白酒文獻解讀

1、-作者xxxx-日期xxxx白酒文獻解讀【精品文檔】文獻閱讀1 文章名稱：基于質(zhì)譜與支持向量機的清香型白酒等級判別作者：程平言，范文來，徐巖單位：江南大學摘要：文中以牛欄山酒為例，研究清香型白酒質(zhì)量等級鑒別方法。運用頂空固相微萃取質(zhì)譜（HS-SPME-MS）技術獲取三類不同等級的57個牛欄山酒樣質(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模型的預測結(jié)果明顯優(yōu)于PCR。同時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個離子，用選擇的離子變量構建支持向量機（SVM）

2、模型，模型對測試集的預測準確率分別為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）酒樣檢測數(shù)據(jù) 主成分回歸分析（PCR）提取重要特征例子構建支持向量機（SVM）模型三種模型對比2 文章名稱：基于質(zhì)譜與化學計量學的濃香型白酒等級鑒別作者：程平言，范文來，徐巖單位：江南大學摘要：不同等級白酒的鑒別對控制白酒質(zhì)量和保護消費者權益有重要意義，運用頂空固相微萃取質(zhì)譜( HSSPME-MS) 技術獲取3 個不同等級的120 個洋河大曲酒樣質(zhì)荷比m/z 55 191 范圍內(nèi)的離

3、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 個重要特征離子，且交叉驗證的預測準確率達100%; 然后將篩選出的14 個特征離子作網(wǎng)絡輸入層，酒樣的不同等級做網(wǎng)絡輸出層，構建神經(jīng)網(wǎng)絡等級鑒別模型，其在± 0. 3的誤差范圍內(nèi)，預測準確率達100%，實現(xiàn)了白酒等級的數(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建神經(jīng)網(wǎng)絡（BP）模型3 文章名稱：基于質(zhì)譜與化學計量學的白酒原產(chǎn)地鑒定作者：程平言，范文來，徐巖單位：江南大學摘要：不同白酒原產(chǎn)地的鑒定對控制白酒質(zhì)量和保護消費者利益有重要意義。采用頂空固相微萃取

4、與質(zhì)譜聯(lián)用技術獲取不同香型和產(chǎn)地的131個白酒酒樣在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個重要特征離子，交叉驗證的原產(chǎn)地預測準確率達99.2%；然后用篩選出的27個特征離子構建反向傳播（BP）神經(jīng)網(wǎng)絡模型和支持向量機（SVM）模型，其原產(chǎn)地預測準確率分別達96.2%和97.7%。其中BP網(wǎng)絡的最優(yōu)參數(shù)組合為傳遞函數(shù)logsig、訓練函數(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，從參數(shù)優(yōu)化過程及原產(chǎn)地預測準確率可看出，SVM模型對原產(chǎn)地的鑒定效果明顯優(yōu)于BP網(wǎng)絡模型思路： 偏最小二乘回歸分析（PLS）

5、酒樣檢測數(shù)據(jù) 逐步線性判別（SLDA）神經(jīng)網(wǎng)絡（BP）模型提取重要特征例子 支持向量機（SVM）模型4 文章名稱：利用HS-SPME/GC/MS分析濃香型窖池揮發(fā)物質(zhì)作者： Rongqing Zhou 單位：四川大學利用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對揮發(fā)性物質(zhì)進行檢測，利用PCA和PLS可以對不同位置進行區(qū)分，但是對不同窖齡區(qū)分不明顯。微生物菌群結(jié)構對風味物質(zhì)影響很大。

6、文獻閱讀63.251 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，楊帆，汪地強，王莉單位：貴州茅臺股份有限公司摘要：以高溫大曲為研究對象，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)用技術分析大曲香氣物質(zhì)組成的方法為基礎構建大曲分類識別模型，實現(xiàn)了不同類別高溫大曲的有效區(qū)分。思路： 經(jīng)感官評價分類的高溫大曲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)用技術分析大曲香氣成分方法的基礎上構建大曲識別模型，實現(xiàn)了不同類別高溫大曲的有效

7、區(qū)分 問題：參考文獻沒有插入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)量識別_林翠香作者：林翠香 許青松單位：中南大學第三章：常用數(shù)據(jù)挖掘方法理論概述分類與回歸什么是回歸分析？回歸分析是一種預測性的建模技術，它研究的是因變量（目標）和自變量（預測器）之間的關系。這種技術通常用于預測分析，時間序列模型以及發(fā)現(xiàn)變量之間的因果關系。例如，司機的魯莽駕駛與道路交通事故數(shù)量之間的關系，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系；2.它表明多個自變量對一個因變量的影響強度。多

8、元線性回歸Y=Kx+b Y=ax+bx2+(1)自變量對因變量必須有顯著的影響，并呈密切的線性相關；(2)自變量與因變量之間的線性相關必須是真實的，而不是形式上的；(3)自變量之間應具有一定的互斥性，即自變量之間的相關程度不應高于自變量與因變量之因的相關程度；(4)自變量應具有完整的統(tǒng)計數(shù)據(jù)，其預測值容易確定。主成分回歸線性組合，作為新的綜合指標。得到一個多元線性回歸方程。判別回歸在分類確定的條件下，根據(jù)某一研究對象的各種特征值判別其類型歸屬問題。即當?shù)玫揭粋€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（

9、Fisher判別）驗證（交互驗證）舉例：1 醫(yī)學實踐中根據(jù)各種化驗結(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)運動員的體形，運動成績，生理指標，心理素質(zhì)判斷是否繼續(xù)培養(yǎng)支持向量機支持向量機（SVM，support vector machine）是基于統(tǒng)計學習理論的一種機器學習方法，通過尋求結(jié)構化風險最小來提高學習機泛化能力，實現(xiàn)經(jīng)驗風險和置信范圍的最小化，從而達到在統(tǒng)計樣本量較少的情況下，能獲得良好統(tǒng)計規(guī)律。線性可分：線性不可分（映射到高維空間）:SVM應用于文本分類，圖像分類，生物序列分析和生物數(shù)據(jù)挖掘，手寫字符識別等領域Link 分類回歸樹Link 分類和聚類的區(qū)別：分類就是

10、按照某種標準給對象貼標簽，再根據(jù)標簽來區(qū)分歸類。聚類是指事先沒有“標簽”而通過某種成團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注的分類訓練語料訓練得到，屬于有指導學習范疇。聚類則沒有事先預定的類別，類別數(shù)不確定。 聚類不需要人工標注和預先訓練分類器，類別在聚類過程中自動生成 。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。 分類的目的是學會一個分類函數(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

11、數(shù)據(jù)項映射到給定類別中的某一個類中。 要構造分類器，需要有一個訓練樣本數(shù)據(jù)集作為輸入。訓練集由一組數(shù)據(jù)庫記錄或元組構成，每個元組是一個由有關字段(又稱屬性或特征)值組成的特征向量，此外，訓練樣本還有一個類別標記。一個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。分類器的構造方法有統(tǒng)計方法、機器學習方法、神經(jīng)網(wǎng)絡方法等等。 聚類(clustering)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)對象的集合叫做簇，并且對每一個這樣的簇進行描述的過程。它的目的是使得屬于同一個簇的樣本之間應該彼此相似，而不同簇的樣本應該足夠不相

12、似。與分類規(guī)則不同，進行聚類前并不知道將要劃分成幾個組和什么樣的組，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)空間實體的屬性間的函數(shù)關系，挖掘的知識用以屬性名為變量的數(shù)學方程來表示。常見的聚類算法包括：K-均值聚類算法、K-中心點聚類算法等3.1.5.1 分類回歸樹的構建3.1.5.2 分類回歸樹的修剪3.1.5.3 分類回歸樹的評估 3.1.6 隨機森林隨機森林指的是利用多棵樹對樣本進行訓練并預測的一種分類器1. 用 N 來表示訓練例子的個數(shù)，M表示變量的數(shù)目。2. 我們會被告知一個數(shù) m ，被用來決定當在一個節(jié)點上做決定時，會使用到多少個變量。m應小于M3. 從N個訓練案例中以可

13、重復取樣的方式，取樣N次，形成一組訓練集（即bootstrap取樣）。并使用這棵樹來對剩余預測其類別，并評估其誤差。4. 對于每一個節(jié)點，隨機選擇m個基于此點上的變量。根據(jù)這 m 個變量，計算其最佳的分割方式。5. 每棵樹都會完整成長而不會剪枝（Pruning）（這有可能在建完一棵正常樹狀分類器后會被采用）。 3.1.6.1 隨機森林算法 3.1.6.2 變量重要性計算3.2 異常樣本的診斷 3.2.1 杠桿值診斷法 3.2.2 PCA與Hotelling T2 半數(shù)重采樣法（RHM） 第四章葡萄酒質(zhì)量識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)說明及預處理 4.1.2

14、數(shù)據(jù)基本分析4.1.2.1 相關性分析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)量葡萄酒識別4 中國白酒中長期發(fā)展趨勢與研究重點之管見作者：孫寶國單位: 北京工商大學摘要: 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。要實現(xiàn)中國白酒價格親民、香型創(chuàng)新、關注健康、技術創(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問題。在制曲、用曲、糖化發(fā)酵、風味和酒體設計、釀酒專用糧食等方面可能出現(xiàn)一系列顛覆性技術，釀酒微生物代謝產(chǎn)物及其菌種庫、不同香型白酒自動控溫控濕發(fā)酵技術、白酒風味物質(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、白酒標準現(xiàn)代化等將是中國白酒未來研究和發(fā)展的重點 制曲：強化大曲 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 自動控溫控濕車間液態(tài)