基于電子鼻技術(shù)結(jié)合化學(xué)計(jì)量法鑒別北京油雞肉

張賓惠 高嵩 賈飛 鄭麗敏 劉毅 王梁 呂學(xué)澤 李興民

摘 要：利用電子鼻技術(shù)結(jié)合化學(xué)計(jì)量法對(duì)北京油雞肉進(jìn)行鑒別。對(duì)4 個(gè)品種雞肉的生肉和熟肉樣品分別進(jìn)行電子鼻測(cè)定，提取特征值進(jìn)行后續(xù)分類。采用逐步判別分析（stepwise linear discriminant analysis，S-LDA）和人工神經(jīng)網(wǎng)絡(luò)進(jìn)行判別分析，并建立多層感知器（multilayer perception，MLP）和支持向量機(jī)（support vector machine，SVM）2 種分類模型。結(jié)果表明：S-LDA和人工神經(jīng)網(wǎng)絡(luò)能夠?qū)? 種雞肉的生肉與熟肉樣品分別進(jìn)行較好地判別;MLP和SVM分類模型在生肉和熟肉樣品上均取得了較好的分類預(yù)測(cè)結(jié)果，4 種雞肉樣品總體識(shí)別率及北京油雞肉識(shí)別率均高于90%。電子鼻技術(shù)結(jié)合多元統(tǒng)計(jì)分析方法在北京油雞鑒別應(yīng)用方面具備一定的可行性。

關(guān)鍵詞：北京油雞;電子鼻;摻假;化學(xué)計(jì)量法

Abstract： In this study， electronic nose （E-nose） technology combined with chemometrics was employed to identify Beijing-You chicken （BJY） from three other breeds. The odor of raw and cooked meat samples from the four breeds was analyzed by E-nose. The feature values of each sample were extracted for the following statistical analysis. Discriminant analyses were performed by stepwise linear discriminant analysis （S-LDA） and neural net pattern recognition. Two classifier models （multilayer perception （MLP） and support vector machine （SVM）） were established to discriminate BJY from the other breeds. A good classification of the four breeds especially BJY was achieved through S-LDA and neural net pattern recognition. Both the MLP and SVM exhibited good classification effect for cooked and raw meat samples. The overall recognition rates for the four breeds and the recognition rates for BJY from the other breeds were higher than 90%. The results indicated that E-nose technology combined with multivariate statistical analysis is feasible for the identification of BJY.

Keywords： Beijing-You chicken; electronic nose; adulteration; chemometrics

北京油雞又名“中華宮廷黃雞”，是一種源于北京京郊的地方雞種，約有300多年的養(yǎng)殖歷史，具有獨(dú)特的外貌特征（鳳冠、毛腿和胡子嘴）[1]。北京油雞是一種肉蛋兼用型雞種，因其具有獨(dú)特的風(fēng)味而深受喜愛(ài)。近年來(lái)，有關(guān)北京油雞質(zhì)量及風(fēng)味的研究很多[2-3]。Zhou Wei等[4]利用單核苷酸多態(tài)性基因分型陣列對(duì)北京油雞進(jìn)行全基因組檢測(cè);Zheng Mingli等[5]研究新鮮菊苣飼料對(duì)北京油雞生長(zhǎng)性能、胴體特征、肉蛋品質(zhì)及腸道菌群的影響;陳靜茹等[6]采用聚合酶鏈?zhǔn)椒磻?yīng)技術(shù)對(duì)多趾北京油雞肉與華都艾拔益加肉雞肉進(jìn)行鑒別，該方法對(duì)非多趾北京油雞的鑒定尚存在一定的局限性;此外，該研究還對(duì)北京油雞雞胸肉4 ℃條件下真空包裝貯藏過(guò)程中的風(fēng)味及品質(zhì)變化規(guī)律進(jìn)行了探究[7]。然而，目前對(duì)于北京油雞品種鑒別等方面的研究還很少。

隨著社會(huì)經(jīng)濟(jì)高速發(fā)展，在經(jīng)濟(jì)利益驅(qū)使下，市場(chǎng)上肉類摻假等事件屢見(jiàn)不鮮。為盡可能避免肉類摻假等食品質(zhì)量問(wèn)題的發(fā)生，關(guān)于肉品真假性的快速檢測(cè)方法得到迅速發(fā)展。目前常用的肉類摻假檢測(cè)方法主要包括分子生物學(xué)技術(shù)、酶聯(lián)免疫技術(shù)、代謝技術(shù)和光譜技術(shù)等[8-11]，但成本高、檢測(cè)周期長(zhǎng)和技術(shù)要求高等弊端很大程度限制了上述方法的應(yīng)用。電子鼻技術(shù)是近年來(lái)發(fā)展起來(lái)的一種快速、無(wú)損檢測(cè)技術(shù)，它是一種仿生人工嗅覺(jué)系統(tǒng)，是一種融合了傳感器、計(jì)算機(jī)、應(yīng)用數(shù)學(xué)等多個(gè)學(xué)科領(lǐng)域的綜合性檢測(cè)技術(shù)，被廣泛應(yīng)用于食品檢測(cè)、醫(yī)學(xué)、輕工業(yè)、軍事和環(huán)境保護(hù)等領(lǐng)域[12]。電子鼻檢測(cè)技術(shù)具有樣品前處理簡(jiǎn)單、信息客觀全面、環(huán)保無(wú)污染等優(yōu)點(diǎn)，在肉類質(zhì)量控制[13-16]、分級(jí)[17]、摻假[18]等方面具有廣泛應(yīng)用。預(yù)防北京油雞被淘汰蛋雞或價(jià)格低廉的商品雞摻假，能夠解決由此帶來(lái)的食品質(zhì)量問(wèn)題，并能更好地促進(jìn)北京油雞產(chǎn)業(yè)發(fā)展。為保護(hù)北京油雞這一地方雞種，劃分北京油雞地理標(biāo)志，開(kāi)發(fā)一種用于預(yù)防北京油雞摻假的低成本、方便快捷、易操作的檢測(cè)技術(shù)尤為重要。

本研究以北京油雞和其他3 個(gè)品種雞的生肉樣品和熟肉樣品為研究對(duì)象，應(yīng)用電子鼻技術(shù)結(jié)合化學(xué)計(jì)量方法（逐步判別分析（stepwise linear discriminant analysis，S-LDA）、人工神經(jīng)網(wǎng)絡(luò)、多層感知器（multilayer perception，MLP）分析和支持向量機(jī)（support vector machine，SVM）算法）進(jìn)行判別分類，以期為北京油雞鑒別工作提供理論參考依據(jù)。

1 材料與方法

1.1 材料

北京油雞、白羽肉雞、海蘭褐蛋雞和蘇禽綠蛋雞分別購(gòu)自北京市農(nóng)林科學(xué)院保種場(chǎng)、京東電子商務(wù)平臺(tái)、北京雙銀養(yǎng)殖戶及北京宏栗園柴雞專業(yè)合作社。

1.2 儀器與設(shè)備

E-N-10001電子嗅覺(jué)系統(tǒng)為中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院研制，由傳感器陣列（16 個(gè)）、接口電路和模式識(shí)別軟件系統(tǒng)3 個(gè)主要部分構(gòu)成。其中，16 個(gè)傳感器陣列具體型號(hào)及其檢測(cè)性能如表1所示。

1.3 方法

1.3.1 樣品制備

將4 種雞胸肉共計(jì)200 個(gè)樣品（每種雞肉樣品各50 個(gè)）分別絞碎成肉糜，每個(gè)樣品取5 g作為生肉糜樣品備用，另取20 g放入50 mL離心管中于80 ℃水浴鍋煮制15 min，冷卻后，稱取5 g作為熟肉糜樣品備用。

1.3.2 電子鼻測(cè)定

參照王炳蔚等[19]的方法，采用頂空吸氣法，分別對(duì)生肉糜和熟肉糜樣品進(jìn)行逐一測(cè)定。具體測(cè)定條件為：溫度維持在40 ℃左右，空氣流量3 L/min，測(cè)定前清洗時(shí)間150 s，樣品采集時(shí)間300 s。

1.3.3 特征值提取

使用E-N-10001電子鼻系統(tǒng)自帶軟件提取9 種特征值（相對(duì)平均值、相對(duì)積分值、微分值、最大值-最小值、二次項(xiàng)系數(shù)、一次項(xiàng)系數(shù)、半寬值、對(duì)數(shù)擬合一次項(xiàng)系數(shù)、對(duì)數(shù)擬合常數(shù)項(xiàng)系數(shù)），每個(gè)樣本可以獲得144 個(gè)特征值。本研究后續(xù)數(shù)據(jù)分析均基于特征值進(jìn)行。

1.4 數(shù)據(jù)處理

通過(guò)SPSS 20.0軟件分別對(duì)特征值進(jìn)行S-LDA和MLP神經(jīng)網(wǎng)絡(luò)分類，采用MATLAB R2019a軟件對(duì)數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練和建立SVM分類模型。

2 結(jié)果與分析

2.1 S-LDA結(jié)果

S-LDA的判別思路類似于逐步回歸，采用“有進(jìn)有出”的算法，即對(duì)每一步都進(jìn)行檢驗(yàn)，逐步引入或剔除變量，直至最終篩選出1 組具有代表性的“重要”變量用于后續(xù)分析[20-21]。任靜等[22]曾用電子鼻結(jié)合LDA方法有效區(qū)分出不同貯藏時(shí)間調(diào)理預(yù)制烤豬肉的新鮮程度。本研究樣品分析中使用了3 個(gè)典型判別式函數(shù)，其中生肉樣品分析中前2 個(gè)函數(shù)方差累積95.2%，3 個(gè)函數(shù)方差累積100%。而熟肉樣品分析中前2 個(gè)函數(shù)方差累積96.3%，3 個(gè)函數(shù)方差累積100%。由于生肉和熟肉樣品分析結(jié)果中前2 個(gè)函數(shù)方差累積均大于90%，說(shuō)明此方法能夠代表樣品大部分信息，可以用于4 種雞肉樣品的分類[23-24]。

組1～4分別代表北京油雞肉、白羽肉雞肉、海蘭褐蛋雞肉和蘇禽綠蛋雞肉。

由圖1可知，S-LDA對(duì)4 種雞肉的生、熟肉樣品聚類效果較好，輸出結(jié)果區(qū)域化明顯。北京油雞肉與白羽肉雞肉和海蘭褐蛋雞肉可以明顯地區(qū)分開(kāi)，但北京油雞肉與蘇禽綠蛋雞肉有部分重疊，其中生肉的重疊范圍較熟肉小，說(shuō)明北京油雞肉與蘇禽綠蛋雞肉中揮發(fā)性成分組成與其他種類雞肉相比更為接近。

由表2可知，對(duì)于生肉樣品，初始分組中僅有1 個(gè)北京油雞肉樣品被歸為蘇禽綠蛋雞肉，交叉驗(yàn)證分組中僅有2 個(gè)北京油雞肉樣品被錯(cuò)分，分別被歸為白羽肉雞肉和蘇禽綠蛋雞肉，初始分組和交叉驗(yàn)證分組的正確率分別達(dá)到99.5%和99.0%。對(duì)于熟肉樣品，初始分組中所有樣品被100%正確分類，交叉驗(yàn)證分組中僅有1 個(gè)北京油雞肉樣品被錯(cuò)分為蘇禽綠蛋雞肉，分類正確率達(dá)到99.5%。說(shuō)明電子鼻結(jié)合S-LDA可以對(duì)4 種雞肉樣品進(jìn)行有效分類，北京油雞肉與其他3 種雞肉可以較好地被區(qū)分開(kāi)來(lái)。

2.2 人工神經(jīng)網(wǎng)絡(luò)分析結(jié)果

2.2.1 神經(jīng)網(wǎng)絡(luò)判別分析結(jié)果

人工神經(jīng)網(wǎng)絡(luò)是通過(guò)模仿生物的神經(jīng)元來(lái)建立數(shù)學(xué)模型或計(jì)算模型，從而進(jìn)行分類鑒別的一種分析方法，由一系列并行運(yùn)算且功能簡(jiǎn)單的神經(jīng)元以及之間的相互連接構(gòu)成。通過(guò)訓(xùn)練可以調(diào)整神經(jīng)元之間的聯(lián)系強(qiáng)度，使其執(zhí)行特定功能，特定輸入經(jīng)過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)會(huì)得到特定輸出[25]。

應(yīng)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱分別對(duì)電子鼻檢測(cè)出的生肉和熟肉數(shù)據(jù)進(jìn)行判別分析，判別前生肉和熟肉樣本分別被劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，訓(xùn)練集用來(lái)訓(xùn)練樣本，通過(guò)驗(yàn)證集結(jié)果決定訓(xùn)練至何時(shí)停止以及選擇最優(yōu)的模型結(jié)構(gòu)和大小，測(cè)試集用來(lái)對(duì)剩余樣本進(jìn)行預(yù)測(cè)，得到分類結(jié)果[26]。訓(xùn)練集、驗(yàn)證集和測(cè)試集的樣本數(shù)分別為140、30和30。

由圖2～3可知：生肉樣品數(shù)據(jù)驗(yàn)證集有1 個(gè)蘇禽綠蛋雞肉樣品被誤判為白羽肉雞肉，而訓(xùn)練集和測(cè)試集的識(shí)別結(jié)果正確率均為100%;熟肉樣品數(shù)據(jù)驗(yàn)證集中有1 個(gè)蘇禽綠蛋雞肉樣品被錯(cuò)判為北京油雞肉，有1 個(gè)北京油雞肉樣品被錯(cuò)判為蘇禽綠蛋雞肉，訓(xùn)練集和測(cè)試集識(shí)別結(jié)果正確率均為100%。蔣強(qiáng)等[27]應(yīng)用電子鼻技術(shù)預(yù)測(cè)豬肉丸子香味研究中，神經(jīng)網(wǎng)絡(luò)判別結(jié)果也僅測(cè)試樣本中出現(xiàn)1 個(gè)錯(cuò)判?？梢钥闯觯瑧?yīng)用神經(jīng)網(wǎng)絡(luò)判別分析法，生肉和熟肉樣品中4 種雞肉均可以得到顯著區(qū)分，北京油雞肉能夠從4 個(gè)品種雞肉中被區(qū)分出來(lái)。

A. 訓(xùn)練集;B. 驗(yàn)證集;C. 測(cè)試集;D. 總數(shù)據(jù)集。目標(biāo)類、輸出類1～4分別代表北京油雞肉、白羽雞肉、海蘭褐蛋雞肉和蘇禽綠蛋雞肉。圖3同。

2.2.2 MLP建模分類結(jié)果

MLP屬于一種人工神經(jīng)網(wǎng)絡(luò)算法，是多層前向神經(jīng)網(wǎng)絡(luò)。MLP包括輸入層、隱藏層和輸出層，可用于解決線性不可分問(wèn)題，常與電子鼻技術(shù)結(jié)合應(yīng)用[28]。MLP分類的基本思路是通過(guò)訓(xùn)練樣本建立模型，并用測(cè)試樣本進(jìn)行模型測(cè)試，最后對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)，觀察分類結(jié)果的準(zhǔn)確性。本研究中，訓(xùn)練樣本、測(cè)試樣本和預(yù)測(cè)樣本數(shù)分別為89、45、66 個(gè)。MLP隱藏層的激活函數(shù)為雙曲正切函數(shù)，輸出層的激活函數(shù)為Softmax函數(shù)。

由表3可知，生肉樣品和熟肉樣品3 個(gè)組別的總體識(shí)別率和北京油雞肉識(shí)別率均具有較高的準(zhǔn)確率（均大于90%），生肉和熟肉的訓(xùn)練組總體識(shí)別率和北京油雞肉識(shí)別率均為100%。在生肉測(cè)試組中，4 種雞肉的總體識(shí)別率和北京油雞肉識(shí)別率分別為95.56%和97.78%。在熟肉測(cè)試組中，4 種雞肉的總體識(shí)別率和北京油雞肉識(shí)別率均達(dá)到97.78%。張娟等[29]應(yīng)用電子鼻對(duì)牛肉中摻假的豬肉進(jìn)行檢測(cè)，MLP模型也取得了較好的識(shí)別效果，訓(xùn)練集和驗(yàn)證集正確分類率分別達(dá)98.8%和97.4%。本研究中生肉和熟肉的訓(xùn)練組和測(cè)試組均得到較高識(shí)別率，這表明該MLP建模效果較好，MLP結(jié)合電子鼻用于肉類摻假的定性分析可以取得可靠結(jié)果。從預(yù)測(cè)結(jié)果可以看出，生肉預(yù)測(cè)效果優(yōu)于熟肉，4 種雞肉生肉樣品預(yù)測(cè)組的總體識(shí)別率和北京油雞肉識(shí)別率分別為93.94%和96.97%，這表明MLP在預(yù)測(cè)北京油雞肉與其他3 種雞肉生肉樣品的分類應(yīng)用中具有一定的可行性。

2.3 SVM建模分類結(jié)果

SVM是一種形成于20世紀(jì)90年代的模式識(shí)別方法，是一類監(jiān)督機(jī)器學(xué)習(xí)算法，具有非線性、高維數(shù)和局部極小點(diǎn)等優(yōu)點(diǎn)，是一種較為成熟的分類方法，可以用于解決線性和非線性的分類與回歸問(wèn)題[30]。SVM算法的基本原理如下：創(chuàng)建1 個(gè)超平面，通過(guò)將輸入平面的非線性問(wèn)題映射到1 個(gè)高維度的特征平面成為線性問(wèn)題，從而達(dá)到對(duì)樣本進(jìn)行分類的目的。SVM算法涉及幾種核函數(shù)，主要包括線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)（radial basis function，RBF）和SVM核函數(shù)[31]。目前，很多研究對(duì)SVM結(jié)合電子鼻技術(shù)用于食品分析檢測(cè)進(jìn)行了報(bào)道[32-33]。本研究應(yīng)用LIBSVM[34]軟件包3.23版本，采用基于最優(yōu)參數(shù)搜索的改進(jìn)型懲罰系數(shù)（c）參數(shù)的支持向量分類，核函數(shù)選用RBF，交叉驗(yàn)證倍數(shù)設(shè)置為3、5、10，分別進(jìn)行建模，并應(yīng)用網(wǎng)格搜索法確定最優(yōu)的參數(shù)c和核函數(shù)參數(shù)（g）[35]。

訓(xùn)練集和預(yù)測(cè)集樣本數(shù)分別為134和66。由表4可知，生肉和熟肉樣品的訓(xùn)練集和預(yù)測(cè)集均取得了較好的分類結(jié)果，總體識(shí)別率均高于90%。生肉樣品的交叉驗(yàn)證倍數(shù)為10、c為0.707 11、g為0.088 388時(shí)，訓(xùn)練集總體識(shí)別率為98.51%，預(yù)測(cè)集4 種雞肉的總體識(shí)別率和北京油雞肉識(shí)別率均達(dá)到96.97%，這表明對(duì)于預(yù)測(cè)集而言，只有2 個(gè)北京油雞肉樣品與其他3 種雞肉樣品發(fā)生了錯(cuò)誤識(shí)別。熟肉樣品交叉驗(yàn)證倍數(shù)為5、c為16.000 00、g為0.062 500時(shí)，訓(xùn)練集總體識(shí)別率為95.52%。該分類情況下預(yù)測(cè)集的分類結(jié)果如圖4所示，4 種雞肉的總體識(shí)別率為95.45%，北京油雞肉識(shí)別率為98.48%，有2 個(gè)白羽肉雞肉樣品被錯(cuò)分為蘇禽綠蛋雞肉，有1 個(gè)蘇禽綠蛋雞肉樣品被錯(cuò)分為北京油雞肉。上述分類結(jié)果說(shuō)明使用電子鼻結(jié)合SVM分類算法對(duì)4 種雞肉進(jìn)行分類能夠獲得較為理想的結(jié)果。

3 討 論

應(yīng)用電子鼻技術(shù)結(jié)合化學(xué)計(jì)量法對(duì)北京油雞的生肉和熟肉樣品分別進(jìn)行鑒別。首先，S-LDA結(jié)果表明，4 個(gè)不同品種雞肉能夠被較好地區(qū)分，從散點(diǎn)圖結(jié)果可以看出，北京油雞肉與白羽肉雞肉和海蘭褐蛋雞肉可以被完全區(qū)分，但北京油雞肉與蘇禽綠蛋雞肉存在重疊部分;其次，采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行判別和MLP建模能夠得到較好訓(xùn)練模型，生肉的MLP模型用于預(yù)測(cè)集樣品分類的總體識(shí)別率和北京油雞肉識(shí)別率分別達(dá)93.94%和96.97%;應(yīng)用SVM對(duì)生肉和熟肉樣品建模并進(jìn)行預(yù)測(cè)的總體結(jié)果較好，熟肉樣品交叉驗(yàn)證倍數(shù)為5、c和g分別為16.000 00和0.062 500時(shí)，SVM建模的訓(xùn)練集總體識(shí)別率達(dá)95.52%，預(yù)測(cè)集總體識(shí)別率達(dá)95.45%，北京油雞肉識(shí)別率達(dá)98.48%。實(shí)驗(yàn)結(jié)果表明：北京油雞的生肉和熟肉樣品均可作為原材料采用電子鼻進(jìn)行品種鑒別，后續(xù)實(shí)際檢測(cè)將不受制于生肉和熟肉的影響;綜合分析幾種分類判別方法可得出，SVM分類預(yù)測(cè)效果更好;北京油雞肉與白羽肉雞肉和海蘭褐蛋雞肉區(qū)分較明顯，與蘇禽綠蛋雞肉存在個(gè)別誤判的情況，這也與逐步判別中散點(diǎn)圖結(jié)果相一致。

4 結(jié) 論

應(yīng)用電子鼻技術(shù)分別基于生肉和熟肉樣品鑒別北京油雞肉。結(jié)果表明：S-LDA和神經(jīng)網(wǎng)絡(luò)訓(xùn)練混淆矩陣可以有效鑒別區(qū)分4 種雞肉，通過(guò)建立MLP模型和SVM模型可以有效預(yù)測(cè)4 種雞肉;基于生肉樣品MLP模型的預(yù)測(cè)集北京油雞肉識(shí)別率為96.97%;采用SVM建模分類，熟肉樣品交叉驗(yàn)證倍數(shù)為5，c和g分別為16.000 00和0.062 500時(shí)，預(yù)測(cè)集北京油雞肉識(shí)別率達(dá)98.48%。

電子鼻技術(shù)結(jié)合化學(xué)計(jì)量法用于北京油雞鑒別具備一定的可行性，該方法能夠客觀、快速地對(duì)北京油雞進(jìn)行鑒別，且準(zhǔn)確率較高，為北京油雞鑒別和地理標(biāo)志劃分提供了理論和技術(shù)參考依據(jù)。然而，實(shí)驗(yàn)中樣品數(shù)量與實(shí)際檢測(cè)過(guò)程中尚具有一定差距。為了增加模型的代表性和適用性，降低預(yù)測(cè)風(fēng)險(xiǎn)，后續(xù)實(shí)驗(yàn)應(yīng)圍繞實(shí)驗(yàn)檢測(cè)樣本數(shù)的增加和不同部位雞肉的選取等方面開(kāi)展。

參考文獻(xiàn)：

[1] BAI Chunyu， HOU Lingling， LI Fanghua， et al. Isolation and biological characteristics of Beijing fatty chicken skeletal muscle satellite cells[J]. Cell Communication and Adhesion， 2012， 19（5/6）： 69-77. DOI：10.3109/15419061.2012.743998.

[2] ZHAO G P， CUI H X， LIU R R， et al. Comparison of breast muscle meat quality in 2 broiler breeds[J]. Poultry Science， 2011， 90（10）： 2355-2359. DOI：10.3382/ps.2011-01432.

[3] FAN Mengdie， XIAO Qunfei， XIE Jianchun， et al. Aroma compounds in chicken broths of Beijing youji and commercial broilers[J]. Journal of Agricultural and Food Chemistry， 2018， 66（39）： 10242-10251. DOI：10.1021/acs.jafc.8b03297.

[4] ZHOU Wei， LIU Ranran， ZHANG Jingjing， et al. A genome-wide detection of copy number variation using SNP genotyping arrays in Beijing-You chickens[J]. Genetica， 2014， 142（5）： 441-450. DOI：10.1007/s10709-014-9788-z.

[5] ZHENG Mingli， MAO Peichun， TIAN Xiaoxia， et al. Growth performance， carcass characteristics， meat and egg quality， and intestinal microbiota in Beijing-you chicken on diets with inclusion of fresh chicory forage[J]. Italian Journal of Animal Science， 2019， 18（1）： 1310-1320. DOI：10.1080/1828051X.2019.1643794.

[6] 陳靜茹， 夏海劍， 張澤賓， 等. PCR技術(shù)鑒別多趾北京油雞肉[J]. 食品科學(xué)， 2017， 38（24）： 229-234. DOI：10.7506/spkx1002-6630-201724037.

[7] 陳靜茹， 王梁， 呂學(xué)澤， 等. 北京油雞肉4 ℃貯藏過(guò)程中的品質(zhì)及風(fēng)味變化[J]. 肉類研究， 2018， 32（8）： 1-6. DOI：10.7506/rlyj1001-8123-201808001.

[8] CAO Yuhao， ZHENG Kaizhi， JIANG Junfang， et al. A novel method to detect meat adulteration by recombinase polymerase amplification and SYBR green I[J]. Food Chemistry， 2018， 266： 73-78.

DOI：10.1016/j.foodchem.2018.05.115.

[9] MANDLI J， EL FATIMI I， SEDDAOUI N， et al. Enzyme immunoassay （ELISA/immunosensor） for a sensitive detection of pork adulteration in meat[J]. Food Chemistry， 2018， 255： 380-389. DOI：10.1016/j.foodchem.2018.01.184.

[10] TRIVEDI D K， HOLLYWOOD K A， RATTRAY N J， et al. Meat， the metabolites： an integrated metabolite profiling and lipidomics approach for the detection of the adulteration of beef with pork[J]. Analyst， 2016， 141（7）： 2155-2164. DOI：10.1039/C6AN00108D.

[11] KAMRUZZAMAN M， SUN D， ELMASRY G， et al. Fast detection and visualization of minced lamb meat adulteration using NIR hyperspectral imaging and multivariate image analysis[J]. Talanta， 2013， 103： 130-136. DOI：10.1016/j.talanta.2012.10.020.

[12] 田曉靜. 基于電子鼻和電子舌的羊肉品質(zhì)檢測(cè)[D]. 杭州： 浙江大學(xué)， 2014： 15-18.

[13] EDITA R， DARIUS G， VINAUSKIEN? R， et al. Rapid evaluation of fresh chicken meat quality by electronic nose[J]. Czech Journal of Food Sciences， 2018， 36（5）： 420-426. DOI：10.17221/419/2017-CJFS.

[14] CHEN Jun， GU Juanhong， ZHANG Rong， et al. Freshness evaluation of three kinds of meats based on the electronic nose[J]. Sensors， 2019， 19（3）： 605. DOI：10.3390/s19030605.

[15] WOJNOWSKI W， KALINOWSKA K， MAJCHRZAK T， et al. Prediction of the biogenic amines index of poultry meat using an electronic nose[J]. Sensors， 2019， 19（7）： 1580. DOI：10.3390/s19071580.

[16] 顧欣哲， 吳振川， 劉芮瑜， 等. 基于電子鼻和神經(jīng)網(wǎng)絡(luò)對(duì)廣式香腸脂肪氧化的評(píng)價(jià)[J]. 食品科學(xué)， 2016， 37（24）： 142-148. DOI：10.7506/spkx1002-6630-201624022.

[17] 李雙艷， 鄧力， 汪孝， 等. 基于電子鼻、電子舌比較分析冷藏方式對(duì)小香雞風(fēng)味的影響[J]. 肉類研究， 2017， 31（4）： 50-55. DOI：10.7506/rlyj1001-8123-201704009.

[18] GARCIA M， ALEIXANDRE M， GUTI?RREZ J， et al. Electronic nose for ham discrimination[J]. Sensors and Actuators B： Chemical， 2006， 114（1）： 418-422. DOI：10.1016/j.snb.2005.03.078.

[19] 王炳蔚， 楊璐， 鄭麗敏， 等. 基于統(tǒng)計(jì)空間映射和電子鼻的豬肉風(fēng)味物質(zhì)檢測(cè)[J]. 食品科學(xué)， 2016， 37（8）： 102-107. DOI：10.7506/spkx1002-6630-201608018.

[20] 洪雪珍， 王俊. 基于逐步判別分析和BP神經(jīng)網(wǎng)絡(luò)的電子鼻豬肉儲(chǔ)藏時(shí)間預(yù)測(cè)[J]. 傳感技術(shù)學(xué)報(bào)， 2010， 23（10）： 1376-1380. DOI：10.7506/spkx1002-6630-201608018.

[21] LIN Jie， ZHANG Pan， PAN Zhiqiang， et al. Discrimination of oolong tea （Camellia sinensis） varieties based on feature extraction and selection from aromatic profiles analysed by HS-SPME/GC-MS[J].

Food Chemistry， 2013， 141（1）： 259-265. DOI：10.1016/j.foodchem.2013.02.128.

[22] 任靜， 孫方達(dá)， 程龍， 等. 電子鼻技術(shù)研究不同包裝調(diào)理預(yù)制烤豬肉冷卻貯藏過(guò)程中品質(zhì)的變化[J]. 肉類研究， 2016， 30（5）： 30-35. DOI：10.15922/j.cnki.rlyj.2016.05.007.

[23] 董福凱， 周秀麗， 查恩輝. 電子鼻在摻假牛肉卷識(shí)別中的應(yīng)用[J]. 食品工業(yè)科技， 2018， 39（4）： 219-221. DOI：10.13386/j.issn1002-0306.2018.04.040.

[24] 宋小青， 李淑嫻， 額日赫木. 電子鼻對(duì)不同品牌食醋的識(shí)別[J].

食品工業(yè)科技， 2017， 38（9）： 277-280. DOI：10.13386/j.issn1002-0306.2017.09.044.

[25] 吳杰， 陳光明， 張紹志. 用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)冰蓄冷系統(tǒng)蓄冰時(shí)間[J]. 制冷學(xué)報(bào)， 2001（4）： 25-28. DOI：10.3969/j.issn.0253-4339.2001.04.006.

[26] 劉金榮， 馮永祥， 武星宇. 基于神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的庫(kù)存預(yù)測(cè)應(yīng)用研究[J]. 內(nèi)蒙古工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2019， 38（1）： 51-58. DOI：10.3969/j.issn.1001-5167.2019.01.009.

[27] 蔣強(qiáng)， 鄭麗敏， 田立軍， 等. 電子鼻應(yīng)用于豬肉丸子香味預(yù)測(cè)[J]. 食品科學(xué)， 2018， 39（10）： 228-233. DOI：10.7506/spkx1002-6630-201810035.

[28] 袁鴻飛， 胡馨木， 楊軍林， 等. 基于FT-NIR和電子鼻的蘋果水心病無(wú)損檢測(cè)[J]. 食品科學(xué)， 2018， 39（16）： 306-310. DOI：10.7506/spkx1002-6630-201816044.

[29] 張娟， 張申， 張力， 等. 電子鼻結(jié)合統(tǒng)計(jì)學(xué)分析對(duì)牛肉中豬肉摻假的識(shí)別[J]. 食品科學(xué)， 2018， 39（4）： 296-300. DOI：10.7506/spkx1002-6630-201804044.

[30] 田瀟瑜， 徐楊， 彭彥昆， 等. 基于支持向量機(jī)的牛肉嫩度等級(jí)評(píng)價(jià)模型研究[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào)， 2012， 3（6）： 613-616.

[31] CORTES C， VAPNIK V. Support-vector networks[J]. Machine Learning， 1995， 20（3）： 273-297. DOI：10.1007/BF00994018.

[32] WANG Danfeng， WANG Xichang， LIU Taiang， et al. Prediction of total viable counts on chilled pork using an electronic nose combined with support vector machine[J]. Meat Science， 2012， 90（2）： 373-377. DOI：10.1016/j.meatsci.2011.07.025.

[33] QIU Shanshan， WANG Jun. The prediction of food additives in the fruit juice based on electronic nose with chemometrics[J]. Food Chemistry， 2017， 230： 208-214. DOI：10.1016/j.foodchem.2017.03.011.

[34] CHANG C， LIN C J. LIBSVM： A library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology， 2011， 2（3）： 1-27. DOI：10.1145/1961189.1961199.

[35] 嵇港. 基于電子鼻系統(tǒng)的食醋分類研究[D]. 鎮(zhèn)江： 江蘇大學(xué)， 2017： 50-57.