基于电子鼻技术的信阳毛尖茶咖啡碱检测方法

本文采用电子鼻系统对三个等级的信阳毛尖茶进行了检测.采用Loading分析和相关分析对传感器阵列进行优化,选出四个传感器为最终的新传感器阵列,用于信阳毛尖茶的品质识别.PCA分析结果显示,可以将不同等级的茶叶完全区分开,而且效果比较好.利用PCR、MLR和QPSa方法分别建立信阳毛尖茶基于气敏传感器阵列的咖啡碱预测模型...     

劲酒电子鼻鉴别分析中传感器阵列优化方法研究

气敏传感器阵列优化是电子鼻应用研究中的一个重要方面.阵列优化后可以消除初始阵列中的冗余信息,提高识别能力.在电子鼻对劲酒进行鉴别分析中.分别采用相关系数绝对值累加和最小分析、PCA第二主成分系数选择性分析、基于变异系数的因子载荷分析三种方法研究了初始传感器阵列的优化阵列.结果表明3种优化阵列组成形式基本相同,进而构造出了适宜劲酒电子鼻分析的传感器阵列.计算分析表明,传感器优化阵列可以很好地对酒精度为35和38度的两种劲酒产品进行鉴别分类.这也为电子鼻分析中阵列的优化选取提供了一种方法与思路.     

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％.     

电子鼻中预处理算法选择及阵列优化

为了研 究数据预处理算法和传感器阵列优化对电子鼻气体辨识的影响,对3种气体进行了测试。使 用主成分分析(Principal component analysis, PCA)法选择预处理算法,确定分类效果最 好的相对差分法对电子鼻数据进行预处理。对初始阵列优化前,首先通过传感器响应变化趋 势及变异系数剔除响应异常的传感器;然后进行PCA因子载荷分析,结合相关系数分析及方 差膨胀因子进行多重共线性检验确定可能的最优阵列。最后,运用反向传播(Back propagation,BP)神 经网络对可能的最优阵列进行气体识别检验并确定最终阵列,同时选取其他阵列作为对照研 究。通过计算检验,证明本文的阵列优化方法不仅可以剔除异常和冗余传感器,而且对测试 样本分类效果良好。     

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.     

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...     

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LVQ混合神经网络算法的电子鼻系统

为了对食物品质进行非接触式评价,采用6种费加罗金属氧化物半导体传感器阵列设计并研制了可对被测食物进行无损检测的电子鼻系统.系统主要由采样模块、控制模块和上位机组成,并采用主成分分析(PCA)和学习矢量量化(LVQ)混合神经网络模式识别算法对气体“指纹信息”数据库进行分析.实验结果表明,利用该电子鼻系统可以对5种不同的食用酱进行检测,并且具有对未知酱品进行识别的功能.     

基于PCA与BP混合神经网络算法的电子鼻系统

为了对食物品质进行非接触式评价,基于6种费加罗金属氧化物气体传感器阵列,通过由数据采集模块和微处理器模块组成的硬件设计方案,设计并研制了可对被测食物进行实时、无损检测的电子鼻系统。在软件设计方案上,该系统采用主成分分析(PCA)和反向传播(BP)混合神经网络模式,通过LabVIEW对气体"指纹信息"数据库进行分析。实验结果表明:该设计的电子鼻系统可以很好地区分不同种类的食醋,并提供了一种对食醋品质评价的便利方法。     

Quality grade identification of green tea using the eigenvalues of PCA based on the E-nose signals

The potential of the electronic nose to monitor Longjing tea different grade based on dry tea leaf, tea beverages and tea remains volatiles was studied. The original feature vector was obtained from the response signals of the E-nose, and was analyzed by principal component analysis (PCA). To decrease the data dimension and optimize the feature vector, the front five principal component values of the PCA were extracted as the final feature vectors by PCA. The linear discrimination analysis (LDA) and the back-propagation neural network (BPNN) were proposed to identify Longjing tea grade. The results showed that the discrimination results and testing results for the tea grade were better based on the tea beverages than those based on the tea leaf and the tea remains based on the new five feature vectors; both of the LDA and BPNN methods achieved better discrimination for the tea grades based on the tea beverages and the analysis results of the two methods were accordance.     

Discrimination of green tea quality using the electronic nose technique and the human panel test, comparison of linear and nonlinear classification tools

Electronic nose (E-nose) technique was attempted to discriminate green tea quality instead of human panel test in this work. Four grades of green tea, which were classified by the human panel test, were attempted in the experiment. First, the E-nose system with eight metal oxide semiconductors gas sensors array was developed for data acquisition; then, the characteristic variables were extracted from the responses of the sensors; next, the principal components (PCs), as the input of the discrimination model, were extracted by principal component analysis (PCA); finally, three different linear or nonlinear classification tools, which were K-nearest neighbors (KNN), artificial neural network (ANN) and support vector machine (SVM), were compared in developing the discrimination model. The number of PCs and other model parameters were optimized by cross-validation. Experimental results showed that the performance of SVM model was superior to other models. The optimum SVM model was achieved when 4 PCs were included. The back discrimination rate was equal to 100% in the training set, and predictive discrimination rate was equal to 95% in the prediction set, respectively. The overall results demonstrated that E-nose technique with SVM classification tool could be successfully used in discrimination of green tea's quality, and SVM algorithm shows its superiority in solution to classification of green tea's quality using E-nose data.     

基于气体传感器阵列和非线性信号分析技术的龙井茶品质检测方法研究

本文研究了一种基于传感器阵列信号分析的龙井茶品质检测技术,采用多气体传感器阵列构建检测平台,实验检测不同储存时间的龙井茶样品,并对传感器阵列信号开展信号分析。为了进一步优化传感器阵列检测龙井茶品质的准确性,对传感器阵列参数优化,得到优化之后的阵列,优化后的传感器阵列具有更高的准确性。采用载荷分析（Loadings）、归一化处理进行数据的预处理。实验采用模糊c均值聚类（FCM）、k近邻函数（KNN）和概率神经网络（PNN）三种方法对传感器阵列检测信息进行了模式识别,以评估所构建系统的检测精度。结果表明三种方法的识别正确率分别为90.83%,90%和93.3%。结果表明KNN和PNN针对气体传感器阵列检测龙井茶品质领域均呈现了较好的模式识别结果。以上结果证明该系统具有较好的检测精度,随机共振系统输出相关系数曲线可以较好的区分不同茶叶样品,并且依托互相关系数特征峰值构建了其品质分析模型。     

基于传感器阵列优化的东北山参品质检测方法研究

研究了一种基于传感器阵列优化的储存山参品质检测方法.实验记录气体传感器阵列对山参样品的响应信号,采用传感器载荷分析的方法对传感器阵列响应信号进行优化.优化后传感器阵列主成分区分度提高了10.46％.优化后传感器阵列检测信号输入非线性数据共振模型,基于系统输出互相关系数COE(Cross Correlation Coefficient,)特征值经由线性拟合方法构建储存山参品质检测模型Q=(COEmax-0.23)/0.02(R2=0.99026).验证实验结果表明所构建的模型的预报准确度为83.3％.所探索的方法有望在储存中药材品质检测领域得到广泛应用.     

嗅觉神经网络在电子鼻识别多品牌绿茶中的应用研究

生物模式识别机理引入人工嗅觉系统将提高其仿生化程度,并被认为是有前途的传感阵列信息处理方法。本文尝试将一种嗅觉神经网络应用到电子鼻检测和识别多种品牌的绿茶气味。通过包含8个MOS型气敏传感器的自制电子鼻仪器,测量了来着不同地方的5种不同品牌的绿茶样品,在传感阵列信号稳态部分提取特征向量,并使用雷达图考察指纹图谱异同,验证传感阵列及特征提取方法的有效性。采用生物相似性学习算法训练该神经网络,考察了样本训练次数和识别率的关系,发现经过4～7次训练,该网络对这5种绿茶的识别率平均值都在97%以上。     

利用D-S证据理论进行特征融合的同义实体识别*

针对现实中同一实体存在不同表象的问题,提出一种基于D-S证据理论特征融合的同义实体识别方法。以搜索引擎为外部知识库获取实体特征信息,利用相似函数计算特征值,由D-S证据理论融合n个特征值,经阈值判断完成同义实体的识别。特征融合识别算法在医疗机构数据集上的识别精度、召回率和F值分别达到了85.80%、81.18%、83.43%,比单纯利用实体名的算法分别提高了4.09%、4.30%和4.21%。实验表明D-S证据理论将多特征融合,对同义实体识别具有更好的识别效果。     

基于小波变换和多特征融合算法的人脸识别

提出了基于小波变换和多特征融合算法的人脸识别方法。该方法先对原始人脸图像进行简单加权小波变换以降低维数,施行改进的模块二维主成分分析（M2DPCA）抽取特征,再进行加权最大散度差鉴别分析（WMSD）得到最终的特征图像,采用最近邻分类器对人脸分类识别。该方法不仅利用了人脸图像的局部特征和类别信息,而且避免了矩阵的奇异值分解可能遇到的问题。在ORL人脸库上实验,以验证该方法的有效性。     

基于粒子群优化的多特征融合的商标图像检索

提出一种基于粒子群优化的多特征融合的商标图像检索方法,该方法可自动优化多特征融合的权重,提高图像检索系统的自适应性,解决了多特征商标图像检索中的权重分配问题。在1 000幅图像构成的商标图像库进行检索实验,实验结果表明,与基于单一特征的检索方法和一些多特征融合的检索方法相比,提出方法的检索性能最优。     

基于多BP子网络的电子鼻信息融合技术

针对电子鼻技术的应用中,利用常规BP(back-propagation)网络难以对复杂的混合气味进行识别这一问题,介绍了一种采用多BP网络联合进行电子鼻多传感器数据融合处理的新方法。利用这一方法并结合气体传感器阵列在不同温度条件下的响应信号,对不同品牌的葡萄酒样本进行定性识别,仿真验证结果表明该方法的识别准确率达到100%。