不同品牌啤酒的生產(chǎn)原輔料和生產(chǎn)工藝有所不同，因此，啤酒中所含物質(zhì)也不盡相同, 這為電子舌的應用提供了物質(zhì)基礎。電子舌可以分析樣品中的不揮發(fā)或低揮發(fā)分子及可溶性化合物。其與傳統分析方法相比，不但檢測速度快，而且操作簡(jiǎn)單、對樣品不存在破壞，現已被廣泛應用于茶葉 、酒類(lèi)、油脂、 乳品、飲料、肉類(lèi)等樣品的分析和檢測中。
材料與方法 材料 4種市售的不同品牌啤酒，分別編號A、B、C、D。 方法
樣品準備 樣品 C 和 D 進(jìn)行混合，混合比例 C:D(V/V)為 10:90 、30:70 、50:50 、70:30 、90:10 、100:0，編號分別為1、2、3、4、5、6。 傳感器信號分析 檢測每一個(gè)樣品時(shí)傳感器共采集120s 。在進(jìn)行數據分析與處理時(shí)，采用第120秒所得的穩定數據作為輸出值進(jìn)行分析。 數據分析方法 根據傳感器采集的原始數據，分別采用主成分分析 (PCA) 、判別因子分析 (DFA)和偏最小二乘回歸分析(PLS)分析。 結果與分析 不同品牌啤酒對比 主成分分析(PCA) PCA 是將所提取的傳感器多指標的信息進(jìn)行數據轉換和降維，并對降維后的特征向量進(jìn)行線(xiàn)性分類(lèi)，最后在PCA圖上顯示主要的兩維圖。橫、縱坐標分別表示在 PCA 轉換中得到的第一主成分(PC1)和第二主成分(PC2)的貢獻率(或權重) ，貢獻率越大，說(shuō)明主成分可以較好地反映原來(lái)多指標的信息 。
圖1為不同品牌啤酒樣品的主成分分析圖， 第一主成分和第二主成分的總貢獻率達到了95 .2% ，足以收集特征性信息。不同品牌的啤酒分別聚類(lèi)在 PCA 圖中的不同區域，相互之間能夠較好地區分。 判別因子分析(DFA) DFA 是一種通過(guò)重新組合傳感器數據來(lái)優(yōu)化區分性的分類(lèi)技術(shù)，它的目的是使各個(gè)組間的重心距離最大同時(shí)保證組內差異最小，在充分保存現有信息的前提下，使同類(lèi)數據間的差異性盡量縮小，不同類(lèi)數據間的差異盡量擴大 。
在圖2中，不同的樣品有不同的聚類(lèi)分布。與圖1相比，樣品間的區分程度更好。
不同混合比例啤酒的PCA和DFA 從圖 1 、2 可以看出，C和D的差異性最小,因此,選擇這兩個(gè)樣進(jìn)行不同比例混合的識別實(shí)驗，其電子舌分析結果見(jiàn)圖3。
在圖3A 中，1 、2 、3 號樣品相互重疊而不能分開(kāi)，其他 3 個(gè)樣品能夠很好地區分。沿著(zhù)圖3A中箭頭所示的方向， 混合比例呈現一定規律的分布。在圖3B中，6 個(gè)不同混合比例的啤酒樣品相互之間能夠完全分開(kāi)， 并且不同混合比例的啤酒樣品在 DFA 圖中的分布規律性更好。沿著(zhù)圖中箭頭所示的方向，混合比例依次增加。從上述分析可以看出， 電子舌可以用于區分不同品牌啤酒的混合樣品。 不同混合比例啤酒的偏最小二乘回歸分析 以傳感器響應值為自變量，以啤酒混合比例為擬合目標值進(jìn)行曲線(xiàn)擬合，結果見(jiàn)圖 4 。擬合的相關(guān)系數為0.9436 ，擬合效果良好。 
分別以C和D不同混合比例的4個(gè)樣品進(jìn)行模型的驗證,結果見(jiàn)表1 。PLS 模型對混合比例為30:70 、50:50 、70:30 、100:0 的4個(gè)樣品預測效果較好，相對誤差在1.43%～3.00 %之間。說(shuō)明 PLS 模型能夠很好地預測不同品牌啤酒的混合比例。
結 論 采用電子舌對不同品牌啤酒進(jìn)行PCA 和DFA分析 ，結果能夠有效地區分不同品牌的啤酒樣品以及啤酒的混合樣品。對不同混合比例啤酒的電子舌數據進(jìn)行PLS表明：模型的擬合效果良好，可以用于對不同啤酒的混合比例進(jìn)行預測。綜上，電子舌可以用于對不同品牌啤酒樣品進(jìn)行識別和區分以及啤酒的摻偽識別。
參考文獻：賈洪鋒,梁愛(ài)華,何江紅,周凌潔,張淼,鄭景洲.電子舌對啤酒的區分識別研究[J].食品科學(xué),2011,32(24):252-255.轉載請注明來(lái)源。
提醒：文章僅供參考，如有不當，歡迎留言指正和交流。且讀者不應該在缺乏具體的專(zhuān)業(yè)建議的情況下，擅自根據文章內容采取行動(dòng)，因此導致的損失，運營(yíng)方不負責。如文章涉及侵權或不愿我平臺發(fā)布，請聯(lián)系處理。
本文采用電子舌對不同品牌的啤酒及不同品牌啤酒的混合樣品進(jìn)行測定，對所得的數據進(jìn)行多元統計分析。
樣品準備
圖1為不同品牌啤酒樣品的主成分分析圖， 第一主成分和第二主成分的總貢獻率達到了95 .2% ，足以收集特征性信息。不同品牌的啤酒分別聚類(lèi)在 PCA 圖中的不同區域，相互之間能夠較好地區分。
在圖2中，不同的樣品有不同的聚類(lèi)分布。與圖1相比，樣品間的區分程度更好。來(lái)源：感官科學(xué)與評定 轉載請注明來(lái)源。
