張賓惠 高嵩 賈飛 鄭麗敏 劉毅 王梁 呂學澤 李興民

摘 要：利用電子鼻技術結合化學計量法對北京油雞肉進行鑒別。對4 個品種雞肉的生肉和熟肉樣品分別進行電子鼻測定，提取特征值進行后續(xù)分類。采用逐步判別分析（stepwise linear discriminant analysis，S-LDA）和人工神經(jīng)網(wǎng)絡進行判別分析，并建立多層感知器（multilayer perception，MLP）和支持向量機（support vector machine，SVM）2 種分類模型。結果表明：S-LDA和人工神經(jīng)網(wǎng)絡能夠對4 種雞肉的生肉與熟肉樣品分別進行較好地判別;MLP和SVM分類模型在生肉和熟肉樣品上均取得了較好的分類預測結果，4 種雞肉樣品總體識別率及北京油雞肉識別率均高于90%。電子鼻技術結合多元統(tǒng)計分析方法在北京油雞鑒別應用方面具備一定的可行性。

關鍵詞：北京油雞;電子鼻;摻假;化學計量法

Abstract： In this study， electronic nose （E-nose） technology combined with chemometrics was employed to identify Beijing-You chicken （BJY） from three other breeds. The odor of raw and cooked meat samples from the four breeds was analyzed by E-nose. The feature values of each sample were extracted for the following statistical analysis. Discriminant analyses were performed by stepwise linear discriminant analysis （S-LDA） and neural net pattern recognition. Two classifier models （multilayer perception （MLP） and support vector machine （SVM）） were established to discriminate BJY from the other breeds. A good classification of the four breeds especially BJY was achieved through S-LDA and neural net pattern recognition. Both the MLP and SVM exhibited good classification effect for cooked and raw meat samples. The overall recognition rates for the four breeds and the recognition rates for BJY from the other breeds were higher than 90%. The results indicated that E-nose technology combined with multivariate statistical analysis is feasible for the identification of BJY.

Keywords： Beijing-You chicken; electronic nose; adulteration; chemometrics

北京油雞又名“中華宮廷黃雞”，是一種源于北京京郊的地方雞種，約有300多年的養(yǎng)殖歷史，具有獨特的外貌特征（鳳冠、毛腿和胡子嘴）[1]。北京油雞是一種肉蛋兼用型雞種，因其具有獨特的風味而深受喜愛。近年來，有關北京油雞質量及風味的研究很多[2-3]。Zhou Wei等[4]利用單核苷酸多態(tài)性基因分型陣列對北京油雞進行全基因組檢測;Zheng Mingli等[5]研究新鮮菊苣飼料對北京油雞生長性能、胴體特征、肉蛋品質及腸道菌群的影響;陳靜茹等[6]采用聚合酶鏈式反應技術對多趾北京油雞肉與華都艾拔益加肉雞肉進行鑒別，該方法對非多趾北京油雞的鑒定尚存在一定的局限性;此外，該研究還對北京油雞雞胸肉4 ℃條件下真空包裝貯藏過程中的風味及品質變化規(guī)律進行了探究[7]。然而，目前對于北京油雞品種鑒別等方面的研究還很少。

隨著社會經(jīng)濟高速發(fā)展，在經(jīng)濟利益驅使下，市場上肉類摻假等事件屢見不鮮。為盡可能避免肉類摻假等食品質量問題的發(fā)生，關于肉品真假性的快速檢測方法得到迅速發(fā)展。目前常用的肉類摻假檢測方法主要包括分子生物學技術、酶聯(lián)免疫技術、代謝技術和光譜技術等[8-11]，但成本高、檢測周期長和技術要求高等弊端很大程度限制了上述方法的應用。電子鼻技術是近年來發(fā)展起來的一種快速、無損檢測技術，它是一種仿生人工嗅覺系統(tǒng)，是一種融合了傳感器、計算機、應用數(shù)學等多個學科領域的綜合性檢測技術，被廣泛應用于食品檢測、醫(yī)學、輕工業(yè)、軍事和環(huán)境保護等領域[12]。電子鼻檢測技術具有樣品前處理簡單、信息客觀全面、環(huán)保無污染等優(yōu)點，在肉類質量控制[13-16]、分級[17]、摻假[18]等方面具有廣泛應用。預防北京油雞被淘汰蛋雞或價格低廉的商品雞摻假，能夠解決由此帶來的食品質量問題，并能更好地促進北京油雞產(chǎn)業(yè)發(fā)展。為保護北京油雞這一地方雞種，劃分北京油雞地理標志，開發(fā)一種用于預防北京油雞摻假的低成本、方便快捷、易操作的檢測技術尤為重要。

本研究以北京油雞和其他3 個品種雞的生肉樣品和熟肉樣品為研究對象，應用電子鼻技術結合化學計量方法（逐步判別分析（stepwise linear discriminant analysis，S-LDA）、人工神經(jīng)網(wǎng)絡、多層感知器（multilayer perception，MLP）分析和支持向量機（support vector machine，SVM）算法）進行判別分類，以期為北京油雞鑒別工作提供理論參考依據(jù)。

1 材料與方法

1.1 材料

北京油雞、白羽肉雞、海蘭褐蛋雞和蘇禽綠蛋雞分別購自北京市農(nóng)林科學院保種場、京東電子商務平臺、北京雙銀養(yǎng)殖戶及北京宏栗園柴雞專業(yè)合作社。

1.2 儀器與設備

E-N-10001電子嗅覺系統(tǒng)為中國農(nóng)業(yè)大學信息與電氣工程學院研制，由傳感器陣列（16 個）、接口電路和模式識別軟件系統(tǒng)3 個主要部分構成。其中，16 個傳感器陣列具體型號及其檢測性能如表1所示。

1.3 方法

1.3.1 樣品制備

將4 種雞胸肉共計200 個樣品（每種雞肉樣品各50 個）分別絞碎成肉糜，每個樣品取5 g作為生肉糜樣品備用，另取20 g放入50 mL離心管中于80 ℃水浴鍋煮制15 min，冷卻后，稱取5 g作為熟肉糜樣品備用。

1.3.2 電子鼻測定

參照王炳蔚等[19]的方法，采用頂空吸氣法，分別對生肉糜和熟肉糜樣品進行逐一測定。具體測定條件為：溫度維持在40 ℃左右，空氣流量3 L/min，測定前清洗時間150 s，樣品采集時間300 s。

1.3.3 特征值提取

使用E-N-10001電子鼻系統(tǒng)自帶軟件提取9 種特征值（相對平均值、相對積分值、微分值、最大值-最小值、二次項系數(shù)、一次項系數(shù)、半寬值、對數(shù)擬合一次項系數(shù)、對數(shù)擬合常數(shù)項系數(shù)），每個樣本可以獲得144 個特征值。本研究后續(xù)數(shù)據(jù)分析均基于特征值進行。

1.4 數(shù)據(jù)處理

通過SPSS 20.0軟件分別對特征值進行S-LDA和MLP神經(jīng)網(wǎng)絡分類，采用MATLAB R2019a軟件對數(shù)據(jù)進行神經(jīng)網(wǎng)絡訓練和建立SVM分類模型。

2 結果與分析

2.1 S-LDA結果

S-LDA的判別思路類似于逐步回歸，采用“有進有出”的算法，即對每一步都進行檢驗，逐步引入或剔除變量，直至最終篩選出1 組具有代表性的“重要”變量用于后續(xù)分析[20-21]。任靜等[22]曾用電子鼻結合LDA方法有效區(qū)分出不同貯藏時間調理預制烤豬肉的新鮮程度。本研究樣品分析中使用了3 個典型判別式函數(shù)，其中生肉樣品分析中前2 個函數(shù)方差累積95.2%，3 個函數(shù)方差累積100%。而熟肉樣品分析中前2 個函數(shù)方差累積96.3%，3 個函數(shù)方差累積100%。由于生肉和熟肉樣品分析結果中前2 個函數(shù)方差累積均大于90%，說明此方法能夠代表樣品大部分信息，可以用于4 種雞肉樣品的分類[23-24]。

組1～4分別代表北京油雞肉、白羽肉雞肉、海蘭褐蛋雞肉和蘇禽綠蛋雞肉。

由圖1可知，S-LDA對4 種雞肉的生、熟肉樣品聚類效果較好，輸出結果區(qū)域化明顯。北京油雞肉與白羽肉雞肉和海蘭褐蛋雞肉可以明顯地區(qū)分開，但北京油雞肉與蘇禽綠蛋雞肉有部分重疊，其中生肉的重疊范圍較熟肉小，說明北京油雞肉與蘇禽綠蛋雞肉中揮發(fā)性成分組成與其他種類雞肉相比更為接近。

由表2可知，對于生肉樣品，初始分組中僅有1 個北京油雞肉樣品被歸為蘇禽綠蛋雞肉，交叉驗證分組中僅有2 個北京油雞肉樣品被錯分，分別被歸為白羽肉雞肉和蘇禽綠蛋雞肉，初始分組和交叉驗證分組的正確率分別達到99.5%和99.0%。對于熟肉樣品，初始分組中所有樣品被100%正確分類，交叉驗證分組中僅有1 個北京油雞肉樣品被錯分為蘇禽綠蛋雞肉，分類正確率達到99.5%。說明電子鼻結合S-LDA可以對4 種雞肉樣品進行有效分類，北京油雞肉與其他3 種雞肉可以較好地被區(qū)分開來。

2.2 人工神經(jīng)網(wǎng)絡分析結果

2.2.1 神經(jīng)網(wǎng)絡判別分析結果

人工神經(jīng)網(wǎng)絡是通過模仿生物的神經(jīng)元來建立數(shù)學模型或計算模型，從而進行分類鑒別的一種分析方法，由一系列并行運算且功能簡單的神經(jīng)元以及之間的相互連接構成。通過訓練可以調整神經(jīng)元之間的聯(lián)系強度，使其執(zhí)行特定功能，特定輸入經(jīng)過訓練后的神經(jīng)網(wǎng)絡會得到特定輸出[25]。

應用MATLAB神經(jīng)網(wǎng)絡工具箱分別對電子鼻檢測出的生肉和熟肉數(shù)據(jù)進行判別分析，判別前生肉和熟肉樣本分別被劃分為訓練集、驗證集和測試集，訓練集用來訓練樣本，通過驗證集結果決定訓練至何時停止以及選擇最優(yōu)的模型結構和大小，測試集用來對剩余樣本進行預測，得到分類結果[26]。訓練集、驗證集和測試集的樣本數(shù)分別為140、30和30。

由圖2～3可知：生肉樣品數(shù)據(jù)驗證集有1 個蘇禽綠蛋雞肉樣品被誤判為白羽肉雞肉，而訓練集和測試集的識別結果正確率均為100%;熟肉樣品數(shù)據(jù)驗證集中有1 個蘇禽綠蛋雞肉樣品被錯判為北京油雞肉，有1 個北京油雞肉樣品被錯判為蘇禽綠蛋雞肉，訓練集和測試集識別結果正確率均為100%。蔣強等[27]應用電子鼻技術預測豬肉丸子香味研究中，神經(jīng)網(wǎng)絡判別結果也僅測試樣本中出現(xiàn)1 個錯判?？梢钥闯?，應用神經(jīng)網(wǎng)絡判別分析法，生肉和熟肉樣品中4 種雞肉均可以得到顯著區(qū)分，北京油雞肉能夠從4 個品種雞肉中被區(qū)分出來。

A. 訓練集;B. 驗證集;C. 測試集;D. 總數(shù)據(jù)集。目標類、輸出類1～4分別代表北京油雞肉、白羽雞肉、海蘭褐蛋雞肉和蘇禽綠蛋雞肉。圖3同。

2.2.2 MLP建模分類結果

MLP屬于一種人工神經(jīng)網(wǎng)絡算法，是多層前向神經(jīng)網(wǎng)絡。MLP包括輸入層、隱藏層和輸出層，可用于解決線性不可分問題，常與電子鼻技術結合應用[28]。MLP分類的基本思路是通過訓練樣本建立模型，并用測試樣本進行模型測試，最后對預測樣本進行預測，觀察分類結果的準確性。本研究中，訓練樣本、測試樣本和預測樣本數(shù)分別為89、45、66 個。MLP隱藏層的激活函數(shù)為雙曲正切函數(shù)，輸出層的激活函數(shù)為Softmax函數(shù)。

由表3可知，生肉樣品和熟肉樣品3 個組別的總體識別率和北京油雞肉識別率均具有較高的準確率（均大于90%），生肉和熟肉的訓練組總體識別率和北京油雞肉識別率均為100%。在生肉測試組中，4 種雞肉的總體識別率和北京油雞肉識別率分別為95.56%和97.78%。在熟肉測試組中，4 種雞肉的總體識別率和北京油雞肉識別率均達到97.78%。張娟等[29]應用電子鼻對牛肉中摻假的豬肉進行檢測，MLP模型也取得了較好的識別效果，訓練集和驗證集正確分類率分別達98.8%和97.4%。本研究中生肉和熟肉的訓練組和測試組均得到較高識別率，這表明該MLP建模效果較好，MLP結合電子鼻用于肉類摻假的定性分析可以取得可靠結果。從預測結果可以看出，生肉預測效果優(yōu)于熟肉，4 種雞肉生肉樣品預測組的總體識別率和北京油雞肉識別率分別為93.94%和96.97%，這表明MLP在預測北京油雞肉與其他3 種雞肉生肉樣品的分類應用中具有一定的可行性。

2.3 SVM建模分類結果

SVM是一種形成于20世紀90年代的模式識別方法，是一類監(jiān)督機器學習算法，具有非線性、高維數(shù)和局部極小點等優(yōu)點，是一種較為成熟的分類方法，可以用于解決線性和非線性的分類與回歸問題[30]。SVM算法的基本原理如下：創(chuàng)建1 個超平面，通過將輸入平面的非線性問題映射到1 個高維度的特征平面成為線性問題，從而達到對樣本進行分類的目的。SVM算法涉及幾種核函數(shù)，主要包括線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)（radial basis function，RBF）和SVM核函數(shù)[31]。目前，很多研究對SVM結合電子鼻技術用于食品分析檢測進行了報道[32-33]。本研究應用LIBSVM[34]軟件包3.23版本，采用基于最優(yōu)參數(shù)搜索的改進型懲罰系數(shù)（c）參數(shù)的支持向量分類，核函數(shù)選用RBF，交叉驗證倍數(shù)設置為3、5、10，分別進行建模，并應用網(wǎng)格搜索法確定最優(yōu)的參數(shù)c和核函數(shù)參數(shù)（g）[35]。

訓練集和預測集樣本數(shù)分別為134和66。由表4可知，生肉和熟肉樣品的訓練集和預測集均取得了較好的分類結果，總體識別率均高于90%。生肉樣品的交叉驗證倍數(shù)為10、c為0.707 11、g為0.088 388時，訓練集總體識別率為98.51%，預測集4 種雞肉的總體識別率和北京油雞肉識別率均達到96.97%，這表明對于預測集而言，只有2 個北京油雞肉樣品與其他3 種雞肉樣品發(fā)生了錯誤識別。熟肉樣品交叉驗證倍數(shù)為5、c為16.000 00、g為0.062 500時，訓練集總體識別率為95.52%。該分類情況下預測集的分類結果如圖4所示，4 種雞肉的總體識別率為95.45%，北京油雞肉識別率為98.48%，有2 個白羽肉雞肉樣品被錯分為蘇禽綠蛋雞肉，有1 個蘇禽綠蛋雞肉樣品被錯分為北京油雞肉。上述分類結果說明使用電子鼻結合SVM分類算法對4 種雞肉進行分類能夠獲得較為理想的結果。

3 討 論

應用電子鼻技術結合化學計量法對北京油雞的生肉和熟肉樣品分別進行鑒別。首先，S-LDA結果表明，4 個不同品種雞肉能夠被較好地區(qū)分，從散點圖結果可以看出，北京油雞肉與白羽肉雞肉和海蘭褐蛋雞肉可以被完全區(qū)分，但北京油雞肉與蘇禽綠蛋雞肉存在重疊部分;其次，采用人工神經(jīng)網(wǎng)絡進行判別和MLP建模能夠得到較好訓練模型，生肉的MLP模型用于預測集樣品分類的總體識別率和北京油雞肉識別率分別達93.94%和96.97%;應用SVM對生肉和熟肉樣品建模并進行預測的總體結果較好，熟肉樣品交叉驗證倍數(shù)為5、c和g分別為16.000 00和0.062 500時，SVM建模的訓練集總體識別率達95.52%，預測集總體識別率達95.45%，北京油雞肉識別率達98.48%。實驗結果表明：北京油雞的生肉和熟肉樣品均可作為原材料采用電子鼻進行品種鑒別，后續(xù)實際檢測將不受制于生肉和熟肉的影響;綜合分析幾種分類判別方法可得出，SVM分類預測效果更好;北京油雞肉與白羽肉雞肉和海蘭褐蛋雞肉區(qū)分較明顯，與蘇禽綠蛋雞肉存在個別誤判的情況，這也與逐步判別中散點圖結果相一致。

4 結 論

應用電子鼻技術分別基于生肉和熟肉樣品鑒別北京油雞肉。結果表明：S-LDA和神經(jīng)網(wǎng)絡訓練混淆矩陣可以有效鑒別區(qū)分4 種雞肉，通過建立MLP模型和SVM模型可以有效預測4 種雞肉;基于生肉樣品MLP模型的預測集北京油雞肉識別率為96.97%;采用SVM建模分類，熟肉樣品交叉驗證倍數(shù)為5，c和g分別為16.000 00和0.062 500時，預測集北京油雞肉識別率達98.48%。

電子鼻技術結合化學計量法用于北京油雞鑒別具備一定的可行性，該方法能夠客觀、快速地對北京油雞進行鑒別，且準確率較高，為北京油雞鑒別和地理標志劃分提供了理論和技術參考依據(jù)。然而，實驗中樣品數(shù)量與實際檢測過程中尚具有一定差距。為了增加模型的代表性和適用性，降低預測風險，后續(xù)實驗應圍繞實驗檢測樣本數(shù)的增加和不同部位雞肉的選取等方面開展。

參考文獻：

[1] BAI Chunyu， HOU Lingling， LI Fanghua， et al. Isolation and biological characteristics of Beijing fatty chicken skeletal muscle satellite cells[J]. Cell Communication and Adhesion， 2012， 19（5/6）： 69-77. DOI：10.3109/15419061.2012.743998.

[2] ZHAO G P， CUI H X， LIU R R， et al. Comparison of breast muscle meat quality in 2 broiler breeds[J]. Poultry Science， 2011， 90（10）： 2355-2359. DOI：10.3382/ps.2011-01432.

[3] FAN Mengdie， XIAO Qunfei， XIE Jianchun， et al. Aroma compounds in chicken broths of Beijing youji and commercial broilers[J]. Journal of Agricultural and Food Chemistry， 2018， 66（39）： 10242-10251. DOI：10.1021/acs.jafc.8b03297.

[4] ZHOU Wei， LIU Ranran， ZHANG Jingjing， et al. A genome-wide detection of copy number variation using SNP genotyping arrays in Beijing-You chickens[J]. Genetica， 2014， 142（5）： 441-450. DOI：10.1007/s10709-014-9788-z.

[5] ZHENG Mingli， MAO Peichun， TIAN Xiaoxia， et al. Growth performance， carcass characteristics， meat and egg quality， and intestinal microbiota in Beijing-you chicken on diets with inclusion of fresh chicory forage[J]. Italian Journal of Animal Science， 2019， 18（1）： 1310-1320. DOI：10.1080/1828051X.2019.1643794.

[6] 陳靜茹， 夏海劍， 張澤賓， 等. PCR技術鑒別多趾北京油雞肉[J]. 食品科學， 2017， 38（24）： 229-234. DOI：10.7506/spkx1002-6630-201724037.

[7] 陳靜茹， 王梁， 呂學澤， 等. 北京油雞肉4 ℃貯藏過程中的品質及風味變化[J]. 肉類研究， 2018， 32（8）： 1-6. DOI：10.7506/rlyj1001-8123-201808001.

[8] CAO Yuhao， ZHENG Kaizhi， JIANG Junfang， et al. A novel method to detect meat adulteration by recombinase polymerase amplification and SYBR green I[J]. Food Chemistry， 2018， 266： 73-78.

DOI：10.1016/j.foodchem.2018.05.115.

[9] MANDLI J， EL FATIMI I， SEDDAOUI N， et al. Enzyme immunoassay （ELISA/immunosensor） for a sensitive detection of pork adulteration in meat[J]. Food Chemistry， 2018， 255： 380-389. DOI：10.1016/j.foodchem.2018.01.184.

[10] TRIVEDI D K， HOLLYWOOD K A， RATTRAY N J， et al. Meat， the metabolites： an integrated metabolite profiling and lipidomics approach for the detection of the adulteration of beef with pork[J]. Analyst， 2016， 141（7）： 2155-2164. DOI：10.1039/C6AN00108D.

[11] KAMRUZZAMAN M， SUN D， ELMASRY G， et al. Fast detection and visualization of minced lamb meat adulteration using NIR hyperspectral imaging and multivariate image analysis[J]. Talanta， 2013， 103： 130-136. DOI：10.1016/j.talanta.2012.10.020.

[12] 田曉靜. 基于電子鼻和電子舌的羊肉品質檢測[D]. 杭州： 浙江大學， 2014： 15-18.

[13] EDITA R， DARIUS G， VINAUSKIEN? R， et al. Rapid evaluation of fresh chicken meat quality by electronic nose[J]. Czech Journal of Food Sciences， 2018， 36（5）： 420-426. DOI：10.17221/419/2017-CJFS.

[14] CHEN Jun， GU Juanhong， ZHANG Rong， et al. Freshness evaluation of three kinds of meats based on the electronic nose[J]. Sensors， 2019， 19（3）： 605. DOI：10.3390/s19030605.

[15] WOJNOWSKI W， KALINOWSKA K， MAJCHRZAK T， et al. Prediction of the biogenic amines index of poultry meat using an electronic nose[J]. Sensors， 2019， 19（7）： 1580. DOI：10.3390/s19071580.

[16] 顧欣哲， 吳振川， 劉芮瑜， 等. 基于電子鼻和神經(jīng)網(wǎng)絡對廣式香腸脂肪氧化的評價[J]. 食品科學， 2016， 37（24）： 142-148. DOI：10.7506/spkx1002-6630-201624022.

[17] 李雙艷， 鄧力， 汪孝， 等. 基于電子鼻、電子舌比較分析冷藏方式對小香雞風味的影響[J]. 肉類研究， 2017， 31（4）： 50-55. DOI：10.7506/rlyj1001-8123-201704009.

[18] GARCIA M， ALEIXANDRE M， GUTI?RREZ J， et al. Electronic nose for ham discrimination[J]. Sensors and Actuators B： Chemical， 2006， 114（1）： 418-422. DOI：10.1016/j.snb.2005.03.078.

[19] 王炳蔚， 楊璐， 鄭麗敏， 等. 基于統(tǒng)計空間映射和電子鼻的豬肉風味物質檢測[J]. 食品科學， 2016， 37（8）： 102-107. DOI：10.7506/spkx1002-6630-201608018.

[20] 洪雪珍， 王俊. 基于逐步判別分析和BP神經(jīng)網(wǎng)絡的電子鼻豬肉儲藏時間預測[J]. 傳感技術學報， 2010， 23（10）： 1376-1380. DOI：10.7506/spkx1002-6630-201608018.

[21] LIN Jie， ZHANG Pan， PAN Zhiqiang， et al. Discrimination of oolong tea （Camellia sinensis） varieties based on feature extraction and selection from aromatic profiles analysed by HS-SPME/GC-MS[J].

Food Chemistry， 2013， 141（1）： 259-265. DOI：10.1016/j.foodchem.2013.02.128.

[22] 任靜， 孫方達， 程龍， 等. 電子鼻技術研究不同包裝調理預制烤豬肉冷卻貯藏過程中品質的變化[J]. 肉類研究， 2016， 30（5）： 30-35. DOI：10.15922/j.cnki.rlyj.2016.05.007.

[23] 董福凱， 周秀麗， 查恩輝. 電子鼻在摻假牛肉卷識別中的應用[J]. 食品工業(yè)科技， 2018， 39（4）： 219-221. DOI：10.13386/j.issn1002-0306.2018.04.040.

[24] 宋小青， 李淑嫻， 額日赫木. 電子鼻對不同品牌食醋的識別[J].

食品工業(yè)科技， 2017， 38（9）： 277-280. DOI：10.13386/j.issn1002-0306.2017.09.044.

[25] 吳杰， 陳光明， 張紹志. 用人工神經(jīng)網(wǎng)絡預測冰蓄冷系統(tǒng)蓄冰時間[J]. 制冷學報， 2001（4）： 25-28. DOI：10.3969/j.issn.0253-4339.2001.04.006.

[26] 劉金榮， 馮永祥， 武星宇. 基于神經(jīng)網(wǎng)絡優(yōu)化算法的庫存預測應用研究[J]. 內蒙古工業(yè)大學學報（自然科學版）， 2019， 38（1）： 51-58. DOI：10.3969/j.issn.1001-5167.2019.01.009.

[27] 蔣強， 鄭麗敏， 田立軍， 等. 電子鼻應用于豬肉丸子香味預測[J]. 食品科學， 2018， 39（10）： 228-233. DOI：10.7506/spkx1002-6630-201810035.

[28] 袁鴻飛， 胡馨木， 楊軍林， 等. 基于FT-NIR和電子鼻的蘋果水心病無損檢測[J]. 食品科學， 2018， 39（16）： 306-310. DOI：10.7506/spkx1002-6630-201816044.

[29] 張娟， 張申， 張力， 等. 電子鼻結合統(tǒng)計學分析對牛肉中豬肉摻假的識別[J]. 食品科學， 2018， 39（4）： 296-300. DOI：10.7506/spkx1002-6630-201804044.

[30] 田瀟瑜， 徐楊， 彭彥昆， 等. 基于支持向量機的牛肉嫩度等級評價模型研究[J]. 食品安全質量檢測學報， 2012， 3（6）： 613-616.

[31] CORTES C， VAPNIK V. Support-vector networks[J]. Machine Learning， 1995， 20（3）： 273-297. DOI：10.1007/BF00994018.

[32] WANG Danfeng， WANG Xichang， LIU Taiang， et al. Prediction of total viable counts on chilled pork using an electronic nose combined with support vector machine[J]. Meat Science， 2012， 90（2）： 373-377. DOI：10.1016/j.meatsci.2011.07.025.

[33] QIU Shanshan， WANG Jun. The prediction of food additives in the fruit juice based on electronic nose with chemometrics[J]. Food Chemistry， 2017， 230： 208-214. DOI：10.1016/j.foodchem.2017.03.011.

[34] CHANG C， LIN C J. LIBSVM： A library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology， 2011， 2（3）： 1-27. DOI：10.1145/1961189.1961199.

[35] 嵇港. 基于電子鼻系統(tǒng)的食醋分類研究[D]. 鎮(zhèn)江： 江蘇大學， 2017： 50-57.