学位论文 > 优秀研究生学位论文题录展示

茅台酒原产地识别技术研究

作　者: 汪强
导　师: 郭坤亮
学　校: 贵州大学
专　业: 发酵工程
关键词: ICP-MS 茅台酒原产地神经网络
分类号: TS261.7
类　型: 硕士论文
年　份: 2009年
下　载: 54次
引　用: 0次
阅　读: 论文下载

内容摘要

本课题对酒样进行微波消解前处理,采用ICP-OES和ICP-MS定量分析了不同原产地域和厂家的酱香型白酒中的主要无机元素,并对检测结果进行统计分析,提取了反映酱香型白酒地域特征的信息,不同原产地域和厂家的酱香型白酒多维元素稳定元素同位素含量差异明显,B¹¹/B¹⁰在茅台酒中具有明显的原产地域特征。针对普通系统聚类分析方法分类划分的主观性缺陷,采用M语言编程,建立包含三层神经元的误差反向传递人工神经网络,利用其自适应、自组织、自动学习、容错性、鲁棒性和非线性逼近的能力进行酒类产地模式识别,经过网络构建、训练、仿真测试和验证,该BP网络能够根据多维元素成分组成的向量矩阵区分不同产地来源的酱香型白酒,建立了茅台酒原产地域识别模型。神经网络模型以其相对简单、省时和方便的优点可以成为酒类原产地识别的有力工具,将在茅台酒的原产地域保护发挥一定作用。

全文目录

中文摘要  7-8
Abstract  8-9
第一章绪论  9-22
  1.1 选题背景和国内外研究进展  9-12
    1.1.1 国外酒类原产地保真与识别技术研究进展  9-11
    1.1.2 蒸馏酒类原产地保真与识别技术研究进展  11
    1.1.3 原产地同位素特征研究进展  11-12
  1.2 原产地同位素检测分析方法  12-18
    1.2.1 ICP-MS在原产地同位素研究中的应用  12-15
      1.2.1.1 ICP-MS在原产地同位素研究中应用的特点  12-14
      1.2.1.2 ICP-MS的优点和缺陷  14
      1.2.1.3 ICP-MS的主要影响因素  14
      1.2.1.4 ICP-MS的技术进展情况  14-15
    1.2.2 ICP-OES在原产地研究中的应用  15-17
      1.2.2.1 ICP-OES工作特点  16
      1.2.2.2 ICP-OES的局限性  16-17
    1.2.3 酒类样品的微波消解前处理技术  17-18
      1.2.3.1 常用的微波消解体系  17
      1.2.3.2 微波消解法的特点  17-18
  1.3 统计分析和数据挖掘  18-21
    1.3.1 通常的聚类分析  18
    1.3.2 非线性分析  18-19
    1.3.3 人工神经网络  19-21
      1.3.3.1 人工神经网络简介  19
      1.3.3.2 人工神经网络基本工作特点  19
      1.3.3.3 神经网络应用酒类原产地识别  19-20
      1.3.3.4 痕量元素和同位素比分析需要克服的局限性  20-21
  1.4 研究内容与目标  21
  1.5 小结  21-22
第二章 ICP-MS和ICP-OES在茅台酒原产地域中的应用研究  22-45
  2.1 仪器与方法  22-31
    2.1.1 仪器和试剂  22
    2.1.2 实验与结果  22-31
      2.1.2.1 酒样前处理  22
      2.1.2.2 微波消解  22-23
      2.1.2.3 混标配制  23-24
      2.1.2.4 ICP-AES检测  24-27
      2.1.2.5 ICP-MS检测酒样微量元素及稳定同位素  27-31
  2.2 结果分析  31-41
    2.2.1 OES数据统计描述与样本组元素概率分布  31-38
    2.2.2 酒样中主要无机元素的分布情况  38-41
  2.3 检测结果讨论  41-44
    2.3.1 茅台地区酒类硼同位素比的研究  41-44
      2.3.1.1 统计分析  41-44
  2.4 茅台地区酒体元素差异原因分析  44-45
第三章人工神经网络对茅台酒原产地识别技术研究  45-67
  3.1 人工神经网络模型基本原理  45-54
    3.1.1 人工神经网络概念  45-47
    3.1.2 人工神经网络的传递函数  47-48
    3.1.3 人工神经网络的学习  48-49
      3.1.3.1 网络的学习方式  48-49
      3.1.3.2 网络的学习算法  49
    3.1.4 误差反向传播BP神经网络  49-54
      3.1.4.1 BP神经网络结构  49-51
      3.1.4.2 BP网络学习过程  51-52
      3.1.4.3 BP算法中的信息流传递  52
      3.1.4.4 权值和误差的梯度下降计算  52-54
      3.1.4.5 误差反向传播流程及其解释  54
  3.2 人工神经网络原产地识别模型的方案优化  54-55
    3.2.1 BP网络的局限  54
    3.2.2 BP网络的优化方案  54-55
  3.3 基于BP网络的茅台酒模式识别网络的建立  55-58
    3.3.1 MATLAB神经网络工具箱  55-56
    3.3.2 网络结构的确定  56-57
    3.3.3 确定隐藏层神经元  57
    3.3.4 选取网络学习参数  57-58
      3.3.4.1 初始权值选取  57
      3.3.4.2 学习速率选取  57-58
  3.4 数据预处理  58-59
    3.4.1 酒样原始数据引入  58
    3.4.2 数据矩阵合并与转置  58-59
    3.4.3 总体数据的归一化  59
    3.4.4 抽取测试数据集 ATR和验证数据集 AT和 F  59
  3.5 基于BP神经网络的茅台酒原产地模式识别的实现及分析  59-66
    3.5.1 基于BP神经网络模型的茅台酒原产地识别模型的建立  59-63
    3.5.2 训练后的BP网络参数  63-64
    3.5.3 结果与讨论  64-66
  3.6 结论与展望  66-67
    3.6.1 结论  66
    3.6.2 展望  66-67
致谢  67-68
参考文献  68-72
附录  72-82

茅台酒原产地识别技术研究

内容摘要

全文目录

相似论文