嗅觉神经网络在电子鼻识别多品牌绿茶中的应用研究*

傅 均，邢建国

(浙江工商大学计算机与信息工程学院，杭州310018)

茶叶是我国重要的经济农产品，在活跃农村经济、增加农民收入和出口创汇中占重要地位。据我国商务部统计，2010年我国茶叶出口量30.2万吨，出口金额7.84亿美元［1］。茶叶是一种嗜好性很强的商品，其感官品质的优劣直接影响产品价值和经济效益。茶叶品质因素包括色、香、味和形等方面，其中香气在各类茶叶品质评分中占25%～35%的系数［2］，是决定茶叶品质的重要因素。茶叶的加工工艺决定了茶叶的不同风味［3］。另外，茶树的品种、树龄、生长环境、茶叶的采摘方法等也会影响到茶叶的品质。

与传统的人工感官审评法和现代分析仪器相比，电子鼻具有快速、简单、综合和廉价等优点，被认为是一种具有发展前景的智能感官审评技术［4］。Dutta等［5－6］最早用电子鼻分析了五种不同品质的印度红茶，用概率神经网络(PNN)和径向基函数(RBF)等多种神经网络对漂移数据进行分类和预测。Tudu等［7－8］用电子鼻考察了分布印度各地的6个茶业公司的红茶等级，分别用增量学习模糊模型和增量 RBF 进行分类。Bhattacharyya等［9－10］用电子鼻在线监视红茶发酵过程，在对印度不同季节和不同地方的81次现场试验中，发现电子鼻的精度与传统比色法以及专业评茶师一致，并用主成分分析(PCA)和马氏距离等方法确定发酵时间，以获取较高的识别率。浙江大学的王俊研究组［11－12］用PEN2电子鼻分析了4个品质级别的龙井茶，考察了多种实验因素对聚类的影响，并用误差反向传播(BP)网络进行分类。他们［13－14］还对另外5个品质级别的龙井茶，用PCA和线性判别分析聚类情况，并获取PCA前3个主成分，用聚类分析(CA)、BP和PNN方法进行分类。他们［15］还对不同等级的干茶叶、茶水和茶底的挥发成分进行检测，以寻求最合适的分析角度判别茶叶品质。张红梅等［16］用电子鼻检测了三个等级的信阳毛尖茶，建立了一种基于气敏传感器阵列的咖啡碱含量预测模型，并进行了验证。

目前电子鼻中的模式识别算法主要包括多元统计方法(例如PCA、CA等)和智能分析方法(例如人工神经网络和专家系统等)，前者一般用于数据预处理和可视化等辅助分析，后者因其良好的自适应、泛化和容错能力被认为是实现电子鼻智能化和自动化的希望，尤其是基于生物模式识别机理的仿生信息处理技术将引起更多重视［17］。我们先前的工作［18－19］尝试将一种嗅觉模型引入电子鼻中处理传感阵列信息，通过对6种简单有机挥发物的分类，考察了其在抵抗传感器漂移和直接处理时间序列信号上的表现。本文在改进电子鼻仪器基础上，采用该仿生算法对来自不同省份的5种品牌的绿茶进行分类识别，以探索在实际生产和生活中对更精细和复杂气味的检测与识别应用。

1 KⅢ嗅觉神经网络

神经电生理实验提示气味模式只能在神经团水平上通过大量神经元的局部集群行为得以体现，Freeman等将这些神经团的功能性连接按照Katchalsky层次拓扑结构归类，提出了基于介观神经动力学理论的K系列模型［20－21］。该模型包括代表神经元集群生理基础的KO模型，及其在不同层次上通过兴奋性或者抑制性连接构成的更高级单元KⅠ、KⅡ、KⅢ和KⅣ模型。其中KⅢ模型描述了哺乳类较为完整的嗅觉神经网络，如图1所示，它由多层并行的嗅上皮层R、嗅球层OB、前嗅核AON、前梨状皮层PC等前馈通路及D1～D4延时反馈单元组成。

图1 KⅢ嗅觉神经网络的拓扑结构图［19］

图1中每个节点(即KO单元)的动力学特性可以用二阶微分方程描述，例如式1为OB层第i通道的僧帽细胞神经团M1的数学表达式，式中直接用图1中的符号代表变量，在变量上方加一点表示该变量对时间t的一阶微分，加两点表示二阶微分。

其中A和B是由生理实验获取的开环时间常数;Wm1x表示M1节点到其他相连节点(即x为G1、G2、P1、M2和R)的固定连接权值，以保证模型输出逼近实际嗅觉系统EEG信号的某些重要生理特性(例如各神经团输出的幅度直方图在波形和脉冲模式下均接近高斯分布等);WmmL表示OB层任意两个M1节点的侧向连接权值，这些权值可以通过学习加以调整，G1节点的侧向连接权值亦类似。Q(·)是一个由H-H方程导出的静态Sigmoid函数，是将神经团的电位状态变量转化为其神经树突输出的脉冲密度变量的I/O传递函数，如式(2)所示。

其中 u0=－ln［1－q·ln(1+1/q)］，参数 q是函数的最大渐近值，决定了最大脉冲密度和曲线的陡度。

因此，整个网络的数学模型可以用一组二阶微分方程组表示，并且呈现出诸如极限环、不动点和混沌等丰富的动力学行为［22－23］。本文选用文献［24］中的模型参数，在 Matlab软件中采用四级4阶经典Runge-Kutta方法获取KⅢ网络的近似数值解。图2为KⅢ网络的第2通道在第601到第1000步输入幅度为1方波信号、其他通道为0输入时，第2通道M1和G1节点输出幅度构成的相图。从图中看加入外部刺激后，系统从原先的全局混沌吸引子(标记1开始的蓝色曲线)跳到一个准周期的局部吸引子(标记2的黑色曲线)，这个变化过程是一种由输入驱动的状态变化，而输入刺激结束后系统轨道(标记3的黑色曲线)又重新回到原先的全局吸引子。

图2 KⅢ网络M1和G1节点输出幅度构成的相图

Freeman认为动物接受到熟悉气味(食物、敌人或者异性)时，EEG的时空模式就会迅速转换到相应的局部吸引子，每种气味相当于混沌吸引子的一个翼，而静息状态相当于混沌吸引子的核，动物识别气味就是在这些翼之间跳转，而学习辨认新气味则是修改原来的翼，建立新的翼。对于不同的刺激信号，系统通过不同振荡调幅信号的时空模式来区分，同样也是通过与这些时空结构相对应的节点之间的连接权值产生学习和记忆功能。通常从OB层的M1节点或G1节点的幅度调制振荡信号或者在相平面上构成的吸引子中获取KⅢ网络的输出信息，常用的方法包括均方根值RMS法、标准差SD法、奇异值分解SVD法等。而对这些节点的权值调整采用改进的Hebb学习规则、Anti-Hebbian学习规则、全局/局部适应性规则等生物相似性学习算法，详细报道可以参见文献［17－18］。

2 材料与方法

2.1 电子鼻系统

实验采用自行研制的电子鼻系统，如图3所示，以TI公司的16位微处理器MSP430为核心，主要包括传感器阵列及加热控制，气室、微气泵及气流控制，数据采集、调理及通信接口，人机界面等四部分。传感器阵列由8个MOS型气敏传感器(日本Figaro技研株式会社)组成，如表1所示。所有传感器及其接口电路集成在PCB板上，固定在气室内。传感信号经过调理后，由微处理器的片内外设12位ADC采样，并通过RS232或USB传送到计算机端。人机界面由计算机端的Delphi应用软件实现，主要包括阵列信号的实时动态显示、数据的保存及回显，以及通过微处理器控制继电器给传感器阵列提供恒定加热电压，控制微气泵定时自动进样、排废，不仅提高自动化程度，而且精确了每次进气量，减少人为误差。

图3 自制电子鼻仪器实物图

表1 电子鼻中所用气敏传感器一览表

2.2 材料与试验内容

绿茶样品为同一年当地产的春茶，包括西湖龙井(浙江)、黄山毛峰(安徽)、马边云雾(四川)、恩施玉露(湖北)和信阳毛尖(河南)五个品牌(购买于超市或代理商)，分别编号为 LJ、MF、YW、YL和MJ。每个品牌的茶叶制作6个重复平行样本，每个样本称取20 g分别置于250 mL的锥形瓶中，用锡纸和橡皮塞密封待用。

在样品检测前，先将锥形瓶在恒温加热器上50℃加热3 min以便富集顶空气体，然后将橡皮塞上的注射针与电子鼻仪器进气口相连，通过Delphi应用软件自动依次完成定量进气，同步数据采集和定时排废等一系列过程，其中样品进气时间10 s(流量0.5 L/min)，样品反应时间400 s(数据采样率20 Sa/sec)，排废与“清洗”时间6 min。如上操作步骤，每个平行样本轮流检测5次并抛弃第一次数据和个别误操作数据，每个品牌的茶叶各获取22个数据样本。

3 结果与分析

3.1 绿茶样品的传感信号分析

通过前述步骤获取的每个数据样本都是一个庞大的矩阵，其包含了丰富的模式信息但又难以直接使用，通常在进入分类器前需要经过一定的预处理和特征提取。通过对各类品牌绿茶的传感阵列信号考察发现，所有响应曲线在150 s后逐渐从瞬态进入稳态，因此本文计算其后平稳段1 000个采样点的平均值作为该样品的特征向量，并对其进行了统一的归一化处理，使所有特征向量都分布在单位超球面内。

为了更好地观察和分析电子鼻仪器中所选的8个气敏传感器对各种品牌绿茶样品的响应情况，将这些传感阵列信号的特征向量均匀角度绘制到极坐标系并封闭连线，得到表征不同品牌绿茶信息的指纹图谱，即如图4所示的雷达图。从图中看，每个传感器对所有绿茶样品都有响应(除S7对黄山毛峰外)。其中图4a为所有22个西湖龙井样品的雷达图，图中每条指纹图谱的重现性很好，表示这些数据样本的类内差异较小;图4b为5种不同品牌绿茶的雷达图(每种品牌2条指纹图谱)，图中不同品牌的绿茶具有形状不同的指纹图谱，说明这些数据样本的类间差异较为明显。从而说明所选的气敏传感器用于检测这些绿茶样品既无失效又无冗余，也表明前述简单特征提取方法是合适的。

图4 雷达图上各种品牌绿茶的指纹图谱

3.2 KⅢ网络对绿茶品牌的识别

根据特征向量的维数，使用8通道的KⅢ网络，每次数值计算迭代长度1200，其中前200步为静息状态，第201到第1000步输入特征向量，最后200步使其恢复到静息状态以便进行下一次训练或识别。采用SD法计算所有M1节点对输入刺激的兴奋度(即幅度调制振荡的标准方差)，并按式3所示的学习算法(结合改进的Hebb学习规则和全局适应性规则)调整这些节点间的侧向连接权值WmmL(简写为W)，即当第i和第j节点的兴奋度超过所有节点的平均兴奋度SDm时连接权值增强(hHeb=1.5)，否则减弱(hhab=0.548 7)。

在5种品牌的绿茶每种22个样本中各随机但不重复抽取7个样本作为训练集，依次轮流输入KⅢ网络进行学习。图5是5种品牌绿茶经过7次循环学习后，KⅢ网络权值空间变化情况，即每轮学习前后OB层对应WmmL权值差量的平方数之和。从图中看，随着训练次数的增加，权值空间变化不断减小，而且少量的学习就使得WmmL趋于稳定。表2是训练集样本数和训练次数为3～7时，用包含训练集在内的所有22个样本做测试集，分别进行10次重复试验后得到的平均识别率。从表中看，在各种情况下不同品牌的绿茶均有较高的识别率，并且随着训练次数的增加，KⅢ网络对5种品牌的绿茶识别率平均值大致上呈上升趋势，但在训练次数4～7时并不明显，而且6时有小波动。一方面是因为这些数据样本本身统计结构(类内聚合与类间分散)较好，对分类器的敏感度降低;另一方面显示了输入驱动联想记忆分类器与BP等神经网络的差别，前者依靠系统自身鲁棒性和容错能力利用少量训练样本和学习次数即能达到较好的识别结果。

图5 KⅢ网络WmmL权值空间变化曲线图

采用同样的样本集(每种绿茶的训练集比测试集为7∶22)，用Matlab工具箱的BP神经网络(网络结构8－12－5)进行10次重复试验，观察它们的平均识别率。发现当BP网络训练次数大于10 000次时，平均识别率均超过99%，优于KⅢ网络平均识别率;但当BP网络的训练次数降到与KⅢ网络训练次数相当(4～7次)时，识别率急剧下降，低于10%。从而也证实了前述观点，KⅢ网络这种输入驱动联想记忆分类器对学习次数要求很低。

4 结论

初步建立了一种基于MOS型气敏传感器阵列和嗅觉神经网络检测和识别多种不同品牌绿茶的方法。自制了一套基于计算机－嵌入式微处理器的电子鼻系统，由计算机软件控制仪器加热、定时进样/排废、曲线显示和数据保存，提高了数据采集试验的自动化和精度，并由此获取了西湖龙井、黄山毛峰、马边云雾、恩施玉露和信阳毛尖等5种来自不同省份和品牌的绿茶数据样本，通过雷达图比较和分析这些样本的指纹图谱，证实了该电子鼻系统的有效性。采用生物相似性学习算法训练KⅢ嗅觉神经网络，并考察了样本训练次数和识别率的关系，发现经过4～7次训练，KⅢ网络对这5种绿茶的识别率平均值都在97%以上。

本文对电子鼻中引入嗅觉神经网络识别较为复杂的绿茶气味进行了尝试，但利用嗅觉模型处理电子鼻传感阵列信息的研究尚在探索阶段。今后的工作将继续改进电子鼻阵列信号获取手段，充分发挥KⅢ网络对时间序列的处理能力，建立KⅢ网络对传感阵列信息的时空模式处理方法，并进一步研究对不同品质等级的同品牌绿茶的识别，提升我国具有地理标志的名茶产品在出口中的国际竞争力。

［1］ 中华人民共和国商务部对外贸易司.中国出口月度统计报告－茶叶(2010 年 12 月)［EB/OL］，http://wms.mofcom.gov.cn/table/nongcp/tea_1012.pdf，2011－8－18.

［2］ GB/T 23776—2009，茶叶感官审评方法［S］.

［3］ 朱德文，岳鹏翔，袁弟顺.不同杀青方法对绿茶品质的影响［J］.农业工程学报，2009，25(8):275－279.

［4］ 史波林，赵镭，汪厚银，等.智能感官分析技术在茶叶品质检测中的应用［J］.食品科学，2009，30(19):351－355.

［5］ Dutta R，Hines E L，Gardner J W，et al.Tea Quality Prediction U-sing a Tin Oxide-Based Electronic Nose:an Artificial Intelligence Approach［J］.Sens Actuator B-Chem，2003，94(2):228－237.

［6］ Dutta R，Kashwan K R，Bhuyan M，et al.Electronic Nose Based Tea Quality Standardization［J］.Neural Netw，2003，16(5－6):847－853.

［7］ Tudu B，Metla A，Das B，et al.Towards Versatile Electronic Nose Pattern Classifier for Black Tea Quality Evaluation:an Incremental Fuzzy Approach［J］.IEEE Trans Instrum Meas，2009，58(9):3069－3078.

［8］ Tudu B，Jana A，Metla A，et al.Electronic Nose for Black Tea Quality Evaluation by an Incremental RBF Network［J］.Sens Actuator B-Chem，2009，138(1):90－95.

［9］ Bhattacharyya N，Seth S，Tudu B，et al.Detection of Optimum Fermentation Time for Black Tea Manufacturing Using Electronic Nose［J］.Sens Actuator B-Chem，2007，122:627－634.

［10］ Bhattacharyya N，Seth S，Tudu B，et al.Monitoring of Black Tea Fermentation Process Using Electronic Nose［J］.J Food Eng，2007，80(4):1146－1156.

［11］于慧春，王俊，张红梅，等.龙井茶叶品质的电子鼻检测方法［J］.农业机械学报，2007，38(7):103－106.

［12］ Yu Huichun，Wang Jun.Discrimination of LongJing Green-Tea Grade by Electronic Nose［J］.Sens Actuator B-Chem，2007，122(1):134－140.

［13］ Yu Huichun，Wang Jun，Zhang Hongmei，et al.Identification of Green Tea Grade Using Different Feature of Response Signal from ENose Sensors［J］.Sens Actuator B-Chem，2008，128(2):455－461.

［14］ Yu Huichun，WangJun，YaoCong，etal.QualityGrade Identification of Green Tea Using E-Nose by CA and ANN［J］.LWT-Food Sci Technol，2008，41(7):1268－1273.

［15］于慧春，王俊.电子鼻技术在茶叶品质检测中的应用研究［J］.传感技术学报，2008，21(5):748－752.

［16］张红梅，王俊，余泳昌，等.基于电子鼻技术的信阳毛尖茶咖啡碱检测方法［J］.传感技术学报，2011，24(8):1223－1228.

［17］ Li Guang，Fu Jun，Zhang Jia，et al.Progress in Bionic Information Processing Techniques for an Electronic Nose Based on Olfactory Models［J］.Chin Sci Bull，2009，54(4):521－534.

［18］ Fu Jun，Li Guang，Qin Yuqi，et al.A Pattern Recognition Method for Electronic Noses Based on an Olfactory Neural Network［J］.Sens Actuator B-Chem，2007，125(2):489－497.

［19］傅均，李光，Freeman W J.基于嗅觉神经网络采用时间序列的电子鼻模式分类方法［J］.传感技术学报，2007，20(9):1958－1962.

［20］ Freeman W J.Mass Action in the Nervous System［M］.New York:Academic Press.1975.

［21］ Freeman W J.Neurodynamics:An Exploration of Mesoscopic Brain Dynamics［M］.London:Springer-Verlag.2000.

［22］ Freeman W J，Chang H J，Burke B C，et al.Taming Chaos:Stabili-zation of Aperiodic Attractors by Noise［J］.IEEE Trans Circuits Syst I-Regul Pap，1997，44(10):989－996.

［23］ Kozma R，Freeman W J.Chaotic Resonance-Methods and Applications for Robust Classification of Noise and Variable Patterns［J］.Int J Bifurcation Chaos，2001，11(6):1607－1629.

［24］ Chang H J，Freeman W J，Burke B C.Biologically Modeled Noise Stabilizing Neurodynamics for Pattern Recognition［J］.Int J Bifurcation Chaos，1998，8(2):321－345.