超快速气相电子鼻检测气味
气味指纹图谱建立
将各30批八角茴香与莽草样品的色谱图，建立以MXT-5色谱柱采集信号为主的八角茴香与莽草样品气味色谱瀑布图，结果筛选出26个分离效果较好且峰面积较大的气味色谱峰作为主要成分进行后续分析。详见图1和图2。
气味定性分析与气味差异标志物研究
本研究中将检测结果用正构烷烃（nC6-nC16）混合对照品溶液进行校准，将RI与Arochembase数据库信息进行对比，根据相关指数筛选八角茴香与莽草的气味特征成分，确定了26种可能存在的化合物、名称、感官（气味）描述信息。详见表3。结果显示，所鉴定出的化合物多为烷烃类和醇类，其次为烯烃类和酯类。由图1、图2和表3可见，莽草的气味色谱峰数量及峰面积均存在明显差异。气味色谱瀑布图中，八角茴香共检出18个峰，莽草共检出24个峰，八角茴香与莽草的共有峰有16个，分别为α-蒎烯、1，3，5-三甲苯、正十烷、对伞花烃、5-乙基壬烷、萜品油烯、芳樟醇、樟脑、壬酸甲酯、2-癸烯醛、2，4-癸二烯醛、茴香脑、甲基丁香酚、丁烯酸辛酯、2-甲基四癸烷、甲基内吸磷。八角茴香与莽草间的差异性主要体现在4-乙基辛烷、2-辛醇、氧化柠檬烯、乙酸庚酯、辛烯-8-醇、反式香芹醇、香茅醇、2-丁烯酸己酯、3-甲基十五烷、正十七烷，可作为八角茴香与莽草样品的气味差异标志物。在气味色谱峰峰面积上，八角茴香相较于莽草，对伞花烃、壬酸甲酯、2，4-癸二烯醛、茴香脑4种气味成分的峰面积显著提高，可能是八角茴香与莽草的气味差异标志物；5-乙基壬烷、2-癸烯醛2种气味成分的峰面积分有所降低，可能是八角茴香与莽草的潜在气味差异标志物。
化学计量学分析
主成分分析（PCA）
将筛选出的26个色谱峰峰面积进行PCA，结果第一主成分（PC1）的贡献率为92.657%，第二主成分（PC2）的贡献率为7.276%，第三主成分（PC3）的贡献率为0.055%，主成分累计贡献率为99.988%，该模型能显示样品整体的气味信息。八角茴香与莽草样品明显分布于模型中的2个不同区域，表明二者气味存在较大差异，PCA模型能快速区分八角茴香与莽草。详见图3。
判别因子分析（DFA）
样品进行DFA分析，结果DF1的贡献率为100.00%，表明DFA模型能充分反映样品的原始信息。八角茴香与莽草样品分布于模型中的2个不同区域，区分效果显著，与PCA分析结果一致。详见图4。
正交偏最小二乘法-判别分析（OPLS-DA）
建立八角茴香与莽草的OPLS-DA模型，结果显示八角茴香与莽草样品明显聚为2类，可实现真伪区分，详见图5A；提取3个主要成分，模型解释率参数（R2）分别为0.810，0.933，0.943，预测能力参数（Q2）分别为0.808，0.932，0.941，均高于0.5，表明模型拟合程度较好，具有较高的稳定性和预测率，详见图5B；进行200次随机置换检验发现，R2拟合线的纵坐标截距为0.008，Q2拟合线的纵坐标截距为-0.137，右侧主成分下的R2和Q2明显高于左侧，表明该模型可靠，且不存在过拟合现象，详见图5C。变量权重重要性排序（VIP）>1.0，表明该变量对整体模型的贡献度较大，对样本分类的影响具有统计学意义，可作为差异标志物。分析26个色谱峰的VIP，共筛选出14种VIP>1.0的气味成分。VIP>1.2且明显高于其他成分的有茴香脑、丁烯酸辛酯、2，4-癸二烯醛，推测这3种气味成分为鉴别八角茴香与莽草的关键气味差异化合物。详见图5D。
BP神经网络模型建立
本研究中利用BP神经网络模型进一步提高鉴别精度，将180组样品（八角茴香与莽草各30批，每批平行测定3次）鉴定出的26个气味成分峰面积数据作为神经网络模型输入层。为防止学习过程中出现局部优化现象，训练开始前需打乱输入层的峰面积数据顺序，以排除原始数据的规律性后输入神经网络，将八角茴香与莽草分为2类作为模型的目标。将样本原始数据集合随机分为训练集（70%）和测试集（30%），设置10个隐藏层神经元，采用Levenberg-Marquardt算法训练，以建立BP神经网络模型。交叉熵（CE）能反映模型的性能及精度，交叉熵越小，表明预测越接近真实分布，模型的性能越好，精度越高。接收者操作特征（ROC）曲线下面积（AUC）越接近1.0，表明模型的性能越好。由图6A可见，在迭代25次后，验证集的CE为7.7486×10-7<1×10-6，可认为BPANN模型的预测精度较高。由ROC曲线（图6B）可见，训练集、验证集、测试集及全集中2类样品的AUC均为1.0，表明BP神经网络分类性能良好。混淆矩阵是一种用来呈现算法性能且具有监督学习模式的可视化矩阵。建立的模型在训练集和测试集的正确率见图6C和图6D。可见，训练集八角茴香与莽草各63个样本均被正确划分，预测准确率为100.00%；测试集八角茴香与莽草各27个样本均被正确划分，预测准确率为100.00%。测试集的准确率更能说明模型的鉴别性能，上述结果表明，BP神经网络判别模型能准确、快速地鉴别八角茴香与莽草。
