质谱学报
質譜學報
질보학보
2014年
1期
32-37
,共6页
白酒%原产地%顶空固相微萃取%质谱%反向传播神经网络%支持向量机
白酒%原產地%頂空固相微萃取%質譜%反嚮傳播神經網絡%支持嚮量機
백주%원산지%정공고상미췌취%질보%반향전파신경망락%지지향량궤
Chinese liquors%geographic origin%headspace-solid phase microextraction-mass spectrometry%back-propagation neural network%support vector machine
不同白酒原产地的鉴定对控制白酒质量和保护消费者利益有重要意义.采用顶空同相微萃取与质谱(HS-SPME MS)联用技术获取不同香型和产地的1 31个白酒酒样在m/z 55～191范围内的离子丰度数据,结合偏最小二乘-判别分析和逐步线性判别分析法筛选出27个重要特征离子,交叉验证的原产地预测准确率达99.2％;然后用筛选出的27个特征离子构建反向传播(BP)神经网络模型和支持向量机(SVM)模型,其原产地预测准确率分别达96.2％和97.7％.其中BP网络的最优参数组合为传递函数logsig、训练函数trainlm、隐藏层神经元数8;而SVM的最优核参数g和惩罚因子c值分别为2和0.125,从参数优化过程及原产地预测准确率可看出,SVM模型对原产地的鉴定效果明显优于BP网络模型.
不同白酒原產地的鑒定對控製白酒質量和保護消費者利益有重要意義.採用頂空同相微萃取與質譜(HS-SPME MS)聯用技術穫取不同香型和產地的1 31箇白酒酒樣在m/z 55～191範圍內的離子豐度數據,結閤偏最小二乘-判彆分析和逐步線性判彆分析法篩選齣27箇重要特徵離子,交扠驗證的原產地預測準確率達99.2％;然後用篩選齣的27箇特徵離子構建反嚮傳播(BP)神經網絡模型和支持嚮量機(SVM)模型,其原產地預測準確率分彆達96.2％和97.7％.其中BP網絡的最優參數組閤為傳遞函數logsig、訓練函數trainlm、隱藏層神經元數8;而SVM的最優覈參數g和懲罰因子c值分彆為2和0.125,從參數優化過程及原產地預測準確率可看齣,SVM模型對原產地的鑒定效果明顯優于BP網絡模型.
불동백주원산지적감정대공제백주질량화보호소비자이익유중요의의.채용정공동상미췌취여질보(HS-SPME MS)련용기술획취불동향형화산지적1 31개백주주양재m/z 55～191범위내적리자봉도수거,결합편최소이승-판별분석화축보선성판별분석법사선출27개중요특정리자,교차험증적원산지예측준학솔체99.2％;연후용사선출적27개특정리자구건반향전파(BP)신경망락모형화지지향량궤(SVM)모형,기원산지예측준학솔분별체96.2％화97.7％.기중BP망락적최우삼수조합위전체함수logsig、훈련함수trainlm、은장층신경원수8;이SVM적최우핵삼수g화징벌인자c치분별위2화0.125,종삼수우화과정급원산지예측준학솔가간출,SVM모형대원산지적감정효과명현우우BP망락모형.
