)信號，此信號與原始信號相比保持了原有信號的基本波形特征和有效信息。Mallat重構(gòu)算法：

(2)

式中：

離散小波變換對電子舌數(shù)據(jù)的壓縮效果取決于小波基函數(shù)和分解層數(shù)2個重要參數(shù)的選擇。分解層數(shù)決定著最終的數(shù)據(jù)壓縮量，壓縮量太大或太小都將影響壓縮效果和模型性能。而小波基函數(shù)則決定著特征信息的提取，不同正交性、緊支性等特性的小波基函數(shù)將會從原始信號中提取出不同的特征信息。為了在保證丟失最少特征信息的前提下，尋求最優(yōu)的壓縮空間。本研究采用波形相似系數(shù)對離散小波壓縮效果進行可視化評價,并選擇最優(yōu)的小波基函數(shù)和分解層數(shù)。

波形相似系數(shù)公式：

(3)

式中：

A——電子舌原始信號數(shù)據(jù)；

B——經(jīng)離散小波變換后的壓縮重構(gòu)信號數(shù)據(jù)；

ai——A的第i個數(shù)據(jù)；

bi——B的第i個數(shù)據(jù)；

fc——波形相似系數(shù)(0～1)，反映了原始信號與壓縮重構(gòu)信號之間的相似性，fc越大表明兩波形之間的相似性越高。

1.3.3 數(shù)據(jù)分析方法 不同儲存時間鮮榨橙汁電子舌數(shù)據(jù)經(jīng)PCA和DWT預處理之后，分別采用線性判別分析(LDA)和最小二乘支持向量機(LSSVM)對電子舌特征數(shù)據(jù)進行定性和定量分析。

LDA是一種有監(jiān)督的多元統(tǒng)計分析方法。目前已成功并廣泛地應用在了電子舌領域[20-21]。LDA利用已知的樣本類別通過計算尋找?guī)讉€可以實現(xiàn)最好分類效果的線性判別函數(shù)，同時將高維樣本空間投影到由判別函數(shù)構(gòu)成的低維特征空間中，使得新空間中組與組之間差異性更明顯，同一組內(nèi)聚集性更顯著。從而實現(xiàn)降低分類空間維數(shù)，抽取有效分類信息，以達到最優(yōu)分類效果的目的[22]。

LSSVM是在支持向量機結(jié)構(gòu)風險最小化理論基礎上改進擴展的一種非線性模式識別方法[23]。在水質(zhì)檢測[24]、電子舌[25]等眾多領域得到成功應用。基本思想是通過一種非線性的映射方式，將線性不可分的原始樣本空間映射到一個高維的特征空間內(nèi)，并從中找到一個最優(yōu)超平面，使得各樣本之間線性可分。LSSVM在此理論基礎上結(jié)合最小二乘方法，將支持向量機中的不敏感損失函數(shù)用二次損失函數(shù)進行替代，并將不等式約束條件改成等式約束條件，優(yōu)化問題則變?yōu)椋?/p>

(4)

式中：

c——正則化參數(shù)，即懲罰因子，調(diào)節(jié)訓練誤差樣本的懲罰力度；

b——偏差；

ξi——訓練樣本的預測誤差向量；

ω——權(quán)重向量；

J(ω,ξ)——損失函數(shù)；

φ(xi)——非線性函數(shù)，將系統(tǒng)輸入向量映射到高維特征空間。

為了解決此優(yōu)化問題，可將求解二次規(guī)劃問題變?yōu)榍蠼饩€性方程組的問題，通過求解線性方程組最終可得到LSSVM非線性預測模型：

(5)

式中：

K(x,xk)——徑向基核函數(shù)；

b——偏差。

式(5)中K(x1,xl)為符合Mercer理論條件的核函數(shù)。因徑向基核函數(shù)學習能力強，擬合效果好，操作簡單等特點，本研究將以徑向基函數(shù)作為核函數(shù)建立LSSVM模型，其算法如下：

(6)

式中：

x——輸入變量；

xk——徑向基核函數(shù)中心；

σ——徑向基核參數(shù)，即核函數(shù)寬度。

正則化參數(shù)c和核參數(shù)σ是影響LSSVM模型預測能力和泛化能力的2個重要因素。正則化參數(shù)c可以實現(xiàn)最小化訓練誤差和模型復雜度之間的均衡；核參數(shù)σ決定了從樣本空間到高維特征空間的非線性映射關系。因此尋找正則化參數(shù)c和核參數(shù)σ的最佳優(yōu)化方法成為建立LSSVM預測模型的首要任務。分別采用留一法交叉驗證和PSO算法結(jié)合訓練集樣本對2個參數(shù)進行優(yōu)化并建立相關模型。PSO算法是一種借助群體并行搜索的全局尋優(yōu)算法，通過反復迭代遞推的方式，搜索多個參數(shù)組合的最優(yōu)解。其公式：

vi=vi+c1γ1(pi-xi)+c2r2(pg-xi)，

(7)

xi=xi+vi，

(8)

式中：

xi——第i個粒子在搜索空間中的位置；

vi——第i個粒子的更新速度；

pi——第i個粒子搜索到的最優(yōu)位置；

pg——群體最優(yōu)位置；

c1、c2——學習因子；

r1、r2——隨機數(shù)(0～1)。

通過式(7)、(8)對粒子進行操作，不斷更新搜索位置和速度，最終得到參數(shù)組合在搜索空間內(nèi)的最優(yōu)解。

本研究中PCA、DWT以及LSSVM分析由Matlab2014a軟件實現(xiàn)，LDA由SPSSv19.0軟件完成。

2 結(jié)果與討論

2.1 電子舌響應信號

6個工作電極在大幅脈沖信號激勵下的單個鮮榨橙汁樣本響應信號，見圖2。由圖2可知，同一激勵信號下6個工作電極的響應信號之間存在著較大差異。這是由于不同貴金屬電極在激勵信號的影響下對溶液中的不同組分呈現(xiàn)出了不同的電響應。因此由多個貴金屬電極組成的工作電極陣列可以更加全面地反映溶液的整體特性信息。每次檢測可以從鮮榨橙汁樣本中獲得6 000個數(shù)據(jù)點。

2.2 數(shù)據(jù)預處理

針對大幅脈沖伏安電子舌輸出數(shù)據(jù)量大、冗余信息多等特點，本研究分別采用主成分分析和離散小波變換2種方法進行數(shù)據(jù)預處理，以實現(xiàn)較好的分類效果。

2.2.1 PCA預處理 主成分分析作為一種數(shù)據(jù)壓縮和特征提取的方法，在文獻[26～27]中得到成功應用。本研究采用PCA對60×6 000的電子舌原始數(shù)據(jù)矩陣進行壓縮以及特征提取后，選取主成分累積貢獻率超過95%的9個主成分作為模型輸入，最終得到一個60×9的數(shù)據(jù)矩陣，大大減少了數(shù)據(jù)量，其中行為樣本數(shù)，列為主成分數(shù)。

2.2.2 DWT預處理 為了壓縮原始數(shù)據(jù)量，減小數(shù)據(jù)分析處理難度，分別采用Symlets、Daubechies、Haar、Coiflets小波函數(shù)對鮮榨橙汁電子舌響應信號進行6～8層分解。將得到的近似系數(shù)重構(gòu)信號與原信號進行對比，依據(jù)波形系數(shù)fc(見表1)，選擇最佳的小波分解層數(shù)和小波基函數(shù)。由表1可知，不同小波基函數(shù)對fc的影響不同，表明不同小波基函數(shù)從原信號中提取了不同的特征信息。同時隨著分解層數(shù)的不斷增加，fc的變化均呈現(xiàn)下降的趨勢，說明小波壓縮過程中，隨著分解層數(shù)增加雖能夠大大減少數(shù)據(jù)量，但也造成了有效特征信息的過度丟失，無法全面地表征原始信號特征。為了盡可能保持原有信號特征信息的同時獲得最優(yōu)的壓縮空間，選擇fc盡可能大并且分解層數(shù)盡可能多的情況作為最佳的參數(shù)組合。通過觀察，最終選擇coif2為小波基函數(shù)進行7層分解作為離散小波變換的最佳參數(shù)組合，其fc=0.794 8。經(jīng)過DWT預處理后原始數(shù)據(jù)矩陣壓縮60×57，大大減少了數(shù)據(jù)量。

表1不同小波基和分解層數(shù)下的波形相似系數(shù)統(tǒng)計

Table 1 Waveform similarity coefficient statistics based on different wavelet basis and decomposition level

2.3 數(shù)據(jù)分析

2.3.1 LDA定性分析 針對PCA和DWT 2種數(shù)據(jù)預處理方法，分別采用LDA對不同儲存時間鮮榨橙汁電子舌數(shù)據(jù)進行辨別分析，以LDA結(jié)果圖中各樣本之間的分類情況為依據(jù)，考察PCA和DWT對電子舌原始數(shù)據(jù)的壓縮以及特征提取的效果。

圖3(a)為經(jīng)PCA數(shù)據(jù)預處理后的LDA結(jié)果圖。第一判別式(LD1)、第二判別式(LD2)貢獻率分別為75.8%和16.3%，2個判別式總的貢獻率為92.1%，所以前2個判別式可以較好地反映原始數(shù)據(jù)的整體特征信息，各樣本在前2個判別式構(gòu)成的空間內(nèi)的分布情況可以基本代表樣本在原空間的分布情況。由圖3(a)可知，剛拆封時的樣本(0 h)與其它儲存時間下的樣本相距較遠，說明鮮榨橙汁在接觸外界環(huán)境后內(nèi)部的風味品質(zhì)發(fā)生了明顯變化。0 h與2 h相距較遠，可能是鮮榨橙汁與外界接觸后，原有的內(nèi)部組分環(huán)境被打破導致其品質(zhì)迅速下降。2 h與4 h相距較遠，可能是外界的氧氣和微生物等進入樣本中相互作用，逐漸消耗糖、酸并破壞維生素等營養(yǎng)成分使其品質(zhì)進一步下降。6，8，10 h相距較近，具有重疊趨勢，可能是在外界氧氣和微生物等的持續(xù)作用下，使得鮮榨橙汁中的維生素、糖、酸含量逐漸下降到一個新的平衡，隨著時間的延長，其內(nèi)部整體品質(zhì)不再發(fā)生明顯的變化，即完全變質(zhì)。但鮮榨橙汁在6 h時就過早地發(fā)生完全變質(zhì)不符合產(chǎn)品保質(zhì)期(45 d)要求，所以此結(jié)果中未能對不同儲存時間下鮮榨橙汁的品質(zhì)變化進行準確客觀的分析。

圖3(b)為經(jīng)DWT數(shù)據(jù)預處理后的LDA結(jié)果圖。第一判別式(LD1)、第二判別式(LD2)貢獻率分別為76%和19.7%，2個判別式總的貢獻率為95.7%，相比PCA預處理后的LD1和LD2總貢獻率提高了3.6%，因此前兩個判別式可以更好地反映原始數(shù)據(jù)的整體特征信息。從圖3(b)中可以看出，0 h與2 h及2 h與4 h的間距較遠，與圖3(a)中樣本排布大體一致。而4，6，8，10 h間距逐漸增大，與圖3(a)分析結(jié)果存在明顯差異，可能是DWT法提取的特征信息能夠更好地體現(xiàn)不同儲存時間下鮮榨橙汁樣本的差異性，使得分類效果得到了明顯提升。

綜合上述試驗結(jié)果，從DWT預處理方法下的LDA結(jié)果[圖3(b)]中可以基本觀察出鮮榨橙汁在不同儲存時間下其風味品質(zhì)的變化情況。但經(jīng)PCA數(shù)據(jù)預處理后的LDA分析結(jié)果卻與鮮榨橙汁實際的保質(zhì)期限相差較大，未能較好地得到其風味品質(zhì)的分析結(jié)果。同時從區(qū)分角度來看，PCA下的LD1和LD2綜合貢獻率較小，且樣本間有重疊趨勢，未能達到較好的分類效果。而經(jīng)過DWT后的LD1和LD2綜合貢獻率達到95.7%，樣本之間的區(qū)分效果得到提升，可以更加明顯地對不同儲存時間的鮮榨橙汁的風味品質(zhì)進行辨別分析，說明DWT可以提取更加有效的特征信息來解釋原始鮮榨橙汁數(shù)據(jù)，同時可為定量分析提供更大的可能性。所以本研究采用DWT處理后的數(shù)據(jù)對不同儲存時間的鮮榨橙汁做進一步的定量分析。

2.3.2 PSO-LSSVM定量分析 為了實現(xiàn)對不同儲存時間鮮榨橙汁的定量分析，采用LSSVM方法建立鮮榨橙汁不同儲存時間的定量預測模型。離散小波變換后的數(shù)據(jù)作為模型輸入。選取42個樣本(每組時間7個，共6組時間)作為訓練集，用于模型建立和參數(shù)優(yōu)化。剩余的18組(每組時間3個，共6組時間)作為測試集，用于驗證建立模型的性能。

為了驗證留一法交叉驗證和PSO 2種不同參數(shù)優(yōu)化算法下建立模型的預測性能，分別采用相關系數(shù)(R2)、均方根誤差(RMSE)、平均絕對誤差(MAE)對LSSVM模型進行評價。評價指標公式：

(9)

(10)

(11)

式中：

N——樣本量；

yi——各樣本的目標值；

R2、RMSE、MAE的值均在0～1。R2越接近于1，RMSE、MAE越接近于0，則表明模型的預測性能和精度越好。不同參數(shù)優(yōu)化算法下各模型預測精度見表2。

表2 2種參數(shù)優(yōu)化方法下的LSSVM模型性能指標對比

Table 2 Performance comparison of LSSVM model based on two parameter optimization methods

綜合上述2種參數(shù)優(yōu)化方法下的模型預測結(jié)果可以看出，粒子群優(yōu)化算法下的LSSVM模型的預測精度要比留一法交叉驗證下的LSSVM模型預測精度高，評價指標R2、RMSE、MAE分別高0.03%，2.83%，1.92%，雖各評價指標之間的差距不大，但已很好地提高了LSSVM模型對鮮榨橙汁不同儲存時間的預測精度。這可能是因為粒子群優(yōu)化算法具有較強的全局搜索和優(yōu)化特性，同時兼具參數(shù)量少、操作簡便等特點，相比留一法交叉驗證方法計算成本較高、尋優(yōu)過程復雜等特點可以更快、更準確地尋找最優(yōu)的(c，σ)參數(shù)組合。因此選取PSO算法作為LSSVM模型的最佳建模方法。

為了驗證建立模型對未知樣本的預測能力，利用測試集樣本對LSSVM預測模型進行評估。圖4為鮮榨橙汁不同儲存時間的LSSVM預測模型。由圖4可知，LSSVM預測模型能夠給出鮮榨橙汁儲存時間的實際值和預測值之間的相關關系。測試集的模型評價指標R2為0.999 1、RMSE為0.287 7、MAE為0.232 8，說明鮮榨橙汁儲存時間的實際值與測試集之間具有較好的相關性，同時表明LSSVM預測模型對未知樣本具有較好的預測效果和較高的預測精度。

3 結(jié)論

采用基于虛擬儀器技術的電子舌系統(tǒng)對不同儲存時間下的鮮榨橙汁進行定性和定量分析。首先分別采用PCA和DWT 2種方法對電子舌輸出信號進行預處理，通過比較LDA定性分析結(jié)果確定了以coif2為小波基函數(shù)進行的7層DWT更適合于鮮榨橙汁電子舌數(shù)據(jù)的特征提取，同時DWT-LDA結(jié)果中實現(xiàn)了對6種不同儲存時間鮮榨橙汁樣本的有效區(qū)分，并能夠?qū)Ω鳂颖镜淖兓o予實際客觀的評價。利用DWT特征數(shù)據(jù)作為模型輸入建立LSSVM預測模型，測試集樣本驗證得到，PSO-LSSVM預測模型可以有效地預測鮮榨橙汁的不同儲存時間。電子舌系統(tǒng)對不同儲存時間鮮榨橙汁的檢測分析具有可行性，同時可為果汁類產(chǎn)品的品質(zhì)監(jiān)測、控制和評價提供技術支持和新的研究思路。

[1] 陳學紅, 賀菊萍. 草莓采后生理和品質(zhì)變化及保鮮技術[J]. 河北農(nóng)業(yè)科學, 2008, 12(9): 19-22.

[2] 馬清河, 胡常英, 劉麗娜, 等. 葡萄糖氧化酶在果汁保鮮中的應用[J]. 中國食品添劑, 2005(1): 83-85.

[3] 吳燕華, 劉文力, 閻紅, 等. 高效液相色譜法測定蘋果中的酚類物質(zhì)[J]. 分析化學, 2002, 30(7): 826-828.

[4] 王海佳. 紫外分光光度法研究維生素C的穩(wěn)定性及蔬果和果汁中含量的測定[D]. 太原: 山西醫(yī)科大學, 2015: 1-5.

[5] 趙煜, 韋真博, 王俊. 電子舌信號與理化指標的信息融合區(qū)分不同養(yǎng)殖水的研究[J]. 農(nóng)業(yè)工程學報, 2012， 28(1): 153-160.

[6] 曹仲文, 張曉燕, 周曉燕. 電子舌對雞湯和人工勾兌高湯及其混合樣品的識別[J]. 食品與機械, 2015, 31(1): 14-17.

[7] 易宇文, 范文教, 賈洪峰, 等. 基于電子舌的微凍鰱魚新鮮度識別研究[J]. 食品與機械, 2014, 30(2): 142-145.

[8] LORENZ J K, REO J P, HENDL O, et al. Evaluation of a taste sensor instrument (electronic tongue) for use in formulation development[J]. International Journal of Pharmaceutics, 2009, 367(1/2): 65-72.

[9] 杜瑞超, 王優(yōu)杰, 吳飛, 等. 電子舌對中藥滋味的區(qū)分辨識[J]. 中國中藥雜志, 2013, 38(2): 154-160.

[10] 王志強, 王輝, 張志豪, 等. 基于電化學和虛擬儀器的土壤重金屬檢測系統(tǒng)研究[J]. 農(nóng)業(yè)機械學報, 2015, 46(1): 119-126.

[11] KIRSANOV D, ZADOROZHNAYA O, KRASHENINNIKOV A, et al. Water toxicity evaluation in terms of bioassay with an Electronic Tongue[J]. Sensors & Actuators B Chemical, 2013, 179(4): 282-286.

[12] 高利萍, 王俊, 崔紹慶. 電子舌檢測不同冷藏時間草莓鮮榨汁的品質(zhì)變化[J]. 農(nóng)業(yè)工程學報, 2012, 28(23): 250-256.

[13] 張淼, 賈洪鋒, 李燮昕, 等. 電子舌在鮮榨橙汁摻假識別中的應用研究[J]. 食品與機械, 2015 (6): 92-94.

[15] HADDI Z, MABROUK S, BOUGRINI M, et al. E-Nose and e-Tongue combination for improved recognition of fruit juice samples[J]. Food Chemistry, 2014, 150(2): 246-253.

[16] 王茹. 智舌中智能模式識別單元的實現(xiàn)與應用研究[D]. 杭州: 浙江工商大學, 2009: 7-8.

[17] 邵婷婷, 白宗文, 周美麗. 基于離散小波變換的信號分解與重構(gòu)[J]. 計算機技術與發(fā)展, 2014(11): 159-161.

[18] 蔣梅城, 陸繼東, 姚順春, 等. 小波變換在激光誘導擊穿光譜壓縮中的應用[J]. 光譜學與光譜分析, 2010, 30(10): 2 797-2 801.

[19] GHOSH A, TUDU B, TAMULY P, et al. Prediction of the-aflavin and thearubigin content in black tea using a voltammetric electronic tongue[J]. Chemometrics & Intelligent Laboratory Systems, 2012, 116(7): 57-66.

[21] 熊蕭蕭, 王魯峰, 徐曉云, 等. 基于電子舌技術對不同年份的化橘紅的識別[J]. 寧波大學學報: 理工版, 2012, 25(3): 21-24.

[22] GUTIéRREZ J M, HADDI Z, AMARI A, et al. Hybrid electronic tongue based on multi-sensor data fusion for discrimination of beers[J]. Sensors & Actuators B Chemical, 2013, 177(1): 989-996.

[23] 馮學軍. 最小二乘支持向量機的研究與應用[J]. 安慶師范學院學報: 自科版, 2009, 15(1): 112-113.

[24] 劉雙印, 徐龍琴, 李振波, 等. 基于PCA-MCAFA-LSSVM的養(yǎng)殖水質(zhì)pH值預測模型[J]. 農(nóng)業(yè)機械學報, 2014, 45(5): 239-246.

[25] WEI Zhen-bo, WANG Jun. Tracing floral and geographical origins of honeys by potentiometric and voltammetric electronic tongue[J]. Computers & Electronics in Agriculture, 2014, 108: 112-122.

[26] 吳瑞梅, 趙杰文, 陳全勝, 等. 基于電子舌技術的綠茶滋味品質(zhì)評價[J]. 農(nóng)業(yè)工程學報, 2011, 27(11): 378-381.

[27] LU Lin, HU Xian-qiao, TIAN Shi-yi， et al. Visualized attribute analysis approach for characterization and quantification of rice taste flavor using electronic tongue[J]. Analytica Chimica Acta, 2016, 919: 11-19.