Visual Analysis of Liquor Sensory Evaluation Based on High-Dimensional Multivariate Data
-
摘要: 酒体质量评价以感官鉴定为主，但感官评价易受人的身体条件和经验等因素的影响。为提高评价的稳定性和有效性，建立以理化指标数据为依据的评价方法。本文提出了一种基于大数据可视分析的研究方法，挖掘高维多元指标数据对酒体感官特性的影响。首先，对高维多元指标数据的相关性，以及与感官评价的相关性进行分析，通过图模型阐释关系特性，初步建立面向领域的可视分析方法。然后，采用基于机器学习的数据分析技术，结合感官评价构建酒体质量评价模型。最后，结合评价模型对酒体指标参数的重要性进行分析。在此基础上，对模型的评价效果进行了验证，分别选取两类样本进行对比，一类样本包含重要性得分较高的6 项理化指标，包括酒体密度、残糖、挥发性酸、酒精度、硫酸酯和非挥发性酸，另一类样本包含全部11 项理化指标，验证结果显示两类样本的预测结果相近，分类预测误差仅相差0.4%，表明以上6项理化指标是影响感官评价的主要成分。该可视分析方法可降低理化指标的维数，并保留酒体质量的特征信息，用于酒体质量的评价，对酒体质量科学化评价起到重要作用。Abstract: The quality evaluation of liquor is mainly based on sensory identification, but sensory evaluation is easily affected by various factors such as the body conditions and experience. In order to improve the stability and effectiveness of evaluation, an evaluation method based on physical and chemical indicator data was established. This paper presented a research method based on visual analysis of big data to explore the effects of high-dimensional multivariate indicator data on the sensory characteristics of liquor. First, the correlation between high-dimensional multivariate indicator data and the correlation between data and sensory evaluation was analyzed in the paper. The characteristics of the relationship had been explained through graph models, and built a domain-oriented visual analysis method initially. Then, the data analysis technology based on machine learning was combined with sensory evaluation to build a liquor quality evaluation model. Finally, the importance of indicator parameters was analyzed by combining with the liquor quality evaluation model. On this basis, the evaluation effect of the model was verified. Two types of samples for comparison were selected. One type of sample contained 6 physical and chemical indicators with high importance scores, including density, residual sugar, volatile acidity, alcohol, sulphates and fixed acidity.The other type of sample contained all 11 physical and chemical indicators. The verification results showed that the prediction results of the two types of samples were similar, and the difference in classification prediction error was only 0.4%, indicating that the above 6 physical and chemical indicators were the main components that affect sensory evaluation. It indicated that the visible analysis method could reduce the dimensionality of the physical and chemical indicators, and retain the characteristic information of the liquor quality. This method could be used for the evaluation of liquor quality and played an important role in the scientific evaluation of liquor quality.
-
酒的主要质量指标可分为感官指标和理化指标两类。感官评价是利用人的感觉器官（眼睛、鼻子和舌头）观色、闻香、品味来鉴别酒质量的一门检测技术[1]。通过酒的品评来指导生产工艺，例如对新酒的品评能够发现酿酒工艺是否正常、发酵是否正常、操作是否精细；勾调品评是品评工作的核心，能够使酒达到更好的口感效果，更好的品质，更加稳定、更显和谐平衡，风格多样化[2-3]。酒中具有多种呈味物质，包括使人感到甜味的糖和醇类等化合物，引起酸味的有机酸等，这些呈味物质不同比例和浓度的组合，直接影响酒的风格和质量。呈味物质气味的相互作用包括累加作用、协同作用、融合作用和掩盖作用，酒的感官评价的优劣正是取决于呈香物质构成的气味之间的平衡程度，即呈香物质按一定的比例、浓度和相互作用方式来达到令人感觉舒适和愉快的程度[4-7]。虽然人的嗅觉和味觉灵敏度较高，但感官评价易受地域、民族、习惯、个人爱好、心理和健康情况等因素的影响，只能实现定性分析，难以用直观的数字表达。仪器的检测分析可对酒的理化指标进行定量分析，但仪器检测分析易受香味物质的浓度、温度、溶剂、易位和复合香等指标的影响[8-9]，只能准确测定含量，对呈香呈味特征及其变化规律难以表达。因此，针对酒体中众多的呈香呈味物质，结合感官评价，研究一种基于数据驱动的分析评价方法，对提高酒质量评价的准确性和稳定性具有重要意义。
随着计算资源和传感技术的不断升级，数据量呈现大规模的增长，数据维度也越来越高，快速分析复杂高维多元数据已成为目前研究的热点方向。基于统计和基本分析技术的可视化系统分析能力已经不能满足高维多元数据分析。数据多元化、非结构化、异构性等复杂程度的增加，单一的可视化方法也无法满足数据分析的需求。因此，高性能的高维数据分析方法和工具得到快速发展，采用连通散点图、动态直方图、归一化和离群点检测/去除等视点可视方法来实现对大型、高维多元数据集的图形可视化，广泛应用于天文学、量子化学、流体动力学、机器学习、生物信息学、金融以及信息技术服务器日志挖掘等领域[10-16]。在食品研究领域，Hao等[17]将可视化分析技术与区块链相结合，利用热图显示不合格产品的区域，迁移图技术分析风险区域之间的关系，再通过力指向图来追踪特定产品轨迹。Cruz等[18-19]将可视分析方法应用于生物数据分析，使用协调的多个视图来表示高维多变量数据，特别是时间序列的基因表达、蛋白质相互作用网络和生物通路。在酒的感官评价和理化数据分析中，Cortez等[20]开展了利用酒的理化指标数据建立人的偏好分类模型，分别采用了支持向量机、多元回归和神经网络方法，以数据驱动的测试方法可以提高品酒师的速度和质量，降低仅凭品酒师的经验和知识造成的人为因素影响。Bai等[21-23]根据理化性质对红酒进行分类，首先，采用因子分析法对多元理化指标变量进行降维，再对观测值进行K-均值聚类分析，实现红酒的分类方法。除理化指标，酒体颜色是感官品尝过程中一个重要的质量参数，利用折线图和误差线分析比色法与感官评价的相关关系。采用PCA（Principal Components Analysis，主成分分析）对颜色参数进行多元分析，获得主成分载荷图对酒的不同风格和等级进行划分[24-25]。
目前，基于大数据和可视分析技术在酿酒技术方面的研究与应用相对较少。本文将感官评价和理化指标相结合，针对酒的高维多元理化指标数据提出一种可视化分析方法，挖掘理化指标之间的复杂相关性，以及理化指标与感官评价数据的相关性。构建可以用于酒体质量等级分类的评价模型，实现以离散理化指标数据的综合性分析对酒进行质量分级，达到感官评价标准，提高酒质量评价的准确性和稳定性。
1. 数据与方法
1.1 数据来源
采用的葡萄酒样本数据集引自Paulo Cortez公开数据库，数据集包括4898个样本的理化指标数据和感官评价数据，11项理化指标包括非挥发性酸（fixed acidity）、挥发性酸（volatile acidity）、柠檬酸（citric acid）、残糖（residual sugar）、氯化物（chlorides）、游离二氧化硫（free sulfur dioxide）、总二氧化硫（total sulfur dioxide）、密度（density）、pH、硫酸酯（sulphates）和酒精（alcohol）。感官评价中由品酒师对样品进行3～9级的等级评分，每个样品由至少3名品酒师进行盲评，并取中位值作为最终评定等级。各等级的样本数量分布如表1所示。
表 1 各等级的样本数量分布Table 1. Sample size distribution for each grade序号 等级 数量 序号 等级 数量 1 3级 20 5 7级（Q2） 880 2 4级（Q5） 163 6 8级（Q1) 175 3 5级（Q4） 1457 7 9级 5 4 6级（Q3） 2198 1.2 数据分析
1.2.1 理化指标相关性分析
采用和弦图阐释理化指标与感官评定等级的相关性。和弦图是一种显示数据间相互关系的可视化方法，节点数据沿圆周径向排列，节点之间使用带权重（宽度）的弧线链接，即弧线宽度越大，相关性越强，由和弦图直观获得理化指标对感官等级的影响规律。再采用散点矩阵分析方法进一步获得理化指标数据之间的相关性，对相关性进行量化。
1.2.2 感官等级评定中理化指标的重要性分析
基于大数据视角对酒体的高维多元理化指标数据集进行优化，采用主成分分析算法抽象提取数据集的主要特征，并评估各理化指标参数的重要性，实现高维多元理化指标数据集的降维。
1.2.3 酒体质量分类分析方法
采用随机森林算法构建酒的质量评价模型。随机森林是一种较新的机器学习模型，由多个决策树组成。单个决策树的分类能力较小，但拥有大量决策树的随机森林可以通过每一棵树的分类结果，选取其中最可能的分类，可有效提高分类效果。随机森林质量分析模型训练过程如图1所示。
![]()
图 1 随机森林质量分析模型训练流程图Figure 1. Training flowchart of random forest quality analysis model首先，将样本数据输入到初始默认设置的每棵决策树；然后，对数据特征进行分类，并对每个特征进行评分；最终集成所有的分类投票结果，确定随机森林的最优决策树数量和决策树节点分支变量数量，将投票次数最多的指定为最终的输出。
2. 结果与分析
2.1 理化指标相关性分析
数据集中随机抽取866个4～8 级的样本数据，等级分别命名为Q5、Q4、Q3、Q2和Q1，对各理化指标数据按照四分位点由小到大划分为4个区间，理化指标与感官评定等级的相关性规律通过和弦图阐释，如图2所示。
![]()
图 2 等级与理化指标的和弦图注：A为Q1~Q5等级与理化指标的相关性总图。B、C、D、E和F为Q1～Q5等级分别与理化指标的相关性图。Figure 2. Chord diagram of grade and physical and chemical indicators如图2所示，以理化指标酒精度alcohol为例，由小到大分为alcohol1、alcohol2、alcohol3和alcohol4共4个区间，随Q1～Q5质量等级的变化，酒精度分布逐渐向alcohol1区间（最低酒精度区间）偏移，如图中B、E的局部放大图所示，可直观观察到随质量等级的降低，酒精度分布逐渐向低酒精度区间偏移。
进一步分析理化指标间的耦合关系，采用散点矩阵分析方法对理化指标的相关性进行量化，如图3所示。
图3（A）下三角的散点矩阵显示理化指标之间的相关性，上三角通过相关系数（绝对值）文字大小显示相关性的强弱。以图3（A）中框选为例进行分析，如椭圆框内的点分布于一条带状区域内，说明密度与残糖具有较强的线性或非线性相关性；矩形框内的点呈现无规律分布，表明柠檬酸与总二氧化硫的相关性较小；六边形框内的点沿轴分布，表明酒精度与硫酸酯为相对独立的属性。图3（A）展示理化指标之间的相关性强弱，通过图3（B）椭圆矩阵相关性的正负关系，蓝色表示正相关，红色表示负相关，椭圆的宽度越窄相关性越强。
2.2 高维多元理化数据特征提取
2.2.1 主成分降维算法
由图3可知，理化指标之间具有复杂的耦合关系，首先对高维参数进行优化。PCA通过线性变换将高维数据变换到一个新的坐标系，获得若干个新的、独立不相关的综合参数——主成分，用少数几个综合指标来代替原来的指标数据，并且尽量多的反映原来指标所表示的特征。PCA算法中采用方差来度量提取数据特征的多少，要求在约束条件下方差达到最大值，以保证涵盖的信息量最多。
酒的理化指标数据具有不同的量纲，经标准化预处理后定义为X=（x1, x2, ···, xp），将X变换为一组独立不相关的综合参数（成分）y1, y2, ···, yp，使得yi为X的线性组合：
yi=ai1x1+ai2x2+⋯+aipxp (1) 利用RStudio数据可视化与数据挖掘专用软件进行PCA降维分析，通过“碎石图”可以获得各成分的贡献率，即表达原数据总体特征的比例，如图4所示。
PCA分析共获得10个成分，选取前6个作为主成分，能够表达原数据集85.17%的特征信息，6个主成分的系数矩阵如表2所示。
表 2 成分得分系数矩阵Table 2. Component score coefficient matrix理化指标 主成分 1 2 3 4 5 6 非挥发性酸 0.012 −0.497 0.062 0.161 −0.156 0.166 挥发性酸 0.003 0.006 −0.063 −0.621 0.664 0.162 柠檬酸 0.096 −0.265 0.185 0.249 0.479 −0.266 残唐 0.247 −0.072 0.101 −0.222 −0.206 −0.192 氯化物 0.065 0.115 −0.514 0.348 0.166 0.579 游离二氧化硫 0.187 0.207 0.058 0.321 0.256 −0.352 总二氧化硫 0.205 0.239 0.134 0.149 0.191 −0.036 密度 0.265 −0.043 0.054 −0.189 −0.267 0.097 pH −0.113 0.382 0.193 −0.044 −0.252 −0.108 硫酸酯 0.005 0.063 0.602 0.094 0.086 0.760 酒精度 −0.235 −0.034 0.184 0.164 0.217 −0.275 2.2.2 理化指标的重要性分析
根据主成分的特征根和得分系数矩阵，通过式（2）和（3）计算的各理化指标参数的权重。
βi=6∑j=0αijσi6∑j=0σi (2) ωi=βi11∑i=0βi (3) α为主成分得分系数矩阵，σ为主成分对应的方差，β为各指标数据的综合等分系数，ω为理化指标参数的权重，即重要性系数。i是理化指标数量，j是主成分数量。
图5中，“底纹”柱状图代表权重较大的6个理化指标，即对酒体质量的影响较大，因此，作为数据优化后的关键指标参数。
2.3 酒体质量分类模型的验证与分析
在数据特征提取的基础上降低了数据集维度。为提高模型的训练效果，筛选样本较多的Q2、Q3和Q4三个等级的数据。保留样本数据的6个关键指标参数，通过标准化后的二维分布情况可见三个等级样本数据的耦合情况具有较强的交叉，如图6所示。
![]()
图 6 三个质量等级酒的理化指标数据分布Figure 6. Data distribution of physical and chemical indicators of three quality grade of wine利用R语言的randomForest软件包建立随机森林模型。在随机数模型训练过程中，决策树节点分支的变量数量和决策树的数量是影响模型效果的主要因素。采用变量数量递增训练法，选取最优模型。选取4535个样本集，通过比较决策树节点分支变量数量为1时，模型的误判率最低。如图7所示，对决策树的数量进行分析，当决策树数量达到约380时，模型误差趋于稳定。因此，通过以上分析，决策树节点变量数量为1和决策树数量为380构建随机森林模型。
![]()
图 7 决策树数量与误差关系图Figure 7. The relationship between the number of decision trees and the error酒体质量分类模型的预测效果如表3所示。选取的4535个样本集中，包含Q2、Q3、Q4等级样本数量分别为880、2198、1457个。Q2等级样本数量较少，分类误差较高，达到40.9%，Q3、Q4等级分类误差分别为17.9%、29.2%，总体分类误差26.0%。
表 3 6项关键指标参数的决策树模型分类预测效果Table 3. Classification and prediction effect of decision tree model established by using key indicator parameters项目 Q2 Q3 Q4 分类误差（%） Q2 520 337 23 40.9 Q3 120 1804 274 17.9 Q4 15 410 1032 29.2 总体分类误差百分比 26.0% 保留原数据集中11 项理化指标，选取4000 个样本集，包含Q2、Q3、Q4等级样本数量分别为780个、1943个、1277个，采用随机森林质量分析模型进行等级预测，决策树节点变量数量为1和决策树数量为400是获得最优模型，预测结果如表4所示。Q2等级样本数量较少，分类误差较高，达到47.4%，Q3、Q4等级分类误差分别为15.7%、29.8%，总体分类误差26.4%
表 4 全部指标参数的决策树模型分类预测效果Table 4. Classification and prediction effect of decision tree model based on all index parameters项目 Q2 Q3 Q4 分类误差（%） Q2 410 355 15 47.4 Q3 87 1637 219 15.7 Q4 5 376 896 29.8 总体误差百分比 26.4% 数据集优化前后，各等级样本数据的分类预测结果相近，总体分类预测结果基本相同，降维优化并未影响分类误差，说明密度、残糖、挥发性酸、酒精度、硫酸酯和非挥发性酸与质量等级具有较强的相关性和预测性，可以表达原始数据集的绝大部分特征。
3. 结论
采用可视分析技术挖掘酒体感官评价中的隐性知识，提出一种基于数据驱动的酒质量评价方法。通过可视化图模型阐释高维多元理化指标参数之间的相关性，以及理化指标与酒质量等级之间的相关性。在此基础上，采用基于PCA方法提取数据集特征信息，对理化指标的重要性进行量化分析，筛选关键指标作为构建质量分类评价模型的参数。最后采用随机森林建立酒质量评价模型，模型的预测效果与包含全部理化指标的模型预测效果基本一致，说明优化后的关键指标参数包含了原数据集的大部分特征信息。基于高维多元的可视分析方法可以解决感官评价不能定量，和复杂理化分析不能定性的问题。与传统的感官评价相比，具有更高的稳定性和可靠性，可应用于辅助品酒师和酿造师进行酒质量评定和生产工艺优化。
-
![]()
图 1 随机森林质量分析模型训练流程图
Figure 1. Training flowchart of random forest quality analysis model
![]()
图 2 等级与理化指标的和弦图
注：A为Q1~Q5等级与理化指标的相关性总图。B、C、D、E和F为Q1～Q5等级分别与理化指标的相关性图。
Figure 2. Chord diagram of grade and physical and chemical indicators
![]()
图 6 三个质量等级酒的理化指标数据分布
Figure 6. Data distribution of physical and chemical indicators of three quality grade of wine
![]()
图 7 决策树数量与误差关系图
Figure 7. The relationship between the number of decision trees and the error
表 1 各等级的样本数量分布
Table 1 Sample size distribution for each grade
序号 等级 数量 序号 等级 数量 1 3级 20 5 7级（Q2） 880 2 4级（Q5） 163 6 8级（Q1) 175 3 5级（Q4） 1457 7 9级 5 4 6级（Q3） 2198 
下载: 导出CSV
表 2 成分得分系数矩阵
Table 2 Component score coefficient matrix
理化指标 主成分 1 2 3 4 5 6 非挥发性酸 0.012 −0.497 0.062 0.161 −0.156 0.166 挥发性酸 0.003 0.006 −0.063 −0.621 0.664 0.162 柠檬酸 0.096 −0.265 0.185 0.249 0.479 −0.266 残唐 0.247 −0.072 0.101 −0.222 −0.206 −0.192 氯化物 0.065 0.115 −0.514 0.348 0.166 0.579 游离二氧化硫 0.187 0.207 0.058 0.321 0.256 −0.352 总二氧化硫 0.205 0.239 0.134 0.149 0.191 −0.036 密度 0.265 −0.043 0.054 −0.189 −0.267 0.097 pH −0.113 0.382 0.193 −0.044 −0.252 −0.108 硫酸酯 0.005 0.063 0.602 0.094 0.086 0.760 酒精度 −0.235 −0.034 0.184 0.164 0.217 −0.275
下载: 导出CSV
表 3 6项关键指标参数的决策树模型分类预测效果
Table 3 Classification and prediction effect of decision tree model established by using key indicator parameters
项目 Q2 Q3 Q4 分类误差（%） Q2 520 337 23 40.9 Q3 120 1804 274 17.9 Q4 15 410 1032 29.2 总体分类误差百分比 26.0%
下载: 导出CSV
表 4 全部指标参数的决策树模型分类预测效果
Table 4 Classification and prediction effect of decision tree model based on all index parameters
项目 Q2 Q3 Q4 分类误差（%） Q2 410 355 15 47.4 Q3 87 1637 219 15.7 Q4 5 376 896 29.8 总体误差百分比 26.4%
下载: 导出CSV
-
[1] 贾智勇. 中国白酒品评宝典[M]. 北京: 化学工业出版社, 2016: 43−80. [2] 胡景辉, 尉嘉眙, 刘永贵, 等. 不同馏分清香型白酒感官质量与风味构成相关性分析[J]. 酿酒科技,2020(5):32−37. [3] 徐占成, 张奶英, 唐清兰, 等. 中国白酒品评技术回顾与展望[J]. 酿酒,2019,46(1):23−28. doi: 10.3969/j.issn.1002-8110.2019.01.010 [4] 蒋青香, 张婷, 倪辉, 等. HS-SPME-GC-MS结合感官评价分析丹凤佳酿白酒的挥发性风味成分[J]. 中国酿造,2020,39(3):156−161. doi: 10.11882/j.issn.0254-5071.2020.03.031 [5] 唐平, 山其木格, 王丽, 等. 白酒风味化学研究方法及酱香型白酒风味化学研究进展[J/OL]. 食品科学: 1−14[2020-08-31]. http://kns.cnki.net/kcms/detail/11.2206.TS.20191115.1342.012.html. [6] 施珂, 孙啸涛, 沈才洪, 等. 基于直接-气相色谱-嗅闻的整体感官评价模式分析泸香型白酒的关键香气成分[J]. 食品工业科技,2020,41(7):208−219. [7] 栗新峰, 张良, 李芳芳, 等. 基于GC-QTOF MS技术的浓香型白酒原酒质量等级评价[J]. 食品工业科技,2019,40(15):235−241. [8] 张菁菁, 刘笑笑, 王小乔, 等. 气相色谱串联质谱法测定白酒中的甲醇含量[J]. 中国酿造,2020,39(1):186−189. doi: 10.11882/j.issn.0254-5071.2020.01.036 [9] 马宇. 基于风味组学策略研究酱香型白酒关键成分及其呈香呈味特性[D]. 贵阳: 贵州大学, 2019. [10] Gazis P R, Levit C, Way M J. Viewpoints: A high-performance high-dimensional exploratory data analysis tool[J]. Publications of the Astronomical Society of the Pacific,2010,122(898):1518−1525. doi: 10.1086/657902
[11] Cao Y, Mo Z, Ai Z, et al. Parallel visualization of large-scale multifield scientific data[J]. Journal of Visualization,2019,22(6):1107−1123. doi: 10.1007/s12650-019-00591-4
[12] Kim J, Sim A, Tierney B, et al. Multivariate network traffic analysis using clustered patterns[J]. Jinoh Kim; Alex Sim; Brian Tierney; Sang Suh; Ikkyun Kim,2019,101(4):339−361.
[13] Shah Agam, Chauhan Yagnesh, Patel Prithvi, et al. Multivariate data visualization based investigation of projectiles in sports[J]. European Journal of Physics,2018,39:044001−044023. doi: 10.1088/1361-6404/aab6da
[14] Alejandra Machado, José Barroso, Yaiza Molina, et al. Proposal for a hierarchical, multidimensional, and multivariate approach to investigate cognitive aging[J]. Neurobiology of Aging,2018,71:179−188. doi: 10.1016/j.neurobiolaging.2018.07.017
[15] Alhamaydh Heba, Alzoubi Hussein, Almasaeid Hisham. Assessing clutter reduction in parallel coordinates using image processing techniques[J]. Journal of Electronic Imaging,2018,27:203−210.
[16] Krist Wongsuphasawat, Michael L Pack, Darya Filippova, et al. Visual analytics for transportation incident data sets[J]. Transportation Research Record,2009,2138:135−145. doi: 10.3141/2138-18
[17] Zhihao Hao, Dianhui Mao, Bob Zhang, et al. A novel visual analysis method of food safety risk traceability based on blockchain[J]. International Journal of Environmental Research and Public Health,2020,17:2300. doi: 10.3390/ijerph17072300
[18] Cruz António, Arrais Joel P, Machado Penousal. Interactive and coordinated visualization approaches for biological data analysis[J]. Briefings in Bioinformatics,2019,20(4):1513−1523. doi: 10.1093/bib/bby019
[19] 陈谊, 林晓蕾, 赵云芳, 等. SunMap: 一种基于热图和放射环的关联层次数据可视化方法[J]. 计算机辅助设计与图形学学报,2016,28(7):1075−1083. doi: 10.3969/j.issn.1003-9775.2016.07.006 [20] P Cortez, A Cerdeira, F Almeida, et al. Modeling wine preferences by data mining from physicochemical properties[J]. Decision Support Systems,2009,47(4):547−553. doi: 10.1016/j.dss.2009.05.016
[21] Xueting Bai, Lingbo Wang, Hanning Li. Identification of red wine categories based on physicochemical properties[C]. International Conference on Education Technology, Management and Humanities Science(ETMHS 2019), 2019: 1479-1484.
[22] Francisco A G Soares-da-Silva, Francisco M Campos, Manuel L Ferreira, et al. Colour profile analysis of Port wines by various instrumental and visual methods[J]. Journal of the Science of Food and Agriculture,2019,7:3563−3571.
[23] 先春, 陈仁远, 王俊, 等. 近红外光谱结合聚类分析对不同风格酱香型白酒的研究[J]. 酿酒科技,2016(3):49−51, 56. [24] 彭祖成, 潘春跃. 聚类分析在白酒质量和风味辨识的应用[J]. 食品工业,2015,36(6):250−252. [25] 纪南, 廖永红, 丁芳, 等. 市售5种酱香型白酒挥发性风味物质的主成分分析[J]. 酿酒科技,2016(9):17−22, 30.
下载:
计量
- 文章访问数:
- HTML全文浏览量:
- PDF下载量:
