白酒文獻(xiàn)解讀.doc

文獻(xiàn)閱讀2016.02.22-2016.02.251 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(lái)，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(cè)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(cè)試集的預(yù)測(cè)準(zhǔn)確率分別為80%和86.7%，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(cè)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(lái)，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(cè)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(cè)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(cè)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(lái)，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(cè)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(cè)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(guò)程及原產(chǎn)地預(yù)測(cè)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(cè)數(shù)據(jù) 逐步線性判別（SLDA）神經(jīng)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(cè)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(cè)，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2016.02.26-2016.03.251 基于香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(cè)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(cāng)黃曲及出倉(cāng)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(wèn)題：參考文獻(xiàn)沒(méi)有插入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(cè)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(cè)器）之間的關(guān)系。這種技術(shù)通常用于預(yù)測(cè)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。3.1.1多元線性回歸Y=Kx+b 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(cè)值容易確定。3.1.2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(guò)少數(shù)幾個(gè)主成分來(lái)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(lái)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。3.1.3判別回歸在分類確定的條件下，根據(jù)某一研究對(duì)象的各種特征值判別其類型歸屬問(wèn)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(wèn)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(jī)，生理指標(biāo)，心理素質(zhì)判斷是否繼續(xù)培養(yǎng)3.1.4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(guò)尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來(lái)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 /macyang/article/details/387823993.1.5分類回歸樹Link /article-4720-1.html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(lái)區(qū)分歸類。聚類是指事先沒(méi)有“標(biāo)簽”而通過(guò)某種成團(tuán)分析找出事物之間存在聚集性原因的過(guò)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(yǔ)料訓(xùn)練得到，屬于有指導(dǎo)學(xué)習(xí)范疇。聚類則沒(méi)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(guò)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(chǎng)合，比如按照國(guó)圖分類法分類圖書；聚類則適合不存在分類體系、類別數(shù)不確定的場(chǎng)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(kù)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(kù)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)是指根據(jù)“物以類聚”原理，將本身沒(méi)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(guò)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(lái)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(lái)表示。常見(jiàn)的聚類算法包括：K-均值聚類算法、K-中心點(diǎn)聚類算法等 分類回歸樹的構(gòu)建 分類回歸樹的修剪 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對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的一種分類器1. 用 N 來(lái)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(lái)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(lái)對(duì)剩余預(yù)測(cè)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(zhǎng)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）。 隨機(jī)森林算法 變量重要性計(jì)算3.2 異常樣本的診斷 3.2.1 杠桿值診斷法 3.2.2 PCA與Hotelling T23.2.3 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(shuō)明及預(yù)處理 4.1.2 數(shù)據(jù)基本分析 相關(guān)性分析 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 多元回歸模型 主成分回歸 判別分析 支持向量機(jī) 分類回歸樹 結(jié)果比較分析4.3 檢測(cè)進(jìn)口酒的異常樣本4.4 異常樣本的檢測(cè)輔助低質(zhì)量葡萄酒識(shí)別4 中國(guó)白酒中長(zhǎng)期發(fā)展趨勢(shì)與研究重點(diǎn)之管見(jiàn)作者：孫寶國(guó)單位: 北京工商大學(xué)摘要: 隨著中國(guó)食品產(chǎn)業(yè)的飛速發(fā)展，中國(guó)白酒現(xiàn)代化勢(shì)在必行。要實(shí)現(xiàn)中國(guó)白酒價(jià)格親民、香型創(chuàng)新、關(guān)注健康、技術(shù)創(chuàng)新、國(guó)際化發(fā)展，首先要解決白酒釀造過(guò)程中的一系列技術(shù)問(wèn)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(kù)、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(kù)、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(guó)白酒未來(lái)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：?jiǎn)我磺蚨嗲煊冒l(fā)展糖化發(fā)酵