[发明专利]一种对清香型原酒品质分级的方法

说明书

本发明公开了一种对清香型原酒品质分级的方法，属于白酒鉴别领域。本发明所述的方法包括如下步骤：(1)得到待测原酒酒样光谱数据；(2)将得到的光谱数据进行矩阵缩小处理，得到53×61的光谱矩阵；(3)提取光谱矩阵的原始光谱中激发波长为290nm、310nm、340nm、360nm处的发射光谱数据，作为新的特征参数；(4)对新的特征参数进行主成分分析，得到65个主成分的数据；(5)将主成分的数据进行线性判别分析后，得到原酒的分级模型输入的特征量；(6)将特征量代入原酒的分级模型中，得到待测原酒酒样的级别。本发明的方法采用大茬单独建模预测准确率在92.3％以上；大茬、二茬混合建模预测准确率在85.9％以上。

技术领域

本发明涉及一种对清香型原酒品质分级的方法，属于白酒鉴别领域。

背景技术

白酒作为中国传统饮料之一，有悠久的历史。白酒的生产属于固态发酵，发酵过程中很难对各种数据进行实时监测，因此目前仍未完全实现数字化生产。不同批次生产出来的白酒存在或多或少的差异，因此，酒厂需要对不同原酒进行品质品鉴分级。

目前，对原酒的分级只能通过专业人员凭借多年的经验，根据感官对原酒的品质进行鉴定，该方法不仅效率较低，费用高，而且准确性受主观因素影响较大。因此，通过科学手段，客观、准确地区分不同批次原酒之间的差异，并进行准确分级，更加快速科学高效。

主成分分析(Principal components analysis，以下简称PCA)是最重要的降维方法之一。对数据进行降维的同时损失最小的信息，即用主要的特征来代替整体数据。原酒扫描出来的数据图谱包含的信息非常多，相对弱化了品质相关信息，会对品质分级起到干扰作用。

线性判别分析(Linear Discriminant Analysis，以下简称LDA)算法一种监督学习的降维方法，LDA算法的思想是将数据投影到低维空间之后，使得同一类数据尽可能的紧凑，不同类的数据尽可能分散。这点和PCA不同，PCA是不考虑样本类别输出的无监督降维技术。也就是说它的数据集的每个样本是有类别输出的。利用这个方法处理后即可得到原酒品质的较好分级。

发明内容

[技术问题]

目前对原酒的分级都是通过专业人员根据经验、感官进行评定，效率低且准确率受主观影响大。

[技术方案]

为了解决上述问题，本发明采用三维荧光光谱分析不同等级的原酒酒样，获得各个酒样的三维荧光光谱数据；之后采用平行因子分析酒样光谱数据的差异性，提取4条光谱作为新的特征量，并采用主成分分析、线性判别降维，结合支持向量机建立白酒原酒分级模型，实现了原酒的分级。本发明的方法操作简单，无污染，而且准确率高。

本发明的第一个目的是提供一种利用三维荧光光谱结合PCA-LDA-SVM对清香型原酒品质分级的方法，包括如下步骤：

(1)采用三维荧光光谱仪对待测原酒酒样进行扫描，得到三维荧光光谱光谱数据；

(2)将步骤(1)得到的光谱数据进行矩阵缩小处理，得到53×61的光谱矩阵；

(3)提取步骤(2)53×61的光谱矩阵的原始光谱中激发波长为290nm、310nm、340nm、360nm处的发射光谱数据，作为新的特征参数；

(4)对步骤(3)中新的特征参数进行主成分分析，对数据进行降维，得到65个主成分的数据；

(5)将步骤(4)得到的主成分的数据进行线性判别分析后，得到原酒的分级模型输入的特征量；

(6)将步骤(5)得到的特征量代入原酒的分级模型中，得到待测原酒酒样的级别。