不同品牌啤酒的生产原辅料和生产工艺有所不同，因此，啤酒中所含物质也不尽相同, 这为电子舌的应用提供了物质基础。电子舌可以分析样品中的不挥发或低挥发分子及可溶性化合物。其与传统分析方法相比，不但检测速度快，而且操作简单、对样品不存在破坏，现已被广泛应用于茶叶 、酒类、油脂、 乳品、饮料、肉类等样品的分析和检测中。
本文采用电子舌对不同品牌的啤酒及不同品牌啤酒的混合样品进行测定，对所得的数据进行多元统计分析。
样品 C 和 D 进行混合，混合比例 C:D(V/V)为 10:90 、30:70 、50:50 、70:30 、90:10 、100:0，编号分别为1、2、3、4、5、6。 检测每一个样品时传感器共采集120s 。在进行数据分析与处理时，采用第120秒所得的稳定数据作为输出值进行分析。 根据传感器采集的原始数据，分别采用主成分分析 (PCA) 、判别因子分析 (DFA)和偏最小二乘回归分析(PLS)分析。 PCA 是将所提取的传感器多指标的信息进行数据转换和降维，并对降维后的特征向量进行线性分类，最后在PCA图上显示主要的两维图。横、纵坐标分别表示在 PCA 转换中得到的第一主成分(PC1)和第二主成分(PC2)的贡献率(或权重) ，贡献率越大，说明主成分可以较好地反映原来多指标的信息 。
图1为不同品牌啤酒样品的主成分分析图， 第一主成分和第二主成分的总贡献率达到了95 .2% ，足以收集特征性信息。不同品牌的啤酒分别聚类在 PCA 图中的不同区域，相互之间能够较好地区分。 DFA 是一种通过重新组合传感器数据来优化区分性的分类技术，它的目的是使各个组间的重心距离最大同时保证组内差异最小，在充分保存现有信息的前提下，使同类数据间的差异性尽量缩小，不同类数据间的差异尽量扩大 。
在图2中，不同的样品有不同的聚类分布。与图1相比，样品间的区分程度更好。
从图 1 、2 可以看出，C和D的差异性最小,因此,选择这两个样进行不同比例混合的识别实验，其电子舌分析结果见图3。
在图3A 中，1 、2 、3 号样品相互重叠而不能分开，其他 3 个样品能够很好地区分。沿着图3A中箭头所示的方向， 混合比例呈现一定规律的分布。在图3B中，6 个不同混合比例的啤酒样品相互之间能够完全分开， 并且不同混合比例的啤酒样品在 DFA 图中的分布规律性更好。沿着图中箭头所示的方向，混合比例依次增加。从上述分析可以看出， 电子舌可以用于区分不同品牌啤酒的混合样品。 以传感器响应值为自变量，以啤酒混合比例为拟合目标值进行曲线拟合，结果见图 4 。拟合的相关系数为0.9436 ，拟合效果良好。
分别以C和D不同混合比例的4个样品进行模型的验证,结果见表1 。PLS 模型对混合比例为30:70 、50:50 、70:30 、100:0 的4个样品预测效果较好，相对误差在1.43%～3.00 %之间。说明 PLS 模型能够很好地预测不同品牌啤酒的混合比例。
采用电子舌对不同品牌啤酒进行PCA 和DFA分析 ，结果能够有效地区分不同品牌的啤酒样品以及啤酒的混合样品。对不同混合比例啤酒的电子舌数据进行PLS表明：模型的拟合效果良好，可以用于对不同啤酒的混合比例进行预测。综上，电子舌可以用于对不同品牌啤酒样品进行识别和区分以及啤酒的掺伪识别。参考文献：贾洪锋,梁爱华,何江红,周凌洁,张淼,郑景洲.电子舌对啤酒的区分识别研究[J].食品科学,2011,32(24):252-255.转载请注明来源。
提醒：文章仅供参考，如有不当，欢迎留言指正和交流。且读者不应该在缺乏具体的专业建议的情况下，擅自根据文章内容采取行动，因此导致的损失，运营方不负责。如文章涉及侵权或不愿我平台发布，请联系处理。
点击图片查看原图
在图2中，不同的样品有不同的聚类分布。与图1相比，样品间的区分程度更好。
