ORIGINAL PAPERLi-Xian Sun á Klaus D

ORIGINAL PAPER
Li-Xian Sun á Klaus Danzer á Gabriela Thiel
Classification of wine samples by means of artificial neural networks
and discrimination analytical methods
Received: 12 July 1996/Revised: 9 October 1996/Accepted: 12 October 1996
Abstract The three-layer artiÞcial neural network
(ANN) model with back-propagation (BP) of error was
used to classify wine samples in six di¤erent regions
based on the measurements of trace amounts of
B,V,Mn, Zn,Fe,Al,Cu, Sr, Ba,Rb,Na, P, Ca,Mg,
K using an inductively coupled plasma optical emission
spectrometer (ICP-OES). The ANN architecture
and parameters were optimized. The results obtained
with ANN were compared with those obtained by
cluster analysis, principal component analysis, the
Bayes discrimination method and the Fisher discrimination
method. A satisfactory prediction result (100%)
by an artiÞcial neural network using the jackknife
leave-one-out procedure was obtained for the classi-
Þcation of wine samples containing six categories.
Introduction
Wine is one of the most widely consumed beverages in
the world and has very obvious commercial value as
well as social importance. Therefore, the evaluation of
the quality of wine plays a very important role for both
manufacture and sale. Historically, the quality or geographical
origin of wine was determined only through
tasting by wine experts. However, recently more advanced
instruments have become available. Therefore,
it seems reasonable to determine the geographical
Dedicated to Professor Dr. Gerhard Werner on the occasion of his
65th birthday
Li-Xian Sun
On leave from the Department of Chemistry, Hunan Normal
University, Changsha, 410081, PeopleÕs Republic of China
K. Danzer ( ) á G. Thiel
Institute of Inorganic and Analytical Chemistry, Friedrich Schiller
University Jena, Lessingstrasse 8, D-07743 Jena, Germany
origins of wine by reliable chemical analysis techniques
in combination with modern chemometrical methods
instead of traditional wine experts. Concerning the
analysis methods of constituents in wine, there are
many reports such as GC for the analysis of aroma
compounds in wine [1], HPLC for the determination
of phenolic acids [2], spectrophotometry for Fe [3],
Mn [4] and preservatives containing benzoic acid,
sorbic acid, dehydroacetic acid and ethyl parahydrobenzoate
[5], ion-selective electrode (ISE) methods
for the simultaneous determination of sulÞte and phosphate
[6] and ethanol [7], capillary zone electrophoresis
(CZE) for phenolic compounds [8], ßame atomic
absorption spectroscopy analysis (FAAS) and graphite
furnace atomic absorption spectroscopy analysis
(GFAAS) for Fe, Cu, Ag, Co, Si, Zn,Pb [9Ð11], GC-MS
(mass spectrometry) for trißuoroacetylated glycosides
[12], GC-FTIR (Fourier transform infrared)-MS for
spirits [13], NMR [14] and so on. There is also
a monograph which describes various methods of wine
analysis [15]. The inductively coupled plasma optical
emission spectrometer (ICP-OES) provides a powerful
means for fast analysis of a number of elements of the
periodic table. There is a problem, however, with how
to treat the large quantity of data. Fortunately,
chemometrical methods are able to solve such multivariate
data analysis problems [16, 17]. In the present
paper, cluster analysis, principal component analysis,
discrimination analysis methods and artiÞcial neural
networks are applied to wine classiÞcation based on
ICP-OES measurement data. Principal component
analysis [18Ð22], cluster analysis [23Ð27] and discrimination
analysis methods [28Ð31] have found wide applications
in various Þelds. Recently artiÞcial neural
networks (ANN) [32Ð43] have become powerful
chemometric tools for modeling complex analytical
systems and solving those complex non-linear problems
in which the relationship between the cause and
e¤ect cannot be precisely deÞned or described by chemical
reasoning. In this paper, trace amounts of

ผลลัพธ์ (ไทย) 1:

เอกสารต้นฉบับ
ซันหลี่เซียนá Danzer คลัสá Thiel กาเบรียลา
จำแนกประเภทของไวน์ตัวอย่างโดยใช้เครือข่ายประสาทเทียม
และวิธีวิเคราะห์แบ่งแยก
ได้รับ: 12 1996 กรกฎาคม/ปรับปรุง: 9 1996 ตุลาคม/Accepted: 12 1996 ตุลาคม
นามธรรมแบบประสาท network
(ANN) artiÞcial 3 ชั้นกับหลังเผยแพร่ (BP) ผิดพลาดถูก
ใช้งานตัวอย่างไวน์ใน 6 ภูมิภาค di¤erent
ตามขนาดของจำนวนการติดตามของ
B, V, Mn, Zn, Fe, Al, Cu, Sr, Ba, Rb นา P, Ca, Mg,
K ใช้เป็นมลพิษแสงพลาสม่าท่าน
สเปกโตรมิเตอร์ (วิจัย) สถาปัตยกรรม ANN
และพารามิเตอร์ถูกปรับให้เหมาะสม ผลได้รับ
กับแอนน์ถูกเปรียบเทียบกับผู้รับโดย
คลัสเตอร์การวิเคราะห์ การวิเคราะห์ส่วนประกอบหลัก การ
Bayes วิธีการแบ่งแยกและเลือกปฏิบัติ Fisher
วิธีการ ผลพยากรณ์เป็นที่พอใจ (100%)
โดย artiÞcial ประสาทเครือข่ายการใช้การ jackknife
ตอนลาออกหนึ่งกล่าวสำหรับ classi-
Þcation ไวน์ตัวอย่างมี 6 ประเภท
แนะนำ
ไวน์เป็นเครื่องดื่มที่ใช้กันอย่างแพร่หลายในหนึ่ง
โลก และมีมูลค่าการค้าชัดเป็น
รวมทั้งความสำคัญทางสังคม ดังนั้น การประเมินของ
คุณภาพของไวน์มีบทบาทสำคัญมากทั้ง
ผลิตและขาย ประวัติ คุณภาพ การภูมิศาสตร์
กำหนดจุดเริ่มต้นของไวน์เพียงผ่าน
ชิมไวน์ผู้เชี่ยวชาญด้านการ อย่างไรก็ตาม เมื่อเร็ว ๆ นี้สูงกว่า
เครื่องมือมีพร้อมใช้งาน ดังนั้น,
เหมือนสมเหตุสมผลเพื่อกำหนดทางภูมิศาสตร์ที่
ทุ่มเทให้กับดร. Gerhard Werner โอกาสเขา
วันเกิด 65
Li-ซีอานซัน
ลาจากภาควิชาเคมี ปกติหูหนาน
มหาวิทยาลัย ฉางซา 410081, PeopleÕs สาธารณรัฐจีน
á()คุณ Danzer G. Thiel
สถาบัน Inorganic และเคมีวิเคราะห์ ฟรีดริชชิลเลอร์
มหาวิทยาลัย Jena, Lessingstrasse 8, D-07743 Jena เยอรมนี
กำเนิดของไวน์โดยเทคนิคทางเคมีวิเคราะห์ความน่าเชื่อถือ
ร่วมด้วยวิธีทันสมัย chemometrical
แทนที่เป็นผู้เชี่ยวชาญไวน์แบบดั้งเดิม เกี่ยวกับการ
วิธีวิเคราะห์ของ constituents ในไวน์ มี
รายงานหลายฉบับเช่น GC ในการวิเคราะห์กลิ่น
สารประกอบในไวน์ [1], HPLC ในการกำหนดการ
กรดฟินอลิ [2], spectrophotometry สำหรับเฟ [3],
Mn [4] และสารกันบูดประกอบด้วยกรด benzoic,
sorbic กรด กรดและเอทิล parahydrobenzoate dehydroacetic
[5], วิธีไอออนใช้ไฟฟ้า (อิเสะ)
ในการกำหนดการเกิดของ sulÞte และฟอสเฟต
[6] และเอทานอล [7], เส้นเลือดฝอยโซน electrophoresis
(CZE) สำหรับม่อฮ่อม [8], อะตอม ßame
ดูดซึมกวิเคราะห์ (FAAS) และแกรไฟต์
เตา analysis
(GFAAS) กดูดกลืนโดยอะตอม Fe, Cu, Ag, Co ศรี Zn, Pb [9Ð11] GC MS
(รเมท) สำหรับ trißuoroacetylated glycosides
[12], GC-FTIR (อินฟราเรดการแปลงฟูรีเย) -MS สำหรับ
สุรา [13], [14] NMR และอื่น ๆ นอกจากนี้ยังมี
monograph ซึ่งอธิบายถึงวิธีการต่าง ๆ ของไวน์
วิเคราะห์ [15] พลาสม่าท่านแสง
มลพิษสเปกโตรมิเตอร์ (วิจัย) ให้มีประสิทธิภาพ
หมายความว่า สำหรับการวิเคราะห์อย่างรวดเร็วของจำนวนขององค์ประกอบของการ
ตารางธาตุ มีปัญหา อย่างไรก็ตาม ด้วยวิธี
เพื่อรักษาปริมาณขนาดใหญ่ของข้อมูล โชคดี,
chemometrical วิธีจะแก้เช่น multivariate
ข้อมูลวิเคราะห์ปัญหา [16, 17] ในปัจจุบัน
กระดาษ แบ่งกลุ่ม การ วิเคราะห์ส่วนประกอบหลัก,
วิธีวิเคราะห์แบ่งแยกและประสาท artiÞcial
เครือข่ายนำไปใช้กับไวน์ตาม classiÞcation
ข้อมูลวิจัยประเมิน ส่วนประกอบหลัก
คลัสเตอร์วิเคราะห์ [18Ð22], [23Ð27] การวิเคราะห์และการเลือกปฏิบัติ
วิธีวิเคราะห์ [28Ð31] ได้พบโปรแกรมประยุกต์ที่กว้าง
ใน Þelds ต่าง ๆ เมื่อเร็ว ๆ นี้ artiÞcial ประสาท
เครือข่าย (แอน) [32Ð43] กลายเป็นมีประสิทธิภาพ
chemometric เครื่องมือสำหรับการวิเคราะห์โมเดลเชิง
ระบบและแก้ปัญหาไม่เชิงเส้นที่ซับซ้อน
ซึ่งความสัมพันธ์ระหว่างสาเหตุ และ
ไม่แม่นยำ deÞned e¤ect หรือทางเคมี
ใช้เหตุผล ในเอกสารนี้ ติดตามจำนวน

ผลลัพธ์ (ไทย) 3:

ต้นฉบับกระดาษ
หลี่เสียน Sun . kgm คลาวส์ danzer ธีล
การจำแนกตัวอย่าง . kgm - ไวน์โดยใช้โครงข่ายประสาทเทียมและการเลือกวิธีการวิเคราะห์

ได้รับ : 12 กรกฎาคม 2539 / แก้ไข : 9 ตุลาคม 1996 / ยอมรับ : 12 ตุลาคม 1996
บทคัดย่อ สามชั้น กิ่Þโครงข่ายประสาทเทียม ( ANN )
back-propagation ( BP รุ่นกับ ) ของข้อผิดพลาดคือ
ใช้จำแนกตัวอย่างไวน์ในภูมิภาค¤ erent
6 ดิขึ้นอยู่กับการวัดร่องรอย
b , v , MN , Zn , Fe , Al , Cu , Sr , Ba , RB , นา , P , Ca , Mg ,
K ใช้อุปนัยคู่พลาสมาแสงมลพิษ
Spectrometer ( รูปแบบ ) ส่วนแอนสถาปัตยกรรม
และพารามิเตอร์ที่เหมาะสม . ผลลัพธ์ที่ได้
กับ แอน เปรียบเทียบกับผู้ที่ได้จาก
การวิเคราะห์กลุ่มการวิเคราะห์ส่วนประกอบหลัก และเลือกวิธีเบส์

เลือกปลาวิธี ผลการทำนายที่น่าพอใจ ( 100% )
โดย Arti Þ่เครือข่ายประสาท ใช้มีดพับ
ปล่อยออกจากกระบวนการที่ได้รับ สำหรับ classi -
Þไอออนบวกของไวน์ตัวอย่างประกอบด้วย 6 ประเภท ไวน์แนะนำ

เป็นหนึ่งในเครื่องดื่มที่บริโภคอย่างกว้างขวางมากที่สุดในโลก และมีมูลค่าทางการค้า

ชัดเจนมาก เช่น รวมทั้งความสำคัญของสังคม ดังนั้น การประเมิน
คุณภาพของไวน์ มีบทบาทสำคัญมากสำหรับทั้ง
ผลิต และขาย ในอดีต คุณภาพหรือทางภูมิศาสตร์
ที่มาของไวน์ถูกกำหนดโดยเฉพาะ
ชิมโดยผู้เชี่ยวชาญไวน์ อย่างไรก็ตาม เมื่อเร็วๆ นี้ เครื่องมือขั้นสูง
มากขึ้นได้กลายเป็นใช้ได้ ดังนั้นมันดูเหมือนว่าเหมาะสมที่จะศึกษา

โดยเฉพาะทางภูมิศาสตร์ ศาสตราจารย์ ดร. แกร์ฮาร์ดเวอร์เนอร์ ในโอกาสวันเกิดของเขา

65หลี่เซียนซัน
จากภาควิชาเคมี คณะวิทยาศาสตร์ มหาวิทยาลัยหูหนานปกติ
ฉางชา 410081 คนÕสาธารณรัฐประชาชนจีน
K ( G ) . kgm danzer ธีล
สถาบัน : เคมีวิเคราะห์ , ฟรีดริชชิลเลอร์
มหาวิทยาลัยนิวยอร์ก lessingstrasse 8 , d-07743 Jena เยอรมนี

ต้นกำเนิดของไวน์โดยเทคนิคการวิเคราะห์ สารเคมีที่เชื่อถือได้ร่วมกับวิธีการ chemometrical ทันสมัย
แทนของผู้เชี่ยวชาญด้านไวน์แบบดั้งเดิม เกี่ยวกับวิธีการวิเคราะห์ของสารประกอบในไวน์

มีรายงานมากมาย เช่น GC สำหรับการวิเคราะห์สารประกอบในไวน์หอม
[ 1 ] , HPLC สําหรับการกําหนด
ฟีโนลิก กรด [ 2 ] , วิธี , [ 3 ] ,
2 [ 4 ] และสารกันบูดที่มีกรดเบนโซอิก , กรดซอร์บิค
กรด dehydroacetic และเอทิล parahydrobenzoate
[ 5 ]ion selective electrode ( ISE ) วิธีการ
การหาพร้อมกันของซุลÞ Te และฟอสเฟต
[ 6 ] และเอทานอล [ 7 ] , capillary electrophoresis
โซน ( CYP ) สารประกอบฟีนอล [ 8 ] , ßชื่ออะตอม
การดูดซึมสเปกโทรสโกปีในการวิเคราะห์ ( FAAS ) และแกรไฟต์

( เตา Atomic absorption spectroscopy การวิเคราะห์ปริมาณสำหรับเหล็ก , ทองแดง , AG , CO , Si Zn Pb Ð 11 [ 9 ] , GC-MS
( แมส ) ไตรß uoroacetylated รำพัน
[ 12 ] gc-ftir ( ฟูเรียร์ Infrared ) - MS เพื่อ
วิญญาณ [ 13 ] , NMR [ 14 ] และ นอกจากนี้ยังมีการอธิบายวิธีการต่าง ๆที่เกี่ยวกับไวน์
การวิเคราะห์ [ 15 ] การอุปนัยพลาสมา Emission Spectrometer ( คู่แสง

เทคนิค ) มีวิธีการที่มีประสิทธิภาพสำหรับการวิเคราะห์อย่างรวดเร็วของจำนวนองค์ประกอบของ
ตารางธาตุมีปัญหา อย่างไรก็ตาม ด้วยวิธีการ
เพื่อรักษาปริมาณขนาดใหญ่ของข้อมูล โชคดี
วิธีการ chemometrical จะสามารถแก้ไขปัญหาดังกล่าวหลายตัวแปรการวิเคราะห์ข้อมูล 16
[ 17 ] ในปัจจุบัน
กระดาษ กลุ่มการวิเคราะห์ส่วนประกอบหลัก วิธีการและ กิ่Þ

ประสาทเครือข่ายการวิเคราะห์การแบ่งแยกการใช้ไวน์Þ classi ตาม
เทคนิคการวัดข้อมูลการวิเคราะห์องค์ประกอบหลัก
[ 18 Ð 22 ] , การวิเคราะห์กลุ่ม [ 23 ] Ð 27 การวิธีวิเคราะห์
[ ]
28 31 Ðพบการใช้งานกว้างใน elds Þต่าง ๆ เมื่อเร็ว ๆนี้ กิ่Þประสาท
เครือข่าย ( แอน ) [ 32 ] Ð 43 กลายเป็นเครื่องมือที่มีประสิทธิภาพสำหรับระบบวิเคราะห์การคีโมเมตริกซ์

ที่ซับซ้อน และแก้ไขปัญหาที่ซับซ้อนเหล่านั้น
) ซึ่งความสัมพันธ์ระหว่างสาเหตุและ
E ¤ ect ไม่สามารถแน่นอน เดอ Þเน็ดหรืออธิบายด้วยเหตุผลทางเคมี

ในกระดาษนี้ ร่องรอยของ