樣品：試驗(yàn)采用的不同成熟階段荔枝樣本信息如表1 所示，所用荔枝均采摘于廣東省廣州市華南農(nóng)業(yè)大學(xué)校內(nèi)果園，品種為“水林”。在荔枝掛果約25 d 時(shí)，對(duì)荔枝果實(shí)進(jìn)行采樣，采樣周期為7 d，共采樣6 次到荔枝果實(shí)成熟（6 個(gè)成熟階段分別標(biāo)記為s1、s2、s3、s4、s5 和s6。），每次取樣20 顆無(wú)損傷荔枝果實(shí)。

儀器：PEN3 型便攜式仿生電子鼻系統(tǒng)（AirSense Inc, Germany）

檢測(cè)指標(biāo)：果園荔枝成熟階段監(jiān)測(cè)

實(shí)驗(yàn)過(guò)程：電子鼻的采樣參數(shù)設(shè)置為：采樣時(shí)間間隔為1 s，傳感器自動(dòng)清洗時(shí)間為70 s，傳感器歸零時(shí)間為10 s，分析采樣時(shí)間為80 s，進(jìn)樣準(zhǔn)備時(shí)間為5 s，進(jìn)樣流量為300 mL/min。試驗(yàn)共獲得荔枝不同成熟階段的電子鼻采樣數(shù)據(jù)120 個(gè)（6 個(gè)成熟階段×每次采集20 個(gè)樣本=120 個(gè)）。

實(shí)驗(yàn)結(jié)果：為了無(wú)損快速監(jiān)測(cè)荔枝成熟階段，該文提出了一種基于電子鼻技術(shù)的果園荔枝成熟階段監(jiān)測(cè)方法，采用PEN3電子鼻獲取掛果約25 d 到果實(shí)成熟過(guò)程中6 個(gè)成熟階段荔枝樣本的仿生嗅覺(jué)信息并同步獲取了各成熟階段荔枝的3 項(xiàng)物理特征（果實(shí)直徑、果實(shí)質(zhì)量與果實(shí)可溶性固形物含量）。根據(jù)不同成熟階段荔枝物理特征變化可知，荔枝果實(shí)直徑與果實(shí)質(zhì)量2 項(xiàng)物理指標(biāo)在掛果約32 d～39 d，以及53 d～60 d 增長(zhǎng)較快，可溶性固形物含量在掛果約32 d 前無(wú)法測(cè)量，53 d～60 d 階段增長(zhǎng)速度較慢。提取各樣本電子鼻采樣數(shù)據(jù)75 s 時(shí)刻的各傳感器響應(yīng)值作為特征值后，采用載荷分析（loadings）進(jìn)行傳感器陣列優(yōu)化，優(yōu)選了傳感器R2、R4、R6、R7、R8、R9 和R10 的響應(yīng)數(shù)據(jù)進(jìn)行后續(xù)分析。將優(yōu)化后的傳感器響應(yīng)數(shù)據(jù)進(jìn)行歸一化處理。采用線性判別分析（linear discriminant analysis，LDA）進(jìn)一步提取特征信息，降低數(shù)據(jù)中包含的冗余信息。LDA 對(duì)荔枝成熟階段的分類識(shí)別效果不佳。為進(jìn)一步探究電子鼻監(jiān)測(cè)果園荔枝成熟階段的可行性，采用模糊C 均值聚類分析（fuzzy C means clustering，F(xiàn)CM）、k 近鄰函數(shù)分析（k nearest neighbor，KNN）和概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network，PNN）進(jìn)行模式識(shí)別。研究結(jié)果表明，F(xiàn)CM 對(duì)果園荔枝成熟階段識(shí)別的正確率為89.17%。采用KNN 與PNN 建立識(shí)別模型后，KNN 與PNN 識(shí)別模型對(duì)訓(xùn)練集的回判正確率均為100%，對(duì)測(cè)試集的識(shí)別率均為96.67%，具有較好的分類識(shí)別效果。

研究意義：試驗(yàn)證明了采用電子鼻進(jìn)行果園荔枝成熟度監(jiān)測(cè)的可行性，為果園水果品質(zhì)的實(shí)時(shí)監(jiān)測(cè)提供參考。