1.基于GA‑BP神经网络的葡萄酒涩感品质的诊断方法,其特征在于,包括:S1,收集待测葡萄酒样品的基质参数;
S2,将待测葡萄酒样品脱醇后,利用固相萃取分离技术分离待测葡萄酒样品中的单宁为单宁单体、寡聚单宁和高聚单宁三部分,并分别复溶至模型酒溶液中,制备成相应的模型单宁溶液;对每个模型单宁溶液进行检测和分析,以确定单宁单体、寡聚单宁和高聚单宁三部分中物质的结构和含量;
S3,根据单宁单体、寡聚单宁和高聚单宁三部分中物质的结构和含量计算单宁量化参数;
S4,将基质参数和单宁量化参数输入遗传算法优化的BP神经网络模型,经遗传算法优化的BP神经网络模型预测,输出待测葡萄酒样品的涩感品质等级。
2.根据权利要求1所述的基于GA‑BP神经网络的葡萄酒涩感品质的诊断方法,其特征在于,S1中,所述基质参数为基质的pH、基质中的乙醇含量和基质中的可滴定酸含量中的一种或多种。
3.根据权利要求1所述的基于GA‑BP神经网络的葡萄酒涩感品质的诊断方法,其特征在于,S2中,对每个模型单宁溶液进行检测和分析,以确定单宁单体、寡聚单宁和高聚单宁三部分中物质的结构和含量,具体是:采用光谱学测定方法分别测定总酚、总黄烷醇和色素单宁占比;采用高效液相色谱法测定水解单宁含量、缩合单宁含量、聚合度、原雀翠定百分比和没食子酰化单宁占比。
4.根据权利要求1所述的基于GA‑BP神经网络的葡萄酒涩感品质的诊断方法,其特征在于,S2中,利用固相萃取分离技术分离待测葡萄酒样品中的单宁为单宁单体、寡聚单宁和高聚单宁三部分,具体是:将待测葡萄酒样品注入C18固相萃取柱后,使用氮气吹干,分别使用蒸馏水、乙酸乙酯和甲醇冲洗,分别收集馏分并冻干为粉末,得到单宁单体、寡聚单宁和高聚单宁三部分。
5.根据权利要求1所述的基于GA‑BP神经网络的葡萄酒涩感品质的诊断方法,其特征在于,S3中,单宁量化参数为τ1、τ2、τ3、τ4和τ5的一个或多个:τ1=CT/HT
τ2=TF3/TP3
τ3=TF2/TP2
τ4=mDP3/mDP2
τ5=%P2*PT3/%G3
其中,τ1代表缩合单宁和水解单宁的含量参数,τ2代表高聚单宁含量量化参数,τ3代表寡聚单宁的量化参数,τ4代表单宁聚合度量化参数,τ5代表延伸端各单宁结构组成占比,CT代表缩合单宁含量,HT代表水解单宁含量,TF3代表高聚单宁的总黄烷醇含量,TP3代表高聚单宁的总酚含量,TF2代表寡聚单宁的总黄烷醇含量,TP2代表寡聚单宁的总酚含量,mDP3代表高聚单宁的聚合度,mDP2代表寡聚单宁的聚合度,%P2代表寡聚单宁中原雀翠定占比,PT3代表高聚单宁中色素单宁占比,%G3代表高聚单宁中没食子单宁占比。
6.根据权利要求1所述的基于GA‑BP神经网络的葡萄酒涩感品质的诊断方法,其特征在于,S3中,所述遗传算法优化的BP神经网络模型通过如下方法构建得到:(1)收集对多个葡萄酒样品的感官数据,根据感官数据计算得到多个葡萄酒样品的涩感品质等级;
(2)收集多个葡萄酒样品的基质参数;
(3)将多个葡萄酒样品脱醇后,利用固相萃取分离技术分离葡萄酒样品中的单宁为单宁单体、寡聚单宁和高聚单宁三部分,并分别复溶至模型酒溶液中,制备成相应的模型单宁溶液;对每个模型单宁溶液进行检测和分析,以确定单宁单体、寡聚单宁和高聚单宁的结构和含量;
(4)根据单宁单体、寡聚单宁和高聚单宁的结构和含量计算单宁量化参数;
(5)将多个葡萄酒样品的涩感品质等级、基质参数和单宁量化参数划分训练集和测试集;
(6)以葡萄酒样品的基质参数和单宁量化参数为输入、葡萄酒样品的涩感品质等级为输出构建遗传算法优化的BP神经网络模型,采用训练集进行训练,得到遗传算法优化的BP神经网络模型;
(7)采用测试集测试遗传算法优化的BP神经网络模型预测结果的可靠性。
7.根据权利要求6所述的基于GA‑BP神经网络的葡萄酒涩感品质的诊断方法,其特征在于,步骤(1)中,收集感官数据具体是:采用口腔五点感官法,采用线性量表评判口腔上颚、两颊、舌表、上下唇和牙周部位的涩感强度。
8.根据权利要求7所述的基于GA‑BP神经网络的葡萄酒涩感品质的诊断方法,其特征在于,葡萄酒样品的涩感品质等级Y=0.80+0.14*上下唇涩感强度+0.69*牙周涩感强度+0.1*上颚涩感强度‑0.62*舌表涩感强度+0.82*两颊涩感强度,计算得分取整,范围在[1‑5]之间,Y从1至5分别代表差、次、中、良、优。
9.根据权利要求6所述的基于GA‑BP神经网络的葡萄酒涩感品质的诊断方法,其特征在于,步骤(5)中,还包括:对葡萄酒的基质数据和单宁量化参数进行归一化处理。