基于电子舌和电子鼻结合DenseNet-ELM的陈醋年限检测

目的：实现陈醋酿造年限的快速检测。方法：采用电子舌(ET)和电子鼻(EN)结合密集卷积网络—极限学习机(DenseNet-ELM)模型对陈醋酿造年限进行快速检测,设计两种不同结构的密集卷积神经网络模型ET-DenseNet和EN-DenseNet,分别提取电子舌和电子鼻信号的特征信息,进而采用特征级信息融合方法,获得两种人工感官设备的融合特征向量,然后采用极限学习机(ELM)对融合的特征向量进行分类识别。结果：DenseNet能够有效提取到电子舌和电子鼻信号中深层特征,其特征提取能力优于离散小波变换(DWT)和卷积神经网络(CNN);相比于单独使用电子舌或者电子鼻,信息融合方法对不同年限陈醋检测的准确性和鲁棒性更优,其测试集准确率、查准率、召回率、F1-Score分别达到99.1%,0.98,0.99和0.99。结论：采用密集卷积网络缓解了深度学习模型由于深度增加导致的模型退化、泛化能力弱等问题,可对7种不同酿造年限的陈醋进行有效分类。     

基于电子舌和EEMD-WOA-LSSVM模型的红酒贮藏年限区分

为了实现对不同贮藏年限的红酒进行客观的辨别分析,提出一种采用电子舌结合集合经验模态分解（Ensemble empirical modal decomposition, EEMD）、鲸鱼算法（whale optimization algorithm, WOA）和最小二乘支持向量机（least square support vector machine, LSSVM）组合模型的区分方法。首先采用电子舌对4种不同贮藏年限红酒的“特征图谱”进行信息采集;然后利用EEMD对原始信号进行分解,提取分解后的本征模态函数奇异谱熵和希尔伯特边际谱作为特征数据;最后,采用鲸鱼算法优化最小二乘支持向量机建立红酒贮藏年限分析模型。结果表明,EEMD-WOA-LSSVM组合模型对不同贮藏年限的红酒的分类准确率、精确率、召回率、F1-score和Kappa系数分别达到97.5%、97.75%、97.5%、0.98和0.97,其区分能力优于GA-LSSVM、PSO-LSSVM和SVM模型。该研究可为红酒贮藏年限区分提供一种新的研究思路和技术手段。     

基于电子舌与GAN-CDAE-ELM模型的咖啡产地快速溯源检测

为了实现对咖啡产地的快速溯源检测,提出了一种基于电子舌与生成对抗网络（GAN）-卷积降噪自编码器（CDAE）-极限学习机（ELM）组合模型相结合的检测方法。针对电子舌检测原始数据样本数量不足而导致深度学习模型准确率低、泛化能力差等问题,采用生成对抗网络（GAN）扩充训练样本数据规模,提高系统的鲁棒性;针对电子舌输出信号复杂、维度大、噪声多的特点,采用卷积降噪自编码器（CDAE）在低维特征空间对电子舌信号进行特征提取,提高关键特征的表达能力;最后,采用极限学习机（ELM）对提取的特征信息进行分类鉴别,构建咖啡产地溯源检测分析模型。利用该模型对五种不同产区的咖啡进行分类鉴别,结果表明：与基于离散小波变换（DWT）结合支持向量机（SVM）与极限学习机（ELM）等传统机器学习模型以及VGG16网络等深度学习模型相比,GAN-CDAE-ELM对不同产地咖啡分辨效果更优,其测试集的准确率、精确率、召回率、F1-Score分别达到了99.00%、99.03%、99.00%、0.9901。该研究为基于智能感官系统的咖啡产地快速辨识与检测提供一种新思路。