基于KECA+FDA的6种白酒电子鼻多特征鉴别方法

在引入基于核熵成分分析(KECA)的Fisher判别分析(FDA)方法的基础上,探究了用特征组合表征电子鼻信号时6种白酒的鉴别效果。首先,通过5种单一特征的FDA鉴别分析筛选出积分值(INV)、相对稳态平均值(AVRS)、小波能量值(WEV)3种较优特征,然后通过它们的不同组合鉴别6种白酒,鉴别结果表明多特征组合优于单特征,且三特征组合时的鉴别正确率最高。最后,在用INV、AVRS、WEV 3种特征值组合表征电子鼻信号的前提下,深入研究了KECA+FDA方法鉴别6种白酒的效果。当选取径向基函数(RBF)作为核函数后,采用基于矩阵最佳相似性的方法优化确定RBF核参数为16.8608时,三特征组合下测试集的鉴别正确率由FDA的79.92%提高到KECA+FDA的100%。同时,与BP神经网络和支持向量机的鉴别结果对比,KECA+FDA方法更具优势。这说明运用KECA+FDA方法可有效提高电子鼻对6种白酒的鉴别能力。     

基于KFDA的食醋电子鼻鉴别方法

为了提高6种食醋的鉴别正确率,引入了基于核变换的Fisher判别分析(KFDA)方法,以及基于矩阵相似性的核参数确定方法。在选取径向基函数(RBF)为核函数,并提取食醋样本电子鼻检测信号的积分值和相对稳态平均值2种特征参量的基础上,优化确定了对应于2种特征参量的RBF核参数值,分别为5.770 0和5.387 8。对比分析了Fisher判别分析(FDA)与KFDA的鉴别结果,积分值与相对稳态平均值2种特征参量的鉴别结果分别由FDA的93.3%、90.6%提高到KFDA的98.3%、98.3%,说明合适的KFDA方法可有效提高6种食醋样品的鉴别结果。     

电子鼻鉴别白酒信号小波去漂移方法

为提高电子鼻长期鉴别的稳健性,提出了一种基于小波分析的电子鼻信号去漂移方法。对含漂移信号的电子鼻数据进行小波分解,获得分解系数;构造一种相对偏差阈值滤波函数对小波逼近系数进行阈值处理,获得修正的小波系数;运用小波逆变换对修正后的小波系数进行重构,得到去除漂移或少漂移的电子鼻信号。对6种白酒样本随机生成的5组样本训练集与对应的测试集进行去漂移处理与信号重构,提取去漂移处理前后的电子鼻信号积分值特征,并运用Fisher判别分析(FDA)和BP神经网络分别对5组数据集进行鉴别分析。FDA鉴别结果显示,无论是训练集还是测试集,5组样本的鉴别正确率由去漂移前的最高值45%提升至去漂移后的100%。BP神经网络鉴别结果显示,5组样本的鉴别正确率由去漂移前的最高值31.7%提升至去漂移后的98.3%。这说明所给出的去漂移方法在白酒电子鼻的鉴别中是稳健有效的。同时,也为电子鼻鉴别其他物品提供了一种可借鉴的去漂移方法。     

电子鼻漂移阈值构建及其白酒鉴别应用

电子鼻漂移是气敏传感器的固有行为,用空载数据揭示漂移现象更具有一般性。为了有效去除电子鼻漂移,提出了一种基于空载条件下与小波包分解的漂移去除方法。对电子鼻空载数据进行小波包分解,获得小波包分解的逼近系数集;在对其进行离散度分析之后,构建了空载条件下的一种阈值函数。在此阈值函数基础上,扩展成为样本(有载)条件下的去漂移阈值函数,进而发展成有载样本的漂移剔除方法。为了检验该方法的有效性及实用性,将其应用于4种白酒的鉴别中。对4种白酒电子鼻数据按测试时间顺序生成训练集和测试集,线性的Fisher判别分析(FDA)结果表明,训练集、测试集数据处理前后的鉴别正确率均得到了提高,最低提高值为23.65%。这表明此方法能够提升电子鼻的检测能力。同时,为了进一步检验该漂移去除方法的性能,采用非线性的BP神经网络进行鉴别分析,结果显示:训练集的鉴别正确率从处理前的65.5%提高到处理后的100.0%,处理后的测试集鉴别正确率也达到了97.5%。这不仅说明了4种白酒的鉴别属较复杂的非线性分类问题,还充分说明了该漂移去除方法的有效性。     

电子鼻漂移阈值构建及其白酒鉴别应用

电子鼻漂移是气敏传感器的固有行为,用空载数据揭示漂移现象更具有一般性。为了有效去除电子鼻漂移,提出了一种基于空载条件下与小波包分解的漂移去除方法。对电子鼻空载数据进行小波包分解,获得小波包分解的逼近系数集;在对其进行离散度分析之后,构建了空载条件下的一种阈值函数。在此阈值函数基础上,扩展成为样本(有载)条件下的去漂移阈值函数,进而发展成有载样本的漂移剔除方法。为了检验该方法的有效性及实用性,将其应用于4种白酒的鉴别中。对4种白酒电子鼻数据按测试时间顺序生成训练集和测试集,线性的Fisher判别分析(FDA)结果表明,训练集、测试集数据处理前后的鉴别正确率均得到了提高,最低提高值为23.65%。这表明此方法能够提升电子鼻的检测能力。同时,为了进一步检验该漂移去除方法的性能,采用非线性的BP神经网络进行鉴别分析,结果显示:训练集的鉴别正确率从处理前的65.5%提高到处理后的100.0%,处理后的测试集鉴别正确率也达到了97.5%。这不仅说明了4种白酒的鉴别属较复杂的非线性分类问题,还充分说明了该漂移去除方法的有效性。     

电子鼻漂移阈值构建及其白酒鉴别应用

电子鼻漂移是气敏传感器的固有行为,用空载数据揭示漂移现象更具有一般性。为了有效去除电子鼻漂移,提出了一种基于空载条件下与小波包分解的漂移去除方法。对电子鼻空载数据进行小波包分解,获得小波包分解的逼近系数集;在对其进行离散度分析之后,构建了空载条件下的一种阈值函数。在此阈值函数基础上,扩展成为样本(有载)条件下的去漂移阈值函数,进而发展成有载样本的漂移剔除方法。为了检验该方法的有效性及实用性,将其应用于4种白酒的鉴别中。对4种白酒电子鼻数据按测试时间顺序生成训练集和测试集,线性的Fisher判别分析(FDA)结果表明,训练集、测试集数据处理前后的鉴别正确率均得到了提高,最低提高值为23.65%。这表明此方法能够提升电子鼻的检测能力。同时,为了进一步检验该漂移去除方法的性能,采用非线性的BP神经网络进行鉴别分析,结果显示:训练集的鉴别正确率从处理前的65.5%提高到处理后的100.0%,处理后的测试集鉴别正确率也达到了97.5%。这不仅说明了4种白酒的鉴别属较复杂的非线性分类问题,还充分说明了该漂移去除方法的有效性。     

电子鼻漂移阈值构建及其在白酒鉴别中的应用

为了有效去除电子鼻漂移,提出了一种基于空载条件小波包分解的漂移去除方法。对电子鼻空载数据进行小波包分解,获得小波包分解的逼近系数集;在对其进行离散度分析之后,构建了空载条件下的一种阈值函数。在此阈值函数基础上,扩展成为样本(有载)条件下的去漂移阈值函数,进而发展成有载样本的漂移剔除方法。为了检验该方法的有效性及实用性,将其应用于4种白酒的鉴别中。对4种白酒电子鼻数据按测试时间顺序生成训练集和测试集,线性的Fisher判别分析结果表明,训练集、测试集数据处理后的鉴别正确率均得到了提高,最低提高值为23.65%。表明此方法能够提升电子鼻的检测能力。同时,为了进一步检验该漂移去除方法的性能,采用非线性的BP神经网络进行鉴别分析,结果显示:训练集的鉴别正确率从处理前的65.5%提高到处理后的100%,处理后的测试集鉴别正确率也达到了97.5%。这不仅说明了4种白酒的鉴别属较复杂的非线性分类问题,还充分说明了该漂移去除方法的有效性。     

基于SVM核机器学习的三文鱼新鲜度检测系统

为了实现对不同冷藏温度下三文鱼新鲜度的检测与识别,设计了一种用于三文鱼气味指纹采集与新鲜度辨识的电子鼻系统。电子鼻系统由密闭检测气室、半导体气体传感器阵列、数据采集模块、模式识别模块和显示界面等组成。电子鼻模式识别方法采用核机器学习方法,以支持向量机(SVM)作为学习机。采集0、4、6℃温度下冷藏三文鱼样本的气味数据,对不同核函数及参数的核机器学习模型进行训练与测试,最终确定了适于此电子鼻系统识别三文鱼新鲜度的最佳核机器学习模型:核函数选用多项式核函数,核参数q取3,γ取15,c取0。此模型对不同温度冷藏三文鱼样本的冷藏时间具有一定的辨识能力,对于测试集,0℃允许偏差1 d预测正确率为92. 86%,4℃无偏差预测正确率为88. 89%、允许偏差1 d预测正确率100%,6℃无偏差预测正确率为75. 00%、允许偏差1 d预测正确率100%。将辨识结果与主成分分析结果(PCA)进行对比,此模型具有明显的优势。     

无封装条件下牛奶存放质量电子鼻分

选用气敏传感器阵列动态响应中不同时刻的响应值来表征无封装牛奶测试样本,借助于主成分分析(PCA)、Fisher判别分析(FDA)研究了牛奶开封后不同存放天数的质量变化情况,并给出了最优表征区间.以最优表征区间响应值的平均值为样本的表征值,进行了牛奶质量的PCA、FDA分析.结果表明:无论是利用不同时刻的响应值或是平均值来表征样本,PCA、FDA均能鉴别出牛奶开封后的质量变化情况.因此,用电子鼻分析无封装条件下牛奶质量的变化是一种有效手段.     

基于理化指标和电子鼻的果园荔枝成熟度识别方法

采用理化指标和电子鼻识别2种方法分别对6个成熟度(p1~p6)的果园荔枝进行识别。理化指标采样数据显示,荔枝果实直径、果核直径和果实净质量均随着果实的成熟而增大。p1—p4阶段,荔枝果皮绿色和黄色不断加深,亮度不断增大。p4—p6阶段,荔枝果皮亮度先增大后减小,颜色迅速变红,黄色成分先增加后减少。提取特征值后,采用主成分分析(PCA)、线性判别分析(LDA)、BP神经网络(BPNN)、简单相关分析(SCA)、典型相关分析(CCA)进行数据处理。理化指标识别法结合PCA和LDA对果园荔枝成熟度识别的正确率均为100%,能够较好地进行识别。但PCA识别结果中p1、p2和p3的距离较近,实际应用中易发生混淆。电子鼻识别法结合PCA和LDA分析均无法较好地对果园荔枝成熟度进行识别,电子鼻识别法结合BPNN对果园荔枝识别训练集的回判正确率为100%,测试集的识别正确率为92%,识别效果较好。SCA分析结果表明,在荔枝成熟过程中,除色差L*值外,其他各项理化指标均与电子鼻部分传感器的响应信号显著相关。CCA分析结果表明,电子鼻响应信号与理化指标整体相关性显著,电子鼻整体信号与部分理化指标相关性显著。证明了理化指标和电子鼻均能有效地识别水果品质信息变化,并为电子鼻替代理化指标识别法在水果品质信息监测上的应用提供了参考。     

嗅觉可视化技术在白酒识别中的应用

研制了由30个可视化传感器组成的可视化传感器阵列,对4种白酒进行了测试.通过主成分分析、聚类分析和BP神经网络对实验数据进行了分析和识别.主成分分析表明可视化传感器阵列不仅能够很好地区分不同酒精度的白酒,而且也能区分酒精度相似、香型不同的白酒.聚类分析进一步验证了主成分分析的结果,但部分样本不能够用聚类分析区分.利用BP神经网络对测试样本识别,可以完全区分4种测试白酒.     

基于高光谱与电子鼻融合的番石榴机械损伤识别方法

提出了一种基于高光谱与电子鼻融合的水果机械损伤识别方法。分别采用高光谱仪与电子鼻对无损伤、轻度机械损伤和重度机械损伤的番石榴进行采样,提取特征信息后,运用主成分分析(PCA)、线性判别分析(LDA)、欧氏距离分析(ED)和模糊C均值聚类(FCM)对高光谱仪、电子鼻以及高光谱与电子鼻融合3种识别方法的识别效果进行了对比。PCA和LDA的分析结果表明,高光谱与电子鼻识别番石榴机械损伤是可行的,但单独采用这两种识别方法均无法对番石榴机械损伤程度进行分级。采用高光谱与电子鼻融合方法,结合LDA分析可以较好地识别番石榴机械损伤程度,比单一识别方法具有更好的识别效果。此外,LDA比PCA对番石榴机械损伤识别效果更佳。根据PCA、LDA和ED分析结果可以推测多源信息融合的分类识别方法既可获取更多的样本信息,提高相同样本之间的聚类性,又可较多地保持单一分类识别方法得到的不同样本之间的最大距离。根据FCM分析结果,高光谱识别、电子鼻识别和高光谱与电子鼻融合识别3种方法对番石榴机械损伤识别的正确率分别为89.74%、82.05%和97.44%,验证了多源信息融合方法对提高水果机械损伤识别效果的可行性。     

电子鼻数据的预处理技术与应用

针对电子鼻的数据特点,提出用一个3维数组保存电子鼻的数据;采用6点平滑方法去除传感器的噪声;在基线校正中,首先通过二阶导数大于零和连续一阶导数大于零的方法找到样本反应起始点,然后减去环境响应值并提取相同长度的数据段,以提高电子鼻的精度和可重复性。对预处理前后的电子鼻数据中提出的特征进行主成分分析发现,预处理后的主成分结果所含的有用信息更多,而且可以很好地区分红富士和姬娜两种不同香味的苹果。     

龙井茶叶品质的电子鼻检测方法

针对茶叶品质感官审评的不足,采用电子鼻检测手段,对4个不同等级的龙井茶作等级判别。对传感器信号进行多因素方差分析得出：不同容器容积和不同采样时刻对传感器的响应信号有着显著的影响。通过主成分（PCA）、线性判别（LDA）和BP神经网络方法对各茶叶样品进行了分类判别。PCA对于等级差别较近的茶叶区分结果不太理想;而LDA相对于PCA有较好的区分效果;设计BP神经网络拓扑结构为30-12-4,通过对网络进行适当训练,总的测试回判率可达到90％。     

自适应融合气体-光谱双模态信息花生产地溯源方法

不同产地的花生质量差异明显,贴优质产地标签贩卖劣质花生的现象时有发生。本文基于电子鼻与高光谱系统的无损检测技术,提出双模态融合特征注意力（Bimodal fusion feature attention,DFFA）并设计DFFA-Net以实现花生质量辨识。首先,利用电子鼻与高光谱系统获取7个不同产地花生气体信息和光谱信息,花生自内而外的气体信息可以表征其整体宏观质量,不同化学键及官能团的光谱信息差异可以表征其整体微观质量;然后,提出DFFA以自适应融合气体-光谱双模态信息并关注影响分类性能的重要特征,并结合消融实验证明了双模态信息融合的必要性;最后,基于提出的DFFA模块,经网络结构优化得到DFFA-Net以实现不同产地花生质量的有效辨识。通过消融分析、多注意力机制分类性能对比,DFFA-Net获得了最佳分类性能：准确率为98.10％、精确率为98.15％、召回率为97.88％,验证了DFFA-Net在花生产地辨识中的有效性。提出的DFFA-Net结合电子鼻和高光谱系统实现了不同产地花生的质量辨识,为花生市场质量监督提供了有效的技术方法。     

西湖龙井茶品质的智能嗅觉识别

通过电子鼻采集不同等级、树种和产地西湖龙井茶的智能嗅觉指纹图谱,利用主成分分析得分矩阵研究等级、树种和产地指纹信息对茶叶品质的影响程度,基于软独立模型分类分析方法建立茶叶等级、树种和产地的3类智能嗅觉判别模型.结果表明,不同等级西湖龙井茶的电子鼻信号差异最大;在涵盖不同树种和产地信息的样品中,电子鼻能准确预测品质相近的高档等级(精品、特级和一级)茶叶,等级判别正确率基本达到100％.树种与产地特征对于茶叶品质的影响程度比较接近,并且同一等级、同一产地下不同树种模型和同一等级、同一树种下不同产地模型的判别正确率基本都达到92％以上.在此基础上,提出了首先利用电子鼻进行等级划分,然后在同一等级下进行树种鉴定和产地判别的西湖龙井茶品质智能嗅觉快速检测策略.     

有机磷农药气敏传感阵列检测信号小波包降噪方法

针对有机磷农药气敏传感阵列测试信号含有噪声,严重影响测试结果准确性与可靠性这一问题,选择辛硫磷和乙酰甲胺磷农药残留为研究对象,采用基于小波包分解与重构的气体传感阵列信号降噪方法,并借助主成分分析（PCA）和Fisher判别分析（FDA）,分别研究了信号降噪前后两种农药不同质量比的鉴别情况。结果表明：传感阵列信号降噪后两种农药的不同残留样品均能被鉴别区分。小波包降噪可有效地提高气敏传感阵列对蔬菜农药残留的鉴别效果。