李敏 高兆銀 朱迎迎 蘇增建 陳亮 鄭淑英 張正科 胡美姣

摘 要 以“貴妃”芒果為試材，利用電子鼻檢測(cè)果實(shí)氣味響應(yīng)值，同時(shí)測(cè)定果實(shí)的糖酸度，采用偏最小二乘法（PLS）和BP神經(jīng)網(wǎng)絡(luò)建立了基于電子鼻的可溶性固形物、可滴定酸的品質(zhì)預(yù)測(cè)模型。兩種方法構(gòu)建的可溶性固形物含量預(yù)測(cè)模型的建模集相關(guān)系數(shù)R均大于93%，可滴定酸測(cè)模型的建模集相關(guān)系數(shù)R均大于91%。其中，BP神經(jīng)網(wǎng)絡(luò)建模集的相關(guān)系數(shù)R均略高于PLS，建模均方均根誤差（RMSEM）也較低。而預(yù)測(cè)集相關(guān)系數(shù)R和預(yù)測(cè)均方根誤差（RMSEP）與PLS的相當(dāng)或略低，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)芒果糖酸度預(yù)測(cè)準(zhǔn)確性略好于PLS。結(jié)果表明，PLS和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能均較好，利用電子鼻技術(shù)對(duì)芒果品質(zhì)進(jìn)行無(wú)損傷檢測(cè)是可行的。

關(guān)鍵詞 “貴妃”芒果；電子鼻；采后品質(zhì)；無(wú)損傷檢測(cè)

中圖分類號(hào) S667.7 文獻(xiàn)標(biāo)識(shí)碼 A

Abstract In this study， the odor response value of ‘Guifeimango fruit was detected using an electronic nose （model PEN3）， meanwhile the soluble solids content （SSC） and titratable acidity （TA） were measured by traditional assays. Based on the data of odor response value， SSC and TA obtained by tests， the quality prediction models of SSC and TA by partial least squares （PLS） and back propagation neural network （BPNN） modeling were established， respectively. The results showed that the correlation coefficient R for SSC prediction model structured by both PLS and BPNN was higher than 93%， while model correlation coefficient R for TA prediction model was higher than 91% by both PLS and BPNN. Comparatively， the correlation coefficients R by BPNN were slightly higher than those by PLS， and the root mean square error of model（RMSEM） by BPNN was lower than that by PLS. In addition， the correlation coefficient R of prediction set and root mean square error of prediction（RMSEP）by BPNN were slightly less than or similar to those by PLC， suggesting that the prediction accuracy by BPNN model for sugar and acidity in mango fruit was slightly better than that by PLS. The present findings indicate that non-destructive detection by electronic nose in combination with BPNN and PLS modeling for predicting SSC and TA of mango is a feasible and promising approach.

Key words Mango；Electronic nose；Postharvest quality；Non-destructive detection

doi 10.3969/j.issn.1000-2561.2016.08.018

芒果（Mangifera indica Linn.）是著名的熱帶亞熱帶水果。其風(fēng)味獨(dú)特，肉質(zhì)嫩滑，營(yíng)養(yǎng)價(jià)值高，素有“熱帶果王”的美譽(yù)。目前芒果品質(zhì)的評(píng)價(jià)、分級(jí)基本上靠經(jīng)驗(yàn)進(jìn)行，評(píng)價(jià)的指標(biāo)是果實(shí)大小、顏色、果面壞損等外部特征，這樣往往有很強(qiáng)的主觀性，不能準(zhǔn)確反映內(nèi)部品質(zhì)，因此，研究芒果品質(zhì)的無(wú)損檢測(cè)技術(shù)對(duì)果實(shí)成熟度的判斷及采后貯藏期間品質(zhì)變化的監(jiān)測(cè)均具有現(xiàn)實(shí)意義。

電子鼻是一種智能感官儀器，可以通過(guò)模擬人類嗅覺(jué)系統(tǒng)來(lái)實(shí)現(xiàn)對(duì)檢測(cè)對(duì)象的品質(zhì)評(píng)價(jià)[1]，既可避免感官評(píng)價(jià)的主觀干擾，又縮短傳統(tǒng)儀器分析方法帶來(lái)的耗時(shí)和高成本。近年來(lái)被越來(lái)越多地應(yīng)用在水果質(zhì)量檢測(cè)方面，在水果成熟度監(jiān)控、貨架期判斷、水果種類鑒定等方面均有一定的應(yīng)用價(jià)值[2-5]。目前芒果無(wú)損傷檢測(cè)技術(shù)研究的報(bào)道多見(jiàn)于利用近紅外光譜技術(shù)開(kāi)展品質(zhì)檢測(cè)[6-9]，而利用電子鼻進(jìn)行芒果品質(zhì)檢測(cè)的研究鮮有報(bào)道。本研究擬以“貴妃”芒果為研究對(duì)象，利用電子鼻對(duì)其采后貯藏期氣味變化進(jìn)行監(jiān)測(cè)，探討電子鼻用于“貴妃”芒果糖度酸度檢測(cè)與監(jiān)控的可行性。

1 材料與方法

1.1 材料

供試“貴妃”芒果采自三亞崖城一果園。采收后6 h內(nèi)運(yùn)回實(shí)驗(yàn)室，挑選成熟度8成左右，大小一致，無(wú)機(jī)械傷及病蟲(chóng)害的果實(shí)作為試材，置于（20±1）℃貯藏。

1.2 方法

1.2.1 處理 在0、2、4、6、8、10 d，每次隨機(jī)選取30個(gè)果實(shí)，先進(jìn)行電子鼻無(wú)損檢測(cè)，測(cè)定完后，每個(gè)果實(shí)測(cè)定可溶性固形物及可滴定酸含量。

1.2.2 測(cè)定方法 可溶性固形物及可滴定酸的測(cè)定。每個(gè)果實(shí)均勻取果肉30 g，勻漿機(jī)（型號(hào)FSH-2A，中國(guó)）勻漿，4層紗布過(guò)濾，取濾液測(cè)定可溶性固形物和可滴定酸含量?？扇苄怨绦挝餃y(cè)定使用手持折光儀（型號(hào)MASTER-M， 日本）進(jìn)行，單位為°Birx；可滴定酸含量采用氫氧化鈉滴定的方法進(jìn)行，折算為蘋果酸含量來(lái)表示，單位為g/L[10]。每個(gè)芒果的可溶性固形物和可滴定酸含量重復(fù)測(cè)定3次，取平均值。

電子鼻測(cè)定氣味響應(yīng)值。將單個(gè)果實(shí)置于1 000 mL潔凈干燥的容器中，以封口膜密封，靜置30 min，應(yīng)用德國(guó)AIRSENSE公司PEN3電子鼻獲取果實(shí)揮發(fā)性氣體響應(yīng)值。每次測(cè)定30個(gè)果實(shí)。測(cè)定時(shí)，傳感器涂層吸附樣品中的揮發(fā)性物質(zhì)產(chǎn)生電導(dǎo)率變化，記錄傳感器吸附樣品揮發(fā)物后的電導(dǎo)率G與傳感器吸附經(jīng)活性碳過(guò)濾的空氣后的電導(dǎo)率G0的比值G/G0（即相對(duì)電導(dǎo)率），響應(yīng)氣體濃度越大，G/G0的值越偏離1，如果濃度低于檢測(cè)限或者沒(méi)有感應(yīng)氣體，則該比值接近甚至等于1。電子鼻傳感器陣列包含10個(gè)傳感器（見(jiàn)表1）。電子鼻測(cè)定參數(shù)：內(nèi)部空氣流量300 mL/min，進(jìn)樣流量300 mL/min，檢測(cè)時(shí)間60 s，清洗時(shí)間90 s，特征值提取時(shí)間點(diǎn)為50 s。

無(wú)損傷檢測(cè)模型建立方法及評(píng)價(jià)。剔除異常果后共150個(gè)果被分為建模集和預(yù)測(cè)集，其中120個(gè)作為建模樣品集，以電子鼻的10組傳感器50 s時(shí)各自的特征值為自變量（X1～X10），芒果糖度（可溶性固形物）或酸度（可滴定酸）為因變量，采用偏最小二乘法（PLS）和BP神經(jīng)網(wǎng)絡(luò)，分別建立芒果糖度酸度預(yù)測(cè)模型，并利用剩余30個(gè)樣本作為預(yù)測(cè)樣品集，用于評(píng)價(jià)模型的預(yù)測(cè)能力和穩(wěn)定性。

模型采用外部驗(yàn)證法對(duì)其性能進(jìn)行評(píng)價(jià)，即由相關(guān)系數(shù)（R）、建模均方均根誤差（RMSEM）、和預(yù)測(cè)均方根誤差（RMSEP）進(jìn)行評(píng)價(jià)。R越大，RMSEC、和RMSEP 越小，模型的預(yù)測(cè)能力越強(qiáng)。

1.3 數(shù)據(jù)處理

采用軟件Excel，SPSS19.0及Minilab17.0進(jìn)行數(shù)據(jù)處理和模型構(gòu)建。

2 結(jié)果與分析

2.1 芒果樣本集糖酸測(cè)量值范圍對(duì)建立預(yù)測(cè)模型的影響

樣本測(cè)量值的范圍一定程度上影響著預(yù)測(cè)模型的性能，樣本測(cè)量值覆蓋的范圍越大，且建模集的測(cè)量值范圍大于預(yù)測(cè)集測(cè)量值范圍，則建立模型所預(yù)測(cè)的值就越廣且準(zhǔn)確[11]。表2、3為供試芒果樣本的可溶性固形物（糖）（SSC）及可滴定酸（酸）（TA）的統(tǒng)計(jì)結(jié)果。從中可以看出，建模集內(nèi)，SSC的范圍為5.5～14.0 °Brix，TA的范圍0.26～10.02 g/L。包含了從采摘時(shí)到可食用階段的糖酸值變化，數(shù)值涵蓋的范圍較大。預(yù)測(cè)樣本的SSC范圍是6.0～13.7 °Brix，TA在0.36～9.1 g/L，預(yù)測(cè)集的SSC及TA范圍均處在建模集樣本之內(nèi)， 上述結(jié)果表明，本實(shí)驗(yàn)芒果糖酸測(cè)量值的分布情況充分滿足了建立品質(zhì)預(yù)測(cè)模型的條件。

2.2 基于偏最小二乘法的芒果糖酸模型建立及預(yù)測(cè)

偏最小二乘法（PLS）集多元回歸分析、典型相關(guān)性分析和主成分分析的基本功能于一體，將建模預(yù)測(cè)類型的數(shù)據(jù)分析方法與非模型式的數(shù)據(jù)內(nèi)涵分析方法有機(jī)結(jié)合，可以同時(shí)實(shí)現(xiàn)回歸建模、數(shù)據(jù)結(jié)構(gòu)簡(jiǎn)化和兩組變量間的相關(guān)性分析[12-13]。以120個(gè)果作為建模集，70個(gè)果作為預(yù)測(cè)集，10組傳感器50 s 響應(yīng)值建立了對(duì)可溶性固形物（糖）和可滴定酸（酸）含量的PLS預(yù)測(cè)模型，并列出預(yù)測(cè)集品質(zhì)指標(biāo)預(yù)測(cè)值和真實(shí)值的擬合效果圖（圖1、2）。芒果糖度的預(yù)測(cè)模型為：Y=-1.78+33.82X1-1.76X2-187.57X3+38.33X4+146.3X5+（-30.65X8）+2.3X9+0.095X10（X1～X10為電子鼻10組感應(yīng)器50 s時(shí)響應(yīng)值）。芒果酸度的預(yù)測(cè)模型為：Y=-9.248-139.667X1+0.166X2+179.362X3-32.90X4-117.75X5-13.91X6+1.01X7+34.71X8-0.93X9+1.38X10。

糖度模型建模集相關(guān)系數(shù)R=0.935 5，RMSEM=0.895 7 °Brix。酸度預(yù)測(cè)模型建模集相關(guān)系數(shù)R=0.916 7，RMSEM=1.088 7 g/L。R2大于0.800 0，表明基于PLS法建立的貴妃芒果品質(zhì)指標(biāo)建模模型有效。利用該模型對(duì)預(yù)測(cè)集糖酸含量進(jìn)行預(yù)測(cè)，預(yù)測(cè)值與真實(shí)值的R和RMSEP分別為0.970 6，0.619 1 °Brix，和0.952 3，RMSEP=0.817 3 g/L（表4、5）。說(shuō)明利用PLS法所建立的回歸模型能夠?qū)ζ焚|(zhì)指標(biāo)進(jìn)行較好的預(yù)測(cè)。

2.3 基于BP神經(jīng)網(wǎng)絡(luò)的芒果糖酸模型建立及預(yù)測(cè)

BP神經(jīng)網(wǎng)絡(luò)是輸入與輸出集合之間的一種非線性映射，而實(shí)現(xiàn)這種非線性映射關(guān)系并不需要知道所要研究系統(tǒng)的內(nèi)部結(jié)構(gòu)，只需通過(guò)對(duì)有限多個(gè)樣本的學(xué)習(xí)來(lái)達(dá)到對(duì)所研究系統(tǒng)內(nèi)部結(jié)構(gòu)的模擬[14]。利用電子鼻響應(yīng)值建立了對(duì)貴妃芒果可溶性固形物和可滴定酸含量的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。預(yù)測(cè)集品質(zhì)指標(biāo)預(yù)測(cè)值和真實(shí)值的擬合圖如圖3、4所示。

芒果糖度BP神經(jīng)網(wǎng)絡(luò)模型的研究表明，通過(guò)對(duì)隱含層數(shù)及其節(jié)點(diǎn)數(shù)的修改，最終構(gòu)建一個(gè)1層BP神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)參數(shù)設(shè)置如下：1輸入層節(jié)點(diǎn)數(shù)：10，最小訓(xùn)練速率：0.1，動(dòng)態(tài)參數(shù)：0.6，參數(shù)SIGMOID：0.9，允許誤差：0.000 1，最大迭代次數(shù)：2 000，（擬合殘差：0.040 35）。酸度BP神經(jīng)網(wǎng)絡(luò)模型的研究表明，建立模型條件如下：隱含網(wǎng)絡(luò)層數(shù)：1，輸入層節(jié)點(diǎn)數(shù)：10，最小訓(xùn)練速率：0.1，動(dòng)態(tài)參數(shù)：0.6，參數(shù)SIGMOID：0.9，允許誤差：0.000 1，最大迭代次數(shù)：2 000。（擬合殘差：0.073 6）。

利用糖酸建模集數(shù)據(jù)建立的BP神經(jīng)網(wǎng)絡(luò)模型的R分別是0.953 1，0.954 8，說(shuō)明利用BP神經(jīng)網(wǎng)絡(luò)建立的貴妃芒果的糖酸度預(yù)測(cè)模型是有效的，RMSEM 分別為0.780 4 °Brix和0.825 9 g/L，數(shù)值較小，表明該模型的預(yù)測(cè)精度較高。利用該模型對(duì)預(yù)測(cè)集30個(gè)芒果果實(shí)進(jìn)行了糖酸度的預(yù)測(cè)。結(jié)果表明，預(yù)測(cè)值與真實(shí)值的R和RMSEP分別為0.916 4，0.602 4 °Brix和0.972 1，1.218 9 g/L（表4、5）。說(shuō)明利用BP神經(jīng)網(wǎng)絡(luò)所建立的回歸模型能夠?qū)μ撬嶂笜?biāo)進(jìn)行較精準(zhǔn)的預(yù)測(cè)。其對(duì)可溶性固形物的預(yù)測(cè)精度要高于對(duì)可滴定酸。

3 討論

水果所散發(fā)的芳香氣味的改變可以很好地反映出水果內(nèi)部品質(zhì)的變化[15]，這也使利用電子鼻檢測(cè)其揮發(fā)物來(lái)判斷水果品質(zhì)能為可能。2008年，Marc等[16]首次探討了電子鼻在芒果成熟度判斷中的應(yīng)用可能性，研究認(rèn)為，不同成熟度（不同采收期）果實(shí)，不論其在綠熟期或隨后的后熟階段，均能利用電子鼻進(jìn)行成功區(qū)分，且晚采收的果實(shí)與早采收果實(shí)釋放的香氣成分存在較大差異，該結(jié)果為利用芒果香氣作為標(biāo)記進(jìn)行芒果成熟度判斷提供了依據(jù)。本研究利用電子鼻（PEN3型， 德國(guó)）檢測(cè)發(fā)現(xiàn)，10種感應(yīng)器對(duì)貴妃芒果后熟過(guò)程中釋放的香氣及其變化均有響應(yīng)，且隨著芒果的不斷后熟，電子鼻各傳感器響應(yīng)參數(shù)發(fā)生改變，其中傳感器S6，S7，S9的變化最為明顯，糖酸的變化和傳感器響應(yīng)值變化呈現(xiàn)出較高的相關(guān)性（數(shù)據(jù)未在文中列出）。說(shuō)明利用電子鼻進(jìn)行“貴妃”芒果采后品質(zhì)進(jìn)行預(yù)測(cè)具有可行性。

本實(shí)驗(yàn)中，用于建模和預(yù)測(cè)的樣本量達(dá)到150個(gè)果實(shí)，建模集糖酸值范圍為5.5～14.0 °Brix和0.26～10.02 g/L，數(shù)值涵蓋的范圍大，且預(yù)測(cè)集的糖酸值范圍均處在建模集樣本之內(nèi)， 因此保證了建模集所建模型能較好地適用于預(yù)測(cè)集。電子鼻系統(tǒng)常用的模式識(shí)別方法有主成分分析法、人工神經(jīng)網(wǎng)絡(luò)、偏最小二乘法等。本文利用偏最小二乘法和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行品質(zhì)指標(biāo)預(yù)測(cè)模型的構(gòu)建。結(jié)果發(fā)現(xiàn)，利用PLS方法建立的糖酸預(yù)測(cè)模型建模集相關(guān)系數(shù)R為 0.935 5和0.916 7，預(yù)測(cè)集相關(guān)系數(shù)更高達(dá)0.970 6和0.952 3，糖酸預(yù)測(cè)模型的精度高，預(yù)測(cè)能力較好?；贐P 神經(jīng)網(wǎng)絡(luò)建立的糖酸預(yù)測(cè)模型建模集相關(guān)系數(shù)R為0.954 8和0.953 1，預(yù)測(cè)集相關(guān)系數(shù) 0.972 1和0.916 4，也具有很高的精度。兩種方法都可以用于對(duì)貴妃芒果的糖酸預(yù)測(cè)分析。對(duì)兩種方法的進(jìn)一步對(duì)比發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)糖酸預(yù)測(cè)模型的建模集相關(guān)系數(shù)R均略高于PLS，RMSEM也較低。而預(yù)測(cè)集相關(guān)系數(shù)R和RMSEP與PLS的相當(dāng)，表明BP神經(jīng)網(wǎng)絡(luò)模型對(duì)芒果糖酸度預(yù)測(cè)結(jié)果略好于PLS。對(duì)糖酸預(yù)測(cè)模型的對(duì)比研究發(fā)現(xiàn)，PLS和BP 神經(jīng)網(wǎng)絡(luò)兩種方法對(duì)可溶性固形物（糖）的預(yù)測(cè)集相關(guān)系數(shù)均略高于對(duì)可滴定酸（酸），說(shuō)明該兩種方法對(duì)前者的預(yù)測(cè)精度略高于后者。

近紅外光譜技術(shù)是一種具有高效、快速、低成本、非損傷等特點(diǎn)的品質(zhì)檢測(cè)技術(shù)，目前廣泛的應(yīng)用于多個(gè)領(lǐng)域。利用該技術(shù)對(duì)芒果品質(zhì)檢測(cè)開(kāi)展研究也有部分報(bào)道。Schmilovitch等[6]利用多元線性回歸法（MLR）建立了“Tommy Atkins”芒果的糖、酸等品質(zhì)指標(biāo)預(yù)測(cè)模型，相關(guān)系數(shù)R分別為0.927 6、0.608 5。曹霞[9]采用主成分回歸法和偏最小二乘法建立“呂宋”芒果糖度近紅外分析模型，模型預(yù)測(cè)相關(guān)系數(shù)R分別為0.838 6、0.976 5。虞佳佳[7]等建立了PLS-GA-BP 模型，對(duì)芒果糖度的預(yù)測(cè)模型相關(guān)系數(shù)R為0.854、0.836 9。本試驗(yàn)基于電子鼻技術(shù)采用偏最小二乘法和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的糖度預(yù)測(cè)模型相關(guān)系數(shù)R分別為0.935 5、0.972 1，與近紅外光譜技術(shù)建立的預(yù)測(cè)模型相比精確性更高，這說(shuō)明利用電子鼻進(jìn)行芒果的品質(zhì)無(wú)損傷檢測(cè)的準(zhǔn)確性較好。但是本實(shí)驗(yàn)存在樣本數(shù)量偏?。?50個(gè)果實(shí)），處理時(shí)間較長(zhǎng)（30 min）的缺點(diǎn)。在接下來(lái)的實(shí)驗(yàn)中，我們需要增加實(shí)驗(yàn)果實(shí)數(shù)量，優(yōu)化減少處理時(shí)間，進(jìn)一步驗(yàn)證和校對(duì)建立的芒果品質(zhì)預(yù)測(cè)模型精確性和實(shí)用性，為電子鼻在芒果品質(zhì)檢測(cè)和監(jiān)測(cè)方面的應(yīng)用提供理論依據(jù)和技術(shù)支撐。

參考文獻(xiàn)

[1] 王 俊， 崔紹慶， 陳新偉， 等. 電子鼻傳感技術(shù)與應(yīng)用研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2013， 44（11）：160-162.

[2] 張曉華， 張東星，劉遠(yuǎn)方，等. 電子鼻對(duì)蘋果貨架期質(zhì)量的評(píng)價(jià)[J]. 食品與發(fā)酵工業(yè)， 2007， 6（6）：20-23.

[3] 胡桂仙， 王 俊， 海 錚，等. 不同儲(chǔ)藏時(shí)間柑橘電子鼻檢測(cè)研究[J]. 浙江農(nóng)業(yè)學(xué)報(bào)， 2006， 6（6）： 458-461.

[4] Pallottino F， Costa C， Antonucci F， et al. Electronic nose application for determination of Penicillium digitatum in Valencia oranges[J]. Journal of the Science of Food & Agriculture， 2012， 92（9）： 2008-2012.

[5] 江琳琳， 潘磊慶， 屠 康， 等. 基于電子鼻對(duì)水蜜桃貨架期評(píng)價(jià)的研究[J]. 食品科學(xué)， 2010， 31（12）： 229-232.

[6] Schmilovitch Z， Mizrach A， Hoffman A， et al. Determination of mango physiological indices by near-infrared spectrometry[J]. Postharvest Biology &Technology， 2000， 19（3）： 245-252.

[7] 虞佳佳， 何 勇， 鮑一丹. 基于光譜技術(shù)的芒果糖度酸度無(wú)損檢測(cè)方法研究[J]. 光譜學(xué)與光譜分析， 2008， 28（12）： 2 839-2 842.

[8] Nagle M， Mahayothee B，Rungpichayapichet P，et al. Effect of irrigation on near-infrared（NIR）based prediction of mango maturity[J]. Scientia Horticulturae， 2010， 125（4）： 771-774.

[9] 曹 霞， 周學(xué)成，范品良. 基于近紅外漫反射光譜技術(shù)的芒果糖度無(wú)損檢測(cè)方法研究[J]. 農(nóng)機(jī)化研究， 2013（1）： 177-180.

[10] 曹建康， 姜微波， 趙玉梅. 果蔬采后生理生化實(shí)驗(yàn)指導(dǎo)[M]. 北京： 中國(guó)輕工業(yè)出版社， 2007： 28.

[11] 毛莎紗， 曾 明， 何紹蘭，等. 基于光譜分析的奧林達(dá)夏橙可溶性固形物無(wú)損檢測(cè)模型研究[J]. 果樹(shù)學(xué)報(bào)， 2011， 28（3）：508-512.

[12] 楊 杰， 方 俊， 胡德秀，等. 偏最小二乘法回歸在水利工程安全監(jiān)測(cè)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2007， 23（3）： 136-140.

[13] 張正健， 劉志紅， 郭艷芬，等. 偏最小二乘在遙感監(jiān)測(cè)西藏草地生物量上的應(yīng)用[J]. 草地學(xué)報(bào)， 2009， 17（6）： 735-739.

[14] 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）： 1 376-1 380.

[15] 譚 皓. 獼猴桃發(fā)育過(guò)程中香氣成分變化規(guī)律研究[D]. 烏魯木齊： 新疆農(nóng)業(yè)大學(xué)， 2006.

[16] Marc L， Anne P， Kevin G， et al. Discrimination of mango fruit maturity by volatiles using the electronic nose and gas chromatography[J]. Postharvest Biology and Technology， 2008， 48： 122-131.