[发明专利]电子鼻黄芽茶的香气品质分类方法

说明书

技术领域

本发明涉及一种分类方法，尤其是电子鼻黄芽茶的香气品质分类方法。

背景技术

利用智能感官分析技术模拟人感官品评的功能和特征，结合多种算法提取智能感官检测中有价值的、新颖的、精炼的、可理解的信息，进而获得相对应的预测模型和方法。电子鼻是自20世纪90年代兴起的新型智能感官仪器，是一种模拟动物嗅觉器官的仪器。目前已广泛应用于食品、饮料、环境监测以及农产品加工等领域。相比传统的检测分析方法，电子鼻技术操作简单，灵敏度高，测定结果更加客观、可靠。

茶叶数据研究中存在大量的分类问题，现有的分类算法有很多种，比如经典的有决策树、人工神经网络、贝叶斯、K最近邻算法、支持向量机等方法。序列最小优化算法(Sequential Minimal Optimization，SMO)是由Platt在1998年提出的，是目前SVM处理大数据集十分有效的方法。它是分解算法中固定工作集的特殊情形，将工作集的规模减到最小——两个样本。此外，该算法还具有不需要存储核函数矩阵，简单易行，不需要矩阵运算等特点，使得该算法通常显现出整体的快速收敛特性。

随着农业信息技术的发展，在长期的茶叶科学技术的研究与实践，通过观察、调查、实验和计算等各种方式产生和积累大量的具有重要现实意义和科学价值的茶叶数据信息。在面对这些大量的茶叶数据时，SMO算法存在训练速度慢、分类精度不够高的缺陷。

发明内容

本发明要解决的技术问题是提供一种电子鼻黄芽茶的香气品质分类方法。

本发明是通过以下技术方案来实现的。

一种电子鼻黄芽茶的香气品质分类方法，步骤包括：

(1)准备70个重复的黄芽茶样品；

(2)使用含有10个不同金属氧化物传感器的电子鼻对黄芽茶样品进行检测，得到10个传感器特征值，按照不同时间下的检测值，构建数据集；

(3)茶叶香气品质建模利用十折交叉验证法，即将样本集切割成10个相等的互不相交的子样本，轮流将其中9份样本作为训练样本集构建模型，剩下的1个子样本验证所建的模型，以上步骤重复10次后的均值作为对算法精度的估计，采用改进的SMO算法对黄芽茶香气品质进行分类：

(a)根据测试样本分类误差率的期望上界

其中：N是训练样本总数，E_N[·]表示在大小为N的训练集上的期望，由核函数的性质可知，将核函数与一个正实数相乘，形成的仍为核函数，选取SMO算法的核函数与系数(1+m)(m>0)相乘，以高斯核函数为例，

K(x,z)＝(1+m)*exp(-γ||x-z||²)

核函数与一个系数(1+m)(m>0)相乘之后，目标函数

LD=Σi=1Nαi-12Σi=1NΣj=1NαiαjyiyjK(xi,xj)]]>