基于遗传优化神经网络的电子鼻对可乐的检测

采用遗传学习算法和误差反向传播(BP)算法相结合的混合算法来训练前馈人工神经网络,从而提高神经网络的收敛质量和收敛速度,并将此算法运用到电子鼻对可乐的检测上.与经典BP网络及附加动量项BP网络的训练与预测进行了比较,结果显示:遗传优化BP算法具有预测精度高、收敛速度快及运行时间短的优点,是一种快速、可靠的方法.     

基于电子鼻和神经网络的牛肉新鲜度的检测

本文对一批新鲜牛肉进行感官评价、挥发性盐基氮检测、微生物含量检测和电子鼻检测,检测时间为冷藏第0、3、5、7、10、12、14 d。应用电子鼻第50 s的响应信号建立牛肉样品的模式识别分析模型。运用马氏距离分析牛肉样品新鲜度的变化,样品与新鲜样品间的马氏距离随冷藏时间的延长而增大,在冷藏5 d后,样品的质量有明显跃变;运用主成分分析和线性判别分析区分不同冷藏时间的样品,除第0~5 d样品有部分重合外,其他天数样品都能很好区分;利用逐步判别分析进行冷藏时间判别,正确率为96.19%;分别采用BP神经网络(BPNN)和广义回归网络(GRNN)建立牛肉冷藏天数与感官理化指标间的相关模型,实验表明GRNN模型效果较好,该模型对冷藏时间、挥发性盐基氮(TVBN)、细菌总数和感官得分的预测误差Se分别为1.36 d、4.64?10-2 mg/g、1.61×106cfu/g和1.31。     

S拟合与BP神经网络的结合及其在粮食产量预测中的应用

提出了一种函数拟合和BP神经网络结合的方法,由于函数拟合可以较好地反映数据变化的总体趋势,所以先用函数对数据进行S拟合,再结合BP神经网络具有反映外界因素影响的优点对拟合数据进行修正,并对我国的粮食总产量进行了预测分析。结果表明,用此模型对粮食总产量进行预测,其误差明显低于单一的函数拟合或BP神经网络。     

电子鼻信号特征提取与传感器优化的研究

采用PEN2型电子鼻系统对芝麻油的玉米油掺假进行定性鉴别和定量预测,运用主成分分析,逐步判别分析和Fisher线性判别函数变换对原始数据进行预处理,从而降低原始数据空间的维数,并用判别分析与人工神经网络对数据进行进一步分析,考察了不同的数据预处理方法的效果.判别分析结果表明,采用Fisher线性判别函数变换所得到的十个变量判别能力最强,误判率为0.61%,仅有1个样品出现误判.在BP神经网络的定量预测中,采用逐步判别分析所筛选出的十个变量作为网络输入,所得的预测结果最为理想,绝对误差个体值的95%置信区间最小,为(-4.71%,3.38%),均方误差为4.75,预测值与实际值之间有极显著的相关性,相关系数R=0.998 08.     

S拟合与BP神经网络的结合及其在粮食产量预测中的应用

提出了一种函数拟合和BP神经网络结合的方法，由于函数拟合可以较好地反映数据变化的总体趋势，所以先用函数对数据进行S拟合，再结合BP神经网络具有反映外界因素影响的优点对拟合数据进行修正，并对我国的粮食总产量进行了预测分析。结果表明，用此模型对粮食总产量进行预测，其误差明显低于单一的函数拟合或BP神经网络。     

基于电子鼻山茶油芝麻油掺假的检测研究

本文采用电子鼻系统对山茶油、芝麻油的掺假（大豆油）作了检测.通过对传感器信号进行方差分析可知,三种油脂的传感器响应有显著差异.主成分分析（PCA）对山茶油与大豆油及其混合物检测效果较差,对芝麻油、大豆油及两者混合物取得了较好的检测效果;而线性判别式分析（LDA）对山茶油和芝麻油的掺假都有较好的检测效果,并优于PCA方法.运用BP神经网络拟对混合油脂进行定量预测,对山茶油掺假的定量预测效果较差,对芝麻油掺假的预测效果略好于山茶油,但最大绝对误差已达0.134,还不能取得较为准确的结果.