[发明专利]一种应用智能感官信号进行茶叶品质的模式识别分析过程中检测异常样本的方法

摘要

一种应用智能感官信号进行茶叶品质的模式识别分析过程中检测异常样本的方法，其特征在于：判断异常样本的产生是否是误操作或仪器异常，是，则通过重新采集进行纠正;否，则使用主成分分析得分图法结合马氏距离法对异常样本进行识别。

主权项

一种应用智能感官信号进行茶叶品质的模式识别分析过程中检测异常样本的方法，其特征在于：采用电子鼻检测方法采集样本，所述电子鼻采用法国Alpha MOS公司生产带有顶空自动系统的Fox 4000型电子鼻；首先，在每个20mL顶空瓶中装入1.00g龙井茶干茶后加入5mL常温超纯水压盖密封；每种茶样都以这种方式盛样，并依次检测；每个样本的检测环节都是先将顶空瓶送入预热区，在500rpm振荡器转速和60℃顶空温度下加热900s后，抽出2.0mL气体以2.0mL/s的进样速度注入到电子鼻传感器阵列室，分别与电子鼻传感器阵列室中的18根金属氧化物传感器表面的半导体材料发生吸附和解吸附作用，引起传感器电阻值的变化；在传感器阵列室内样本气体停留时间为120s，每0.5s采样一次，电子鼻软件自动记录每次采样数据；判断异常样本的产生是否是误操作或仪器异常，是，则通过重新采集进行纠正；否，则使用主成分分析得分图法结合马氏距离法对异常样本进行识别；所述的主成分分析得分图法在不丢失主要图谱信息的前提下消除信息共存中相互重叠的部分，主成分分析后的主成分得分反映样本间的相似性和独特性，基于样本得分图能够揭示样本的内部特征和聚类信息，进一步说明每个样本在大类样本集中是否存在较大差异；其中，主成分计算的方法采用舍一交互验证的非线性迭代偏最小二乘法；所述马氏距离判别方法结合传感器的响应数据来进行，图谱样本的马氏距离计算步骤如下：$\stackrel{\‾}{T}=\frac{\underset{i=1}{\Σ}{t}_i}{m}---(1-1)$$T_{cen}=T-\stackrel{\‾}{T}---(1-2)$$M=\frac{{T^{\′}}_{cen}{T}_{cen}}{m-1}---(1-3)$${\mathrm{MD}}_i={\[(t_i-\stackrel{\‾}{T})M^{-1}\·{(t_i-\stackrel{\‾}{T})}^{\′}\]}^{\frac{1}{2}}---(1-4)$式中t_i为校正集样本i的图谱得分，T为茶叶采样的指纹图谱样本，为校正集m个样本的平均得分矩阵；T_cen为T的均值中心化矩阵；M为校正集样本的马氏距离矩阵；MD_i为校正集样本i的马氏距离，根据定量校正允许误差和对应的马氏距离，确定离群点马氏距离阈值限并对图谱数据标准化处理后，每个样本的马氏距离大小由下式决定：h_ii＝t_i^T(T^TT)^‑1t_i         (1‑5)在智能感官传感器检测中，h_ii表达了样本i对回归模型影响程度，最大的h_ii表明该回归模型对样本i的依赖性较大，则样本i是异常样本。