具有深度学功能的武夷岩茶产地鉴别方法

摘要

本发明涉及具有深度学功能的武夷岩茶产地鉴别方法，属于地理标志产品真实性识别技术领域，其目的在于解决单种检测数据无法代表产地溯源全部关键信息和不同类型检测数据在计量学方法中联合使用的数据匹配等问题。本发明基于神经网络ELM判别模型，将不同产地岩茶(包括地理标志产地内和产地外岩茶)近红外特征光谱、稳定同位素、微量元素和电子舌数据融合在一起，建立分析模型，提取试样后利用模型客观、准确的判定岩茶产地，其识别率最高，达100.0％，高于单种数据的ELM判别结果，且对盲样的识别率达100％，本发明方法具有较好应用前景，可作为武夷岩茶产地溯源识别技术方法。

主权项

具有深度学习功能的武夷岩茶产地鉴别方法，所述方法包括：(A)采集不同产地岩茶样品：武夷岩茶产区外样品数＞100份，且产区周边50公里范围内样品占比＞50％；武夷岩茶产区内样品数为产区外样品的2～3倍，采样范围覆盖主要产区各生产企业，且每家企业应不少于3个样品；(B)测定不同产地岩茶样品的近红外特征光谱数据：近红外检测参数：64次扫描，特征光谱条带为64次扫描的平均值，扫描范围为12000‑4000cm^‑1，数据点的间隔为1.928cm^‑1，采集时室温控制在25℃，湿度保持稳定，每个样本的光谱采集1次；(C)测定不同产地岩茶样品的氢、氧、氮、碳四种稳定同位素质谱数据：δ¹³C、δ¹⁵N、δ¹⁸O、δ²H、δ⁸⁶Sr等稳定同位素含量测定，每个样品至少重复分析3次以上，取平均值作为最终结果；通过SVM‑RFE(支持向量机回归特征消去法)对武夷岩茶稳定同位素数据进行训练和预测，随机重复100次，并对各变量的模型特征进行排序，筛选出岩茶原产地的同位素特征变量，其排序顺序为氢、氧、氮、碳、锶；并利用预测集计算模型的灵敏度、分辨率和识别率，均按重复计算100次平均结果，氢、氧、氮、碳四种数据组成的模型，识别率最高，达93.93％，因此建模只需选择氢、氧、氮、碳四种数据，无需对锶等其他稳定同位素含量进行检测；(D)测定不同产地岩茶样品的铯、铜、钙、铷微量元素数据用原子吸收光谱仪测定Ca、Mg、Mn元素含量，用电感耦合等离子体质谱测Ti、Cr、Co、Ni、Cu、Zn、Rb、Cd、Cs、Ba、Sr元素含量。干茶样品微波消解，消解完毕，观察消解液是否澄清，若浑浊，则重复压力消解步骤，若完全澄清，则定容后用上述仪器进行测定；通过SVM‑RFE法对微量元素数据进行训练和预测，随机重复100次，并对各变量的模型特征进行排序，筛选出岩茶原产地的微量元素特征变量，并通过预测集计算每一维变量累加之后的模型增维精度，得到铯、铜、钙、铷、锶、钡特征排序顺序；然后对特征变量按自然序逐级进行组合，并利用预测集计算模型的灵敏度、分辨率、识别率，由铯、铜、钙、铷四者微量元素组成的模型，识别率最高，说明此四种微量元素间的信息具有互补性，只需选择建模的铯、铜、钙、铷四种微量元素进行检测，无需对其它微量元素进行测定；(E)测定不同产地岩茶样品的电子舌数据：本研究采用ASTREE Electronic电子舌系统，该套系统具有一个电极(Ag/AgCl)以及7个独立传感器(ZZ、BA、BB、CA、GA、HA、JB)，电子舌系统使用前用NaCl和C5H8NO4Na标准溶液对传感器进行活化，并依次进行信号校准和仪器自诊断，自诊断通过后可进行样品滋味的分析检测；对茶汤进行电子舌检测，检测时间100秒，传感器信号采集频率1次/秒，7个传感器独立给出响应数据；取各传感器最后十秒(第91‑100秒)稳定数据的均值作为检测数据进行后续分析；(F)联合近红外、稳定同位素、微量元素以及电子舌数据建立不同产地岩茶鉴别数据库(1)将每条近红外数据(Y轴数据)拼接在Excel数据表格中，每行所有列数据组成每条近红外数据；(2)将每个样品的稳定同位素数据按氢、氧、氮、碳顺序拼接在近红外数据后，将微量元素数据按铯、铜、钙、铷拼接在稳定同位素后，最后将电子舌7个独立传感器(按ZZ、BA、BB、CA、GA、HA、JB顺序)最后十秒(第91‑100秒)稳定数据的均值拼接在微量元素数据后，武夷岩茶产区内样品组成的Excel数据表，以data1命名；武夷岩茶产区外样品组成的Excel数据表，以data2命名；(3)运行MATLAB软件中的edit功能，打开data1.xls、data2.xls，以Mat文件格式保存，文件名对应为data1.mat、data2.mat；(4)数据分割：随机选取武夷岩茶产区内总数的65～70％作为原产地内模型数A1，随机取武夷岩茶产区外65～70％作为原产地外模型数A2，建立kenstone分割程序；(5)K‑折交互验证法：将样本数据集随机划分为K个子集(一般是均分)，将一个子集作为验证集，其余的K‑1组子集作为训练集；轮流将K个子集作为验证集，交叉重复K次，得到K次的结果，并用K次结果的平均值作为分类器或模型的性能指标；(6)神经网络ELM鉴别模型的建立：对步骤(4)和(5)数据分割后的稳定同位素、微量元素和儿茶素数据，采用神经网络ELM进行分析并建立ELM模型；(G)取待测未知产地样品按照上述步骤B、C、D、E，测定近红外特征光谱数据、稳定同位素质谱数据、微量元素数据以及电子舌数据，将测得数据代入上述ELM模型，判断待测样品的产地属性。