食品中滋味检测方案(感官智能分析)

食品科技FOOD SCIENCE AND TECHNOLOGY食品开发2009年第34卷第2期 模式识别技术在电子舌中的应用与发展 王茹，田师一 (浙江工商大学食品感官科学实验室，浙江省食品安全重点实验室，杭州310035) 摘要：模式识别是当代高科技研究重要领域之一，发展成为一门独立的学科。目前，广泛应用于系统控制、生物医学工程、机器人、人工智能等领域。电子舌是一种用于液体分析的多传感器系统，主要由传感器阵列、信号处理和模式识别系统组成。其中，模式识别系统是电子舌性能的关键部分之一。介绍几种常用电子舌模式识别技术的原理及其应用，同时，对电子舌模式识别技术在食品工业的应用进行展望。 关键词：模式识别；电子舌；应用 中图分类号：Q811.21 文献标志码：A 文章编号：1005-9989(2009)02-0108-05 Application and development of pattern recognition in electronic tongue WANG Ru， TIAN Shi-yi (Food Sensory Science Laboratory， Food Safety Key Lab of Zhejiang Province， ZhejiangGongshang University， Hangzhou 310035) Abstract： Pattern recognition was a field of the research on modern high-tech and it developed into anindependent subject. Now， it was widely used in system control， biomedicine engineering， robot， artificialintelligence and so on. Electronic tongue was a multi-sensor system， which was used for liquid analysis. Itconsisted of sensors array， signal processing and pattern recognition. Among these， pattern recognition wasone of the crucial parts. This work introduced the using and theory of several common pattern recognitions usedin electronic tongue. Also， the prospect of pattern recognition used by electronic tongue was discussed in foodindustry. Key words： pattern recognition； electronic tongue； application 众所周知，模式识别是人类的一项基本能力。我们可以非常容易地识别一个物体，识别图像、动物、脸谱等。但是对于计算机而言，要实现这一项任务却是很困难的。如何让计算机具有这项能力是人工智能研究的重要内容。模式识别是人工智能的研究内容之一，主要是研究如何从不同 背景中提取出所需的模式，并且根据不同的模式作出合理的决策。 电子舌技术是20世纪80年代中期发展起来的一种分析、识别液体成分的智能仪器技术，它主要由传感器阵列、信号处理和模式识别系统组成。传感器阵列对液体样品作出响应并输出信号， ( 收稿日期：2008-07-10 ) ( 基金项目：浙江省科技厅重点攻关项目(2006c23082)。 ) ( 作者简介：王茹(198 4 一)，浙江天台人，硕士研究生，研究方向为食品质量与安全。 ) 信号经计算机系统进行数据处理后得到反映样品味觉特征的结果。目前，电子舌技术在酒饮料鉴别、茶叶品质评价、发酵过程控制以及食品安全等食品领域中应用相对广泛。但是，由于电子舌技术自身尚未完善，限制了其在食品领域的进一步应用。模式识别技术作为电子舌关键部分之一，其研究与发展是推动电子舌技术发展的重要环节。模式识别技术诞生于20世纪20年代，随着20世纪40年代计算机的出现，20世纪50年代人工智能的兴起，模式识别在20世纪60年代初迅速发展成一门学科。本文主要就电子舌中常用模式识别作相关介绍。 模式识别的基本概念 广义地说，存在于时间和空间中可观察的事物，如果我们可以区别它们是否相同或是否相似，都可以称之为模式"。通常，我们把某一事物的具体体现称之为模式，而把模式所属的类别或同-一类中模式的总体称为模式类。模式识别目的就是利用计算机对具体对象进行分类，在错误概率最小的条件下，使识别的结果尽可能的与实际相符合。对于一个给定的模式，将面临识别或分类这两个任务：(1)监督模式识别，将模式归类到已知的模式类中；(2)无监督模式识别，将模式纳入到未知的模式类别中。 模式识别系统由3个部分构成0：(1)数据的获取与前处理：用计算机可以运算的符号来表示所研究的对象；前处理对获取的模式信息进行去噪声，提取有用信息；(2)特征提取与选择：对原始数据进行变换，得到最能反映分类本质的信息；(3)分类决策：用已有的模式及模式类的信息进行训练，获得一定分类准则，对未知模式进行分类。图1是典型的模式识别详细图框，传感器是把声音图像等输入转化为输入信号；分割器用于将物体与背景及其他物体分割开；特征提取提取用于分类的物体属性；分类器根据特征给物体赋予标记；后处理做一些其他处理，比如上下文信息、错误代价、选择合适的动作。这种描述强调了信息单方向自左而右的流动，但有些系统则采用反馈机制(虚线)进行训练。 2 模式识别分类 化学模式识别方法包括聚类分析、判别分析、特征投影显示等方法。按照有无训练集可以划分为无监督的模式识别方法和有监督的模式识别方法。无监督模式识别方法包括聚类分析、主成分分析、最小生成树；有监督模式识别方法包括线性判别分析、SIMCA、人工神经网络等；特征投影显示既可属于无监督的，也可属于有监督的。 2.1 主成分分析 主成分分析(Principle Component Analysis， PCA)是一种最古老的多元统计分析技术，属于无监督模式识别。Pearon 于1901年首次引入主成分分析的概念， Hotelling 在20世纪30年代对成成分分析进行了发展。主成分分析的中心目的是将数据降维，简化问题，使数据可视化。因此，主成分分析将原始变量转换成新变量，即所谓的主成分。每个主成分都是原始变量的线性组合。此方法得到的主成分轴是该数据矩阵方差最大的方向，且相互正交的。第一主成分携带的信息量最多，第二主成分与第一主成分不相关，携带的信息量次之。实际上，主成分分析仅保留携带足够多的有效信息的主成分。原始变量的线性组合系数称之为载荷，即原始变量与新变量的相关系数。对得分矩阵作图，称之为得分图，可给出各样本的区分归类效果。 主成分分析是电子舌模式识别方法中最常用的一种方法，区分应用相当广泛。 Winquist 等用伏安型电子舌对牛奶、苹果酱、橘子酱和橘子饮料进行区分实验，实验表明采用主成分分析方法可以有效的区分。 Larisa Lvova 等用电位型电子舌对茶叶味道进行分析评价。对立顿红茶、4种韩国产的绿茶和咖啡的研究表明，采用主成分分析(PCA) 方法的电子舌技术可以很好地区分红茶、绿茶和咖啡，并且也能很好地区分不同品种的绿茶。还研究了采用主成分回归(PCR)和偏最小二乘(PLS)法的电子舌多元校正技术在定量分析代表绿茶滋味的主要成分含量上的分析能力。电子舌可以很好地预测咖啡碱(代表苦味)、单宁酸(代表苦味和涩味)、蔗糖和葡萄糖(代表甜味)、L-精氨酸和茶氨酸(代表由酸到甜的变化范围)的含量和儿茶素的总含量。 2.2软独立簇类模式分类 软独立簇类模式分类(Soft Independent Mod- eling of Class Analogy， SIMCA)属于有监督模式识别，是在1976年由瑞典学者 Wold 所提出，很快受到普遍的重视，并在化学中得到广泛的应用。SIMCA 方法是一种建立在主成分分析基础上的模式识别方法，其基本思路是先利用主成分分析的显示结果得到1个样本分类基本印象，然后分别对各类样本建立相应的类模型，继用这些类模型来对未知类进行判别分析，以确定其属于哪一类，或不属于哪一类。其实， SIMCA 是在循环地使用主成分分析方法，先是对整个样本进行主成分分类，然后通过建立各类样本的主成分模型，来检验未知样本属于哪个类1-31。每一类模型训练集的主成分数目是通过交叉检验确定的。这样，保留的主成分尽可能多的保留每类变量的有效信息，同时确保了高信噪比。 Soderstrom C.等用具有不同选择性和灵敏度的脉冲伏安电子舌来辨别6种不同的微生物：1种酵母菌，两种细菌，3种霉菌，试验记录微生物从延滞期到稳定期的整个生长阶段。用主成分分析方法和 SIMCA 方法来处理电子舌采集到的数据。PCA用于在延滞期、对数期和稳定期采集到的数据处理，该方法在延滞期没有明显的区分辨识能力，而在后来的各生长阶段有明显的区分能力。用 SIMCA 方法能够对未知菌种进行预测，并且能较准确的将其归入所属种类。 2.3 偏最小二乘判别分析 偏最小二乘判别分析(Partial Least Squares Disc-riminant Analysis， PLS-DA)是特征投影显示方法的一种，揭示自变量(X)和因变量(Y)之间的模型关系，特别适用于自变量个数多于观测样本数目或变量之间存在高度相关。 PLS 的原则是寻找输入矩阵(X)的那些与输入变量尽可能相关的成分，同时与Y矩阵的目标值达到最大相关。因此， PLS 模型寻找描述Y的隐变量同时也能描述X的隐变量。偏最小二乘判别目标是寻找校正集中类判别的变量和方向。校正集中最佳隐变量个数由交叉有效性检验确定。 在 PLS-DA中，假设矩阵Y由1和0构成(对两类模型而言)；而对于多类模型，可以由其他整数，如1，2，3...等构成。矩阵X和Y分解产生得分矩阵和载荷矩族。车 PCR相比， PLS除利用X信息之外，也考虑Y的信息。其中，X的载荷是通过Y的得分来计算的，而Y的载荷是通过X的得分来确定，分解过程不是独立的。一个样本的 预测值与￥中元素1接近，则属于1类；反之，则属于另一类。 Shi-Yi Tian 等采用3种不同的多元统计方法-—主成分分析(PCA)，软独立模式分类分析(SIM-CA)和偏最小二乘判别分析(PLS-DA)法对大幅脉冲伏安电子舌(MLAP-ET)采集数据进行处理。MLAP-ET 对来自同一个公司，由同一葡萄园同一品种但采摘期不同的葡萄酿制而成的干红酒进行分析研究。结果表明，这3种方法都能有效的处理电子舌数据并评价红酒，但是区分能力有所不同。PLS-DA 区分辨识效果最好，最适合 MLAP-ET 数据处理。 2.4 人工神经网络 人工神经网络(Artificial Neural Net， ANN)的研究起始于20世纪40年代，但发展一直比较缓慢。20世纪80年代后，由于 Hopfield 的工作大大地推动了人工神经网络的研究及应用。现在人工神经网络已经成为解决化学问题的一种重要化学计量学手段。人工神经网络的基本思路是基于人脑细胞(神经元)的工作原理来模拟人类思维方式，以建立模型来进行分类与预测。但是，人工神经网络方法只是简单地借用神经元来表示1个计算单元。误差反传算法的三层前传网络是一种典型的人工神经网络，从下往上分别称为输入层、隐蔽层和输出层。最底层为输入层，每个结点代表1个输入元素，通过权重系数和活性函数与隐蔽层中的结点相连接，然后隐蔽层中的隐节点在通过权重系数和活性函数与输出层中的结点连接，最终输出结果1-31。人工神经网络具有对于问题的了解较少、适用高速并行处理系统、可对特征空间进行较为复杂的划分等优点，但是人工神经网络理论也不是完美的，例如，需要更多的训练数据，在非并行处理系统中模拟运行速度很慢，以及无法获得特征空间中的决策面。 常用的人工神经网络有前馈神经网络、Koho- 图2 BP神经网络示意图 nen 神经网络、自组织映射神经网络等，最为流行的是BP算法神经网络，如图2所示： Legin A.等用8个交互敏感化学传感器和一个标准pH电极构建成的电位型电子舌对模拟黑曲霉发酵液进行检测分析。采用BP 算法神经网络和最小偏二乘法对电子舌数据进行处理。结果表明，电子舌能够同时测定铵、柠檬酸盐和草酸盐。在给定浓度范围内， ANN 方法要优于 PLS 方法， 其误差小于8%。原因可能是 ANN 考虑到浓度与传感器响应电位之间的非线性特性，尤其是低浓度下的铵和柠檬酸盐。电子舌响应快速，重现性好，可用于发酵过程的监控。 Gutes A.等采用基于流动注射技术的伏安型电子舌对造纸工业废水进行检测。样品首先用 PCA 进行分区定性分析，同时采用 ANN 对废水的化学需氧量、导电率和pH值进行预测。实验结果表明， PCA 可用于不同来源的废水样品区分辨识； ANN 可用于废水化学需氧量、导电率和pH值3个指标的定量监测。该系统可用于工厂废水的快速辨别及指标监控。滕炯华等研究的电子舌由多个性能彼此重叠的味觉传感器阵列和基于 BP算法的神经网络模式识别工具组成，它能够识别出4种浓度为100%的苹果汁、菠萝汁、橙汁和紫葡萄汁。其研究表明，电子舌识别的电信号与味觉有关的化学物质成分具有相关性，可以实现在线检测或监测。Quansheng Chen等用AlpHa M.O.S.公司的电子舌对绿茶等级进行鉴定。实验选取4个等级的茶叶，采集的电子舌数据用K-最邻近法(KNN)和人工神经网络(ANN)分别建立等级模型，并且对这两个模型进行比较。实验结果表明， ANN模型比KNN模型要好，采用人工神经网络模式识别方法的电子舌技术成功地鉴定了茶的等级水平。 2.5 线性判别分析 线性判别分析(Linear Discriminant Analysis，LDA)属于有监督模式识别方法，是监督模式识别方法中最常用和研究广泛的方法，；，它需要用已知训练集样本进行训练，得到一判别模型，然后才能对未知样本进行判别分析。 20世纪30年代， Fisher 提出了一种代表性判别分析方法，称之为 Fisher 线性判别分析。其主要思想是采用投影的方法，将高维空间的样本投影到低维空间上，并且使各类样本之间尽可能的分开，而类内样本尽可能的聚集在一起。从本质上讲，线性判别分析和主成分分析都是将高维空 间的数据投影到低维空间的线性转换方法。但是PCA 的投影方向是最大方差方向，而LDA 的则是最能够分开各类数据的方向。 2.6 模式识别方法的一些新进展 近些年来，一些新的模式识别方法不断呈现。Vapnik 提出的支持向量机作为一种新的统计模式识别方法，成为机器学习研究的一个新热点。支持向量机是基于结构风险最小化原理，通过非线性将输入变换到新的高维空间，然后在这个新空间中求取最优线性分类面，实现样本分类1，16)。支持向量分类函数形式上类似于一个神经网络，输出是中间节点的线性组合，每个中间节点对应一个支持向量。 图3 支持向量机示意图 独立成分分析[13-15是近些年来新发展的一种新的信号和数据处理方法，最早是为解决鸡尾酒问题而被提出的。它是主成分分析从二阶统计量向高阶统计量的一种拓展，用于非高斯数据的线性变换。经独立成分分析获得的各成分之间是统计独立或尽可能的独立，突出源信号的本质结构。目前，广泛应用于语音信号处理、图像处理、医学信号处理以及金融等领域。其基本模型如下： 设观测信号可概括为线性模型： 其中：A为信号的混合矩阵； x(t)为 N 维观测信号矢量； s(t)为独立的M(M≤N)维未知源信号矢量； n(t)为观测噪声矢量。 ICA 的目的就是寻求一线性变换W， 通过它能由观测信号恢复相互独立的源信号 s(t)： 其中： y(t)即为 s(t)的估计矢量。当分离矩阵W是A的逆时， 源信号 s(t)能被精确地提取出来。在ICA的理论和算法中，一般都作了如下假设： (1)观测信号 x(t)的数目大于或等于源信号 s(t)的数目； (2)源信号 s(t)的各成分是瞬时计计相互独立的； (3)s(t)中至多有一个高斯信号； (4)无噪声或只有低的添加性噪声时，(1)式的模型可简化为 x(t)=As(t). 结束语 电子舌是一种基于非特异性传感器阵列，信号激发采集模块以及模式识别技术的，能够反映溶液整体品质特征的现代化智能分析检测仪器。模式识别作为电子舌3个关键部分之一，从20世纪20年代发展至今，人们普遍认为不存在一种适用于所有模式识别问题的模式识别方法或技术。随着现代计算机技术的快速发展，模式识别技术迅速发展，各种新的模式识别算法不断涌现，应用领域越发广阔。从最初的光学字符识别，扩展到如今的生物身份认证、DNA序列分析、人脸识别、智能仿生、化学气味识别、数据挖掘和信号处理等领域。模式识别技术的发展必将促进电子舌技术的进步，进一步挖掘其在工业应用中的潜力。电子舌技术在食品领域的应用也会更加加泛、 深入。 ( 参考文献： ) ( [1] 边肇祺，张学工，等.模式识别[M].北京：清华大学出版社， 2000 ) ( [2] 梁逸曾，俞汝勤.化学计量学[M].北京：高等教育出版社， 2003 ) ( 31 许禄.化学计量学一 些 重要方法的原理及应用[M].北京：科学出版社，2004 ) ( [4] G utes A ， Cespedes F ， delValle M ， e t a l . A flow injec t ionvoltammet r ic e lectronic t ongue a pplied to p a per m i ll i n -dustrial watersJ]. Sensors and A ctuators B，2006，115：390- 395 ) ( [51 S oderstrom C， W inquist F， Krantz-Rulcker C . R e cognitionof six microbial species with a n e lectronic t ongue[J]. S en- sors and Actuators B，2003，89：248-255 ) ( [6] 5] SShi-Yi Tian， Shao-Ping Deng， Chun-Hui Di n g，et al . Dis-crimination of Red Wine Age U sing V oltammetric E lec-tronic Tongue Based o n M ultifrequency Large-A m plitudeVoltammetry A n d Pattern Recognition Me t hod [J] . Se n sorsand M aterial s ，2007，19(5)：287-298 ) ( [7] L v ova L ， Legin A ， V lasov Y， et al. Multicomponent analy-sis of Korean green tea by m e ans of disposable all-solid-state potentiometric electronic tongue microsystem[J]. S en- sors and A c t uators B，2003，95：391-399 ) ( [8] Rudnitskaya A ， D e lgadillo I， L egin A， et a l. Predic t ion ofthe Port wine age u sing an e lectronictongue[J]. Chemomet- rics and Intelligent L aboratory Systems，2006 ) ( [9 】 ] ] 滕炯华，王磊，袁朝辉.基于电子舌技术的果汁饮料识别 [J].测控技术，2004，23(11)：4-5 ) ( [101 A n il K J， R o bert P W Dui n ， Jia n chang Mao . StatisticalPattern Recognition： A R e vi ew [J]. IEEE Transactions onPattern Analysis and M ach i ne Intelligence，2000，22(1 ) ：4- 37 ) ( [111 ] Q uansheng Chen， Jiewen Zh a o， Sa r itporn Vit t ayapadung. Identification of the green tea grade level using electron-ic tongue a nd pattern r e cognition [J]. Food R esearch In-ternational，2008，41(5)：500-504 ) ( [121 L egin A ， Kirsanov D ， R u dnitskaya A， et al. M u lticompo-nent analysis of fermentation growth media u sing theelectronic tongue(ET)J]. Talanta，2004，64：766-772 ) ( 131 Comon P . I ndependent c omponent a nalysis， A new con- ce p ta[J]. Signal Processing，1994，36：287-314 ) ( [14 Hyvarinen A. Survey on Independent Component A n aly- sis[J] . Neural Computing Surveys，1999，(2)：94-128 ) ( [15] Lathauwer L D ， Moor B D， Va n dewal l e J. An introductionto i ndependent component an a lysis[J]. J C h emometrics， 2000.1 4 ：123-149 ) ( [16] ChristopHer J， C Burges. A Tutorial o n S upport V e ct orMachines for P attern R ecognition[J]. D ata M i ning andKnowledge D iscovery，1998：121-167 ) ( [171 Winquist F ， Wide P， L undstrom I . An e l ectronic tonguebased o n voltammetry[J]. A nalytica Chimica A c t a，19 9 7， 357：21-31 ) 面粉混入大豆皮粉可降低油炸食品脂肪含量 韩联社报导，韩国食品研究院研发出了利用大豆皮降低面粉油炸食品脂肪肪量的技术。研究院新材料研究团的朴东俊(音)博士组近日研发出上述方案，并刊登在 SCI 级学术杂志《Journal of Food Science》(2008年)当中。 此次研发的技术是将大豆皮碾成复印机墨粉状并与面粉混合。将如此制作的面团用食用油烹炸，脂肪含量将低于普通面粉面团油炸食品。实验结果证明，将淀粉油炸食品面团重量的5%替换为豆皮，脂肪含量将比普通面粉面团残留脂肪含量降低24.4%。 ·◎ China Academic Journal Electronic Publishing House. All rights reserved. http：//www.cnki.net 模式识别是当代高科技研究重要领域之一，发展成为一门独立的学科。目前，广泛应用于系统控制、生物医学工程、机器人、人工智能等领域。电子舌是一种用于液体分析的多传感器系统，主要由传感器阵列、信号处理和模式识别系统组成。其中，模式识别系统是电子舌性能的关键部分之一。介绍几种常用电子舌模式识别技术的原理及其应用，同时，对电子舌模式识别技术在食品工业的应用进行展望。