百草油中分类鉴别检测方案

00D&MACHINERYVol.28，No. 1Jan . 2012第28卷第1期2012年1月 安全与检测2012年第1期 LDA 优化电子鼻传感器阵列的研究 Optimizition for sensor array of electronic nose system by linear discriminant analysis 费雅君 白 雪 康小红 FEI Ya-jun BAI Xue KANG Xiao-hong (内蒙古蒙牛乳业(集团)股份有限公司研发中心，内蒙古呼和浩特市 011500) (Inner Mongolia MENGNIU Dairy(Group) CO.LTDR&D， Huhhot， lnner Mongolia 011500， China) 摘要：利用PEN3电子鼻系统对6个糖酸比不同的乳饮料样品进行检测，采用线性判别分析(LDA)对传感器响应值进行分析，确定优化传感器阵列方法，并将各优化结果进行对比，最终确定阵列优化结果，使电子鼻可以用更少的传感器达到更好的分类效果，为电子鼻传感器阵列优化提供了新的思路和方法。 关键词：电子鼻；传感器阵列；LDA Abstract：Six milk drinks which with different sugar-acid ratios wereidentified by electronic nose， and the signals were analyzed by lineardiscriminant analysis(LDA) to discover the optimization of sensor ar-ray. Compared a range of optimization results by above method， thebest result which can achieve better classification by fewer sensors.This investigation may provide a new idea and method for optimizesensor array in electronic nose system. Keywords：electronic nose；sensor array；linear discriminant analysis 电子鼻是主要由具有部分选择性的气敏传感器阵列和适当的模式识别系统组成的人工智能系统。通过挥发性化合物与传感器活性材料表面接触时，发生一系列物理、化学变化产生电信号，接口电路将模拟信号转化为数字信号，经过一系列数据处理和模式识别判断，对被测样品进行鉴别。目前，电子鼻在食品行业已有了广泛的应用，如，果蔬货架期[1.2]、鱼类感官[3]、肉类香气、茶叶品质[5]，乳制品掺假等的检测中。 在电子鼻的使用中，考虑到某些传感器对样品气体分子不敏感或对环境因子过于敏感，造成电信号引应紊乱，不能提供有效信息，因此对传感器阵列进行优化是极为重要的，对减少传感器消耗、提高系统稳定性都有一定意义。但是由于电子鼻的分析结果是整体信息，无法通过具体的化学成分 ( 作者简介：费雅君(1982一)，女，内蒙古蒙牛乳业(集团)股份有限公司硕士。E-m a il： hsfeiyajun@163. com ) ( 收稿日期：2011-11- 0 1 ) 而确定去掉哪个传感器，所以要用统计分析的方法通过对大量数据的统计而得出各传感器对于检测的内在规律，从而达到优化传感器的目的。目前为进行传感器阵列优化而采用的分析方法较多，如文献[7]采用方差分析和 Lording 分析去掉差异不显著的传感器，文献[8]通过 Wilks 统计量最小的原则对传感器阵列进行了优化。文献[9]证明了相关系数绝对值累加和最小分析、PCA第二主成分系数选择性分析以及基于变异系数的因子载荷分析等3种方法优化电子鼻传感器的有效性。每种方法的侧重点和适宜的对象不同。本实验就是利用线性判别函数分析(LDA)对6个糖酸比不同的乳饮料样品进行分类、分析，以确定对于乳饮料的检验分类中传感器阵列优化的方法，实现对其更好的进行检验分类。 1 材料与方法 1.1 材料 本试验所用的样品是6个糖酸比不同，其他配方均相同的乳饮料。 1.2 仪器 便携式电子鼻：PEN3，德国 Airsence 公司。传感器阵列由 10个传感器组成，定义编号从1到10。 1.3 方法 1.3.1 样品处理 每个样品分成6个10 mL样品放于共36个电子鼻样品瓶中(即每个样品重复6次)，置于室温(23±1)℃，0.5h后上样。 1.3.2 仪器测样参数 测样时间 100 s，清洗时间300 s. 2 结果与讨论 2.1 传感器响应值提取 如图1所示，响应值以电导率G/G，表示，传感器响应值在75s后逐渐稳定，故提取76~100s数据进行分析。 图110个传感器检测其中一个乳饮料的响应曲线 Figure 1Response curve of one milk drinkin the samples with 10 sensors 2.2 LDA优化传感器 LDA 主要通过降维的方式对多维数据进行分类。把高维空间向低维空间投影映射，找到一个应满足组内离差平方和最小，而组间离差平方和最大的投影方向，即线性判别函数： Fn =aji+a22+…+a；x；+…+a，x， 假设计算出的a；=0或a；≈0，那么F是一个不包含x；的线性判别函数，说明x；对该函数是没有贡献的。 本试验中，电子鼻所检测的最终结果是由电子鼻10个传感器的信号共同决定，对应于一个10维数据，LDA 将检测每个样品所得到的10维数据投影在一个平面上，使得各 空间向量在该平面上的坐标达到6个样品组间离差平方和与每个样品平行样间组内离差平方和的比值最大的效果，从而实现各组数据的分类。在最后得到的线性判别函数中，观察是否有线性判别系数为0项，如果有则代表该项所对应的传感器是没有贡献的，可以被优化；如果各线性判别系数没有0项，则可以对系数偏小项的传感器进行优化，再通过LDA进行验证去掉后的传感器是否可以提高正确分类率，其中定义正确分类率为正确分类预测组成员数之和与数据总和之比，从而进行传感器阵列的优化。 对上述6种糖酸比不同的乳饮料样品提取10个传感器的数据，用统计软件 SPSS 进行 LDA，描述性检验用单因素方差分析，采用 Fisher线性函数进行判别得到前5个线性判别函数(表1)与判别函数的标准化化数(表2)。 表1前5个线性判别函数的累计贡献率 Table 1The variance contribution rate of the fivelinear discriminant functions 线性判别函数 方差贡献率/% 累积贡献率/% 1 77.22 77.22 2 14.21 91.44 3 6.33 97.78 4 1.71 99.49 5 0.50 100.00 由表1可知，线性判别函数F1、F2的累积贡献率达到了91.44%。一般，当累积贡献率≥85%时，即可在最大限度地降低映射过程中的数据信息丢失的同时，使组间离差与组内离差的比值达最大，也就使得不同类别的样品更易于区分。因此，只需要对 Fr、Fz的结果进行分析。 Table 2 The coefficients of the first five linear discriminant functions 线性判别 传感器 函数F 1 2 3 4 5 6 7 8 9 10 Fi 1.402 0.609 3.110 -0.522 -1.138 -0.703 一 0.181 0.118 0.583 -0.214 F2 0.321 1.430 0.675 -0.161 -0.698 -0.185 0，231 -0.371 1.002 -0.258 F3 -0.206 -0.113 0.230 -0.674 -0.113 1.342 0.863 -0.406 -0.155 -0.068 Fa -2.633 0.693 2.710 -0.140 -0.100 -0.125 -0，123 -0.016 -0.167 0.306 Fs -1.050 0.195 3.350 0.082 -2.424 -0.256 0.590 -0.504 -0.010 0.364 表3 F，F2中各传感器系数加权求和值 Table 3 Weighted sum value of coefficients of sensors in functions Fi， F 传感器 1 ~2 3 4 5 6 7 8 9 10 Fi，F2 传感器系数加权值 1.1282 0.6735 2.4975 0.4260 0.9779 0.5691 0.1726 0.1438 0.5926 0.2019 通过对 F1、Fe 中各传感器系数加权求和(表3)，表明各传感器的系数没有为0或接近于0的，此时就考虑优化系数 相对较小的传感器，那么7、8、10三个传感器的系数都很小，拟分别去掉传感器7，传感器8，传感器10，传感器7、8，传感 器7、10，传感器8、10，传感器7、8、10，并通过 LDA 进行验证，找出可以进行优化传感器。 2.3 比较优化前后分类结果 分别去掉7、8、10三个传感器中的一个或两个对样品进行检测分类，再将7、8、10三个传感器同时去掉对样品进行检测分类，最后将分类结果与用10个传感器进行检测分类的结果进行对比(表4)，由表4可知，去掉7、8、10三个传感器可以去掉更多冗余干扰信息，突出样品间的主要差别，对于各样品有更好的区分能力。在假设各试验中随机误差都 相同的前提下，可以确定去掉上述3个传感器可以达到优化传感器阵列的效果。 图2各图为去掉指定传感器后，各数据在线性判别函数所代表的投影平面上的投影图，各个产品所代表的点分布越密集，产品间的距离越远，说明分类效果越好。由于正确分类率差距不大，所以各试验中的分类结果在图2中表现并不明显，但也可以较明显的看出，在去掉7、8、10号传感器后的分类结果还是要优于10个传感器检测的结果的。 第一判别式函数方差贡献率78.60% The variance contribution rate of thesecond discrnninant function 77.22% The variance contribution rate of thesecond discmnninant function 78.60% (a)10个传感器 (c)去8号传感器 087 -2081 -2075 第一判别式函数方差贡献率78.36% The variance contribution rate of the second discrnninant function 78.36% (d)去10号传感器 (f)去7、10号传感器 -3172 -258 -3175 -261F 2087 -2081 -2075 -2069 1619 1624 1630 1635 第一判别式函数方差贡献率79.09% 第一判别式函数方差贡献率80% The variance contribution rate of the The variance contribution rate of the 3 结论 通过电子鼻对6种糖酸比不用的乳饮料样品进行检测，并利用数据统计方法线性判别分析(LDA)对传感器响应值进行分析分类、分析，找到传感器功效与样品挥发信息的内在联系，确定哪些传感器是可以反映样品间的差别和优化传感器阵列方法，并将各优化结果进行对比，最终通过去掉7、8、10号3个传感器可以达到最佳优化传感器阵列的效果，从而为更好的使用电子鼻进行产品检验与分类提供一种思路与方法，使电子鼻可以用更少的传感器进行更好的分类，达到精确检验结果，降低检测成本，优化检测方法的效果。 ( 参考文献 ) ( 1 JBrezmes， E Llobet， Vilanova， et al. C orrelation between elec-tronic nose signals and f ruit quality indicators on shelf-life meas- urements with pinklady apples[J]. Sensors & Actuators B，2001， 80：41~50. ) ( 2 S Benedetti， P M Toppini， M Riva. Shelf life of fresh cut vegeta - ) (上接第69页) 3 结论 Y07是最适合于作为代血浆用淀粉的玉米品种；022其次，但需要大幅提高其粗淀粉含量；012、S08、S11、Z01再次之，这些品种既需要提高粗淀粉含量，还需要在加工环节提高支链淀粉含量；其它品种不适于作为代血浆用淀粉的原料。 通过对支链淀粉的生产(销售)厂家提供的样品进行检测，发现 DC 的支链淀粉含量在95%以上，其他样品均不满足要求。通过进一步控制 DC 的水分含量，有望作为代血浆产品的淀粉原料。 ( 参考文献 ) ( 1 董旭，黄桂华，崔美兰，等.血浆代用品注射液生产工艺的优化 [J].齐鲁药事，2009，28(7)：431~433. ) ( 2 卢才教，郭海雷，刘政军，等.羟乙基淀粉溶液用于烧伤休克期液 体复苏的疗效[J].实用医学杂志，2010，26(11)：1880~1882. ) ( 3 陈齐.6%羟乙基淀粉130/0.4在预防前列腺电综合征中的作 用[D].合肥：安徽医科大学，2008. ) ( 4 吴翠栓，吴涛.羟乙基淀粉130/0.4的研究进展[J].中国新药杂 ) (上接第85页) ( 20 Kleber N ， Krause I， I l lgner S ， e t a l. The antigenic response of p-lactoglobulin is modulated by thermally induced aggregation[J]. E u-ropean Food Research and Technology， 2004， 219(2)：105~110. ) ( 21 Wei Liu， Zhao-Qin Zhang， Ch e ng-Mei Liu， et al. The effe c t ofdynamic h i gh-pressure microfluidization o n the activity， stability and conformation of trypsin[J]. Food Chemistry，2010，123(3)： 616~621. ) ( 22 何平，夏杨毅，李翔.糖基化亚硝基血红蛋白制备工艺参数的优 化[J].西南大学学报，2009，31(12)：169~173. ) ( 23 L J imenez， M Villamiel， A Olano， et a l. Ef f ect of dry-he a tingconditions on the g lycosylation of p-lactoglobulin with dextran ) ( bles as measured by an e l ectronic n ose： p reliminary study [J]. Italian Journal of Food Science，2001，13：201~212. ) ( 3 G Ol a fsdottir， E C hanie， F W e stad， et a l . Pre d iction of microbial and sensory q uality of c old smoked atlantic s a lmon(Salmo salar) by elec-tronic nose[J]. Journal of Foo d Science， 2005，70：563~574. ) ( 4 Laura Otero， C H orillo， M Garcia， et al. Detection of I be r ian Ham aroma by a s e miconductor multi-sensorial system[J]. S pain Meat Science， 2003，65： 1 175~1185. ) ( 5 R itaban Dutta， K R Kashwanb， M Bh u yan， et al . E l ectronic nose b ased t ea quality standardization [J]. Neural Networks， 2003，16：847~853. ) ( 6 徐亚丹，王俊，赵国军.检测掺假牛奶的电子鼻传感器阵列的优 化[J].传感器技术学报，2006，19(4)：954~962. ) ( 7 张红梅，王俊.电子鼻传感器阵列优化及其在小麦储藏年限检测 中的应用[J].农业工程学报，2006，22(12)：164~167. ) ( 王晓亮，刘海燕.电子鼻传感器阵列优化及其在醋的分类中的应 用[J].传感器世界，2010，16(11)：13~15. ) ( 9 S Ampuero， J O Bos s et. The electronic nose applied to dairy p r od- ucts： a review[J]. Sensors &. Actuators B， 2003， 9 4(1)：1 ~ 12. ) ( 志，2005，14(8)：981~984. ) ( 5 闫华，曲华平，崔新强.羟乙基淀粉代血浆产品的现状与发展方向 [J].齐鲁药事，2010，29(1)：43~46. ) ( 6 卫生部食品卫生监督检验所. GB 5009.3——2010食品中水分的 测定[S].北京：中华人民民和国卫生部，2010. ) ( 黑龙江省农业科学院综合化验室.NY/T 11——1985谷物籽粒粗淀粉测定法[S].北京：中华人民共和国标准局，1985：194~ 196. ) ( 8 黑龙江省农业科学院综合院验室. NY/T 55——1987 水稻、玉米、谷子籽粒直链淀粉测定法[S].北京：中华人民共和国农牧渔 业部，1987：309~313. ) ( 9 农业部谷物品质监督检验测验中心.NY/T597—— 2 002高淀粉玉米[S].北京：中华人民共和国农业部，2002. ) ( 10 辽宁省淀粉协会，辽宁省彰武淀粉粉，沈阳市食品品酵研究所，等.GB 12309——1990工业玉米淀粉[S].北京：国家技术监督 局，1990：166~176. ) ( 11 农业部谷物品质监督检验测试中心，玉米深加工国家工程研究 中心.GB/T8885 1 5 —2008食用玉米淀粉[S].北京：中华人民共和国国家质量监督检验检疫总总，中国国家标准化管理委员会， 2008. ) ( through t he Maillard reaction[J]. Food Hydrocolloids，2005，19： 831~837. ) ( 24 L Jimenez， R L o pez， A Ol a no， et a l. St u dy on B -l a ctoglobulin glycosylation with dextran：Effect on solubility a nd h eat stability LJ].Food Chemistry，2005，93：689~695. ) ( 25 刘娟，卢蓉蓉.酪蛋白湿法糖基化改性研究[J].食品与发酵工 业，2008，34(10)：49~52. ) ( 26 M Tanabe， H Sa e ki. E ff ect o f M a illard reaction with glucoseand r ibose on solubility at low ionic strength and filament-form-ing ability of fish myosin[J] . J o urnal o f Ag r icultural&.Food Chemistry，2001，49：3403~3407. ) ( 27 付莉，李铁刚.简述美拉德反应[J].食品科技，2006(12)：9~11. ) 数据 数据