白酒文獻(xiàn)解讀

1、文獻(xiàn)閱讀1 文章名稱：基于質(zhì)譜與支持向量機(jī)的清香型白酒等級(jí)判別作者：程平言，范文來，徐巖單位：江南大學(xué)摘要：文中以牛欄山酒為例，研究清香型白酒質(zhì)量等級(jí)鑒別方法。運(yùn)用頂空固相微萃取質(zhì)譜（HS-SPME-MS）技術(shù)獲取三類不同等級(jí)的57個(gè)牛欄山酒樣質(zhì)荷比m/z 55191范圍內(nèi)的離子豐度值數(shù)據(jù)，分別進(jìn)行偏最小二乘回歸分析（PLS）和主成分回歸分析（PCR），其中PLS模型的預(yù)測結(jié)果明顯優(yōu)于PCR。同時(shí)PLS與PCR模型的回歸系數(shù)用于選擇重要特征離子，其中PLS與PCR回歸系數(shù)法分別選擇 了12和10個(gè)離子，用選擇的離子變量構(gòu)建支持向量機(jī)（SVM）模型，模型對(duì)測試集的預(yù)測準(zhǔn)確率分別為80%和86.7

2、%，其中PCR回歸系數(shù)法選擇的特征離子為m/z 71、103、104、106、127、149、161、179、183和184。思路： 偏最小二乘回歸分析（PLS）酒樣檢測數(shù)據(jù) 主成分回歸分析（PCR）提取重要特征例子構(gòu)建支持向量機(jī)（SVM）模型三種模型對(duì)比2 文章名稱：基于質(zhì)譜與化學(xué)計(jì)量學(xué)的濃香型白酒等級(jí)鑒別作者：程平言，范文來，徐巖單位：江南大學(xué)摘要：不同等級(jí)白酒的鑒別對(duì)控制白酒質(zhì)量和保護(hù)消費(fèi)者權(quán)益有重要意義，運(yùn)用頂空固相微萃取質(zhì)譜( HSSPME-MS) 技術(shù)獲取3 個(gè)不同等級(jí)的120 個(gè)洋河大曲酒樣質(zhì)荷比m/z 55 191 范圍內(nèi)的離子豐度值數(shù)據(jù)，結(jié)合偏最小二乘-判別分析和逐步線性判別

3、分析法篩選出14 個(gè)重要特征離子，且交叉驗(yàn)證的預(yù)測準(zhǔn)確率達(dá)100%; 然后將篩選出的14 個(gè)特征離子作網(wǎng)絡(luò)輸入層，酒樣的不同等級(jí)做網(wǎng)絡(luò)輸出層，構(gòu)建神經(jīng)網(wǎng)絡(luò)等級(jí)鑒別模型，其在± 0. 3的誤差范圍內(nèi)，預(yù)測準(zhǔn)確率達(dá)100%，實(shí)現(xiàn)了白酒等級(jí)的數(shù)字化鑒別。思路： 偏最小二乘回歸分析（PLS）酒樣檢測數(shù)據(jù) 逐步線性判別（SLDA）提取重要特征例子構(gòu)建神經(jīng)網(wǎng)絡(luò)（BP）模型3 文章名稱：基于質(zhì)譜與化學(xué)計(jì)量學(xué)的白酒原產(chǎn)地鑒定作者：程平言，范文來，徐巖單位：江南大學(xué)摘要：不同白酒原產(chǎn)地的鑒定對(duì)控制白酒質(zhì)量和保護(hù)消費(fèi)者利益有重要意義。采用頂空固相微萃取與質(zhì)譜聯(lián)用技術(shù)獲取不同香型和產(chǎn)地的131個(gè)白酒酒樣在

4、M/Z 55191范圍內(nèi)的離子豐度數(shù)據(jù)，結(jié)合偏最小二乘判別分析和逐步線性判別分析法篩選出27個(gè)重要特征離子，交叉驗(yàn)證的原產(chǎn)地預(yù)測準(zhǔn)確率達(dá)99.2%；然后用篩選出的27個(gè)特征離子構(gòu)建反向傳播（BP）神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)（SVM）模型，其原產(chǎn)地預(yù)測準(zhǔn)確率分別達(dá)96.2%和97.7%。其中BP網(wǎng)絡(luò)的最優(yōu)參數(shù)組合為傳遞函數(shù)logsig、訓(xùn)練函數(shù)trainlm、隱藏層神經(jīng)元數(shù)；而SVM 的最優(yōu)核參數(shù)g和懲罰因子c值分別為2和0.125，從參數(shù)優(yōu)化過程及原產(chǎn)地預(yù)測準(zhǔn)確率可看出，SVM模型對(duì)原產(chǎn)地的鑒定效果明顯優(yōu)于BP網(wǎng)絡(luò)模型思路： 偏最小二乘回歸分析（PLS）酒樣檢測數(shù)據(jù) 逐步線性判別（SLDA）神經(jīng)

5、網(wǎng)絡(luò)（BP）模型提取重要特征例子 支持向量機(jī)（SVM）模型4 文章名稱：利用HS-SPME/GC/MS分析濃香型窖池?fù)]發(fā)物質(zhì)作者： Rongqing Zhou 單位：四川大學(xué)利用HS-SPME/GC/MS研究濃香型白酒窖池中窖泥，糟醅，黃水的揮發(fā)性物質(zhì)，對(duì)比窖池的不同位置（窖面，窖中，窖底）和不同窖齡（2年，10年，40年）。思路： 主成分分析（PCA）酒樣檢測數(shù)據(jù) 偏最小二乘回歸分析（PLS）結(jié)論：利用HS-SPME/GC/MS對(duì)揮發(fā)性物質(zhì)進(jìn)行檢測，利用PCA和PLS可以對(duì)不同位置進(jìn)行區(qū)分，但是對(duì)不同窖齡區(qū)分不明顯。微生物菌群結(jié)構(gòu)對(duì)風(fēng)味物質(zhì)影響很大。文獻(xiàn)閱讀6-2016.03.251 基于香

6、氣成分組成的大曲類別鑒別方法作者：林琳，羅汝葉，楊婧，陳良強(qiáng)，楊帆，汪地強(qiáng)，王莉單位：貴州茅臺(tái)股份有限公司摘要：以高溫大曲為研究對(duì)象，以開發(fā)建立頂空固相微萃取結(jié)合氣相色譜質(zhì)譜聯(lián)用技術(shù)分析大曲香氣物質(zhì)組成的方法為基礎(chǔ)構(gòu)建大曲分類識(shí)別模型，實(shí)現(xiàn)了不同類別高溫大曲的有效區(qū)分。思路： 經(jīng)感官評(píng)價(jià)分類的高溫大曲HS-SPME-GC/MS檢測香氣成分大曲樣品香氣成分的分析建立大曲類別鑒別模型結(jié)論：本研究以高溫大曲(生產(chǎn)用曲、出倉黃曲及出倉白曲)為研究對(duì)象，在開發(fā)建立了頂空固相微萃取結(jié)合氣相色譜質(zhì)譜聯(lián)用技術(shù)分析大曲香氣成分方法的基礎(chǔ)上構(gòu)建大曲識(shí)別模型，實(shí)現(xiàn)了不同類別高溫大曲的有效區(qū)分 問題：參考文獻(xiàn)沒有插入

7、2 特香型白酒釀造工藝分析作者：章肇敏，吳生文單位：四特酒有限責(zé)任公司特香型：“濃頭醬尾清中間”、“三香具備尤不靠”工藝介紹： 3 基于數(shù)據(jù)挖掘的葡萄酒質(zhì)量識(shí)別_林翠香作者：林翠香 許青松單位：中南大學(xué)第三章：常用數(shù)據(jù)挖掘方法理論概述3.1分類與回歸什么是回歸分析？回歸分析是一種預(yù)測性的建模技術(shù)，它研究的是因變量（目標(biāo)）和自變量（預(yù)測器）之間的關(guān)系。這種技術(shù)通常用于預(yù)測分析，時(shí)間序列模型以及發(fā)現(xiàn)變量之間的因果關(guān)系。例如，司機(jī)的魯莽駕駛與道路交通事故數(shù)量之間的關(guān)系，最好的研究方法就是回歸。1.它表明自變量和因變量之間的顯著關(guān)系；2.它表明多個(gè)自變量對(duì)一個(gè)因變量的影響強(qiáng)度。多元線性回歸Y=Kx+b

8、 Y=ax+bx2+(1)自變量對(duì)因變量必須有顯著的影響，并呈密切的線性相關(guān)；(2)自變量與因變量之間的線性相關(guān)必須是真實(shí)的，而不是形式上的；(3)自變量之間應(yīng)具有一定的互斥性，即自變量之間的相關(guān)程度不應(yīng)高于自變量與因變量之因的相關(guān)程度；(4)自變量應(yīng)具有完整的統(tǒng)計(jì)數(shù)據(jù)，其預(yù)測值容易確定。主成分回歸主成分分析，是考察多個(gè)變量間相關(guān)性一種多元統(tǒng)計(jì)方法，研究如何通過少數(shù)幾個(gè)主成分來揭示多個(gè)變量間的內(nèi)部結(jié)構(gòu)，即從原始變量中導(dǎo)出少數(shù)幾個(gè)主成分，使它們盡可能多地保留原始變量的信息，且彼此間互不相關(guān).通常數(shù)學(xué)上的處理就是將原來P個(gè)指標(biāo)作線性組合，作為新的綜合指標(biāo)。得到一個(gè)多元線性回歸方程。判別回歸在分類確

9、定的條件下，根據(jù)某一研究對(duì)象的各種特征值判別其類型歸屬問題。即當(dāng)?shù)玫揭粋€(gè)新的樣品數(shù)據(jù)，要確定該樣品屬于已知類型中哪一類。（分類問題，和聚類分析的區(qū)別是分類條件確定）建立判別函數(shù)（逐步判別法）判別樣本屬于哪組（Fisher判別）驗(yàn)證（交互驗(yàn)證）舉例：1 醫(yī)學(xué)實(shí)踐中根據(jù)各種化驗(yàn)結(jié)果，疾病癥狀等判斷病人患有什么疾病。2 體育人才選拔根據(jù)運(yùn)動(dòng)員的體形，運(yùn)動(dòng)成績，生理指標(biāo)，心理素質(zhì)判斷是否繼續(xù)培養(yǎng)支持向量機(jī)支持向量機(jī)（SVM，support vector machine）是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種機(jī)器學(xué)習(xí)方法，通過尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化，從而達(dá)到在統(tǒng)計(jì)樣本量

10、較少的情況下，能獲得良好統(tǒng)計(jì)規(guī)律。線性可分：線性不可分（映射到高維空間）:SVM應(yīng)用于文本分類，圖像分類，生物序列分析和生物數(shù)據(jù)挖掘，手寫字符識(shí)別等領(lǐng)域Link 分類回歸樹Link 分類和聚類的區(qū)別：分類就是按照某種標(biāo)準(zhǔn)給對(duì)象貼標(biāo)簽，再根據(jù)標(biāo)簽來區(qū)分歸類。聚類是指事先沒有“標(biāo)簽”而通過某種成團(tuán)分析找出事物之間存在聚集性原因的過程。 區(qū)別是，分類是事先定義好類別 ，類別數(shù)不變 。分類器需要由人工標(biāo)注的分類訓(xùn)練語料訓(xùn)練得到，屬于有指導(dǎo)學(xué)習(xí)范疇。聚類則沒有事先預(yù)定的類別，類別數(shù)不確定。 聚類不需要人工標(biāo)注和預(yù)先訓(xùn)練分類器，類別在聚類過程中自動(dòng)生成 。分類適合類別或分類體系已經(jīng)確定的場合，比如按照國圖

11、分類法分類圖書；聚類則適合不存在分類體系、類別數(shù)不確定的場合，一般作為某些應(yīng)用的前端，比如多文檔文摘、搜索引擎結(jié)果后聚類等。 分類的目的是學(xué)會(huì)一個(gè)分類函數(shù)或分類模型(也常常稱作分類器 ),該模型能把數(shù)據(jù)庫中的數(shù)據(jù)項(xiàng)映射到給定類別中的某一個(gè)類中。 要構(gòu)造分類器，需要有一個(gè)訓(xùn)練樣本數(shù)據(jù)集作為輸入。訓(xùn)練集由一組數(shù)據(jù)庫記錄或元組構(gòu)成，每個(gè)元組是一個(gè)由有關(guān)字段(又稱屬性或特征)值組成的特征向量，此外，訓(xùn)練樣本還有一個(gè)類別標(biāo)記。一個(gè)具體樣本的形式可表示為：(v1,v2,.,vn; c)；其中vi表示字段值，c表示類別。分類器的構(gòu)造方法有統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)方法等等。 聚類(clustering

12、)是指根據(jù)“物以類聚”原理，將本身沒有類別的樣本聚集成不同的組，這樣的一組數(shù)據(jù)對(duì)象的集合叫做簇，并且對(duì)每一個(gè)這樣的簇進(jìn)行描述的過程。它的目的是使得屬于同一個(gè)簇的樣本之間應(yīng)該彼此相似，而不同簇的樣本應(yīng)該足夠不相似。與分類規(guī)則不同，進(jìn)行聚類前并不知道將要?jiǎng)澐殖蓭讉€(gè)組和什么樣的組，也不知道根據(jù)哪些空間區(qū)分規(guī)則來定義組。其目的旨在發(fā)現(xiàn)空間實(shí)體的屬性間的函數(shù)關(guān)系，挖掘的知識(shí)用以屬性名為變量的數(shù)學(xué)方程來表示。常見的聚類算法包括：K-均值聚類算法、K-中心點(diǎn)聚類算法等3.1.5.1 分類回歸樹的構(gòu)建3.1.5.2 分類回歸樹的修剪3.1.5.3 分類回歸樹的評(píng)估 3.1.6 隨機(jī)森林隨機(jī)森林指的是利用多棵樹

13、對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測的一種分類器1. 用 N 來表示訓(xùn)練例子的個(gè)數(shù)，M表示變量的數(shù)目。2. 我們會(huì)被告知一個(gè)數(shù) m ，被用來決定當(dāng)在一個(gè)節(jié)點(diǎn)上做決定時(shí)，會(huì)使用到多少個(gè)變量。m應(yīng)小于M3. 從N個(gè)訓(xùn)練案例中以可重復(fù)取樣的方式，取樣N次，形成一組訓(xùn)練集（即bootstrap取樣）。并使用這棵樹來對(duì)剩余預(yù)測其類別，并評(píng)估其誤差。4. 對(duì)于每一個(gè)節(jié)點(diǎn)，隨機(jī)選擇m個(gè)基于此點(diǎn)上的變量。根據(jù)這 m 個(gè)變量，計(jì)算其最佳的分割方式。5. 每棵樹都會(huì)完整成長而不會(huì)剪枝（Pruning）（這有可能在建完一棵正常樹狀分類器后會(huì)被采用）。 3.1.6.1 隨機(jī)森林算法 3.1.6.2 變量重要性計(jì)算3.2 異常樣本的診

14、斷 3.2.1 杠桿值診斷法 3.2.2 PCA與Hotelling T2 半數(shù)重采樣法（RHM） 第四章葡萄酒質(zhì)量識(shí)別建模與異常樣本診斷4.1 數(shù)據(jù)處理與基本分析 4.1.1 數(shù)據(jù)說明及預(yù)處理 4.1.2 數(shù)據(jù)基本分析4.1.2.1 相關(guān)性分析4.1.2.2 不同質(zhì)量葡萄酒比較分析4.2 葡萄酒質(zhì)量識(shí)別建模與分析 4.2.1 探索性建模4.2.1.1 多元回歸模型4.2.1.2 主成分回歸4.2.1.3 判別分析4.2.1.4 支持向量機(jī)4.2.1.5 分類回歸樹4.2.1.6 結(jié)果比較分析4.3 檢測進(jìn)口酒的異常樣本4.4 異常樣本的檢測輔助低質(zhì)量葡萄酒識(shí)別4 中國白酒中長期發(fā)展趨勢與研究重點(diǎn)之管見作者：孫寶國單位: 北京工商大學(xué)摘要: 隨著中國食品產(chǎn)業(yè)的飛速發(fā)展，中國白酒現(xiàn)代化勢在必行。要實(shí)現(xiàn)中國白酒價(jià)格親民、香型創(chuàng)新、關(guān)注健康、技術(shù)創(chuàng)新、國際化發(fā)展，首先要解決白酒釀造過程中的一系列技術(shù)問題。在制曲、用曲、糖化發(fā)酵、風(fēng)味和酒體設(shè)計(jì)、釀酒專用糧食等方面可能出現(xiàn)一系列顛覆性技術(shù)，釀酒微生物代謝產(chǎn)物及其菌種庫、不同香型白酒自動(dòng)控溫控濕發(fā)酵技術(shù)、白酒風(fēng)味物質(zhì)分析及其數(shù)據(jù)庫、白酒中功能物質(zhì)和有害物質(zhì)的調(diào)控、白酒標(biāo)準(zhǔn)現(xiàn)代化等將是中國白酒未來研究和發(fā)展的重點(diǎn) 制曲：強(qiáng)化大曲 自然接種向純培養(yǎng)發(fā)展 塊狀曲向粉狀曲發(fā)展用曲：單一曲向多曲混用發(fā)展糖化發(fā)酵：不銹鋼發(fā)酵槽