基于电子舌和模式识别的中成药品辨识方法研究

为了实现不同中成药品的快速区分辨识,采用基于虚拟仪器技术的伏安电子舌系统对治疗感冒病症的4种不同中成药品进行了检测分析。分别采用特征点提取(FPE)法和离散小波变换(DWT)法对电子舌输出信号进行预处理,以样本点的聚集性和分类效果为依据,确定较佳的特征提取方法为以db4为母小波进行的8层离散小波变换。在此基础上,分别采用主成分分析法(PCA)、聚类分析法(CA)和BP神经网络(BPNN)对不同中成药品进行区分辨识。结果表明,PCA结果中PC1和PC2累计贡献率为95.6%,除羚羊感冒片和银翘解毒片有重叠趋势外,其余各类得到有效区分;CA能够有效地观察出4种中成药品之间的差异程度,但4种药品最终被分成两类,区分效果较差;非线性分类模型BPNN对不同中成药品区分效果较好。通过优化实验,分别确定了模型的训练算法、激活函数和隐含层节点数目等参数,测试集验证表明,BPNN模型对4种中成药品的分类正确率达到100%。本研究结果可为中成药品的非感官质量评价和快速辨识研究提供技术参考。     

基于电子舌及一维深度CNN-ELM模型的普洱茶贮藏年限快速检测

采用伏安电子舌对不同贮藏年限的普洱茶进行快速检测。将深度学习技术引入到电子舌的模式识别中,提出一种基于一维卷积神经网络(1-D CNN)与极限学习机(ELM)组合的模式识别模型(1-D CNN-ELM)。采用该模型结合伏安电子舌对5种不同贮藏年限的普洱茶进行分类鉴别,结果表明,与传统基于离散小波变换(DWT)结合支持向量机(SVM)或极限学习机(ELM)的模型相比,1-D CNN-ELM对普洱茶贮藏年限的分类效果更优,其测试集准确率、精确率、召回率和F1-Score分别达到98.32%,98.0%,98.0%,0.98。试验表明深度学习方法适用于对电子舌信号进行模式识别处理,且具有较高的分类准确性和泛化能力。