CN106560699A

CN106560699A - 用于武夷岩茶产地鉴别的联合检测方法

Info

Publication number: CN106560699A
Application number: CN201610915332.1A
Authority: CN
Inventors: 俞晓平; 叶子弘; 付贤树; 崔海峰; 张雅芬
Original assignee: China Jiliang University
Current assignee: China Jiliang University
Priority date: 2016-10-20
Filing date: 2016-10-20
Publication date: 2017-04-12

Abstract

本发明涉及用于武夷岩茶产地鉴别的联合检测方法，即联合近红外光谱检测、稳定同位素质谱检测以及电子舌检测方法，建立武夷岩茶产地鉴别方法，属于地理标志产品真实性识别技术领域，其目的在于解决单种检测数据无法代表产地溯源的全部关键信息以及不同类型检测数据在计量学方法中联合使用的数据匹配等问题。本发明基于最小二乘支持向量机模型，将不同产地岩茶近红外特征光谱、稳定同位素及电子舌数据融合在一起，建立LS‑SVM分析模型，其识别率高，达100.0％，高于单种数据LS‑SVM结果，且盲样检测识别率均达100.0％，具有较好应用前景，本发明方法可作为武夷岩茶产地溯源识别技术方法。

Description

用于武夷岩茶产地鉴别的联合检测方法

(一)技术领域

本发明涉及用于武夷岩茶产地鉴别的联合检测方法，本发明中所涉及的联合检测方法为近红外光谱、稳定同位素和电子舌三类检测方法。联合近红外光谱、稳定同位素和电子舌三类检测数据，采用最小二乘支持向量机建立武夷岩茶产地鉴别方法，属于地理标志产品真实性识别技术领域。

(二)背景技术

根据GB/T 17924-2008的定义，地理标志产品是指利用产自特定地域的原材料，按照传统工艺在特定地域内所生产的，质量、特色或者声誉在本质上取决于其原产地域地理特征，并按法定程序经审核批准以原产地域名称命名的产品。茶叶具有明显的地域特色和品质特征，品质、口感与其产地的地理条件、气候因素、环境等因素密切相关，市场认可度和消费者喜爱程度也各有不同，是典型的地理标志保护产品。国家质检总局对特定区域内的茶叶进行原产地域产品的地理标识，如武夷岩茶、安溪铁观音、大红袍、永春佛手、西湖龙井、安吉白茶、祁门红茶、普洱茶、碧螺春茶等近50种地理标志产品茶叶。

目前，国内外已开展成品茶产地识别鉴定研究，仪器检测结合化学计量学分析方法为最主要产地识别方法，仪器检测方法主要有近红外光谱、同位素质谱、液相色谱、传感器等；常用计量学方法包括偏最小二乘、主成分分析、人工神经网络、支持向量机等。

近红外光谱检测技术广泛应用茶叶原产地检测中，Yong He等选择光谱范围325～1075nm，以主成分分析(PCA)得到的8个主成分作为输入层，对8个品牌(毛峰、雪水云绿、羊岩勾青等)的200份绿茶样品建立BP判别模型，对40份未知样品茶叶的品种判别准确率达100％。周健等对西湖龙井茶和其他地区以龙井加工工艺制成的扁形茶进行全区域的近红外检测，采用偏最小二乘法建立了西湖龙井的预测模型(主成分数为15)，通过预测值和西湖龙井的临界值进行比对实现了对西湖龙井的真伪的准确鉴定，对70份定标样品和24份外部验证未知样品鉴定结果的准确率都达到了100％。邱凯贤等对云南曲靖市所辖6个不同区县的180个烟叶样品进行近红外检测，一阶求导预处理后，建立预测各烟叶产地的近红外模型，预测模型训练样本的正确识别率100.00％，并应用该模型对78个烟叶样品进行实际产地预测，识别率91.03％。谢彩香等利用甘草冠层的可见光近红外光谱数据，运用Wilks’lambda逐步法选择甘草的17个特征波长，采用Fisher线性判别方法对不同产地的甘草进行识别，正确识别率达98.3％。

同位素是所有生物的一个自然标签，与生物的生长环境密切相关，因此同位素质谱(IRMS)为茶叶原产地识别提供科学的、可靠的鉴别方法。IRMS目前已经广泛应用在各种农产品的原产地检测中，Schellenberg等研究了欧洲20个不同地区516个蜂蜜样品中H、C、N、S稳定同位素的组成，证实δ²H同位素随着与海洋距离的增加、纬度的升高和海拔的增加而降低，δ¹³C含量同样受气候的影响，而S则反映出植物产地土壤的地质学特征，N元素同样受到植物原产地土壤性质、环境、施肥等因素的影响，典型判别分析结果表明C和S同位素对产地判断正确率在70％以上。Suzuki等对14个采自澳大利亚、日本和美国的精米样品中C、N含量以及δ¹³C、δ¹⁵N、δ¹⁸O进行分析，C和N含量以及稳定同位素组成与相应植物中成分一致。通过C、N含量以及δ¹³C、δ¹⁵N、δ¹⁸O值可清楚区分不同来源的精米样品，可以作为快速和常规的溯源工具。

电子舌是感官仿生技术在仪器分析中的一种应用，其原理是用多传感器阵列代替生物体的味觉***，并由计算机代替大脑进行分析。当检测溶液吸附在传感器上时，传感器的电容发生改变，产生特征响应信号，由电子舌自带的专家自学习***进行模式识别，做出定性和定量分析。传感器技术是一种快速简便的检测手段，且需要的样品量非常少；缺点是与其他检测方法相比，重复性较差，无法表征单一组分的差异。传感器技术也已有用来鉴定原产地。Guadarrama等利用电子舌对橄榄油进行质量控制，成功辨别出不同品种和不同原产地的西班牙橄榄油；Penza等利用膜传感器阵列结合人工神经网络，能够有效地分辨出9个不同原产地的意大利红酒。

从上述例子可以看出，国内外对地理标志产品的鉴别方法已有很多，但是很多研究尚有不足之处，如采样不充分样品数量少，无法保证样品的准确性和代表性；样品空间选择跨度大，往往选自不同国家、不同地区，本身就具有很大的区别；再加之甚至选择了不同品种样品进行比较，不同品种间本身差异较大，因此这类鉴别方法对小范围的地理标志产品产地判别借鉴意义不大；建模方法采用单种检测数据结合计量学方法进行，单种检测数据无法代表产地溯源的全部信息，导致产地识别率较低，上述这些严重影响了地理标志产品保护技术的创新和突破。针对如上情况，有必要建立一种用于武夷岩茶产地鉴别的联合检测方法。

(三)发明内容

本发明目的在于解决单种检测数据无法代表产地溯源的全部关键信息以及不同类型检测数据在计量学方法中联合使用的数据匹配等问题，提供一种用于武夷岩茶产地鉴别的联合检测方法，该方法将不同产地岩茶(包括地理标志产地内和产地外岩茶)近红外特征光谱数据、稳定同位素数据和电子舌数据联合在一起，并通过LS-SVM模型，对该方法的准确率进行验证，最后提取未知试样后利用模型客观、准确的判定岩茶产地。

本发明采用的技术方案是：

用于武夷岩茶产地鉴别的联合检测方法，所述方法包括：

(A)采集不同产地岩茶样品

武夷岩茶产区外样品数＞100份，且产区周边50公里范围内样品占比＞50％；武夷岩茶产区内样品数为产区外样品的2～3倍，采样范围覆盖主要产区各生产企业，且每家企业应不少于3个样品；

(B)测定不同产地岩茶样品的近红外特征光谱数据：

近红外检测参数：64次扫描，特征光谱条带为64次扫描的平均值，扫描范围为12000-4000cm^-1，数据点的间隔为1.928cm^-1，采集时室温控制在25℃，湿度保持稳定，每个样本的光谱采集1次；所有样品采用无损检测，无需采用粉碎等前处理，采用相同加料方法、加料量(目测)，加料完毕即可进行检测。

(C)测定不同产地岩茶样品的氢、氧、氮、碳稳定同位素质谱数据

δ¹³C、δ¹⁵N、δ¹⁸O、δ²H、δ⁸⁶Sr等稳定同位素含量测定，每个样品至少重复分析3次以上，取平均值作为最终结果。

通过SVM-RFE(支持向量机回归特征消去法)对武夷岩茶稳定同位素数据进行训练和预测，随机重复100次，并对各变量的模型特征进行排序，筛选出岩茶原产地的同位素特征变量，其排序顺序为氢、氧、氮、碳、锶。并利用预测集计算模型的灵敏度增维精度、分辨率增维精度、识别率增维精度，均按重复计算100次平均结果，氢、氧、氮、碳四种数据组成的模型，其识别率最高，达93.93％，因此建模只需要选择氢、氧、氮、碳四种数据即可，无需对锶等其他稳定同位素含量进行检测。

(D)测定不同产地岩茶样品的电子舌数据

本研究采用ASTREE Electronic电子舌***，该套***具有一个电极(Ag/AgCl)以及7个独立传感器(ZZ、BA、BB、CA、GA、HA、JB)，电子舌***使用前用NaCl和C₅H₈NO₄Na标准溶液对传感器进行活化，并依次进行信号校准和仪器自诊断，自诊断通过后可进行样品滋味的分析检测，检测完毕后，将电子舌数据以文本形式导出，取各传感器最后十秒(第91-100秒)稳定数据的均值作为检测数据进行后续分析。

(E)用于武夷岩茶产地鉴别的联合检测方法，即联合近红外、同位素和电子舌数据：

(1)将每条近红外数据(Y轴数据)拼接在Excel数据表格中，每行所有列数据组成每条近红外数据；

(2)将每个样品的稳定同位素数据按氢、氧、氮、碳顺序拼接在近红外数据后，电子舌数据按ZZ、BA、BB、CA、GA、HA、JB拼接在稳定同位素数据后，武夷岩茶产区内样品组成的Excel数据表，以data1命名；按同样方法，得到武夷岩茶产区外样品组成的Excel数据表，以data2命名；

(3)运行MATLAB软件中的edit功能，打开data1.xls、data2.xls，以Mat文件格式保存，文件名对应为data1.mat、data2.mat；

(4)数据分割：参考R.W.Kennard和L.A.Stone在Computer aided design ofexperiments中的方法，随机选取武夷岩茶产区内总数的65～70％作为原产地内模型数A1，随机取武夷岩茶产区外65～70％作为原产地外模型数A2，建立kenstone分割程序，其设计思路为：首先计算两两样本之间距离，选择距离最大的两个样品；然后分别计算剩余的样本与已选择的两个样本之间的距离；对于每个剩余样本而言，其与已选样品之间的最短距离被选择，然后选择这些最短距离中相对最长的距离所对应的样本，作为第三个样品；重复上述步骤，直至所选的样品的个数等于事先确定的数目为止；

(5)K-折交互验证法：将样本数据集随机划分为K个子集(一般是均分)，将一个子集作为验证集，其余的K-1组子集作为训练集；轮流将K个子集作为验证集，交叉重复K次，得到K次的结果，并用K次结果的平均值作为分类器或模型的性能指标。K-折法下，每一个样本数据都被用作训练数据，也被用作验证数据，避免了过度学习和欠学习状态的发生。

(6)最小二乘支持向量机(LS-SVM)鉴别模型的建立：将非线性估计函数转化为高维特征空间中线性估计函数，使得LS-SVM的训练过程遵循结构风险最小化原则，将不等式约束改为等式约束，将经验风险由偏差的一次方改为二次方，将求解二次规划问题转化为求解线性方程组，避免不敏感损失函数，极大降低计算复杂度。其设计思路为从机器学习损失函数着手，在其优化问题的目标函数中使用二范数，并利用等式约束条件代替SVM标准算法中的不等式约束条件，使得LS-SVM方法的优化问题的求解变为通过Kuhn-Tucker条件得到的一组线性方程组的求解。对步骤(4)数据分割后的近红外、稳定同位素和电子舌数据采用步骤(5)进行K-折交互验证，并采用最小二乘支持向量机分析并建立LS-SVM模型；

(F)取待测未知产地样品按照上述步骤B、C和D测定近红外特征光谱数据、稳定同位素质谱数据和电子舌数据，将测得数据代入上述LS-SVM模型，判断待测样品的原产地属性。

具体的，所述步骤(E)中分割程序分别为：[model1，test1]＝kenstone(data1，A1)和[model2，test2]＝kenstone(data2，A2)，得到model1、test1、model2、test2。

具体的，所述步骤(E)中最小二乘支持向量机鉴别模型的建立过程如下：

(a)合并训练集：xxxc＝[data1(model1，：)；data2(model2，：)]；

(b)合并预测集：xxxp＝[data1(test1，：)；data2(test2，：)]；

(c)求训练集平均光谱：mx＝mean(xxxc)；

(d)训练集减去平均光谱：xxxc＝xxxc-ones(A，1)*mx；

A为：A1+A2；

(e)预测集减去平均光谱：xxxp＝xxxp-ones(B，1)*mx；

B为：原产地内测试集数B1与原产地外测试集数B2之和；

(f)响应变量：yyc＝-ones(A，2)；yyc(1：A1，1)＝1；yyc(A1+1：A，2)＝1；

A1与B1之和为原产地内样品总数C1；

A2与B2之和为原产地外样品总数C2；

(g)用K-折交互验证：

indices＝crossvalidation(′Kfold′，x，k)；

(h)用样本数据训练，建立模型：

预处理：model＝initlssvm(x，y，type，[]，[]，kernel)；

模型测定：model＝tunelssvm(model，′simplex′，optfun，optargs)；

训练集测定：model＝trainlssvm(model)；

(i)用trainlssvm实现样本的训练，得到预测模型，用训练好的模型进行预测，根据预测结果，分别输出yp、alpha、b、gam和sig2，从而判断待测样本原产地信息：

plotlssvm(model)；

end

yp＝simlssvm(model，x)；

alpha＝model.alpha；

b＝model.b；

gam＝model.gam；sig2＝model.kernel_pars；

其中kenstone程序如下所示：

其中Kfoldcv程序如下所示：

其中LS-SVM程序如下所示：

LS-SVM程序中所包含的initlssvm程序如下：

LS-SVM程序中所包含的trainlssvm程序如下：

本发明的有益效果主要体现在：本发明基于最小二乘支持向量机判别模型，将近红外光谱检测、稳定同位素检测和电子舌检测方法联合在一起，建立LS-SVM鉴别、分析模型，提取试样后利用模型客观、准确的判定岩茶产地，其识别率可达100.0％，高于单种数据LS-SVM判别结果。

(四)具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例1：

A、采集不同产地岩茶样品

国标(GB/T 18745-2006)中规定了武夷岩茶的地理保护范围，即福建省武夷山市行政区划内，本发明在武夷岩茶地理标志保护区武夷街道、崇安街道、上梅、星村、五夫、岚谷、新丰街道、洋庄、兴田、下梅、吴屯11个行政区域内进行样品采集，每个行政区域内随机选择3个取样点(分别以A、B、C进行标示)，共33个取样点，取样范围基本涵盖主要产区，每个采样点取样15份(分别以A-1、A-2......A-15进行标示)，获得495份地理标志保护区武夷岩茶样品，另在福建省除武夷山市外其他县市(建阳、建瓯、漳州、泉州、松溪、政和)，以及广西、贵州、江西(婺源、赣州)等11个地点收集保护区外岩茶样品，每个地点取样15份(分别以1、2......15进行标示)，获得165个非地理标志保护区岩茶样品。地理标志产地内样品数与地理标志产地外样品数之比为3∶1。

B、不同产地岩茶近红外特征光谱数据

近红外检测采用德国布鲁克TENSOR37，每个样本的光谱采集1次。表1为15个星村A样品部分近红外数据表，其中X轴为波长范围，Y轴为吸光度。

表1：15个星村A样品部分近红外数据表

C、不同产地岩茶稳定同位素质谱数据

δ¹⁸O、δ²H、δ¹³C和δ¹⁵N由Thermo Fisher稳定同位素质谱仪测定，每个样品至少重复分析3次以上，取平均值作为最终结果。地理标志产区内、外岩茶样品同位素比率经上述方法检测，下表2节选部分岩茶样品同位素比率数据表。

表2：部分岩茶样品同位素比率统计表

通过SVM-RFE对武夷岩茶稳定同位素数据进行训练和预测，随机重复100次，并对各变量的模型特征进行排序，得到同位素特征变量排序为氢、氧、氮、碳，这说明各变量经支持向量机与全数据模型进行训练集的训练比较后，同位素氢的识别率增维最高，其次为氧、氮、碳；然后对特征变量按自然序逐级进行组合，并利用预测集计算模型的灵敏度、分辨率、识别率增维精度，得表3同位素特征变量组合结果情况。

表3：同位素特征变量组合结果情况

模型特征变量组合	灵敏度增维精度	分辨率增维精度	识别率增维精度
				氢	0.8964	0.8821	0.8925
氢+氧	0.9047	0.8141	0.8800
				氢+氧+氮	0.9429	0.8056	0.905
氢+氧+氮+碳	0.9592	0.8836	0.9393
				氢+氧+氮+碳+锶	0.9132	0.8223	0.9066

由表3可知，当氢和氧的同位素数据进行组合后，模型识别率下降，说明氧和氢对原产地特征的贡献具有较强的相关性；而加入碳和氮同位素数据后，模型识别率上升，达到93.93％，说明氮和碳具有较好的互补，因此建模只需选择氢、氧、氮、碳四种数据，无需对锶等其他稳定同位素含量进行检测。

D、不同产地岩茶电子舌数据

ASTREE Electronic电子舌***，7个独立传感器名称分别为ZZ、BA、BB、CA、GA、HA、JB。各传感器最后十秒(第91-100秒)稳定数据的均值作为检测数据。其数据见表4。

表4 部分岩茶7个传感器最后10秒均值数据表

E、联合近红外检测、稳定同位素质谱检测和电子舌检测，建立不同产地岩茶鉴别数据库

(1)将每条近红外数据拼接在Excel数据表格中，每行所有列数据组成每条近红外数据。

(2)将每个样品的稳定同位素数据按氢、氧、氮、碳顺序拼接在近红外数据中，将每个样品的电子舌数据按ZZ、BA、BB、CA、GA、HA、JB顺序拼接在稳定同位素数据后，地理标志产区内样品组成495行、4159列(近红外Y轴数据共4148列，依次增加4列氢、氧、氮、碳和7列ZZ、BA、BB、CA、GA、HA、JB传感器数据)的Excel数据表，以data1命名；按相同方法，地理标志产区外样品组成165行、4159列的Excel数据表，以data2命名。

(4)数据分割：参考R.W.Kennard和L.A.Stone在Computer aided design ofexperiments上所述方法，原产地内随机取330(A1)个样品作为模型，原产地外随机取110(A2)个样品作为模型，建立kenstone分割程序，[model1，test1]＝kenstone(data1，330)和[model2，test2]＝kenstone(dara2，110)，得到model1、test1、model2、test2。

(5)对近红外、稳定同位素以及电子舌数据建模LS-SVM：

①合并训练集：xxxc＝[data1(model1，：)；data2(model2，：)]；

②合并预测集：xxxp＝[data1(test1，：)；data2(test2，：)]；

③求训练集平均光谱：mx＝mean(xxxc)；

④训练集减去平均光谱：xxxc＝xxxc-ones(440，1)*mx；

⑤预测集减去平均光谱：xxxp＝xxxp-ones(220，1)*mx；

⑥响应变量：yyc＝-ones(440，2)；yyc(1：330，1)＝1；yyc(331：440，2)＝1；

⑦用K-折交互验证：

indices＝crossvalind(′Kfold′，x，k)；

⑧建模过程：

预处理：model＝initlssvm(x，y，type，[]，[]，kernel)；

模型测定：model＝tunelssvm(model，′simplex′，optfun，optargs)；

训练集测定：model＝trainlssvm(model)；

⑨根据测定结果，采用plotlssvm预测结果，输出yp、alpha、b、gam和sig2：

plotlssvm(model)；

end

yp＝simlssvm(model，x)；

alpha＝model.alpha；

b＝model.b；

gam＝model.gam；sig2＝model.kernel_pars；

F、LS-SVM模型识别率

按上述建模方法分别对近红外光谱、稳定同位素、电子舌以及三者融合数据进行建模分析，其结果见表5。

表5：LS-SVM模型判别结果汇总

近红外、稳定同位素、电子舌各特征指标之间具有互补性，采用本发明LS-SVM建模方法分别对近红外光谱、稳定同位素、电子舌以及三者联合数据进行分析，三者联合数据所组成的LS-SVM模型，识别率最高，达100.0％，远高于单种数据LS-SVM结果。

G、盲样检测

盲样监督小组从武夷岩茶农户处购买岩茶样品，监控晒青、做青、杀青等步骤，确保岩茶样品的原产地域属性，上述样品作为盲样中的地理标志产区内样品；从建阳、建瓯、婺源等地购买岩茶，作为盲样中的地理标志产区外样品，上述盲样与建模岩茶样品出自不同的厂家。分析检测人员事先未能得知待测盲样的产地属性，随机选取若干份，检测，再按本发明方法对盲样产地属性进行判断，并与盲样监督小组进行核对，确定盲样识别率。分别从上述盲样中选取20、60、100个盲样，按照步骤(B)、(C)和(D)方法获得的盲样数据代入上述LS-SVM模型，判断其地理标志属性，其判别识别率均为100％。

实施例2：

数据分割采用Kenston程序，K-折交互验证，PLSDA模型，按上述建模方法对近红外光谱、同位素、电子舌以及三者融合数据进行建模分析，其结果见表6。

表6：PLSDA模型判别结果汇总

采用PLSDA判别模型，各特征指标之间亦具有互补性，三者融合数据识别率均高于单数据PLSDA判别模型，识别率达95.2％，但PLSDA识别率低于识别率达100.0％的LS-SVM鉴别模型。

实施例3：

数据分割采用Kenston程序，K-折交互验证，神经网络ELM模型，按上述建模方法对近红外光谱、同位素、电子舌以及三者融合数据进行建模分析，其结果见表7。

表7：ELM模型判别结果汇总

采用ELM判别模型，各特征指标之间亦具有互补性，三者融合数据识别率均高于单数据ELM判别模型，识别率达94.5％，但ELM识别率低于识别率达100.0％的LS-SVM鉴别模型。

实施例4～9：

岩茶样品、近红外数据、同位素数据等与实施例1相同，分别采用不同方法进行鉴别。实施例7-9分别采用现有发明专利CN103630528A(201210307144.2)、CN102455320A(201010526790.9)、CN103245713A(201310095950.2)所述方法进行鉴别。实施例4～9与实施例1指标区别见表8。

表8：实施例4～9与实施例1比较情况表

从上述比较结果可以得出，采用本发明方法，识别率达100.0％，且盲样检测率达100.0％，远高于其他方法，可作为武夷岩茶产地溯源识别技术方法。

Claims

1.用于武夷岩茶产地鉴别的联合检测方法，所述方法包括：

(A)采集不同产地岩茶样品：

(B)测定不同产地岩茶样品的近红外特征光谱数据：

近红外检测参数：64次扫描，特征光谱条带为64次扫描的平均值，扫描范围为12000-4000cm^-1，数据点的间隔为1.928cm^-1，采集时室温控制在25℃，湿度保持稳定，每个样本的光谱采集1次；

(C)测定不同产地岩茶样品的稳定同位素质谱数据：

δ¹³C、δ¹⁵N、δ¹⁸O、δ²H、δ⁸⁶Sr等稳定同位素含量测定，每个样品至少重复分析3次以上，取平均值作为最终结果；

通过SVM-RFE(支持向量机回归特征消去法)对武夷岩茶稳定同位素数据进行训练和预测，随机重复100次，并对各变量的模型特征进行排序，筛选出岩茶原产地的同位素特征变量，其排序顺序为氢、氧、氮、碳、锶；并利用预测集计算模型的灵敏度、分辨率、识别率，均按重复计算100次平均结果，氢、氧、氮、碳四种数据组成的模型，识别率最高，达93.93％，因此建模只需选择氢、氧、氮、碳四种数据，无需对锶等其他稳定同位素含量进行检测；

(D)测定不同产地岩茶样品的电子舌数据

本研究采用ASTREE Electronic电子舌***，该套***具有一个电极(Ag/AgCl)以及7个独立传感器(ZZ、BA、BB、CA、GA、HA、JB)，电子舌***使用前用NaCl和C5H8NO4Na标准溶液对传感器进行活化，并依次进行信号校准和仪器自诊断，自诊断通过后可进行样品滋味的分析检测；取各传感器最后十秒(第91-100秒)稳定数据的均值作为检测数据进行后续分析；

(4)数据分割：参考R.W.Kennard和L.A.Stone在Computer aided design ofexperiments中的方法，随机选取武夷岩茶产区内总数的65～70％作为原产地内模型数A1，随机取武夷岩茶产区外65～70％作为原产地外模型数A2，建立kenstone分割程序；

(5)K-折交互验证法：将样本数据集随机划分为K个子集(一般是均分)，将一个子集作为验证集，其余的K-1组子集作为训练集；轮流将K个子集作为验证集，交叉重复K次，得到K次的结果，并用K次结果的平均值作为分类器或模型的性能指标；K-折法下，每一个样本数据都被用作训练数据，也被用作验证数据，避免了过度学习和欠学习状态的发生；

(6)最小二乘支持向量机(LS-SVM)鉴别模型的建立：对步骤(4)数据分割后的近红外、稳定同位素和电子舌数据采用步骤(5)进行K-折交互验证，并采用最小二乘支持向量机分析并建立LS-SVM模型；

(F)取待测未知产地样品按照步骤(B)、(C)和(D)测定近红外特征光谱数据、稳定同位素质谱数据和电子舌数据，将测得数据代入上述LS-SVM模型，判断待测样品的原产地属性。

2.如权利要求1所述的方法，其特征在于所述步骤(E)中分割程序分别为：[model1，test1]＝kenstone(data1，A1)和[model2，test2]＝kenstone(data2，A2)，得到model1、test1、model2、test2。

3.如权利要求1所述的方法，其特征在于所述步骤(E)中最小二乘支持向量机鉴别模型的建立过程如下：

(a)合并训练集：xxxc＝[data1(model1，：)；data2(model2，：)]；

(b)合并预测集：xxxp＝[data1(test1，：)；data2(test2，：)]；

(c)求训练集平均光谱：mx＝mean(xxxc)；

(d)训练集减去平均光谱：xxxc＝xxxc-ones(A，1)*mx；

A为：A1+A2；

(e)预测集减去平均光谱：xxxp＝xxxp-ones(B，1)*mx；

B为：原产地内测试集数B1与原产地外测试集数B2之和；

A1与B1之和为原产地内样品总数C1；

A2与B2之和为原产地外样品总数C2；

(g)用K-折交互验证：

indices＝crossvalidation(′Kfold′，x，k)；

(h)用样本数据训练，建立模型：

预处理：model＝initlssvm(x，y，type，[]，[]，kernel)；

模型测定：model＝tunelssvm(model，′simplex′，optfun，optargs)；

训练集测定：model＝trainlssvm(model)；

plotlssvm(model)；

end

yp＝simlssvm(model，x)；

alpha＝model.alpha；

b＝model.b；

gam＝model.gam；sig2＝model.kernel_pars。

4.如权利要求1所述的方法，其特征在于本发明所述最小二乘支持向量机(LS-SVM)建模方法对近红外、稳定同位素、电子舌的融合数据进行建模分析，模型识别率最高，达100.0％，远高于单种数据LS-SVM判别结果；针对20、60、100个盲样，检测识别率均达100.0％，本发明方法可作为武夷岩茶产地溯源识别技术方法。