样品：试验采用的不同成熟阶段荔枝样本信息如表1 所示，所用荔枝均采摘于广东省广州市华南农业大学校内果园，品种为“水林”。在荔枝挂果约25 d 时，对荔枝果实进行采样，采样周期为7 d，共采样6 次到荔枝果实成熟（6 个成熟阶段分别标记为s1、s2、s3、s4、s5 和s6。），每次取样20 颗无损伤荔枝果实。

仪器：PEN3 型便携式仿生电子鼻系统（AirSense Inc, Germany）

检测指标：果园荔枝成熟阶段监测

实验过程：电子鼻的采样参数设置为：采样时间间隔为1 s，传感器自动清洗时间为70 s，传感器归零时间为10 s，分析采样时间为80 s，进样准备时间为5 s，进样流量为300 mL/min。试验共获得荔枝不同成熟阶段的电子鼻采样数据120 个（6 个成熟阶段×每次采集20 个样本=120 个）。

实验结果：为了无损快速监测荔枝成熟阶段，该文提出了一种基于电子鼻技术的果园荔枝成熟阶段监测方法，采用PEN3电子鼻获取挂果约25 d 到果实成熟过程中6 个成熟阶段荔枝样本的仿生嗅觉信息并同步获取了各成熟阶段荔枝的3 项物理特征（果实直径、果实质量与果实可溶性固形物含量）。根据不同成熟阶段荔枝物理特征变化可知，荔枝果实直径与果实质量2 项物理指标在挂果约32 d～39 d，以及53 d～60 d 增长较快，可溶性固形物含量在挂果约32 d 前无法测量，53 d～60 d 阶段增长速度较慢。提取各样本电子鼻采样数据75 s 时刻的各传感器响应值作为特征值后，采用载荷分析（loadings）进行传感器阵列优化，优选了传感器R2、R4、R6、R7、R8、R9 和R10 的响应数据进行后续分析。将优化后的传感器响应数据进行归一化处理。采用线性判别分析（linear discriminant analysis，LDA）进一步提取特征信息，降低数据中包含的冗余信息。LDA 对荔枝成熟阶段的分类识别效果不佳。为进一步探究电子鼻监测果园荔枝成熟阶段的可行性，采用模糊C 均值聚类分析（fuzzy C means clustering，FCM）、k 近邻函数分析（k nearest neighbor，KNN）和概率神经网络（probabilistic neural network，PNN）进行模式识别。研究结果表明，FCM 对果园荔枝成熟阶段识别的正确率为89.17%。采用KNN 与PNN 建立识别模型后，KNN 与PNN 识别模型对训练集的回判正确率均为99%，对测试集的识别率均为96.67%，具有较好的分类识别效果。

研究意义：试验证明了采用电子鼻进行果园荔枝成熟度监测的可行性，为果园水果品质的实时监测提供参考。