北京油鸡又名“中华宫廷黄鸡”，是一种源于北京京郊的地方鸡种，约有300多年的养殖历史，具有独特的外貌特征（凤冠、毛腿和胡子嘴）[1]。北京油鸡是一种肉蛋兼用型鸡种，因其具有独特的风味而深受喜爱。近年来，有关北京油鸡质量及风味的研究很多[2-3]。Zhou Wei等[4]利用单核苷酸多态性基因分型阵列对北京油鸡进行全基因组检测；Zheng Mingli等[5]研究新鲜菊苣饲料对北京油鸡生长性能、胴体特征、肉蛋品质及肠道菌群的影响；陈静茹等[6]采用聚合酶链式反应技术对多趾北京油鸡肉与华都艾拔益加肉鸡肉进行鉴别，该方法对非多趾北京油鸡的鉴定尚存在一定的局限性；此外，该研究还对北京油鸡鸡胸肉4 ℃条件下真空包装贮藏过程中的风味及品质变化规律进行了探究[7]。然而，目前对于北京油鸡品种鉴别等方面的研究还很少。
随着社会经济高速发展，在经济利益驱使下，市场上肉类掺假等事件屡见不鲜。为尽可能避免肉类掺假等食品质量问题的发生，关于肉品真假性的快速检测方法得到迅速发展。目前常用的肉类掺假检测方法主要包括分子生物学技术、酶联免疫技术、代谢技术和光谱技术等[8-11]，但成本高、检测周期长和技术要求高等弊端很大程度限制了上述方法的应用。电子鼻技术是近年来发展起来的一种快速、无损检测技术，它是一种仿生人工嗅觉系统，是一种融合了传感器、计算机、应用数学等多个学科领域的综合性检测技术，被广泛应用于食品检测、医学、轻工业、军事和环境保护等领域[12]。电子鼻检测技术具有样品前处理简单、信息客观全面、环保无污染等优点，在肉类质量控制[13-16]、分级[17]、掺假[18]等方面具有广泛应用。预防北京油鸡被淘汰蛋鸡或价格低廉的商品鸡掺假，能够解决由此带来的食品质量问题，并能更好地促进北京油鸡产业发展。为保护北京油鸡这一地方鸡种，划分北京油鸡地理标志，开发一种用于预防北京油鸡掺假的低成本、方便快捷、易操作的检测技术尤为重要。
本研究以北京油鸡和其他3 个品种鸡的生肉样品和熟肉样品为研究对象，应用电子鼻技术结合化学计量方法（逐步判别分析（stepwise linear discriminant analysis，S-LDA）、人工神经网络、多层感知器（multilayer perception，MLP）分析和支持向量机（support vector machine，SVM）算法）进行判别分类，以期为北京油鸡鉴别工作提供理论参考依据。
1 材料与方法
1.1 材料
北京油鸡、白羽肉鸡、海兰褐蛋鸡和苏禽绿蛋鸡分别购自北京市农林科学院保种场、京东电子商务平台、北京双银养殖户及北京宏栗园柴鸡专业合作社。
1.2 仪器与设备
E-N-10001电子嗅觉系统为中国农业大学信息与电气工程学院研制，由传感器阵列（16 个）、接口电路和模式识别软件系统3 个主要部分构成。其中，16 个传感器阵列具体型号及其检测性能如表1所示。
表 1 E-N-10001传感器阵列及其检测性能
Table 1 Sensor array and detection performance of electronic olfactory system E-N-10001
传感器序号传感器型号 敏感气体 检测范围/‰ 灵敏度（电阻比）S1 TGS824 氨气 0.03～0.30 0.4～0.7 S2 TGS822 乙醇、甲苯、二甲苯、一氧化碳等 0.05～5.00 0.4±0.1 S3 TGS825 硫化氢 0.005～0.100 0.3～0.6 S4 TGS880 易挥发物和蒸汽 0.05～1.00 0.3±0.1 S5 TGS812 乙醇、甲烷、丁烷、氨气 0.1～3.0 0.4±0.1 S6 TGS831 R-21、R-22（卤素） 0.1～3.0 0.25～0.55 S7 TGS813 甲烷、丙烷、丁烷等易燃气体 0.5～10.0 0.60±0.05 S8 TGS830 R-113、R-22、R-11、R-12（卤素） 0.1～30.0 0.3±0.1 S9 TGS822TF 氢气、一氧化碳 0.2～5.0 0.40～0.63 S10 TGS2600 香烟气、氢气、乙醇、甲烷、一氧化碳 0.001～0.030 0.3～0.6 S11 TGS2620 乙醇 0.05～5.00 0.35±0.10 S12 TGS2611 甲烷 0.5～10.0 0.60±0.06 S13 TGS2602 甲苯、乙醇、硫化氢、氨气、氢气等 0.001～0.030 0.15～0.50 S14 TGS2620 乙醇 0.05～5.00 0.35±0.10 S15 TGS2610 丁烷 0.5～10.0 0.53±0.05 S16 TGS2201 汽油/柴油机尾气（一氧化氮、二氧化氮）0.01～0.10/0.0001～0.0100 0.35/2.50
1.3 方法
1.3.1 样品制备
将4 种鸡胸肉共计200 个样品（每种鸡肉样品各50 个）分别绞碎成肉糜，每个样品取5 g作为生肉糜样品备用，另取20 g放入50 mL离心管中于80 ℃水浴锅煮制15 min，冷却后，称取5 g作为熟肉糜样品备用。
1.3.2 电子鼻测定
参照王炳蔚等[19]的方法，采用顶空吸气法，分别对生肉糜和熟肉糜样品进行逐一测定。具体测定条件为：温度维持在40 ℃左右，空气流量3 L/min，测定前清洗时间150 s，样品采集时间300 s。
1.3.3 特征值提取
使用E-N-10001电子鼻系统自带软件提取9 种特征值（相对平均值、相对积分值、微分值、最大值-最小值、二次项系数、一次项系数、半宽值、对数拟合一次项系数、对数拟合常数项系数），每个样本可以获得144 个特征值。本研究后续数据分析均基于特征值进行。
1.4 数据处理
通过SPSS 20.0软件分别对特征值进行S-LDA和MLP神经网络分类，采用MATLAB R2019a软件对数据进行神经网络训练和建立SVM分类模型。
2 结果与分析
2.1 S-LDA结果
S-LDA的判别思路类似于逐步回归，采用“有进有出”的算法，即对每一步都进行检验，逐步引入或剔除变量，直至最终筛选出1 组具有代表性的“重要”变量用于后续分析[20-21]。任静等[22]曾用电子鼻结合LDA方法有效区分出不同贮藏时间调理预制烤猪肉的新鲜程度。本研究样品分析中使用了3 个典型判别式函数，其中生肉样品分析中前2 个函数方差累积95.2%，3 个函数方差累积100%。而熟肉样品分析中前2 个函数方差累积96.3%，3 个函数方差累积100%。由于生肉和熟肉样品分析结果中前2 个函数方差累积均大于90%，说明此方法能够代表样品大部分信息，可以用于4 种鸡肉样品的分类[23-24]。
组1～4分别代表北京油鸡肉、白羽肉鸡肉、海兰褐蛋鸡肉和苏禽绿蛋鸡肉。
图 1 生鸡肉（A）和熟鸡肉（B）S-LDA二维散点图
Fig. 1 S-LDA scatter plots of raw meat (A) and cooked meat (B)
由图1可知，S-LDA对4 种鸡肉的生、熟肉样品聚类效果较好，输出结果区域化明显。北京油鸡肉与白羽肉鸡肉和海兰褐蛋鸡肉可以明显地区分开，但北京油鸡肉与苏禽绿蛋鸡肉有部分重叠，其中生肉的重叠范围较熟肉小，说明北京油鸡肉与苏禽绿蛋鸡肉中挥发性成分组成与其他种类鸡肉相比更为接近。
由表2可知，对于生肉样品，初始分组中仅有1 个北京油鸡肉样品被归为苏禽绿蛋鸡肉，交叉验证分组中仅有2 个北京油鸡肉样品被错分，分别被归为白羽肉鸡肉和苏禽绿蛋鸡肉，初始分组和交叉验证分组的正确率分别达到99.5%和99.0%。对于熟肉样品，初始分组中所有样品被100%正确分类，交叉验证分组中仅有1 个北京油鸡肉样品被错分为苏禽绿蛋鸡肉，分类正确率达到99.5%。说明电子鼻结合S-LDA可以对4 种鸡肉样品进行有效分类，北京油鸡肉与其他3 种鸡肉可以较好地被区分开来。
表 2 S-LDA分类结果
Table 2 Classif i cation results by S-LDA
注：类别标签中1～4分别代表北京油鸡肉、白羽肉鸡肉、海兰褐蛋鸡肉和苏禽绿蛋鸡肉；总体识别率指该组别中4 种鸡肉分类正确数与所有样品数之比；北京油鸡肉识别率指该组别中北京油鸡肉与其他3 种鸡肉二分类时的分类正确数与所有样品数之比。表3同。
样品 组别 类别标签北京油鸡肉识别率/%1 2 3 4预测结果 总体识别率/%1 49 0 0 1初始分组2 0 50 0 0 3 0 0 50 0 4 0 0 0 50 99.5 99.5生肉1 48 1 0 1交叉验证分组2 0 50 0 0 3 0 0 50 0 4 0 0 0 50 99.0 99.0 1 50 0 0 0初始分组100.0 100.0熟肉2 0 50 0 0 3 0 0 50 0 4 0 0 0 50 1 49 0 0 1 2 0 50 0 0 3 0 0 50 0 4 0 0 0 50交叉验证分组99.5 99.5
2.2 人工神经网络分析结果
2.2.1 神经网络判别分析结果
人工神经网络是通过模仿生物的神经元来建立数学模型或计算模型，从而进行分类鉴别的一种分析方法，由一系列并行运算且功能简单的神经元以及之间的相互连接构成。通过训练可以调整神经元之间的联系强度，使其执行特定功能，特定输入经过训练后的神经网络会得到特定输出[25]。
应用MATLAB神经网络工具箱分别对电子鼻检测出的生肉和熟肉数据进行判别分析，判别前生肉和熟肉样本分别被划分为训练集、验证集和测试集，训练集用来训练样本，通过验证集结果决定训练至何时停止以及选择最优的模型结构和大小，测试集用来对剩余样本进行预测，得到分类结果[26]。训练集、验证集和测试集的样本数分别为140、30和30。
由图2～3可知：生肉样品数据验证集有1 个苏禽绿蛋鸡肉样品被误判为白羽肉鸡肉，而训练集和测试集的识别结果正确率均为100%；熟肉样品数据验证集中有1 个苏禽绿蛋鸡肉样品被错判为北京油鸡肉，有1 个北京油鸡肉样品被错判为苏禽绿蛋鸡肉，训练集和测试集识别结果正确率均为100%。蒋强等[27]应用电子鼻技术预测猪肉丸子香味研究中，神经网络判别结果也仅测试样本中出现1 个错判。可以看出，应用神经网络判别分析法，生肉和熟肉样品中4 种鸡肉均可以得到显著区分，北京油鸡肉能够从4 个品种鸡肉中被区分出来。
图 2 生鸡肉样品神经网络训练混淆矩阵
Fig. 2 Confusion matrix of raw meat with neural network
A. 训练集；B. 验证集；C. 测试集；D. 总数据集。目标类、输出类1～4分别代表北京油鸡肉、白羽鸡肉、海兰褐蛋鸡肉和苏禽绿蛋鸡肉。图3同。
图 3 熟鸡肉样品神经网络训练混淆矩阵
Fig. 3 Confusion matrix of cooked meat with neural network
2.2.2 MLP建模分类结果
MLP属于一种人工神经网络算法，是多层前向神经网络。MLP包括输入层、隐藏层和输出层，可用于解决线性不可分问题，常与电子鼻技术结合应用[28]。MLP分类的基本思路是通过训练样本建立模型，并用测试样本进行模型测试，最后对预测样本进行预测，观察分类结果的准确性。本研究中，训练样本、测试样本和预测样本数分别为89、45、66 个。MLP隐藏层的激活函数为双曲正切函数，输出层的激活函数为Softmax函数。
表 3 MLP建模分类结果
Table 3 Classif i cation results by MLP model
样品 组别 类别标签北京油鸡肉识别率/%1 2 3 4预测结果 总体识别率/%1 25 0 0 0训练组2 0 22 0 0 3 0 0 22 0 4 0 0 0 20 100.00 100.00 1 9 0 0 0生肉 测试组2 0 11 0 0 3 0 0 11 0 4 1 1 0 12 95.56 97.78 1 15 0 1 0预测组2 1 16 0 0 3 0 0 17 0 4 0 1 1 14 93.94 96.97 1 25 0 0 0训练组2 0 22 0 0 3 0 0 22 0 4 0 0 0 20 100.00 100.00 1 9 0 0 0熟肉 测试组2 0 11 0 0 3 0 0 11 0 4 1 0 0 13 97.78 97.78 1 16 0 0 0预测组2 0 17 0 0 3 1 0 16 0 4 4 0 0 12 92.42 92.42
由表3可知，生肉样品和熟肉样品3 个组别的总体识别率和北京油鸡肉识别率均具有较高的准确率（均大于90%），生肉和熟肉的训练组总体识别率和北京油鸡肉识别率均为100%。在生肉测试组中，4 种鸡肉的总体识别率和北京油鸡肉识别率分别为95.56%和97.78%。在熟肉测试组中，4 种鸡肉的总体识别率和北京油鸡肉识别率均达到97.78%。张娟等[29]应用电子鼻对牛肉中掺假的猪肉进行检测，MLP模型也取得了较好的识别效果，训练集和验证集正确分类率分别达98.8%和97.4%。本研究中生肉和熟肉的训练组和测试组均得到较高识别率，这表明该MLP建模效果较好，MLP结合电子鼻用于肉类掺假的定性分析可以取得可靠结果。从预测结果可以看出，生肉预测效果优于熟肉，4 种鸡肉生肉样品预测组的总体识别率和北京油鸡肉识别率分别为93.94%和96.97%，这表明MLP在预测北京油鸡肉与其他3 种鸡肉生肉样品的分类应用中具有一定的可行性。
2.3 SVM建模分类结果
SVM是一种形成于20世纪90年代的模式识别方法，是一类监督机器学习算法，具有非线性、高维数和局部极小点等优点，是一种较为成熟的分类方法，可以用于解决线性和非线性的分类与回归问题[30]。SVM算法的基本原理如下：创建1 个超平面，通过将输入平面的非线性问题映射到1 个高维度的特征平面成为线性问题，从而达到对样本进行分类的目的。SVM算法涉及几种核函数，主要包括线性核函数、多项式核函数、径向基核函数（radial basis function，RBF）和SVM核函数[31]。目前，很多研究对SVM结合电子鼻技术用于食品分析检测进行了报道[32-33]。本研究应用LIBSVM[34]软件包3.23版本，采用基于最优参数搜索的改进型惩罚系数（c）参数的支持向量分类，核函数选用RBF，交叉验证倍数设置为3、5、10，分别进行建模，并应用网格搜索法确定最优的参数c和核函数参数（g）[35]。
表 4 SVM建模分类结果
Table 4 Classif i cation results by SVM
样品 交叉验证倍数 c g 训练集总体识别率/%预测集正确识别数（总体/北京油鸡肉）总体识别率/%北京油鸡肉识别率/%生肉3 0.500 00 0.353 550 97.76 60/61 90.91 92.42 5 0.500 00 0.125 000 97.76 62/63 93.94 95.45 10 0.707 11 0.088 388 98.51 64/64 96.97 96.97熟肉3 11.313 70 0.062 500 94.78 63/65 95.45 98.48 5 16.000 00 0.062 500 95.52 63/65 95.45 98.48 10 4.000 00 0.088 388 95.52 62/64 93.94 96.97
训练集和预测集样本数分别为134和66。由表4可知，生肉和熟肉样品的训练集和预测集均取得了较好的分类结果，总体识别率均高于90%。生肉样品的交叉验证倍数为10、c为0.707 11、g为0.088 388时，训练集总体识别率为98.51%，预测集4 种鸡肉的总体识别率和北京油鸡肉识别率均达到96.97%，这表明对于预测集而言，只有2 个北京油鸡肉样品与其他3 种鸡肉样品发生了错误识别。熟肉样品交叉验证倍数为5、c为16.000 00、g为0.062 500时，训练集总体识别率为95.52%。该分类情况下预测集的分类结果如图4所示，4 种鸡肉的总体识别率为95.45%，北京油鸡肉识别率为98.48%，有2 个白羽肉鸡肉样品被错分为苏禽绿蛋鸡肉，有1 个苏禽绿蛋鸡肉样品被错分为北京油鸡肉。上述分类结果说明使用电子鼻结合SVM分类算法对4 种鸡肉进行分类能够获得较为理想的结果。
图 4 SVM预测分类结果图
Fig. 4 Results of predictive classif i cation using SVM
3 讨 论
应用电子鼻技术结合化学计量法对北京油鸡的生肉和熟肉样品分别进行鉴别。首先，S-LDA结果表明，4 个不同品种鸡肉能够被较好地区分，从散点图结果可以看出，北京油鸡肉与白羽肉鸡肉和海兰褐蛋鸡肉可以被完全区分，但北京油鸡肉与苏禽绿蛋鸡肉存在重叠部分；其次，采用人工神经网络进行判别和MLP建模能够得到较好训练模型，生肉的MLP模型用于预测集样品分类的总体识别率和北京油鸡肉识别率分别达93.94%和96.97%；应用SVM对生肉和熟肉样品建模并进行预测的总体结果较好，熟肉样品交叉验证倍数为5、c和g分别为16.000 00和0.062 500时，SVM建模的训练集总体识别率达95.52%，预测集总体识别率达95.45%，北京油鸡肉识别率达98.48%。实验结果表明：北京油鸡的生肉和熟肉样品均可作为原材料采用电子鼻进行品种鉴别，后续实际检测将不受制于生肉和熟肉的影响；综合分析几种分类判别方法可得出，SVM分类预测效果更好；北京油鸡肉与白羽肉鸡肉和海兰褐蛋鸡肉区分较明显，与苏禽绿蛋鸡肉存在个别误判的情况，这也与逐步判别中散点图结果相一致。
4 结 论
应用电子鼻技术分别基于生肉和熟肉样品鉴别北京油鸡肉。结果表明：S-LDA和神经网络训练混淆矩阵可以有效鉴别区分4 种鸡肉，通过建立MLP模型和SVM模型可以有效预测4 种鸡肉；基于生肉样品MLP模型的预测集北京油鸡肉识别率为96.97%；采用SVM建模分类，熟肉样品交叉验证倍数为5，c和g分别为16.000 00和0.062 500时，预测集北京油鸡肉识别率达98.48%。
电子鼻技术结合化学计量法用于北京油鸡鉴别具备一定的可行性，该方法能够客观、快速地对北京油鸡进行鉴别，且准确率较高，为北京油鸡鉴别和地理标志划分提供了理论和技术参考依据。然而，实验中样品数量与实际检测过程中尚具有一定差距。为了增加模型的代表性和适用性，降低预测风险，后续实验应围绕实验检测样本数的增加和不同部位鸡肉的选取等方面开展。
[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] 陈静茹, 夏海剑, 张泽宾, 等. PCR技术鉴别多趾北京油鸡肉[J].食品科学, 2017, 38(24): 229-234. DOI:10.7506/spkx1002-6630-201724037.
[7] 陈静茹, 王梁, 吕学泽, 等. 北京油鸡肉4 ℃贮藏过程中的品质及风味变化[J]. 肉类研究, 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 amplif i cation 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] 田晓静. 基于电子鼻和电子舌的羊肉品质检测[D]. 杭州: 浙江大学,2014: 15-18.
[13] EDITA R, DARIUS G, VINAUSKIENĖ 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] 顾欣哲, 吴振川, 刘芮瑜, 等. 基于电子鼻和神经网络对广式香肠脂肪氧化的评价[J]. 食品科学, 2016, 37(24): 142-148. DOI:10.7506/spkx1002-6630-201624022.
[17] 李双艳, 邓力, 汪孝, 等. 基于电子鼻、电子舌比较分析冷藏方式对小香鸡风味的影响[J]. 肉类研究, 2017, 31(4): 50-55. DOI:10.7506/rlyj1001-8123-201704009.
[18] GARCIA M, ALEIXANDRE M, GUTIÉRREZ 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, 杨璐, 郑丽敏, 等. 基于统计空间映射和电子鼻的猪肉风味物质检测[J]. 食品科学, 2016, 37(8): 102-107. DOI:10.7506/spkx1002-6630-201608018.
[20] 洪雪珍, 王俊. 基于逐步判别分析和BP神经网络的电子鼻猪肉储藏时间预测[J]. 传感技术学报, 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] 任静, 孙方达, 程龙, 等. 电子鼻技术研究不同包装调理预制烤猪肉冷却贮藏过程中品质的变化[J]. 肉类研究, 2016, 30(5): 30-35.DOI:10.15922/j.cnki.rlyj.2016.05.007.
[23] 董福凯, 周秀丽, 查恩辉. 电子鼻在掺假牛肉卷识别中的应用[J]. 食品工业科技, 2018, 39(4): 219-221. DOI:10.13386/j.issn1002-0306.2018.04.040.
[24] 宋小青, 李淑娴, 额日赫木. 电子鼻对不同品牌食醋的识别[J].食品工业科技, 2017, 38(9): 277-280. DOI:10.13386/j.issn1002-0306.2017.09.044.
[25] 吴杰, 陈光明, 张绍志. 用人工神经网络预测冰蓄冷系统蓄冰时间[J]. 制冷学报, 2001(4): 25-28. DOI:10.3969/j.issn.0253-4339.2001.04.006.
[26] 刘金荣, 冯永祥, 武星宇. 基于神经网络优化算法的库存预测应用研究[J]. 内蒙古工业大学学报(自然科学版), 2019, 38(1): 51-58.DOI:10.3969/j.issn.1001-5167.2019.01.009.
[27] 蒋强, 郑丽敏, 田立军, 等. 电子鼻应用于猪肉丸子香味预测[J].食品科学, 2018, 39(10): 228-233. DOI:10.7506/spkx1002-6630-201810035.
[28] 袁鸿飞, 胡馨木, 杨军林, 等. 基于FT-NIR和电子鼻的苹果水心病无损检测[J]. 食品科学, 2018, 39(16): 306-310. DOI:10.7506/spkx1002-6630-201816044.
[29] 张娟, 张申, 张力, 等. 电子鼻结合统计学分析对牛肉中猪肉掺假的识别[J]. 食品科学, 2018, 39(4): 296-300. DOI:10.7506/spkx1002-6630-201804044.
[30] 田潇瑜, 徐杨, 彭彦昆, 等. 基于支持向量机的牛肉嫩度等级评价模型研究[J]. 食品安全质量检测学报, 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. 基于电子鼻系统的食醋分类研究[D]. 镇江: 江苏大学, 2017:50-57.