点击图片查看原图本文以掺假白酒为检测对象，以虚拟仪器为核心构建了一套电子鼻检测系统，实现了对不同纯度的掺假白酒定性和定量鉴别分析。针对电子鼻响应信号的特点，采用 DWT 方法对电子鼻原始信号进行预处理，随后利用 PCA 方法对不同纯度的掺假白酒进行定性辨别，同时采用ABC-LSSVM 方法对白酒纯度进行定量预测。旨在为掺假白酒检测评价提供有力的技术支持。
材料与方法
本文根据文献中白酒掺假样品的制备方式，向茅台镇酱香酒里混掺工业酒精和饮用水，分别配制体积分数为 100% 、90% 、80% 、70% 、60% 及50% 的实验样品各 400 mL，平均分成 20 份，利用酒精计控制掺假白酒的酒精度和真酒酒精度保持一致。
数据处理与分析
小波信号预处理
基于 PCA 的定性辨别分析
基于 ABC-LSSVM 的定量预测模型
结果与分析
小波信号预处理
由于电子鼻每检测一次就会产生 6000 个原始数据，这些数据信息量大、高维、含噪声，难以直接进行模式识别分析，根据电子鼻检测信号特点，本实验利用 Matlab 软件平台，采用离散小波变换( DWT) 进行数据预处理，分别采用 Coiflets、Daubechies、haar、Symlets 小波函数作为小波基函数对原始信息进行5～8层压缩分解，波形相似系数 f 变化情况如图 2 所示。对比发现，以 sym4 为小波基函数经 6 层压缩效果最好，相似系数 f 为 0．975 6，可将 6000 个数据减小至 47 个数据。
利用电子鼻对每个不同纯度的掺假白酒样品分别进行连续 20 次平行检测，基于Matlab 软件平台采用 PCA 对不同纯度的掺假白酒样品电子鼻检测数据进行分析。其主成分分布如图 3 所示，第一主成分和第二主成分的贡献率分别为 63．32% 和 25．80% ，累积贡献率达到 89．12% ，说明 PCA 很好地解释了电子鼻特征信息。从图 3 分类效果上来看，不同纯度的掺假白酒样品聚集在 PCA 图中不同区域，即不同样品之间存在较大的差异，电子鼻信号稳定性较好，6 种不同纯度的掺假白酒得到了有效的区分。
为了实现对不同纯度的掺假白酒定量预测，将 6 个传感器的采集信号作为自变量，白酒纯度作为因变量，建立 LSSVM 白酒纯度定量预测模型。利用电子鼻对每种不同纯度的掺假白酒样品分别进行连续 20 次平行检测，选取 90 个样本( 每种浓度 15 个，共 6 种浓度) 作为训练集，用以建立模型及优化参数。剩余的 30 组( 每种浓度5 个，共6 种浓度) 作为验证集，用于验证所建立模型的性能。
为了验证 ABC-LSSVM 的模型对白酒纯度的预测性能，分别选择留一交叉验证算法优化最小二乘支持向量机( LOOCV-LSSVM) 、遗传算法优化最小二乘支持向量机( GA-LSSVM) 以及标准粒子群算法优化最小二乘支持向量机( PSO-LSSVM) 与本算法进行比较分析。以建模集对上述模型进行优化训练，验证集对模型预测性能进行检验，ABC-LSSVM 白酒纯度预测模型如图 4 所示，不同参数优化方法下的 LSSVM 白酒纯度预测模型评价结果如表 1 所示。
结论
自行研制了一套电子鼻检测系统，并将其应用于掺假白酒的定性与定量检测中。针对传统上对电子鼻信号进行预处理大多采用面积值、稳定值和平均微分值等提取法，提取信息量小，不能挖掘和利用全部信息等缺点，本文选用了 DWT 方法对电子鼻信号进行特征提取，然后采用 PCA 和 LSSVM 分别对白酒纯度进行定性和定量辨别。LSSVM 参数是影响预测效果的重要因素，提出了一种基于 ABC 的 LSSVM 优化方法。同时，为了验证 ABC-LSSVM 的模型对白酒纯度的预测性能，分别选择 LOOCV-LSSVM、GA-LSSVM以及 PSO-LSSVM 与本算法进行比较分析，结果表明，ABC-LSSVM 预测模型对掺假白酒定量预测效果最好。电子鼻系统能够对掺假勾兑白酒样本进行准确的定性和定量分析，该研究成果将为白酒纯度检测方面提供新的技术支撑。
来源：感官科学与评定 转载请注明来源。