【技术实现步骤摘要】
本专利技术属于豆瓣品种识别，特别是涉及一种气味检测判别豆瓣品牌的机器学习方法。
技术介绍
1、目前，豆瓣气味的检测与分析手段主要有气相色谱-质谱联用技术、超快速气相电子鼻分析、感官评价技术等。最常用的为气相色谱-质谱联用技术，可对检测物质中的挥发性成分进行分离、定性与定量分析，缺点耗时较长，数据处理难度大；感官分析技术对感官评价人员数量及专业能力要求较高，无法做到定性与定量分析。20世纪90年代初电子鼻兴起，作为一种模拟人工嗅觉系统，主要用于检测、分析和识别挥发性风味物质，代表挥发性物质整体信息即指纹图谱数据。然而进口的超快速气相电子鼻技术虽然具有分析速度快、灵敏度高和检测费用低等优点，但费用较高。
技术实现思路
1、本专利技术的目的是提供一种气味检测判别豆瓣品牌的机器学习方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种气味检测判别豆瓣品牌的机器学习方法，包括以下步骤：
3、获取不同品牌的豆瓣酱，制作若干组豆瓣酱样本；
4、对若干组所述豆瓣酱样本进行萃取，获取若干组豆瓣酱图谱数据；
5、基于所述豆瓣酱图谱数据对萃取过程进行预平衡温度优化、豆瓣酱用量优化以及萃取时间优化，获取最优实验条件；
6、基于所述最优实验条件进行豆瓣酱挥发性风味分析；
7、基于所述豆瓣酱图谱数据，采用机器学习方法进行豆瓣酱品牌识别。
8、可选地，制作若干组豆瓣酱样本的过程包括：
9、将豆
10、可选地，对若干组所述豆瓣酱样本进行萃取的过程包括：
11、将萃取头旋转式插入铁架台上的顶空瓶中固定位置，对所述豆瓣酱样本进行氦气萃取，使萃取的气味进入到色谱柱，获取若干组豆瓣酱图谱数据。
12、可选地，所述预平衡温度优化的过程包括：
13、基于所述豆瓣酱图谱数据构建色谱总峰数以及误差线随温度变化的总峰数变化图；
14、基于所述总峰数变化图获取不同温度时的色谱平均总峰数与误差线；
15、将所述平均总峰数最大且误差线最小时所对应的温度作为最优预平衡温度。
16、可选地，所述豆瓣酱用量优化的过程包括：
17、基于所述豆瓣酱图谱数据构建图谱数据出峰数随豆瓣酱用量变化的出峰数变化图；
18、基于所述出峰数变化图表示萃取豆瓣酱的用量对荸荠挥发性物质萃取效果的影响，并将出峰数达到峰值时所对应的豆瓣酱用量作为最优豆瓣酱用量。
19、可选地，所述萃取时间优化的过程包括：
20、基于所述豆瓣酱图谱数据构建图谱数据出峰数随萃取时间变化的出峰数标准差变化图；
21、基于所述出峰数标准差变化图获取相同温度、豆瓣酱用量条件下总峰数和挥发性物质含量达到峰值时所对应的萃取时间，作为最优萃取时间。
22、可选地，基于所述最优实验条件进行豆瓣酱挥发性风味分析的过程包括：
23、基于所述最优实验条件对豆瓣酱的挥发性风味物质进行spme-gc/ms分析与比对，获取若干种挥发性风味物质；
24、将若干种所述挥发性风味物质绘制成热图并进行成热分析，对不同挥发性风味物质的含量进行颜色表示，进行豆瓣酱挥发性风味分析。
25、可选地，采用机器学习方法进行豆瓣酱品牌识别的过程包括：
26、对所述豆瓣酱图谱数据进行预处理以及特征提取，获取豆瓣酱特征向量；
27、基于所述豆瓣酱特征向量构建数据集，并划分为训练集与测试集；
28、基于训练集训练svm分类器，基于测试集对训练好的svm分类器进行测试，获取分类器评价指标；
29、基于训练后的svm分类器对所述豆瓣酱图谱数据进行豆瓣酱品牌识别。
30、可选地，对所述豆瓣酱图谱数据进行预处理以及特征提取的过程包括：
31、去除所述豆瓣酱图谱数据中的缺失值和异常值；
32、基于小波变换对所述豆瓣酱图谱数据进行特征提取。
33、可选地，基于训练集训练svm分类器的过程中，基于核函数、正则项系数设置svm分类器的算法参数，并基于交叉验证方法对所述算法参数进行调整。
34、本专利技术的技术效果为：
35、本专利技术使用顶空固相微萃取和gc/ms技术，解析不同品牌的郫县豆瓣的挥发性化合物指纹图谱，通过主成分分析建立产品有效判别模型，为市售豆瓣品质评价及产地区分提供理论参考依据，同时解析豆瓣物质构成特征，进一步明确豆瓣气味特征描述和香气贡献值，为豆瓣提取物香气成分调配及差异化产品开发提供理论支撑，最后采用支持向量机进行训练识别，实现了豆瓣酱品牌的精确分类。
本文档来自技高网...【技术保护点】
1.一种气味检测判别豆瓣品牌的机器学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，制作若干组豆瓣酱样本的过程包括：
3.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，对若干组所述豆瓣酱样本进行萃取的过程包括：
4.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，所述预平衡温度优化的过程包括：
5.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，所述豆瓣酱用量优化的过程包括：
6.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，所述萃取时间优化的过程包括：
7.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，基于所述最优实验条件进行豆瓣酱挥发性风味分析的过程包括：
8.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，采用机器学习方法进行豆瓣酱品牌识别的过程包括：
9.根据权利要求8所述的气味检测判别豆瓣品牌
10.根据权利要求8所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，基于训练集训练SVM分类器的过程中，基于核函数、正则项系数设置SVM分类器的算法参数，并基于交叉验证方法对所述算法参数进行调整。
...【技术特征摘要】
1.一种气味检测判别豆瓣品牌的机器学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，制作若干组豆瓣酱样本的过程包括：
3.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，对若干组所述豆瓣酱样本进行萃取的过程包括：
4.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，所述预平衡温度优化的过程包括：
5.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，所述豆瓣酱用量优化的过程包括：
6.根据权利要求1所述的气味检测判别豆瓣品牌的机器学习方法，其特征在于，所述萃取时间...
【专利技术属性】
技术研发人员：陈璟，任田，郑成斌，张晋华，
申请(专利权)人：柳州职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。