不同品牌啤酒的生產原輔料和生產工藝有所不同，因此，啤酒中所含物質也不盡相同, 這為電子舌的應用提供了物質基礎。電子舌可以分析樣品中的不揮發或低揮發分子及可溶性化合物。其與傳統分析方法相比，不但檢測速度快，而且操作簡單、對樣品不存在破壞，現已被廣泛應用于茶葉 、酒類、油脂、 乳品、飲料、肉類等樣品的分析和檢測中。
材料與方法 材料 4種市售的不同品牌啤酒，分別編號A、B、C、D。 方法
樣品準備 樣品 C 和 D 進行混合，混合比例 C:D(V/V)為 10:90 、30:70 、50:50 、70:30 、90:10 、100:0，編號分別為1、2、3、4、5、6。 傳感器信號分析 檢測每一個樣品時傳感器共采集120s 。在進行數據分析與處理時，采用第120秒所得的穩定數據作為輸出值進行分析。 數據分析方法 根據傳感器采集的原始數據，分別采用主成分分析 (PCA) 、判別因子分析 (DFA)和偏最小二乘回歸分析(PLS)分析。 結果與分析 不同品牌啤酒對比 主成分分析(PCA) PCA 是將所提取的傳感器多指標的信息進行數據轉換和降維，并對降維后的特征向量進行線性分類，最后在PCA圖上顯示主要的兩維圖。橫、縱坐標分別表示在 PCA 轉換中得到的第一主成分(PC1)和第二主成分(PC2)的貢獻率(或權重) ，貢獻率越大，說明主成分可以較好地反映原來多指標的信息 。
圖1為不同品牌啤酒樣品的主成分分析圖， 第一主成分和第二主成分的總貢獻率達到了95 .2% ，足以收集特征性信息。不同品牌的啤酒分別聚類在 PCA 圖中的不同區域，相互之間能夠較好地區分。 判別因子分析(DFA) DFA 是一種通過重新組合傳感器數據來優化區分性的分類技術，它的目的是使各個組間的重心距離最大同時保證組內差異最小，在充分保存現有信息的前提下，使同類數據間的差異性盡量縮小，不同類數據間的差異盡量擴大 。
在圖2中，不同的樣品有不同的聚類分布。與圖1相比，樣品間的區分程度更好。
不同混合比例啤酒的PCA和DFA 從圖 1 、2 可以看出，C和D的差異性最小,因此,選擇這兩個樣進行不同比例混合的識別實驗，其電子舌分析結果見圖3。
在圖3A 中，1 、2 、3 號樣品相互重疊而不能分開，其他 3 個樣品能夠很好地區分。沿著圖3A中箭頭所示的方向， 混合比例呈現一定規律的分布。在圖3B中，6 個不同混合比例的啤酒樣品相互之間能夠完全分開， 并且不同混合比例的啤酒樣品在 DFA 圖中的分布規律性更好。沿著圖中箭頭所示的方向，混合比例依次增加。從上述分析可以看出， 電子舌可以用于區分不同品牌啤酒的混合樣品。 不同混合比例啤酒的偏最小二乘回歸分析 以傳感器響應值為自變量，以啤酒混合比例為擬合目標值進行曲線擬合，結果見圖 4 。擬合的相關系數為0.9436 ，擬合效果良好。 
分別以C和D不同混合比例的4個樣品進行模型的驗證,結果見表1 。PLS 模型對混合比例為30:70 、50:50 、70:30 、100:0 的4個樣品預測效果較好，相對誤差在1.43%～3.00 %之間。說明 PLS 模型能夠很好地預測不同品牌啤酒的混合比例。
結 論 采用電子舌對不同品牌啤酒進行PCA 和DFA分析 ，結果能夠有效地區分不同品牌的啤酒樣品以及啤酒的混合樣品。對不同混合比例啤酒的電子舌數據進行PLS表明：模型的擬合效果良好，可以用于對不同啤酒的混合比例進行預測。綜上，電子舌可以用于對不同品牌啤酒樣品進行識別和區分以及啤酒的摻偽識別。
參考文獻：賈洪鋒,梁愛華,何江紅,周凌潔,張淼,鄭景洲.電子舌對啤酒的區分識別研究[J].食品科學,2011,32(24):252-255.轉載請注明來源。
提醒：文章僅供參考，如有不當，歡迎留言指正和交流。且讀者不應該在缺乏具體的專業建議的情況下，擅自根據文章內容采取行動，因此導致的損失，運營方不負責。如文章涉及侵權或不愿我平臺發布，請聯系處理。
本文采用電子舌對不同品牌的啤酒及不同品牌啤酒的混合樣品進行測定，對所得的數據進行多元統計分析。
樣品準備
圖1為不同品牌啤酒樣品的主成分分析圖， 第一主成分和第二主成分的總貢獻率達到了95 .2% ，足以收集特征性信息。不同品牌的啤酒分別聚類在 PCA 圖中的不同區域，相互之間能夠較好地區分。
在圖2中，不同的樣品有不同的聚類分布。與圖1相比，樣品間的區分程度更好。來源：感官科學與評定 轉載請注明來源。
