豬肉是我國(guó)消費(fèi)量最大的肉類，長(zhǎng)期占據(jù)城鄉(xiāng)居民肉類消費(fèi)量的 ６０％以上。在嚴(yán)格的凍藏條件下冷凍肉可儲(chǔ)藏較長(zhǎng)的時(shí)間，但是儲(chǔ)藏時(shí)間過長(zhǎng)或儲(chǔ)藏和運(yùn)輸過程中環(huán)境溫度變化過大都會(huì)引起冷凍肉品質(zhì)的劣變從而帶來潛在的食品安全風(fēng)險(xiǎn)。
因此本研究旨在利用電子鼻系統(tǒng)采集不同凍藏前狀況和不同冷凍儲(chǔ)藏期豬肉的氣味信號(hào)數(shù)據(jù)，應(yīng)用主成分分析（ＰＣＡ）、重復(fù)測(cè)量的方差分析對(duì)其數(shù)據(jù)特點(diǎn)進(jìn)行分析，再分別利用線性判別分析（ＬＤＡ）和基于多層感知器的人工神經(jīng)網(wǎng)絡(luò)（ＡＮＮ）等模式識(shí)別算法建立預(yù)測(cè)模型，從而建立針對(duì)豬肉冷凍儲(chǔ)藏期和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的電子鼻快速無損檢測(cè)方法。該方法對(duì)于加強(qiáng)冷凍肉品監(jiān)督管理，保證廣大消費(fèi)者的食品安全提供了一種可行的檢測(cè)手段。
電子鼻檢測(cè)
樣品凍結(jié)后，分別在第0、25、80、134、161、200、250天對(duì)樣品進(jìn)行電子鼻檢測(cè)。樣品每次檢測(cè)完成后，迅速用保鮮膜重新密封燒杯放回 -20 ℃繼續(xù)冷凍儲(chǔ)藏，檢測(cè)過程中保持低溫使樣品不發(fā)生解凍。
數(shù)據(jù)處理
分別選用主成分分析（ＰＣＡ）、重復(fù)數(shù)據(jù)的方差分析和獨(dú)立樣本的非參數(shù)檢驗(yàn)來觀察電子鼻區(qū)分不同冷凍儲(chǔ)藏時(shí)間和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的能力，同時(shí)通過線性判別分析（ＬＤＡ）和人工神經(jīng)網(wǎng)絡(luò)（ＡＮＮ）算法來建立豬肉冷凍儲(chǔ)藏時(shí)間和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的預(yù)測(cè)模型，并對(duì)預(yù)測(cè)模型的性能進(jìn)行驗(yàn)證。
結(jié)果與討論
電子鼻檢測(cè)數(shù)據(jù)的主成分分析與重復(fù)測(cè)量的方差分析
在多元數(shù)據(jù)的統(tǒng)計(jì)分析中，ＰＣＡ是一種常用的降維分析方法，不僅可以解決多個(gè)實(shí)驗(yàn)指標(biāo)的共線性問題，還可以通過產(chǎn)生“主成分”來降低指標(biāo)維度并利用主成分得分進(jìn)行 2D 或 3D 作圖來反映樣本間的分布情況。本研究通過對(duì)電子鼻檢測(cè)數(shù)據(jù)的 ＰＣＡ 分析共提取２個(gè)主成分 （特征值 ＞１），總貢獻(xiàn)率為 85.04％，其中第一主成分貢獻(xiàn)率為 59.37％，主要代表芳香類化合物的變化；第二主成 分貢獻(xiàn)率為 25.67％，主要代表氫氣、烷烴等小分子的變化。利用主成分得分?jǐn)?shù)據(jù)繪制散點(diǎn)圖見圖 １。
從圖 １中可知，經(jīng)過 ＰＣＡ 分析后，除了儲(chǔ)藏 0、25、80ｄ的數(shù)據(jù)重合外，第 134、161、200、250天數(shù)據(jù)都能較好區(qū)分。而儲(chǔ)藏 0～80ｄ的數(shù)據(jù)相對(duì)集中，這可能是由于在這一時(shí)間段內(nèi)凍藏豬肉的品質(zhì)劣變不顯著，其風(fēng)味成分的差異也較小。但是隨著凍藏時(shí)間的不斷延長(zhǎng)其品質(zhì)劣變不斷加劇，其風(fēng)味成分的差異也不斷加劇。這一結(jié)果從揮發(fā)性風(fēng)味成分的角度也證明了凍藏豬肉品質(zhì)發(fā)生劣變的時(shí)間拐點(diǎn)是在 4 個(gè)月左右，而在已有的凍藏豬肉品質(zhì)變化的研究中也得出了相似的結(jié)果。
但是通過第一、第二主成分的 ２Ｄ散點(diǎn)圖并不能明顯區(qū)分相同凍藏時(shí)間的 Ａ，Ｂ兩組樣品。由于在現(xiàn)實(shí)中存在將過期冷鮮肉回收轉(zhuǎn)為凍藏肉的情況，為進(jìn)一步了解 Ａ，Ｂ兩組樣品的多指標(biāo)結(jié)果是否具有顯著的差異，利用 Ａ，Ｂ兩組樣品電子鼻檢測(cè)數(shù)據(jù)的第一、第二主成分得分計(jì)算所得綜合主成分得分作為因變量，進(jìn)行重復(fù)測(cè)量的方差分析，結(jié)果見表 １，表 ２。從表 １可知，由于不滿足 Ｍａｕｃｈｌｙ的球形度檢驗(yàn)（Ｐ＜0.05），故采用 Ｇｒｅｅｎｈｏｕｓｅ-Ｇｅｉｓｓｅｒ、Ｈｕｙｎｈ-Ｆｅｌｄｔ、下 限等 ３種方法矯正的組內(nèi)效應(yīng)檢驗(yàn)均表明凍藏時(shí)間對(duì) 檢測(cè)結(jié)果影響顯著，而Ａ，Ｂ分組的因素對(duì)檢測(cè)結(jié)果隨凍藏時(shí)間的變化影響不顯著（即凍藏時(shí)間與 Ａ，經(jīng)正態(tài)分布檢驗(yàn)發(fā)現(xiàn)，在第 80，134，250天的數(shù)據(jù)并不服從正態(tài)分布（ｐ＜0.05）。為了解在不同凍藏時(shí)間點(diǎn) Ａ，Ｂ兩組間檢測(cè)結(jié)果的差異是否顯著，采用兩獨(dú)立樣本的非參檢驗(yàn)對(duì)數(shù)據(jù)進(jìn)行分析，結(jié)果見圖 ２。
同時(shí)從表 ２可知，Ａ，Ｂ分組的因素對(duì)檢測(cè)結(jié)果具有極顯著的影響，這表明在４℃經(jīng)過長(zhǎng)時(shí)間冷藏的冷鮮肉再轉(zhuǎn)為凍藏肉與新鮮凍藏豬肉的電子鼻檢測(cè)結(jié)果是有顯著差異的。
從圖 ２可見，在第 0，80，134，161，250天時(shí) Ａ，Ｂ兩組間檢測(cè)結(jié)果差異顯著，而第 25 和 200 天時(shí) Ａ，Ｂ兩組間檢測(cè)結(jié)果差異不顯著（ｐ＞0.05）。這表明經(jīng)過 ７ｄ冷藏后再凍藏的豬肉與新鮮凍藏的豬肉相比可能已經(jīng)發(fā)生了變化，但在凍藏過程中發(fā)生劣變可能又掩蓋了其本身的差異，但隨著凍藏時(shí)間的增加其氣味成分的差異又逐漸加大。盡管 200ｄ 時(shí)的差異也不顯著，則是可能是由于組內(nèi)變異過大掩蓋了組間差異造成的，其平均值之間的差異仍在增大。
通過這一系列分析發(fā)現(xiàn)，不同凍藏前狀態(tài)和不同凍藏時(shí)間的豬肉樣品的電子鼻檢測(cè)數(shù)據(jù)，在整體上均有顯著的差異，這為利用這些數(shù)據(jù)建立針對(duì)豬肉凍藏前狀態(tài)和凍藏時(shí)間的預(yù)測(cè)模型提供的基礎(chǔ)條件。
電子鼻檢測(cè)數(shù)據(jù)的線性判別分析
為建立相應(yīng)的預(yù)測(cè)模型，采用 ＬＤＡ方法對(duì)數(shù)據(jù)進(jìn)一步分析。ＬＤＡ一種常用的分類方法，立足與找到反映兩類物體或事件特征的一個(gè)線性組合，以特征化或區(qū)分不同的樣本集。對(duì)冷凍儲(chǔ)藏 0、25、80、134、161、200、250ｄ共 420 個(gè)豬肉樣品數(shù)據(jù)按照分組方式和凍藏時(shí)間分為 14 個(gè)類別進(jìn)行 ＬＤＡ分析，結(jié)果如圖 ３所 示。用 于 作 圖 的 判 別 函 數(shù) 其 總 貢 獻(xiàn) 率 為 78.7％，其中第一判別函數(shù)貢獻(xiàn)率為 53.3％，第二判別函數(shù)貢獻(xiàn)率為 25.4％。由圖 ３可知，經(jīng)過 ＬＤＡ分析后，除了凍藏第 0 和 25 ｄ的數(shù)據(jù)重合度較高外，其余第 80～250ｄ的數(shù)據(jù)都能較好區(qū)分，說明在凍藏 １個(gè)月內(nèi)豬肉樣品的劣變幾乎沒有發(fā)生，但隨著凍藏時(shí)間的增加凍藏豬肉的變化越來越顯著。同時(shí)在第134，161，200和 250ｄ處 Ａ、Ｂ組樣品的組質(zhì)心分離明顯，與主成分得分的非參檢驗(yàn)結(jié)果類似。
為評(píng)估 ＬＤＡ對(duì)豬肉凍藏時(shí)間和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的鑒別能力，采用“留一法”對(duì)樣品進(jìn)行交叉驗(yàn)證，結(jié)果見表 ３。結(jié)果表明對(duì)這 14 類樣品的交叉驗(yàn)證的正確率為 78.1％，值得注意的是即使發(fā)生錯(cuò)判的樣品也主要是在相同凍藏時(shí)間點(diǎn)的 Ａ、Ｂ兩組之間，如僅以凍藏時(shí)間分組其交叉驗(yàn)證的正確率高達(dá) 95.6％。這表明利用 ＬＤＡ對(duì)豬肉凍藏時(shí)間和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏均具有較好的鑒定能力。
電子鼻檢測(cè)數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(luò)分析
為建立更好的豬肉凍藏時(shí)間及凍藏前冷藏時(shí)間的預(yù)測(cè)模型，采用基于多層感知器的人工神經(jīng)網(wǎng)絡(luò)算法對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步分析。ＡＮＮ是一種模仿生物神經(jīng)網(wǎng)絡(luò)（動(dòng)物的中樞神經(jīng)系統(tǒng)，特別是大腦）的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型，目前已被廣范的應(yīng)用于多元數(shù)據(jù)的估計(jì)或預(yù)測(cè)。在 處 理 中 將 420 個(gè)樣品利用隨機(jī)函數(shù)分 為 ３組，其中訓(xùn)練樣品 219 個(gè)，測(cè)試樣品 132 個(gè)，支持樣品 69 個(gè)。最終生成包含 10個(gè)協(xié)變量（即電子鼻 10 個(gè)傳感器的數(shù)據(jù)）的輸入層，1 個(gè)含有 11 個(gè)單元的隱藏層和包含凍藏時(shí)間和 Ａ，Ｂ組分類的輸出層。該模型對(duì)支持組數(shù)據(jù)的凍藏時(shí)間預(yù)測(cè)的相對(duì)錯(cuò)誤僅為 0.008 ，對(duì)凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的分組錯(cuò)誤率僅 7.2％（即預(yù)測(cè)正確率為 92.8％，由于支持組數(shù)據(jù)不參與建模，其給出的誤差可比較真實(shí)的反映模型的預(yù)測(cè)能力。）模型對(duì)冷凍儲(chǔ)藏時(shí)間和凍藏前是 否經(jīng)過長(zhǎng)時(shí)間冷藏的預(yù)測(cè)結(jié)果見圖 ４。從圖 ４中可知，該模型對(duì)豬肉凍藏時(shí)間和 凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏均有較好的預(yù)測(cè)能力。由于 ＡＮＮ生成的預(yù)測(cè)模型對(duì)凍藏時(shí)間生產(chǎn)的是一個(gè)回歸模型具有更大的預(yù)測(cè)范圍，而對(duì)凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的分組也有更高的準(zhǔn)確率，因該 ＡＮＮ模型與 ＬＤＡ模型相比具有更好的預(yù)測(cè)性能。
結(jié)論
（１）通過電子鼻無損頂空檢測(cè)及 ＰＣＡ和重復(fù)測(cè)量的方差分析對(duì)電子鼻檢測(cè)數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，不同凍藏前狀態(tài)和不同凍藏時(shí)間的樣品均表現(xiàn)出不同的多元數(shù)據(jù)分布特點(diǎn)。這為通過電子鼻檢測(cè)數(shù)據(jù)的模式識(shí)別算法建立豬肉凍藏時(shí)間和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的預(yù)測(cè)模型提供了基礎(chǔ)條件。
（２）線性判別分析和基于多層感知器的神經(jīng)網(wǎng)絡(luò)算法均能建立豬肉凍藏時(shí)間和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的預(yù)測(cè)模型。不過采用基于多層感知器的神經(jīng)網(wǎng)絡(luò)算法所建立的預(yù)測(cè)模型對(duì)凍藏時(shí)間預(yù)測(cè)的線性更大，回歸函數(shù)的相關(guān)性更好，對(duì)凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏也有更高的分組預(yù)測(cè)的準(zhǔn)確率。
（３）本研究所建立的無損頂空檢測(cè)電子鼻檢測(cè)方法，使整個(gè)檢測(cè)過程無需解凍樣品和進(jìn)行復(fù)雜的前處理，快速高效可實(shí)現(xiàn)現(xiàn)場(chǎng)檢測(cè)。
因此本研究旨在利用電子鼻系統(tǒng)采集不同凍藏前狀況和不同冷凍儲(chǔ)藏期豬肉的氣味信號(hào)數(shù)據(jù)，應(yīng)用主成分分析（ＰＣＡ）、重復(fù)測(cè)量的方差分析對(duì)其數(shù)據(jù)特點(diǎn)進(jìn)行分析，再分別利用線性判別分析（ＬＤＡ）和基于多層感知器的人工神經(jīng)網(wǎng)絡(luò)（ＡＮＮ）等模式識(shí)別算法建立預(yù)測(cè)模型，從而建立針對(duì)豬肉冷凍儲(chǔ)藏期和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的電子鼻快速無損檢測(cè)方法。該方法對(duì)于加強(qiáng)冷凍肉品監(jiān)督管理，保證廣大消費(fèi)者的食品安全提供了一種可行的檢測(cè)手段。
電子鼻檢測(cè)
樣品凍結(jié)后，分別在第0、25、80、134、161、200、250天對(duì)樣品進(jìn)行電子鼻檢測(cè)。樣品每次檢測(cè)完成后，迅速用保鮮膜重新密封燒杯放回 -20 ℃繼續(xù)冷凍儲(chǔ)藏，檢測(cè)過程中保持低溫使樣品不發(fā)生解凍。
數(shù)據(jù)處理
分別選用主成分分析（ＰＣＡ）、重復(fù)數(shù)據(jù)的方差分析和獨(dú)立樣本的非參數(shù)檢驗(yàn)來觀察電子鼻區(qū)分不同冷凍儲(chǔ)藏時(shí)間和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的能力，同時(shí)通過線性判別分析（ＬＤＡ）和人工神經(jīng)網(wǎng)絡(luò)（ＡＮＮ）算法來建立豬肉冷凍儲(chǔ)藏時(shí)間和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的預(yù)測(cè)模型，并對(duì)預(yù)測(cè)模型的性能進(jìn)行驗(yàn)證。
結(jié)果與討論
電子鼻檢測(cè)數(shù)據(jù)的主成分分析與重復(fù)測(cè)量的方差分析
在多元數(shù)據(jù)的統(tǒng)計(jì)分析中，ＰＣＡ是一種常用的降維分析方法，不僅可以解決多個(gè)實(shí)驗(yàn)指標(biāo)的共線性問題，還可以通過產(chǎn)生“主成分”來降低指標(biāo)維度并利用主成分得分進(jìn)行 2D 或 3D 作圖來反映樣本間的分布情況。本研究通過對(duì)電子鼻檢測(cè)數(shù)據(jù)的 ＰＣＡ 分析共提取２個(gè)主成分 （特征值 ＞１），總貢獻(xiàn)率為 85.04％，其中第一主成分貢獻(xiàn)率為 59.37％，主要代表芳香類化合物的變化；第二主成 分貢獻(xiàn)率為 25.67％，主要代表氫氣、烷烴等小分子的變化。利用主成分得分?jǐn)?shù)據(jù)繪制散點(diǎn)圖見圖 １。
但是通過第一、第二主成分的 ２Ｄ散點(diǎn)圖并不能明顯區(qū)分相同凍藏時(shí)間的 Ａ，Ｂ兩組樣品。由于在現(xiàn)實(shí)中存在將過期冷鮮肉回收轉(zhuǎn)為凍藏肉的情況，為進(jìn)一步了解 Ａ，Ｂ兩組樣品的多指標(biāo)結(jié)果是否具有顯著的差異，利用 Ａ，Ｂ兩組樣品電子鼻檢測(cè)數(shù)據(jù)的第一、第二主成分得分計(jì)算所得綜合主成分得分作為因變量，進(jìn)行重復(fù)測(cè)量的方差分析，結(jié)果見表 １，表 ２。從表 １可知，由于不滿足 Ｍａｕｃｈｌｙ的球形度檢驗(yàn)（Ｐ＜0.05），故采用 Ｇｒｅｅｎｈｏｕｓｅ-Ｇｅｉｓｓｅｒ、Ｈｕｙｎｈ-Ｆｅｌｄｔ、下 限等 ３種方法矯正的組內(nèi)效應(yīng)檢驗(yàn)均表明凍藏時(shí)間對(duì) 檢測(cè)結(jié)果影響顯著，而Ａ，Ｂ分組的因素對(duì)檢測(cè)結(jié)果隨凍藏時(shí)間的變化影響不顯著（即凍藏時(shí)間與 Ａ，經(jīng)正態(tài)分布檢驗(yàn)發(fā)現(xiàn)，在第 80，134，250天的數(shù)據(jù)并不服從正態(tài)分布（ｐ＜0.05）。為了解在不同凍藏時(shí)間點(diǎn) Ａ，Ｂ兩組間檢測(cè)結(jié)果的差異是否顯著，采用兩獨(dú)立樣本的非參檢驗(yàn)對(duì)數(shù)據(jù)進(jìn)行分析，結(jié)果見圖 ２。
從圖 ２可見，在第 0，80，134，161，250天時(shí) Ａ，Ｂ兩組間檢測(cè)結(jié)果差異顯著，而第 25 和 200 天時(shí) Ａ，Ｂ兩組間檢測(cè)結(jié)果差異不顯著（ｐ＞0.05）。這表明經(jīng)過 ７ｄ冷藏后再凍藏的豬肉與新鮮凍藏的豬肉相比可能已經(jīng)發(fā)生了變化，但在凍藏過程中發(fā)生劣變可能又掩蓋了其本身的差異，但隨著凍藏時(shí)間的增加其氣味成分的差異又逐漸加大。盡管 200ｄ 時(shí)的差異也不顯著，則是可能是由于組內(nèi)變異過大掩蓋了組間差異造成的，其平均值之間的差異仍在增大。
通過這一系列分析發(fā)現(xiàn)，不同凍藏前狀態(tài)和不同凍藏時(shí)間的豬肉樣品的電子鼻檢測(cè)數(shù)據(jù)，在整體上均有顯著的差異，這為利用這些數(shù)據(jù)建立針對(duì)豬肉凍藏前狀態(tài)和凍藏時(shí)間的預(yù)測(cè)模型提供的基礎(chǔ)條件。
電子鼻檢測(cè)數(shù)據(jù)的線性判別分析
為建立相應(yīng)的預(yù)測(cè)模型，采用 ＬＤＡ方法對(duì)數(shù)據(jù)進(jìn)一步分析。ＬＤＡ一種常用的分類方法，立足與找到反映兩類物體或事件特征的一個(gè)線性組合，以特征化或區(qū)分不同的樣本集。對(duì)冷凍儲(chǔ)藏 0、25、80、134、161、200、250ｄ共 420 個(gè)豬肉樣品數(shù)據(jù)按照分組方式和凍藏時(shí)間分為 14 個(gè)類別進(jìn)行 ＬＤＡ分析，結(jié)果如圖 ３所 示。用 于 作 圖 的 判 別 函 數(shù) 其 總 貢 獻(xiàn) 率 為 78.7％，其中第一判別函數(shù)貢獻(xiàn)率為 53.3％，第二判別函數(shù)貢獻(xiàn)率為 25.4％。由圖 ３可知，經(jīng)過 ＬＤＡ分析后，除了凍藏第 0 和 25 ｄ的數(shù)據(jù)重合度較高外，其余第 80～250ｄ的數(shù)據(jù)都能較好區(qū)分，說明在凍藏 １個(gè)月內(nèi)豬肉樣品的劣變幾乎沒有發(fā)生，但隨著凍藏時(shí)間的增加凍藏豬肉的變化越來越顯著。同時(shí)在第134，161，200和 250ｄ處 Ａ、Ｂ組樣品的組質(zhì)心分離明顯，與主成分得分的非參檢驗(yàn)結(jié)果類似。
為建立更好的豬肉凍藏時(shí)間及凍藏前冷藏時(shí)間的預(yù)測(cè)模型，采用基于多層感知器的人工神經(jīng)網(wǎng)絡(luò)算法對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步分析。ＡＮＮ是一種模仿生物神經(jīng)網(wǎng)絡(luò)（動(dòng)物的中樞神經(jīng)系統(tǒng)，特別是大腦）的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型，目前已被廣范的應(yīng)用于多元數(shù)據(jù)的估計(jì)或預(yù)測(cè)。在 處 理 中 將 420 個(gè)樣品利用隨機(jī)函數(shù)分 為 ３組，其中訓(xùn)練樣品 219 個(gè)，測(cè)試樣品 132 個(gè)，支持樣品 69 個(gè)。最終生成包含 10個(gè)協(xié)變量（即電子鼻 10 個(gè)傳感器的數(shù)據(jù)）的輸入層，1 個(gè)含有 11 個(gè)單元的隱藏層和包含凍藏時(shí)間和 Ａ，Ｂ組分類的輸出層。該模型對(duì)支持組數(shù)據(jù)的凍藏時(shí)間預(yù)測(cè)的相對(duì)錯(cuò)誤僅為 0.008 ，對(duì)凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的分組錯(cuò)誤率僅 7.2％（即預(yù)測(cè)正確率為 92.8％，由于支持組數(shù)據(jù)不參與建模，其給出的誤差可比較真實(shí)的反映模型的預(yù)測(cè)能力。）模型對(duì)冷凍儲(chǔ)藏時(shí)間和凍藏前是 否經(jīng)過長(zhǎng)時(shí)間冷藏的預(yù)測(cè)結(jié)果見圖 ４。從圖 ４中可知，該模型對(duì)豬肉凍藏時(shí)間和 凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏均有較好的預(yù)測(cè)能力。由于 ＡＮＮ生成的預(yù)測(cè)模型對(duì)凍藏時(shí)間生產(chǎn)的是一個(gè)回歸模型具有更大的預(yù)測(cè)范圍，而對(duì)凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的分組也有更高的準(zhǔn)確率，因該 ＡＮＮ模型與 ＬＤＡ模型相比具有更好的預(yù)測(cè)性能。
（１）通過電子鼻無損頂空檢測(cè)及 ＰＣＡ和重復(fù)測(cè)量的方差分析對(duì)電子鼻檢測(cè)數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，不同凍藏前狀態(tài)和不同凍藏時(shí)間的樣品均表現(xiàn)出不同的多元數(shù)據(jù)分布特點(diǎn)。這為通過電子鼻檢測(cè)數(shù)據(jù)的模式識(shí)別算法建立豬肉凍藏時(shí)間和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的預(yù)測(cè)模型提供了基礎(chǔ)條件。
（２）線性判別分析和基于多層感知器的神經(jīng)網(wǎng)絡(luò)算法均能建立豬肉凍藏時(shí)間和凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏的預(yù)測(cè)模型。不過采用基于多層感知器的神經(jīng)網(wǎng)絡(luò)算法所建立的預(yù)測(cè)模型對(duì)凍藏時(shí)間預(yù)測(cè)的線性更大，回歸函數(shù)的相關(guān)性更好，對(duì)凍藏前是否經(jīng)過長(zhǎng)時(shí)間冷藏也有更高的分組預(yù)測(cè)的準(zhǔn)確率。
（３）本研究所建立的無損頂空檢測(cè)電子鼻檢測(cè)方法，使整個(gè)檢測(cè)過程無需解凍樣品和進(jìn)行復(fù)雜的前處理，快速高效可實(shí)現(xiàn)現(xiàn)場(chǎng)檢測(cè)。
