坦洋工夫紅茶品質(zhì)評定的B P神經(jīng)網(wǎng)絡(luò)模型

潘玉成，葉乃興，潘玉華，趙仕宇

（1.寧德職業(yè)技術(shù)學(xué)院機(jī)電工程系 福建福安 355000；2.福建農(nóng)林大學(xué)園藝學(xué)院 福建福州 350002；3.寧德職業(yè)技術(shù)學(xué)院農(nóng)業(yè)科學(xué)系 福建福安 355000）

茶葉品質(zhì)與茶葉商品規(guī)格、商品信譽(yù)和經(jīng)濟(jì)效益有著緊密的關(guān)系，人們對茶葉品質(zhì)的認(rèn)識伴隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展而逐漸完善?，F(xiàn)在我們所說的茶葉品質(zhì)，實(shí)際上已經(jīng)超出了傳統(tǒng)認(rèn)為的單一的感官品質(zhì)，廣義的茶葉品質(zhì)，應(yīng)該是由感官品質(zhì)，內(nèi)質(zhì)成分和質(zhì)量安全水平三部分組成。但很多時候人們對茶葉品質(zhì)的認(rèn)識，通常仍然是指狹義的感官品質(zhì)。茶葉品類豐富，花色品種繁多，每個茶葉產(chǎn)品都有自己的感官品質(zhì)特征和品質(zhì)要求，茶葉真?zhèn)舞b別，品質(zhì)的優(yōu)次，茶葉質(zhì)量等級的劃分和價值的高低等，長期以來都是通過茶葉感官審評來確定。由于感官審評是利用人體各種感覺器官如視覺、味覺、嗅覺等來評定的，而人的感覺器官的靈敏度易受外界因素的干擾，從而影響評定的準(zhǔn)確性。近年來，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已成為人工智能的一個重要發(fā)展方向，它是以模擬生物的神經(jīng)結(jié)構(gòu)系統(tǒng)而建立的非線性動力學(xué)系統(tǒng)，其特點(diǎn)是可以通過例子學(xué)習(xí)訓(xùn)練去解決問題，而不必知道對象的數(shù)學(xué)模型，在信號處理、模式識別、智能控制、組合優(yōu)化、預(yù)測等領(lǐng)域得到成功應(yīng)用。本文以福建坦洋工夫紅茶為樣本，構(gòu)建其品質(zhì)評定的BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對茶葉品質(zhì)較為客觀、準(zhǔn)確的評定。

1 茶葉品質(zhì)的評定方法

1.1 茶葉的感官審評

茶葉品質(zhì)是茶葉質(zhì)量量化標(biāo)準(zhǔn)的重要指標(biāo)，是指茶葉中的眾多化合物，特別是能溶于茶湯的物質(zhì)對人體感官刺激的綜合效應(yīng)，一般包括色澤、外形、香氣、滋味四大要素，因此茶葉品質(zhì)的評定也按色、香、味、形去審評。茶葉品質(zhì)的優(yōu)次，茶葉質(zhì)量等級的劃分長期以來都是通過茶葉感官審評來確定。茶葉感官審評是指經(jīng)過訓(xùn)練的評茶人員，使用規(guī)范的審評設(shè)備，在特定的操作過程中，根據(jù)自身視覺，嗅覺，味覺和觸覺的感受，結(jié)合工作經(jīng)驗(yàn)，對茶葉的品質(zhì)進(jìn)行分析評價。對專業(yè)人員而言，茶葉感官審評具有高效，迅捷，全面的優(yōu)點(diǎn)。因此，在相當(dāng)長的一段時間內(nèi)，茶葉感官審評仍將會是在生產(chǎn)中被廣泛應(yīng)用的一種茶葉質(zhì)量評判手段。但是，茶葉感官審評作為一種人的主觀行為，容易受到審評人員的生理?xiàng)l件、工作經(jīng)驗(yàn)以及環(huán)境條件等因素的影響。不同的審評人員或同一個審評人員在不同的生理及環(huán)境條件下，對同一個茶樣，通過感官審評得出的結(jié)果，往往存在一定的差異，最終影響茶葉品質(zhì)評定的準(zhǔn)確性[1]。

1.2 新技術(shù)在茶葉品質(zhì)審評中的應(yīng)用

隨著科學(xué)技術(shù)的不斷發(fā)展和進(jìn)步，科技工作者開始將一些新技術(shù)、新儀器運(yùn)用到茶葉審評中以提高其準(zhǔn)確性。新技術(shù)應(yīng)用于茶葉品質(zhì)的評定，其主要工作是圍繞茶葉的色、香、味、形的智能檢測評判展開，這些新技術(shù)應(yīng)用主要包括：①計(jì)算機(jī)圖像處理技術(shù)用于茶葉的顏色和外形評價。蔡健榮[2]采用計(jì)算機(jī)圖像處理技術(shù)建立茶葉顏色描述系統(tǒng)模型，利用HIS顏色系統(tǒng)定量描述茶葉色澤，對自然條件下存儲不同年份的龍井茶的茶葉色澤和湯色進(jìn)行定量測量，結(jié)果表明，茶葉色澤與存放時間的變化關(guān)系可以利用計(jì)算機(jī)視覺進(jìn)行定量分析；②電子鼻技術(shù)用于茶葉香氣評價。陳哲等[3]采用自制的電子鼻傳感器陣列區(qū)分不同等級碧螺春，根據(jù)碧螺春茶水和葉底揮發(fā)的氣體信息，篩選相應(yīng)的傳感器，并對傳感器陣列采集的茶葉信息進(jìn)行定性分類，試驗(yàn)結(jié)果表明，融合傳感器采集茶水和葉底的信息可更全面地描述和表征不同等級碧螺的信息，KNN模型對不同等級碧螺春的識別率為83.3%，采用10-7-3的拓?fù)渖窠?jīng)網(wǎng)絡(luò)模型的識別率則達(dá)到100%；③電子舌技術(shù)用于茶葉味覺評價。陳全勝等[4]采用法國電子舌檢測裝置并輔以模式識別，以4個不同等級的炒青綠茶為研究對象，對獲取的電子舌數(shù)據(jù)，利用K最近鄰域（KNN）模式識別方法建立茶葉等級質(zhì)量的評判模型，對預(yù)測集樣本進(jìn)行驗(yàn)證時，預(yù)測識別率為100%；④近紅外光譜分析技術(shù)用于檢測茶葉的品質(zhì)。周小芬等[5]以大佛龍井茶為分析對象，采用近紅外光譜偏最小二乘法，分別建立了干茶色澤、湯色、香氣、滋味、葉底單因子得分及五因子總分、六因子總分共7個定量分析模型，研究結(jié)果表明應(yīng)用近紅外光譜法進(jìn)行大佛龍井茶的品質(zhì)評價是可行的。這些新技術(shù)應(yīng)用于茶葉品質(zhì)的判別，具有檢測時間短、重復(fù)性好、不需要復(fù)雜的樣品預(yù)處理過程、不發(fā)生感官疲勞等特點(diǎn)，并在一定程度上模擬人的感官給出有關(guān)茶葉香氣、滋味和外質(zhì)的評判結(jié)果。然而這些新技術(shù)往往側(cè)重于茶葉品質(zhì)的某一方面，其實(shí)際應(yīng)用范圍和應(yīng)用效果與人們的期望還存在一定的距離，尚有一些關(guān)鍵性問題需要解決。

2 BP人工神經(jīng)網(wǎng)絡(luò)及模型建立

2.1 BP神經(jīng)網(wǎng)絡(luò)的原理

人 工 神 經(jīng) 網(wǎng) 絡(luò) （Artificial Neural Network，ANN）簡稱神經(jīng)網(wǎng)絡(luò)，起源于20世紀(jì)40年代，到今天已經(jīng)有70多年歷史了，是在現(xiàn)代神經(jīng)生物學(xué)研究成果的基礎(chǔ)上發(fā)展起來的一種模擬人腦信息處理機(jī)制的網(wǎng)絡(luò)系統(tǒng)。它由大量的、同時也是很簡單的神經(jīng)元相互連接而形成復(fù)雜網(wǎng)絡(luò)，是高度非線性的，能夠進(jìn)行復(fù)雜的邏輯操作和實(shí)現(xiàn)非線性關(guān)系的系統(tǒng)。神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)功能，對一些看似紛繁復(fù)雜、雜亂無章的實(shí)驗(yàn)數(shù)據(jù)可以利用自身的學(xué)習(xí)功能整理出其內(nèi)在規(guī)律，建立可用于分析同類事物的網(wǎng)絡(luò)。利用人工神經(jīng)網(wǎng)絡(luò)，無需任何經(jīng)驗(yàn)公式，無需建立相關(guān)的數(shù)學(xué)模型，僅僅借助樣本數(shù)據(jù)，即可實(shí)現(xiàn)從Rn空間到Rm空間的高度非線性映射[6]。

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是最重要的神經(jīng)網(wǎng)絡(luò)模型之一，是誤差反向傳播神經(jīng)網(wǎng)絡(luò)的簡稱。BP神經(jīng)網(wǎng)絡(luò)是一種具有三層或三層以上的神經(jīng)網(wǎng)絡(luò)，它由一個輸入層，一個或多個隱含層和一個輸出層構(gòu)成，每一層由一定數(shù)量的神經(jīng)元構(gòu)成，前后層之間實(shí)現(xiàn)全連接，每層神經(jīng)元之間無連接。基本的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of BP neural network

當(dāng)學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，神經(jīng)元激活值從輸入層經(jīng)過隱含層向輸出層傳播，在輸出層各神經(jīng)元輸出對應(yīng)的值，然后按照減少與希望輸出與實(shí)際輸出的準(zhǔn)則，從輸出層回到隱含層，再回到輸入層修正各個網(wǎng)絡(luò)系數(shù)。由于BP神經(jīng)網(wǎng)絡(luò)有處于中間的隱含層，并有相應(yīng)的學(xué)習(xí)規(guī)則可循，可以訓(xùn)練這種網(wǎng)絡(luò)，使其具有對非線性模式的識別能力，常用于信息處理、模式識別、智能控制及系統(tǒng)建模等領(lǐng)域。BP神經(jīng)網(wǎng)絡(luò)主要由輸入模式順傳播、輸出誤差逆?zhèn)鞑?、循環(huán)記憶訓(xùn)練、學(xué)習(xí)結(jié)果判別四個部分組成，它具有如下特點(diǎn)：①輸入和輸出是并行的模擬量；②網(wǎng)絡(luò)的輸入輸出關(guān)系是各層連接的權(quán)因子決定，沒有固定的算法；③權(quán)因子通過學(xué)習(xí)信號調(diào)節(jié)，學(xué)習(xí)越多，網(wǎng)絡(luò)越聰明；④隱含層越多，網(wǎng)絡(luò)輸出精度越高，且個別權(quán)因子的損壞不會對網(wǎng)絡(luò)輸出產(chǎn)生大的影響[7]。

2.2 MATLAB中BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

MATLAB神經(jīng)網(wǎng)絡(luò)工具箱 （Neural Network Toolbox）以神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，用MATLAB的語言構(gòu)造出各種神經(jīng)網(wǎng)絡(luò)激活函數(shù)，訓(xùn)練函數(shù)及各種網(wǎng)絡(luò)集成塊等。設(shè)計(jì)者通過對激活函數(shù)，網(wǎng)絡(luò)函數(shù)等的調(diào)用，僅需寫很少的源代碼，即可完成必須的科學(xué)計(jì)算。根據(jù)各種典型的修正網(wǎng)絡(luò)權(quán)值的規(guī)則，配合網(wǎng)絡(luò)的訓(xùn)練過程，用MATLAB編寫出各種網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的子程序，網(wǎng)絡(luò)的設(shè)計(jì)者可以根據(jù)自己的需要去調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練程序，從而免除了編寫復(fù)雜而龐大的算法程序的困擾。MATLAB中BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建有如下4個基本的步驟[8-9]。

2.2.1 BP神經(jīng)網(wǎng)絡(luò)的建立

MATLAB的NNbox提供了建立神經(jīng)網(wǎng)絡(luò)的專用函數(shù)newff（）。用newff函數(shù)來確定網(wǎng)絡(luò)層數(shù)、每層中的神經(jīng)元數(shù)和傳遞函數(shù)，其語法為：

net=newff（PR,[S1,S2,…,SN],{TF1,TF2,…,TFN},BTF,BLF,PF）

其中PR表示由每個輸入向量的最大最小值構(gòu)成的R×2矩陣；Si表示第i層網(wǎng)絡(luò)的神經(jīng)元個數(shù)；TF表示第i層網(wǎng)絡(luò)的傳遞函數(shù)；BTF表示字符串變量，為網(wǎng)絡(luò)的訓(xùn)練函數(shù)名；BLF表示字符串變量，為網(wǎng)絡(luò)的學(xué)習(xí)函數(shù)名；PF表示字符串變量，為網(wǎng)絡(luò)的性能函數(shù)。

（1）網(wǎng)絡(luò)層數(shù)

BP神經(jīng)網(wǎng)絡(luò)可以包含不同的隱含層，從理論上可證明在不限制隱含層節(jié)點(diǎn)數(shù)的情況下，兩層的BP神經(jīng)網(wǎng)絡(luò)（只有一個隱含層）可以實(shí)現(xiàn)任意非線性映射。在模式樣本相對較少的情況下，較少的隱含層節(jié)點(diǎn)，可以實(shí)現(xiàn)模式樣本空間的超平面劃分，可選擇兩層BP神經(jīng)網(wǎng)絡(luò)；當(dāng)模式樣本數(shù)很多時，減小網(wǎng)絡(luò)規(guī)模，增加一個隱含層是有必要的，但是BP神經(jīng)網(wǎng)絡(luò)隱含層數(shù)一般不超過兩層。

（2）輸入層和輸出層節(jié)點(diǎn)數(shù)

輸入層起緩沖存儲器的作用，它接受外部的輸入數(shù)據(jù)，因此其節(jié)點(diǎn)數(shù)取決于輸入矢量的維數(shù)。輸出層節(jié)點(diǎn)數(shù)取決于兩個方面，輸出數(shù)據(jù)類型和表示該類型所需的數(shù)據(jù)大小。在設(shè)計(jì)輸入層和輸出層時，應(yīng)該盡可能的減小系統(tǒng)規(guī)模，使系統(tǒng)的學(xué)習(xí)時間和復(fù)雜性減小。一般來說，網(wǎng)絡(luò)的輸入、輸出個數(shù)應(yīng)等于應(yīng)用問題的輸入、輸出數(shù)。

（3）隱含層節(jié)點(diǎn)數(shù)

選擇隱含層節(jié)點(diǎn)數(shù)的問題至今尚未找到一個很好的解析式，隱含層節(jié)點(diǎn)數(shù)一般根據(jù)前人設(shè)計(jì)所得的經(jīng)驗(yàn)和自己進(jìn)行試驗(yàn)來確定，隱含層節(jié)點(diǎn)數(shù)與求解問題的要求、輸入輸出單元數(shù)多少都有直接的關(guān)系。另外，隱含層節(jié)點(diǎn)數(shù)太多會導(dǎo)致學(xué)習(xí)時間過長；而隱含層節(jié)點(diǎn)數(shù)太少，容錯性差，識別未經(jīng)學(xué)習(xí)的樣本能力低，因此在設(shè)計(jì)隱含層節(jié)點(diǎn)數(shù)時必須綜合多方面的因素。

（4）傳輸函數(shù)

BP神經(jīng)網(wǎng)絡(luò)中的傳輸函數(shù)通常采用S型（sigmoid）函數(shù)，在某些特定情況下，還可能采用純線性（pureline）函數(shù)。如果BP網(wǎng)絡(luò)的最后一層是Sigmoid函數(shù)，那么整個網(wǎng)絡(luò)的輸出就限制在一個較小的范圍內(nèi)（0～1之間的連續(xù)量）；如果BP神經(jīng)網(wǎng)絡(luò)的最后一層是Pureline函數(shù)，那么整個網(wǎng)絡(luò)的輸出可以取任意值。

2.2.2 BP神經(jīng)網(wǎng)絡(luò)的初始化

通過MATLAB提供的函數(shù)initff對網(wǎng)絡(luò)模型進(jìn)行初始化設(shè)置。在newff創(chuàng)建網(wǎng)絡(luò)對象的同時，自動調(diào)動初始化函數(shù)initff，根據(jù)缺省的參數(shù)對網(wǎng)絡(luò)進(jìn)行連接權(quán)值和閾值的初始化，并在訓(xùn)練過程中不斷地對網(wǎng)絡(luò)的權(quán)值、閾值和各個參數(shù)進(jìn)行調(diào)整，使網(wǎng)絡(luò)達(dá)到最佳效果。

2.2.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

網(wǎng)絡(luò)模型參數(shù)設(shè)置完畢以后，就可以進(jìn)行網(wǎng)絡(luò)訓(xùn)練。針對不同的應(yīng)用，BP神經(jīng)網(wǎng)絡(luò)提供了多種訓(xùn)練、學(xué)習(xí)方法。通過對網(wǎng)絡(luò)各參數(shù)設(shè)置修改，不斷對訓(xùn)練的網(wǎng)絡(luò)進(jìn)行優(yōu)化，直到達(dá)到最佳效果。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程如圖2所示。

2.2.4 BP神經(jīng)網(wǎng)絡(luò)的仿真

通過MATLAB提供的sim函數(shù)來對網(wǎng)絡(luò)進(jìn)行仿真，它根據(jù)已訓(xùn)練好的網(wǎng)絡(luò)，對測試數(shù)據(jù)進(jìn)行仿真計(jì)算，從而對網(wǎng)絡(luò)進(jìn)行修改評價。

3 BP人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于坦洋工夫紅茶品質(zhì)評定

茶葉感官審評的主要內(nèi)容通常包括外觀和內(nèi)質(zhì)，其中內(nèi)質(zhì)起主要作用。外觀審評主要通過對茶葉形狀的大小、松緊、嫩度、勻度、平滑程度、茶葉顏色以及光澤度等的觀察來判斷茶葉產(chǎn)品是否符合其茶類的品質(zhì)要求以及判定其在該茶類中所處的級別；內(nèi)質(zhì)的審評則主要根據(jù)茶葉香氣類型與濃度高低，茶湯顏色與明亮程度，滋味鮮爽度、濃度、厚度及強(qiáng)度，以及葉底的顏色和老嫩勻整度等觀察或品嘗來判斷[10-11]。根據(jù)坦洋工夫紅茶國家標(biāo)準(zhǔn)GB/T 24710-2009，坦洋工夫紅茶等級分為特級、一級、二級、三級，其相應(yīng)的感官品質(zhì)特征包括外觀（條索、整碎、凈度、色澤）和內(nèi)質(zhì)（香氣、滋味、湯色、葉底）[12]，如表1所示。為了能較好地體現(xiàn)坦洋工夫紅茶品質(zhì)特征，在構(gòu)建神經(jīng)網(wǎng)絡(luò)模型時，基于感官審評法的相關(guān)審評指標(biāo)，確定以外觀和茶質(zhì)八項(xiàng)因子作為構(gòu)建坦洋工夫紅茶BP神經(jīng)網(wǎng)絡(luò)模型的輸入信號， 分別記為 x1，x2，x3，x4，x5，x6，x7，x8，將坦洋工夫茶的品質(zhì)等級，作為神經(jīng)網(wǎng)絡(luò)的輸出信號，記為m。并將茶葉的等級特性，即特級、一級、二級、三級分別量化為0，1，2，3，例如 x1=0，表示茶葉條索肥嫩緊細(xì)、毫顯、多鋒苗。

圖2 網(wǎng)絡(luò)學(xué)習(xí)過程流程圖Fig.2 Flow chart of network learning process

表1 坦洋工夫紅茶感官品質(zhì)特征Table 1 Sensory quality characteristics of Tanyang Congou Black Tea

按照所確定的神經(jīng)網(wǎng)絡(luò)輸入、輸出信號，BP神經(jīng)網(wǎng)絡(luò)輸入、輸出層分別設(shè)為8和1，應(yīng)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)newff建立的BP神經(jīng)網(wǎng)絡(luò)為：

net=newff （minmax （P）,[19,1],{‘tansig’,‘purelin’},‘traingdx’）

其中，net為新建立的網(wǎng)絡(luò)，minmax（P）為輸入向量P的取值區(qū)間，19和1分別為隱含層和輸出層神經(jīng)元的數(shù)目，tansig和purelin則分別為中間層和輸出層的傳輸函數(shù)。

在構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型時，選取60種不同等級坦洋工夫紅茶已知類別樣本作為BP神經(jīng)網(wǎng)絡(luò)的“學(xué)習(xí)”教材即訓(xùn)練集，選取20種不同等級坦洋工夫紅茶已知類別樣本作為預(yù)測集，預(yù)測集用來驗(yàn)證模型判別能力。在進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練時發(fā)現(xiàn)，當(dāng)隱層節(jié)點(diǎn)數(shù)為19時效果較好，因此將BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為8-19-1。其余各訓(xùn)練參數(shù)如下：最大循環(huán)次數(shù)1000，學(xué)習(xí)速率增長率1.05，學(xué)習(xí)速率減少率0.8，動量因子0.8，方差目標(biāo)0.0001。為提高訓(xùn)練速度、穩(wěn)定性及精度，使用了自適應(yīng)學(xué)習(xí)速率法，其訓(xùn)練性能曲線圖如圖3所示，從而建立起茶葉品質(zhì)各感官審評因子與相應(yīng)茶葉評定等級間的對應(yīng)關(guān)系，并用已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行回代檢驗(yàn)。結(jié)果表明，該模型對訓(xùn)練集中樣本的識別率為100%，對預(yù)測集中樣本的識別率為98%。這說明本文建立的坦洋工夫紅茶品質(zhì)評定的神經(jīng)網(wǎng)絡(luò)模型是可靠的。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線圖Fig.3 Graph of BP neural network training

4 結(jié)論

茶葉的品質(zhì)評定國內(nèi)外主要采用感官審評，為了對茶葉品質(zhì)更為客觀、正確的評定，本文以坦洋工夫茶的感官審評因子為基礎(chǔ)，利用目前應(yīng)用最為廣泛的BP神經(jīng)網(wǎng)絡(luò)建立坦洋工夫紅茶品質(zhì)的評定模型。研究結(jié)果表明，該模型能正確反映坦洋工夫紅茶感官審評因子與品質(zhì)之間的非線性映射關(guān)系，實(shí)現(xiàn)了對坦洋工夫紅茶等級的預(yù)測，克服了感官審評中主客觀因素造成的誤差，提高了茶葉審評的速度和準(zhǔn)確性，為茶葉感官審評提供了一種輔助方法。但在本研究中，茶葉樣本的代表性不夠強(qiáng)，樣本數(shù)也不夠全，只有建立科學(xué)的樣本采集方法和樣本代表性的判別原則，才能保證所建模型的可靠性。運(yùn)用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對茶葉品質(zhì)優(yōu)劣判別是把人工神經(jīng)網(wǎng)絡(luò)技術(shù)和茶葉科學(xué)相互融合的一次有益嘗試，目前只是處于起步階段，距實(shí)用化尚有較大的距離。在以后研究中，在構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型時，若能以感官審評因子和理化審評的主要指標(biāo)作為基礎(chǔ)，再結(jié)合模糊技術(shù)，將是茶葉品質(zhì)評定的一個重要研究方向，有待科技工作者進(jìn)一步深入研究和探討。

[1]劉栩.淺析我國主要的茶葉審評方法[J].茶業(yè)通報,2001（3）:20-21.

[2]蔡健榮.利用計(jì)算機(jī)視覺定量描述茶葉色澤[J].農(nóng)業(yè)機(jī)械學(xué)報,2000,31（4）:67-70.

[3]陳哲,趙杰文.基于電子鼻技術(shù)的碧螺春茶葉品質(zhì)等級檢測研究[J].農(nóng)機(jī)化研究,2012（11）:133-137.

[4]陳全勝,江水泉,王新宇.基于電子舌技術(shù)和模式識別方法的茶葉質(zhì)量等級評判[J].食品與機(jī)械,2008,24（1）:124-126.

[5]周小芬,葉陽,周竹定,等.基于近紅外光譜法的大佛龍井茶品質(zhì)評價研究[J].光譜學(xué)與光譜分析,2012,32（11）:2971-2975.

[6]Hagan M T,Demuth H B,Beale M H.Neural Network Design[M].北京:機(jī)械工業(yè)出版社,2003.

[7]周品.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用[M].北京:清華大學(xué)出版社,2013.

[8]孫帆,施學(xué)勤.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[J].計(jì)算機(jī)與數(shù)字工程,2007,35（8）:124-126.

[9]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京:機(jī)械工業(yè)出版社,2012.

[10]馮花,郭雅玲.茶葉感官審評方法及其新發(fā)展[J].福建茶葉,2010（7）:28-31.

[11]蔣建明.再說茶葉感官審評與誤差控制[J].廣東茶葉,2008（3）:14-16.

[12]中華人民共和國質(zhì)量監(jiān)督檢驗(yàn)檢疫總局,中國國家標(biāo)準(zhǔn)化管理委員會.GB/T 24710-2009地理標(biāo)志產(chǎn)品坦洋工夫[S].北京:中國標(biāo)準(zhǔn)出版社,2010.