电子鼻判别小麦陈化年限的检测方法研究

采用电子鼻对五个储藏年限的陈化小麦进行年限分析,确定了采用电子鼻判别小麦储藏年限的最佳参数及方法.对传感器信号进行多因素方差分析可知:对于固定容器的陈化小麦样品,不同的小麦密封时间对电子鼻的响应信号的影响极为显著;其次是小麦在烧杯内的密封质量.通过静置密封时间和密封质量的方差分析,得出小麦在500 mL烧杯内的最佳静置时间为1.5 h,密封在烧杯内的小麦最恰当质量为50 g.采用以上参数,对五个储藏年限的小麦进行辨别,PCA分析可以将不同储藏年限的小麦较好的区分开来,并且五个年份的小麦自右上角至左下角依次排列;而LDA分析能够将差别年限较大的陈化小麦进行区分,差距较小的,不能够很好的区分,其区分效果不如PCA分析;进而采用BP神经网络的方法进行判别分析,训练样本正确率为100%,测试样本正确率也达到了85%以上.     

基于逐步判别分析和BP神经网络的电子鼻猪肉储藏时间预测

旨在探讨一种快速检测猪肉储藏时间的电子鼻方法.本研究采用德国Airsense公司的PEN 2型便携式电子鼻对不同储藏时间(0～7 d)的猪肉样品进行检测,每天检测42个样品,每个样品质量为10 g,密封时间为5 min.提取第60 s数据进行线性判别分析,结果显示电子鼻能较好的区分不同储藏天数的猪肉样品.同时用逐步判别分析和BP神经网络对猪肉储藏时间进行预测,训练集的准确率,前者为100%,后者为94.17%,而预测集的准确率,前者为97.92%,后者为93.75%.研究表明电子鼻技术有望在猪肉新鲜度快速检测上得到广泛的应用.     

基于金属氧化物传感器阵列的小麦霉变程度检测

研制了一套由8个金属氧化物传感器组成、用于检测小麦霉变的电子鼻系统.使用该电子鼻对不同霉变程度和掺入不同百分比含量霉麦的小麦样品进行检测.通过方差分析和主成分分析优化传感器阵列并去掉冗余传感器,对优化后的数据进行主成分分析(PCA)和线性判别分析(LDA),其中PCA的前两个主成分对两类实验结果分析的总贡献率为98.30％和99.27％,LDA前两个判别因子对两类实验结果分析的总贡献率为99.68％和93.30％,且由得分图可知两种方法均能很好地区分不同的小麦样品.利用BP神经网络建立预测模型,对样品菌落总数和掺入样品中霉麦的百分比进行预测.两种预测模型的预测值和测量值之间的相关系数分别为0.91和0.94,表明预测模型具有较好预测性能.     

基于电子鼻技术的湄潭春茶产地溯源研究

为实现不同产地湄潭春茶的快速、客观判别，基于电子鼻与多元统计分析定性判别不同产地湄潭春茶间的差异，并定量预测其产地。对电子鼻信号进行分析，发现其响应信号在传感器S7、S9、S6和S2的强度均较明显；方差分析发现湄潭春茶产地对传感器响应影响均显著；基于第80 s数据进行主成分分析(PCA)和典则判别分析(CDA)，发现其基本能区分不同产地的湄潭春茶，且数据点的分布均与各产地地理位置分布呈现一定特征规律性，但区分效果不够理想。为进一步提高对不同乡镇茶叶的区分效果，利用不同特征值(平均值、曲线面积、最大值、斜率、主成分分析优选参数、loading优选参数)进行判别分析，其中平均值、曲线面积、最大值判别结果优于80 s时的判别结果；斜率、主成分分析优选参数、loading判别结果比80 s时的判别结果差；以响应曲线的平均值进行判别时，可达到100%正确识别。多层神经网络分析(MLP)作为效果最佳、决定系数最高(R_c²=0.985 5,R_p²=0.994 1)的茶叶产地预测模型，可以实现对不同产地湄潭春茶的有...     

基于电子鼻的番茄种子不同储藏时间的鉴别研究

采用电子鼻对三种不同年份的番茄种子进行分析.结果表明:利用电子鼻可以很好的区分不同年份的番茄种子;利用主成分分析方法(PCA)基本上可以辨别出不同掺杂比例的种子,但是当掺杂比例为37.5%和50%时,较难利用电子鼻进行辨别区分;利用线性判别分析方法(LDA)可以很好的辨别出不同掺杂比例的番茄种子,并且每个混合种类的区域...     

不同炮制品续断散HPLC指纹图谱的模式识别研究

对炮制前后续断散指纹图谱进行模式识别研究,并根据不同炮制方法进行分类判别.建立不同炮制品续断散HPLC指纹图谱共有模式,进行特征选择,然后采用判别分析法(LDA)、簇类独立软模式分类法(SIMCA)、偏最小二乘判别分析法(PLS-DA)分别建立分类模型,并进行交叉验证.结果表明3种方法均取得较高判别率,能有效地对续断散指纹图谱进行分类,其中判别分析法最优.本试验建立的方法实现了续断散生品及不同炮制品的区分,为中药炮制的质量控制提供了有效的参考依据.     

百草油鉴别分类的电子鼻实现方法研究

采用便携式电子鼻PEN3对4组不同生产批次的中成药(百草油)进行检测,并对采样得到的数据进行分析.结合主成分分析(PCA)和线性判别分析(LDA)算法的特点,采用了PCA+LDA分析方法.该方法首先通过PCA分析来压缩特征数据的维数,减少数据计算量,进而优化特征向量,继而采用LDA分析实现对不同批次百草油产品的鉴别分类.结果表明:对4组样本的最终判别结果达到了87.5%的正确判别率,误判的待测样本只发生在p0705和p0801之间.     

基于气质与PLS-DA对新疆薰衣草精油判别分析

【目的】为了辨别新疆伊犁地区不同品种薰衣草精油,评价精油的品种品质。【方法】采用气相色谱质谱对3个品种的66个薰衣草精油样品进行测定,利用气相色谱质谱化学指纹特征结合偏最小二乘判别(PLS-DA)化学计量学方法,对所有样品9个共有特征组分色谱峰面积的相对百分含量进行PLS-DA分析。【结果】由载荷分布图得到C-197(2)品种薰衣草精油的特征性变量为β-月桂烯、顺式-罗勒烯、芳樟醇,具有此类别最敏感的判别能力,而法国兰特征性变量是乙酸香叶酯,H-701的特征性变量是樟脑和乙酸芳樟酪。选取48个样品作为校正集建立PLS-DA判别模型,C-197(2)、法国蓝、H-701三个品种的回归曲线相关系数分别为0.877、0.975、0.939,样品辨别率为100%。通过PLS-DA模型对18个未知样品预测,3个品种的薰衣草精油样品的预测均方根误差(RMSEP)分别为0.1852、0.0865、0.1877,正确识别率为88.89%。【结论】气相色谱质谱结合偏最小二乘判别分析能够对不同品种的狭叶薰衣草精油有效的鉴别,可为新疆地区薰衣草精油自己的产地标识和精油质量标准提供一定的理论依据。     

一种基于计算机嗅觉的卷烟等级识别方法

为利用计算机嗅觉系统(电子鼻)快速、简便地识别同种品牌不同等级的卷烟,选取三种不同等级的“双喜”牌卷烟作为实验对象,利用PEN3电子鼻分别检测整盒(未开封)、滤嘴、烟丝、烟纸、烟气等5个方面的气味,并利用主成分分析(PCA)和主成分分析+线性判别分析(PCA+LDA)分别对该5种气味信息进行分析.最后利用相关性分析对整盒气味信息的待测样本进行了区分测试.结果显示:单独利用5种气味的信息都区分出三种等级,其中区分效果由优到劣依次是滤嘴、烟气、整盒、烟丝、烟纸.利用相关性分析方法对整盒待测样品的测试正确率达100％.     

基于协同降维策略的电子鼻技术应用研究

本文提出了一种协同降维策略来优化特征维度进而提升电子鼻分类精度。该协同降维策略结合了无监督和有监督降维的优点实现原始特征的有效降维,并利用该策略实现不同品牌白酒的智能辨识。 首先,提取电子鼻检测数据的最大值、 稳态均值、积分值以及小波能量值作为特征值。其次,将无监督降维方式的核熵成分分析(KECA)引入对融合特征进行初步降维。再利用有监督降维方式的线性判别分析(LDA)进行再次降维得到最终的综合特征。最后,基于支持向量机(SVM)、概率神经网络(PNN)、随机森林(RF)对综合特征进行分类识别。结果表明,KCEA-LDA-SVM获得了最高的分类性能达96%,说明该协同降维策略可以有效提升电子鼻的检测性能。     

基于传感器阵列多特征优化融合的茶叶品质检测研究

为提高电子鼻对不同品质茶叶的识别能力,分别提取电子鼻传感器信号的总体平均值、上升阶段斜率平均值和相对稳态平均值作为特征值,对电子鼻传感器阵列进行多特征数据融合优化.首先对原始数据进行归一化处理,统一值的量纲和数量级;通过因子载荷分析,去除各个象限内主成分投影较小和投影重叠的因子,对多特征向量矩阵进行优化;最后采用单因素方差分析,缩小不同品质茶叶组内间距,增大组间间距,更利于实现茶叶品质的区分.结果显示,主成分分析(PCA)可有效区分3种不同等级茶叶,因子载荷优化使各品质茶叶组内间距减小,单因素方差优化使一级与二级茶叶区分效果更明显;线性判别分析(LDA)效果要优于PCA分析,3个不同等级的茶叶可得到极为明显的区分.研究结果表明,用多特征优化融合可有效提取电子鼻对茶叶的响应信息,有利于对不同品质茶叶进行识别.     

基于电子鼻区分三种致病菌的研究

旨在探讨一种快速检测致病菌的电子鼻方法。本研究利用基于金属氧化物传感器的电子鼻技术检测蜡样芽孢杆菌、单增李斯特菌和缓慢葡萄球菌三种致病菌培养液的挥发性代谢产物,结合化学计量学方法主成分分析(PCA)和聚类分析(CA)对电子鼻原始数据进行统计学分析。PCA模式识别结果显示该技术能够很好的将三种细菌在培养液中的挥发性代谢产物图谱进行区分,CA分析进一步显示单增李斯特菌与缓慢葡萄球菌的气味指纹图谱比较接近,而蜡样芽孢杆菌的图谱与它们的差异较大。研究表明该电子鼻技术有望在致病菌快速检测上得到更广泛的应用。     

基于核Fisher的理想投影空间及分类阈值确定

介绍了一种基于Fisher线性判别的非线性分类方法--核Fisher,其主要思想是首先把样本映射到特征空间F,然后在此空问进行Fisher线性判别,隐含地实现了原输入空间的非线性判别;同时利用SVM对分类阚值进行估计,实现了对两类样本最大程度的区分.通过仿真可以得出这一判别方式有利于确定两类平均丢包率的区分阚值.     

基于电子鼻技术的不同特征参数提取对番茄苗早疫病病害区分效果影响的研究

电子鼻检测的原始特征的数据量很大,一般在进行降低维数的处理前需要对原始特征进行合理的选择。选用最大值(Max)、全段数据平均值(Mean)、响应曲线最大曲率(kmax)、响应曲线的全段积分值(IV)作为4种不同特征参数对感染早疫病病害的番茄苗进行区分效果研究,结果表明在进行PCA和LDA区分时,利用全段数据平均值和响应曲线的全段积分值作为特征参数的效果较好,其次为最大值方法,最差的是响应曲线最大曲率方法;利用BP神经网络(BPNN)和遗传算法BP神经网络(GABPNN)两种识别模式进行预测时,利用全段数据平均值和响应曲线的全段积分值作为特征参数的训练集和预测集的正确率较好,其次为最大值方法,预测结果最差的是响应曲线最大曲率方法。     

分类特征变量法用于筛选鼻咽癌代谢标记物

本文提出1种新的筛选生物标记物的方法——分类特征变量法(CCV)。该法是在偏最小二乘法(PLS)的原理上,建立的统计学方法,不但包含判别函数的信息,而且兼顾分类潜变量的信息,在生物标记物筛选过程中表现出优势。本文不仅阐述了CCV法的原理和计算方法,还对实际代谢组数据体系的应用过程进行了详细描述。针对气相色谱-质谱联用仪(GC-MS)获得的鼻咽癌病人和健康人的血清代谢指纹图谱数据,采用该法筛选潜在的生物标记物。得到19个变量,分别对应13种内源性代谢物,并与载荷矢量图法筛选得到的代谢标记物的判别能力进行比较。以2种方法各自筛选出的特征变量为输入数据,用偏最小二乘-线性判别分析(PLS-DA)和交互检验(CV)分别验证其分类判别能力和预测能力。结果表明,CCV明显优于目前常用的载荷矢量图法,是1种新的快速有效的生物标记物筛选方法。     

一种基于气体传感器技术的肉苁蓉快速鉴别方法

为方便快捷地鉴别不同产地肉苁蓉,探索一种基于电子鼻技术结合模式识别方法的肉苁蓉快速鉴别方法.采用PEN3电子鼻分析电子鼻传感器阵列不同响应特征,采用主成分分析法和线性判别分析建立模型及测试评估模型性能.结果表明,基于PCA的肉苁蓉种类鉴别模型将传感器高维特征降维提取,度量传感器特征信息贡献,为传感器阵列的优化提供新的方法和借鉴.采用LDA得到类间方差较大,有明显区分度,且类内方差很小,聚合性非常好的分类模型.经过验证,测试数据集在欧氏距离验证下可达到100％识别率.实验证明,电子鼻技术可有效对不同产地肉苁蓉快速鉴别.     

基于PCA和SVM的电磁模板分析攻击

在分析密码芯片电磁辐射数据相关性的基础上,提出了一种基于主成分分析(PCA)技术和多分类支持向量机(SVM)的模板分析密码旁路攻击方法。将密码设备运行时采集到的泄漏的电磁信号经过PCA处理之后作为特征向量,其对应的密钥作为类别,用已知密钥情况下获得的样本训练多分类SVM,用训练好的多分类SVM对未知密钥的电磁信号进行分类,并根据分类结果推测密钥值。实验表明,在用相同多个主成分和训练样本的条件下,SVM的分类效果好于大多数文献上使用的Bayes判别的分类效果。     

基于监督局部线性嵌入的中药材分类鉴别研究*

电子鼻所采集的中药材气味信息往往具有高维性和非线性。针对气味信息的这种特性,提出一种基于监督局部线性嵌入(SLLE)和线性判别分析(LDA)的气味数据分析方法。首先利用SLLE对所采集的高维非线性气味信息进行降维,目的是提取出气味数据内在的低维流行特征,并增大类别间的辨别信息。然后,在低维空间中,利用LDA进行特征分类判别。通过实验,分别将该方法与单独使用SLLE方法及PCA LDA方法进行对比分析,结果表明,该方法可以很好地对五种不同种类的中药材及三种不同产地的何首乌进行分类鉴别,其个体识别率和整体识别率均可达到100%,为使用电子鼻对中药材进行分类鉴别提供了一种行之有效的方法。     

电子鼻传感器阵列优化与谷物霉变程度的检测

研制一套适合对谷物霉变进行检测的电子鼻系统,对6个霉变程度的稻谷进行了检测.主成份(PCA)分析结果显示6个霉变程度的稻谷是可以区分的,对前三个主成分的载荷因子进行分析去掉冗余传感器,PCA分析结果显示去掉冗余传感器并不影响分类结果.最后用BP神经网络对所得的数据进行模式识别,30组测试样本对霉变菌落总数的预测结果平均相对误差为1.010 30,最大相对误差为3.942 57.实验结果表明系统对稻谷霉变程度的检测具有很高的分析精度.     

PCA特征抽取与SVM多类分类在传感器故障诊断中的应用

为了提高传感器故障诊断的准确率,提出了基于主元分析(PCA)特征抽取和支持向量机(SVM)多类分类的故障诊断方法.该方法通过对传感器输出信号进行小波包分解产生原始特征数据,然后采用PCA特征抽取得到二次特征向量,增强传感器各个状态模式的可分性.二次特征输入到二叉树SVM多类分类算法设计的分类器实现传感器故障诊断.仿真实验结果表明,这种结合了PCA特征抽取和SVM分类的诊断方法准确率高,其诊断效果优于直接采用原始特征进行分类的情况.