根据坦洋工夫红茶感官品质主要评定指标,采用BP神经网络建立了坦洋工夫红茶等级与其主要评定指标之间的非线性映射关系,实现了对坦洋工夫红茶等级的预测,并通过实验进行验证。研究表明,所构建的坦洋工夫红茶评审专家预测系统有较好的识别效果,实用性强,克服了许多人为误差,提高了茶叶评审的速度,评茶人员只需具备一定的茶叶审评知识,就能正确地对坦洋工夫红茶的等级进行评定。
Abstract
According to the main indexes of sensory quality evaluation in the TanYang GongFu black tea, the grade of tea and nonlinear mapping relationship in the main index was built by using BP Neural Network. Prediction of grade was achieved and all these have been proved by experiments. The results showed that expert prediction system of TanYang GongFu black tea possessed good recognition effect and strong practicality, could overcome subjective error caused by human and to improved the speed of tea assessment, the tasters who possessed the knowledge of tea assessment could correctly assessed the grade of tea.
关键词
品质评定 /
人工神经网络 /
坦洋工夫红茶 /
预测系统
Key words
artificial neural network /
prediction system /
quality evaluation /
TanYang GongFu black tea
{{custom_sec.title}}
{{custom_sec.title}}
{{custom_sec.content}}
参考文献
[1] 戈佩贞, 吴培明. 坦洋工夫红茶历史溯源、发展现状及战略措施[J]. 福建茶叶, 2011(4): 37-39.
[2] 郑乃辉. 福建坦洋工夫红茶之今昔[J]. 中国茶叶, 2007, 29(4): 37-38.
[3] 吴瑞梅, 吴彦红, 艾施荣, 等. 茶叶外形品质的高光谱图像量化分析[J]. 江西农业大学学报, 2013, 35(2): 413-418.
[4] 陈哲, 赵杰文. 基于电子鼻技术的碧螺春茶叶品质等级检测研究[J]. 农机化研究, 2012(11): 133-137.
[5] 王新宇, 陈全胜. 利用电子舌识别炒青绿茶的等级[J]. 安徽农业科学, 2007, 35(28): 8872-8873.
[6] 陈全胜, 赵杰文, 蔡健荣, 等. 基于近红外光谱和机器视觉的多信息融合技术评判茶叶品质[J]. 农业工程学报, 2008, 24(3): 5-10.
[7] 袁林颖, 周正科, 皮利, 等. 茶叶品质等的量化识别研究进展[J]. 南方农业, 2010(1): 80-83.
[8] 张星海, 周晓红, 唐德松, 等. 浙江名茶品质特征及评鉴新技术应用现状[J]. 安徽农业科学, 2010, 38(34): 19561-19563.
[9] 周亦斌, 王俊. 新技术在茶叶品质评价中应用的现状及趋势[J]. 茶叶科学, 2004, 24(2): 82-85.
[10] 凌彩金, 王秋霜, 卓敏, 等. 茶叶审评技术研究进展[J]. 广东农业科学, 2010(3): 68-71.
[11] Martin T Hagan, Howard B Demuth, Mark H Beale.Neural Network Design [M]. 北京: 机械工业出版社, 2003: 2-6.
[12] 赵庶旭, 党建武, 张振海, 等. 神经网络——理论、技术、方法及应用[M]. 北京: 中国铁道出版社, 2013: 105-131.
[13] 冯花, 郭雅玲. 茶叶感官审评方法及其新发展[J]. 福建茶叶, 2010(7): 28-31.
[14] 姚信恩, 王晖, 张方舟, 等. GB/T 24710—2009 地理标志产品坦洋工夫[S]. 北京: 中国标准出版社, 2010: 1-7.
[15] 龚淑英, 鲁成银, 刘栩, 等. GB/T 23776—2009 茶叶感官审评方法[S]. 北京: 中国标准出版社, 2010: 1-15.
[16] Sankar K Pal, Sushmita Mitra. Multilayer Perceptron, Fuzzy Sets,Classification[J]. IEEE Transactions on Neural Networks, 1992, 5(3): 683-697.
[17] Barron A R.Universal approximation bounds for superpositions of a sigmoidal function[J]. IEEE Transactions on Information Theory, 1993(39): 930-945.
[18] 周品. MATLAB神经网络设计与应用[M]. 北京: 清华大学出版社, 2013: 377-395.
[19] 张德丰. MATLAB神经网络应用设计[M]. 北京: 机械工业出版社, 2012: 126-157.
[20] Kearns M.A bound on the error of cross validaton using the approximation and estimation rates, with consequences for the training-test split[J]. Advances in Neural Information Processing Systems, 1996(8): 930-945.
PDF(753 KB)
浙公网安备 33019902000101号