眉茶是一种绿茶类珍品，其外形匀整、条索紧结、香高味浓。由于原料选用和制作工艺水平的不同，成品茶叶的品质存在很大差异，价格也存在很大差异。目前茶叶质量检测以及等级划分的界限比较模糊，不良商家常以次充好，欺骗消费者，严重扰乱了消费市场的秩序，对我国的茶叶生产和销售造成了极为不利的影响。鉴于此，研究一种科学、简单、快速的鉴别茶叶等级的方法具有十分重要的意义。

1、嗅觉可视化传感器阵列的响应结果

6 个等级的眉茶：珍眉绿茶41022AAAAAA（L1）、珍眉绿茶41022AAA（L2）、眉茶41022（L3）、眉茶4011（L4）、眉茶9371（L5）和眉茶9369（L6）黄山市松萝有机茶叶开发有限公司。称取6 个不同等级的眉茶茶叶，每个样本的质量为（3±0.005）g，每个等级的茶叶取15 个样本，共计90 个样本。

眉茶中6 个不同等级样本的嗅觉可视化传感器差值特征图像如图3所示。可以看出传感器阵列对不同等级眉茶样本的响应不同，并且仅从肉眼就能看出每个传感器阵列的差值特征图像的差异。因此，通过研究自制的嗅觉可视化传感器阵列实现眉茶不同等级的分类在理论上可行。

从图3还可看出，传感器阵列某些位置对不同等级眉茶样本的显色差异不是很明显，这表明这些数据对于区分不同等级眉茶的贡献不大，属于无关信息。此外，可视化传感器阵列具有交叉敏感性，即一种挥发性物质会让多个敏感单元产生响应，所以嗅觉可视化特征变量间存在一定的相关性，这种相关性会造成信息的冗余。因此，需要对传感器阵列的特征数据进行优化，以消除无关和冗余信息的影响。

2、PCA

如图4所示，仅用2 个或3 个PC很难将不同等级的茶叶分开，且无法通过线性分类实现6 个等级眉茶的区分。但通过引入第3个PC，使原本无法通过前2 个PC进行区分的L3眉茶与其他等级的眉茶明显区分开来。因此，通过引入更多的PC，并在高维空间采用SVM模型进行非线性分割的方法有可能实现6 个等级眉茶的正确分类。

3、模型等级分类结果对比

基于经验参数的基本SVM模型对眉茶的等级分类结果如图5所示，基本SVM模型最高能获得80%的分类正确率，此时PC个数为12 个；随着PC个数的增加，分类正确率并没有呈现增加趋势，特别是PC个数超过26后，分类正确率表现出快速下降趋势。这说明非线性的SVM分类模型对高维空间进行合适的非线性分割较为困难，也更容易出现过拟合现象（训练集分类正确率达到100%，而测试集分类正确率较差），造成SVM模型的分类正确率随着输入维数增加而迅速变差。因此，使用SVM模型时，采用PCA对输入数据进行处理和降维非常必要。

作为对比，图6给出了采用传统的偏最小二乘法判别分析（PLS-DA）线性分类模型得到的分类结果，PC个数为11时，PLS-DA能获得最高83.3%的分类正确率，此结果优于基本SVM分类模型。需要说明的是，PLS-DA没有可调的模型参数，其分类效果仅由训练样本决定，缺乏灵活性。而SVM模型的分类效果由g（决定分类超平面的形式）、c（决定模型对错误样本的容忍度）以及训练样本共同决定，通过c、g参数的选择，能较好适用于不同的研究对象。因此，c、g的选择非常关键，但根据经验得到的c、g参数往往很难适用于所有对象，所以需要通过优化算法寻找适合特定对象的最优参数。

由于SVM模型在输入维数超过20 维（尤其是26 维）后容易出现过拟合现象，导致分类正确率显著降低而失去实用价值，本研究仅给出3种优化模型4～26 维的分类结果。

3种不同优化算法优化后的SVM分类模型对眉茶的等级分类结果如图7所示，FA-SVM模型最多能够得到85.6%的分类正确率，但需要的PC个数为20 个，表明该FA算法对于嗅觉可视化数据不易找到合适的SVM优化参数，优化带来的精度提高也比较有限；GWO-SVM模型最多能获得87.8%的分类正确率，所需的PC个数减少为11 个；CS-SVM不仅能获得最高的93.3%分类正确率，且所需的PC个数也最少，表明CS-SVM模型对于嗅觉可视化数据能够用较少的PC个数找到较合适的分类超平面，实现对眉茶等级较为正确的分类。

PC个数为6时CS-SVM模型得到的等级分类结果如图8所示，CS-SVM模型的分类错误主要发生在L1和L2之间，有L1的眉茶样本被误分类为L2，有两个L2的眉茶样本被误分类为L1。这是因为L1和L2的茶叶均为珍眉绿茶，在特性上较为接近。从图4也可看出，L1和L2的眉茶在二维和三维得分空间中的位置较近，没有很好地分开，结合图8可知，即使用到更多的PC也没有完全实现这两个等级茶叶的正确分类。

自制了一种包含12种色敏材料的嗅觉可视化传感器阵列，对不同等级的眉茶茶叶进行了分类，并通过引入3种群体智能算法对SVM分类模型的参数c和g进行优化。研究结果表明，基于嗅觉可视化技术制备的传感器阵列可以实现对不同等级眉茶的分类；通过引入群体智能优化算法寻找最优的模型参数，可显著提高分类模型的性能；对于本研究使用的眉茶，CS-SVM模型能获得最佳的等级分类效果，其分类正确率为93.3%。