本发明涉及白酒分析，特别是涉及一种基于智能感官技术和机器学习的白酒鉴别方法。
背景技术：
1、白酒属于中国的传统饮料，受不同原料、酒曲、工法及地域环境等因素的影响，至今我国已拥有极其丰富的白酒品类；例如，根据风味品质差异，白酒已被分为十二种香型，包括酱香型、浓香型、清香型及米香型等；根据地域环境差异，同种香型的白酒还可以被进一步细分，如浓香型白酒品类中，包含以我国北方地区为主的北派浓香型白酒、以西南地区为主的川派浓香型白酒及以淮河流域为主的江淮派浓香型白酒，各类别的白酒风味品质都独具特色，不过，白酒品类的丰富同时也增加了产品鉴别的难度；目前，常见的白酒鉴别方法包括基于专业人员感官品评的鉴别、基于色谱或光谱技术结合化学计量学和统计学进行鉴别以及基于比色传感阵列的鉴别，其中，人工感官评价的方法受主观因素影响较大，其他技术方法也存在检测成本高、分析时间长等局限性。
2、智能感官技术是一种仿生技术，其中电子鼻和电子舌的原理是基于传感器阵列模拟人的嗅觉和味觉，对样品成分进行快速识别并产生响应信号，再结合多元统计等分析方法来实现样品区分；此外，针对大数据样本，机器学习相比于传统统计学方法在样品分类和预测方面均具有显著优势，所以亟需一种基于智能感官技术和机器学习的白酒鉴别方法。
技术实现思路
1、鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于智能感官技术和机器学习的白酒鉴别方法，用于解决现有技术中人工感官评价的方法受主观因素影响较大，其他技术方法也存在检测成本高、分析时间长等局限性的问题。
2、为实现上述目的及其他相关目的，本发明提供如下技术方案：
3、一种基于智能感官技术和机器学习的白酒鉴别方法，包括以下步骤：使用电子鼻和电子舌对白酒进行检测，根据检测结果得到有关白酒的检测数据；对有关白酒的检测数据进行预处理和特征提取，根据预处理和特征提取结果得到有关白酒的特征值数据，并将所述特征值数据进行随机分割形成训练集和测试集；构建初级白酒预测模型和初级白酒分类模型，并使用训练集中的特征值数据对初级白酒预测模型和初级分类模型进行训练，根据训练结果得到白酒预测模型和白酒分类模型；将所述测试集中的特征值数据分别输入白酒预测模型和白酒分类模型，通过所述白酒预测模型得到白酒的预测结果和通过所述白酒分类模型得到白酒的分类结果。
4、于本发明的一实施例中，所述使用电子鼻对白酒进行检测的过程为：将白酒样品稀释50～200倍，每种酒各取1.00～4.00ml于50～500ml顶空瓶中，将其密封并编号后在室温条件下静置20～60分钟；测定前，电子鼻预热30～60分钟，每次检测前进行100～200s清洗；在测定时，气流速度为1.00～2.00l/min，采样时间为50～90s，每份白酒样品检测20～40次；在每两次检测之间，进行一次系统清洗，直至信号峰回归基线。
5、于本发明的一实施例中，所述使用电子舌对白酒进行检测的过程为：每种酒各取30～50ml于检测杯中，每次检测前对电子舌系统进行清洗，清洗过后在室温下开始测样，信号放大倍数为100～300倍范围，使得信号区间置于[-2.0,2.0]中，记录本根传感器响应信号，每种白酒样品检测20～40次。
6、于本发明的一实施例中，所述对有关白酒的检测数据进行预处理和特征提取，根据预处理和特征提取结果得到有关白酒的特征值数据，并将所述特征值数据进行随机分割形成训练集和测试集，包括：所述预处理包括缺失值处理和异常值处理，所述特征提取的步骤包括标准化及初始化多项式特征进行特征构建、分位数数据转换、基于随机森林模型的特征选择、主要成分分析降维和随机噪声注入进行数据增强，还有所述特征提取过程选择电子鼻传感器阵列响应值的最大值及电子舌传感器阵列响应值的平滑值作为特征值，并将所述特征值数据进行随机分割形成训练集和测试集，该技术方案通过对有关白酒的检测数据进行预处理和特征提取，从而能够提高白酒预测和分类的准确性。
7、于本发明的一实施例中，所述构建初级白酒预测模型和初级白酒分类模型，包括：所述初级白酒预测模型至少由3个不同预测子模型构成，所述预测子模型算法包括逻辑回归、决策树、随机森林、梯度提升树、支持向量回归和k-最邻近；所述初级白酒分类模型至少由3个分类子模型构成，所述分类子模型算法包括逻辑回归、支持向量机、朴素贝叶斯、k-最邻近和决策树。
8、于本发明的一实施例中，所述使用训练集中的特征值数据对初级白酒预测模型和初级分类模型进行训练，根据训练结果得到白酒预测模型和白酒分类模型，包括：使用训练集中的特征值数据分别对每个预测子模型和分类子模型进行训练，根据训练结果得到白酒预测模型和白酒分类模型。
9、于本发明的一实施例中，所述建立白酒预测模型和白酒分类模型均采用电子鼻和电子舌的检测数据，所述预测目标为白酒样品定量描述性分析结果，即不同白酒风味属性的评分，其中，所述风味属性具体包括醇香、陈香、果香、窖香、粮香、曲香、甜香、糟香、酸味、甜味、苦味、绵柔、浓厚、爽净、谐调和悠长。
10、于本发明的一实施例中，所述将所述测试集中的特征值数据输入白酒预测模型，通过所述白酒预测模型得到白酒的预测结果，包括：将所述测试集中的特征值数据输入白酒预测模型，白酒预测模型中每个预测子模型单独对输入的特征值数据进行运算，计算每个预测子模型的r2及预测偏差，选择其中预测效果较好的3个预测子模型并计算预测结果平均值作为白酒预测模型的预测结果，该技术方案通过将测试集中的特征值数据输入白酒预测模型中能够得到对应该特征值数据的预测结果。
11、于本发明的一实施例中，所述将所述测试集中的特征值数据分别输入白酒分类模型，通过所述白酒分类模型得到白酒的分类结果，包括：将所述测试集中的特征值数据输入白酒分类模型，白酒分类模型中每个分类子模型单独对输入的特征值数据进行运算，计算每个分类子模型分类的准确率、精确率及召回率，选择其中分类效果较好的3个分类子模型中输出次数较多的结果作为白酒分类模型的分类结果，该技术方案通过将测试集中的特征值数据输入白酒分类模型中能够得到对应该特征值数据的分类结果。
12、如上所述，本发明的一种基于智能感官技术和机器学习的白酒鉴别方法，具有以下有益效果：本发明采用电子鼻和电子舌对白酒样品进行检测，操作过程简单快捷且实验成本较低，进一步结合机器学习建立基于较多数据样本和3种算法集成的白酒预测模型和白酒分类模型，不仅有效避免人工感官评价带来的主观因素影响，而且相比于色谱技术、光谱技术以及传统统计学分析方法，本发明能够对不同白酒产品进行更加高效、准确、客观地预测和分类，从而可以较好的完成对白酒的鉴别，具有较高的推广价值和应用潜力。
1.一种基于智能感官技术和机器学习的白酒鉴别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于智能感官技术和机器学习的白酒鉴别方法，其特征在于：所述使用电子鼻对白酒进行检测的过程为：将白酒样品稀释50～200倍，每种酒各取1.00～4.00ml于50～500ml顶空瓶中，将其密封并编号后在室温条件下静置20～60分钟；测定前，电子鼻预热30～60分钟，每次检测前进行100～200s清洗；在测定时，气流速度为1.00～2.00l/min，采样时间为50～90s，每份白酒样品检测20～40次；在每两次检测之间，进行一次系统清洗，直至信号峰回归基线。
3.根据权利要求1所述的一种基于智能感官技术和机器学习的白酒鉴别方法，其特征在于：所述使用电子舌对白酒进行检测的过程为：每种酒各取30～50ml于检测杯中，每次检测前对电子舌系统进行清洗，清洗过后在室温下开始测样，信号放大倍数为100～300倍范围，使得信号区间置于[-2.0,2.0]中，记录本根传感器响应信号，每种白酒样品检测20～40次。
4.根据权利要求1所述的一种基于智能感官技术和机器学习的白酒鉴别方法，其特征在于：所述对有关白酒的检测数据进行预处理和特征提取，根据预处理和特征提取结果得到有关白酒的特征值数据，并将所述特征值数据进行随机分割形成训练集和测试集，包括：
5.根据权利要求1所述的一种基于智能感官技术和机器学习的白酒鉴别方法，其特征在于：所述构建初级白酒预测模型和初级白酒分类模型，包括：
6.根据权利要求5所述的一种基于智能感官技术和机器学习的白酒鉴别方法，其特征在于：所述使用训练集中的特征值数据对初级白酒预测模型和初级分类模型进行训练，根据训练结果得到白酒预测模型和白酒分类模型，包括：
7.根据权利要求6所述的一种基于智能感官技术和机器学习的白酒鉴别方法，其特征在于：所述建立白酒预测模型和白酒分类模型均采用电子鼻和电子舌的检测数据，所述预测目标为白酒样品定量描述性分析结果，即不同白酒风味属性的评分，其中，所述风味属性具体包括醇香、陈香、果香、窖香、粮香、曲香、甜香、糟香、酸味、甜味、苦味、绵柔、浓厚、爽净、谐调和悠长。
8.根据权利要求1所述的一种基于智能感官技术和机器学习的白酒鉴别方法，其特征在于：所述将所述测试集中的特征值数据输入白酒预测模型，通过所述白酒预测模型得到白酒的预测结果，包括：
9.根据权利要求1所述的一种基于智能感官技术和机器学习的白酒鉴别方法，其特征在于：所述将所述测试集中的特征值数据分别输入白酒分类模型，通过所述白酒分类模型得到白酒的分类结果，包括：
