基于DFI-RSE电子鼻传感器阵列优化的葡萄酒SO2检测

酿造过程中SO2的监控是葡萄酒产业信息化和葡萄酒品质保障的关键。针对传统SO2测定方法操作复杂、耗费时间长等问题,该研究提出基于电子鼻技术建立葡萄酒中SO2检测方法。为提高电子鼻检测性能,提出一种基于动态特征重要度-递归传感器消除（Dynamic Feature Importance-Recursive Sensor Elimination,DFI-RSE）的气体传感器阵列优化算法。将最大信息系数（Maximum Information Coefficient,MIC）作为度量变量间关系的标准,定义DFI选择兼顾高有效性与低冗余性的特征构成特征子集。进一步计算特征子集中的传感器重要度,结合RSE移除重要度较低的传感器,获得最优阵列组合。采用偏最小二乘回归（Partial Least Squares Regression,PLSR）、多层感知器（Multi-Layer Perceptron,MLP）、支持向量回归（Support Vector Regression,SVR）和贝叶斯岭回归（Bayesian Ridge Regression,BRR）对DFI-RSE优化前后阵列的检测能力进行比较。结果表明,针对间隔40 mg/L、0～200 mg/L范围内不同SO2添加量的葡萄酒样品,优化后阵列的传感器数量由原来的16个降低为8个,特征数量减少了59%,4种回归模型的决定系数均高于0.98,其中MLP模型检测效果最佳,均方根误差为7.73 mg/L,优于原始阵列且节省了运行时间。所建立的基于电子鼻的葡萄酒SO2添加量检测和相应的阵列构建与优化方法为葡萄酒酿造过程中SO2的有效监控技术研究提供参考。     

基于电子鼻的番茄种子发芽率检测

防止种子掺假、以次充好,为快速无损检测高发芽率的种子,该文将不发芽的浙杂809番茄种子以不同比例掺入到发芽率为92.6％的番茄种子中,得到种子的发芽率分别为90％,80％,70％,60％,50％和0等6种比例,并利用电子鼻对其进行分析.结果表明:利用电子鼻可以很好的区分出番茄种子发芽率为90％、80％、50％～70％、和不发芽的4种情况;当种子发芽率为70％、60％、50％时,其图形信息部分重叠,利用电子鼻较难区分开.在主成分分析和线性判别分析的基础上,利用BP神经网络和支持向量机对上述情况进行分类识别,结果表明:两种识别模式的训练集的正确率分别为93.6％和97.4％,预测集的正确率分别为65.2％和72.7％,相对于BP神经网络模式识别,支持向量机预测系统的误差较小,具有很好的预测性能.     

用于山核桃陈化时间检测的电子鼻传感器阵列优化

为更好地进行山核桃陈化时间检测,论文拟通过传感器阵列优化来有效提高电子鼻对其区分预测能力。该文依据响应曲线保留响应明显的传感器,并在提取传感器特征值构成初始特征矩阵的基础上,结合均值分析、变异系数分析、聚类分析、相关性分析和多重共线性分析进行逐步优化以获取最终优化传感器阵列。对优化前后的数据采用主成分分析法(principal component analysis,PCA)和偏最小二乘回归(partial least squares regression,PLSR)进行样品区分和预测能力的对比。结果表明:通过优化,经不同人工陈化时间(0、5、10、15d)处理的山核桃能有效区分开,且在PCA得分图中更为聚集;优化后的陈化时间回归模型(R2=0.933 4)较优化前(R2=0.888 7)具有更好的预测能力。说明所给出的阵列优化方法有效可行,为电子鼻针对性检测提供了一种思路。     

用电子鼻区分霉变燕麦及其传感器阵列优化

应用电子鼻对燕麦（Avena sativa L）霉变程度进行区分,为了提高区分准确度,对电子鼻传感器阵列进行了优化的研究。每天随机选择10个燕麦样品进行电子鼻检测,试验连续进行5 d,将检测数据耦合入非线性双稳态随机共振系统,以外部Gaussian白噪声激励系统产生共振,选择输出信噪比特征值进行主成分分析,初期试验主成分1和主成分2贡献率之和为96.43%,且相同霉变程度样品离散度较大,不同霉变程度样品之间距离较近。为了提高电子鼻对霉变燕麦样品区分效果,进行了电子鼻传感器负荷加载分析,优化选择了传感器阵列,优化后主成分1和主成分2贡献率之和为99.31%,相同霉变程度燕麦样品的聚合度更高,使不同霉变程度燕麦样品之间的区分更加明显,为进一步的定量化检测奠定了基础。     

支持向量机在电子鼻区分不同品种苹果中的应用

为了提高电子鼻检测苹果气味的精度和鲁棒性,利用6点平滑法对气体传感器的数据进行去噪处理,并用支持向量机建立识别模型。应用结果表明,经过去噪处理后,曲线变得光滑,但仍能保持原来的形状,这说明去噪处理既滤除了传感器数据中的噪声同时又保留了传感器的主要信息。提取每个传感器的最大值作为特征参数。分别运用主成分分析和两个支持向量机模型区分富士、花牛、姬娜3种不同品种苹果的气味,主成分分析结果表明3种苹果分布区域存在重叠;两个支持向量机模型可以很好的区分这3种苹果,其中对姬娜和富士的识别正确率达到90％以上,而对花牛苹果的识别正确率达到100％。     

电子鼻传感器阵列优化及其在小麦储藏年限检测中的应用

采用德国Airsense公司的PEN2电子鼻系统对5个陈化年限的小麦进行了检测。对传感器信号进行方差分析和Loading分析去掉差异不显著的传感器。最后选择传感器1、2、8、9、10的响应信号进行模式识别。对优化后的传感器阵列进行主成分分析得到结果显示5个年份的小麦被很好地区分，各个类的集中性也比较强。从BP网络分析结果可以看出network1(优化后传感器阵列数据的BP网络)的预测准确率高于network2(优化前传感器阵列数据的BP网络)，可以更好地区分5个年份的小麦。说明对传感器进行优化去掉一些响应不显著的传感器信号并不影响模式识别结果，反而提高了电子鼻的识别性能。     

基于气敏传感器阵列特征优化的储粮害虫赤拟谷盗检测

为实现储粮中害虫赤拟谷盗（Tribolium castaneum（Herbst））的检测,该研究使用自主开发的储粮害虫电子鼻检测装置,采集了小麦中不同虫口密度梯度的赤拟谷盗挥发性气味信息,根据10个气敏传感器采集到的响应曲线,提取了各个传感器的相对变化值（Relative Change,RC）、相对积分值（Relative Integral,RI）、平均微分值（Mean Difference,MD）作为原始特征矩阵（10×3）,使用遗传算法（Genetic Algorithm,GA）作为特征选择方法,获得样本的特征信息,通过建立预测回归模型,实现了对小麦中赤拟谷盗虫口密度的预测。以识别准确率作为评价指标,对原始的特征矩阵进行了多特征优化,优化后的特征矩阵的识别准确率由原始的82.85% 提升至97.14%,优化后的特征数量由原始的30个减少为12个,特征数量减少60%,传感器数量减少至8个。最后通过采用偏最小二乘回归（Partial Least Squares Regression,PLSR）、主成分回归（Principal Components Regression,PCR）和支持向量机回归（Support Vector Machine Regression,SVR）3种回归方法进行回归预测,研究结果表明：基于偏最小二乘回归（PLSR）的预测模型达到了较好的预测效果,预测集回归模型的相关系数r和均方根误差RMSE分别为0.828和11.293。研究证明了气敏传感器阵列多特征优化方法的可行性和有效性,同时为实现粮食虫害快检测提供一种方法和参考。     

基于热裂解和电子鼻的土壤全氮检测方法及特征优化

土壤氮是作物生长发育所必需的营养元素,也是衡量土壤肥力特征的重要指标。为快捷准确测定土壤全氮含量,该研究提出了一种基于热裂解和电子鼻的土壤全氮含量检测方法。采用10种不同类型的气体传感器构建传感器阵列,并对其进行了不同浓度甲烷、氯乙烯和氨气等标准气体的响应测试试验。使用马弗炉裂解土壤样本得到裂解气体,采用气体传感器阵列检测裂解气体的响应曲线。提取响应曲线的平均值（Vmean）、方差值（Vvav）、最大梯度值（Vmgv）、最大值（Vmax）、响应面积值（Vrav）、第8秒的瞬态值（V8）和平均微分系数（Vmdc）7个特征构建121×10×7（121为土壤样本,10为传感器数量,7为特征）的特征空间,采用GA-BP特征优化方法将特征降至33维,形成121×33的特征空间。GA-BP算法优化结果表明,构建的传感器阵列对该文检测方法无冗余影响,其中传感器TGS826、TGS2603、TGS2611和TGS2600对新特征空间的构建贡献最大,特征Vmean、Vmgv、Vrav、V8和Vmdc是反映该文检测方法与土壤全氮含量内在关系的重要特征。采用反向传播神经网络算法（BPNN）、偏最小二乘回归算法（PLSR）和反向传播神经网络与偏最小二乘回归结合算法（PLSR-BPNN）建立特征空间与土壤全氮含量的预测模型,使用决定系数（R2）、均方根误差（RMSE）和相对分析误差（RPD）作为模型性能指标。建模结果表明,PLSR、BPNN和PLSR-BPNN模型的R2分别为0.91、0.81和0.93,RMSE分别为0.25、0.37和0.22,RPD分别为3.24、2.19和3.79,PLSR-BPNN模型拥有最高的R2和RPD,最小的RMSE。结果表明,土壤热解气体与土壤全氮含量之间存在较高的相关性,采用该文检测方法建立的PLSR-BPNN模型可以实现土壤全氮含量的准确预测。     

优化高压电场处理提高高粱种子活力

为了探讨高压电场处理对高粱种子萌发活力的影响,以晋杂122#高粱种子为试材,采用种子发芽试验、生物化学分析及二次通用旋转组合设计相结合的方法,研究电场强度和处理时间对高粱种子的活力指数和内源赤霉素(gibberellin,GA)含量的影响,通过建模分析,寻求高压电场处理条件的优化方案。结果表明:不同高压电场(high voltage electric field,HVEF)处理对高粱种子活力指数和内源GA含量影响均达到显著水平(P0.05);二因素对高粱种子的活力指数和内源GA含量影响效应顺序为电场强度处理时间;电场强度和处理时间对高粱种子活力指数和内源GA含量影响有阈值效应;二因素耦合效应对高粱种子的活力指数的影响呈现负交互效应,对内源GA含量的影响表现出正交互效应,且交互效应显著(P0.05),二因素交互作用对内源GA含量影响大于对种子活力的影响;经模型寻优,同时满足活力指数≥14.25、内源GA质量分数≥11.55 ng/g的优化方案为:电场强度485.53~605.38 k V/m,处理时间31.41~48.99 min,在此基础上,进一步确定优化条件为:电场强度500 k V/m,处理时间36 min,经试验验证,高粱种子活力指数和内源GA质量分数理论值15.50、14.92 ng/g,与实测值(15.38±0.18)、(14.85±0.13)ng/g基本一致,进一步验证了方案的可靠性。研究结果为高压电场技术处理种子在农业生产中的应用提供理论依据。     

基于图像处理和蚁群优化的形状特征选择与杂草识别

利用叶片形状特征区分杂草和作物是杂草识别的一个重要方法。为了提高杂草识别的精度和效率,通过形态学运算和基于距离变换的阈值分割方法分离交叠叶片,从单个叶片中提取包括几何特征和矩特征的17个形状特征,用蚁群优化（ACO）算法和支持向量机（SVM）分类器进行特征选择和分类识别,选取有利于分类的较优特征并实现特征的优化组合。棉田杂草试验结果表明,该方法能实现分类特征的有效缩减,经优化组合得到的最优特征子集用于杂草识别的准确率达95%以上,识别率高,稳定性好,对识别杂草时如何兼顾准确率和实时性具有参考意义。     

基于神经网络及电子鼻的虾夷扇贝鲜活品质评价及传感器的筛选

追踪检测虾夷扇贝品质变化过程中的存活指标,生理指标以及电子鼻气味图谱的变化,建立保活流通过程中不同等级的活品虾夷扇贝电子鼻气味指纹图谱,购买市场上不同状态的活品虾夷扇贝,分别通过学习向量量化(learning vector quantization,LVQ)、概率(probabilistic neural networks,PNN)、支持向量机(support vector machine,SVM)神经网络对测试样品快速模式分类,最后通过对电子鼻传感器的筛选探索便携式快速品质鉴别设备的可能性。研究结果表明,24 h的极端胁迫环境放置较为完整的模拟了虾夷扇贝在保活流通过程中状态变差的过程;将电子鼻数据主成分分析、聚类分析结果与存活指标(开口率、缩边率以及死亡率)和生理指标(超氧化物歧化酶活性、耗氧率以及海水浊度)相结合可以把品质变化过程中的虾夷扇贝分成5个等级,并分别得到每个等级的扇贝气味指纹图谱;3种神经网络均可以对测试样品等级进行快速测定,其中支持向量机(SVM)神经网络兼具精确和快速的特点,测试样本T全部预测为等级4,测试样本N全部预测为等级3,从交叉验证到仿真预测所用时间仅为7.652 s;筛选得到的8个电子鼻传感器也可以对不同等级鲜活虾夷扇贝气味特征进行有效区分。     

山核桃氧化过程中品质指标变化的电子鼻快速检测

为了研究山核桃氧化过程中的品质变化规律,试验采用电子鼻获取不同氧化阶段的山核桃的挥发性氧化产物信息,运用主成分分析(principal component analysis,PCA)、线性判别分析(linear discriminant analysis,LDA)、聚类分析(cluster analysis,CA)及理化指标分析区分不同氧化阶段的山核桃样品品质变化,并通过主成分回归法(principle component regression,PCR)建立过氧化值、酸价、茴香胺值、总过氧化值的预测模型。结果表明:随着氧化时间的延长,过氧化值、酸价、茴香胺值、总过氧化值等指标显著(P0.05)增加,电子鼻传感器的响应强度逐渐增大。通过PCA、CA、LDA及理化指标分析均能较好地区分不同氧化阶段的山核桃的氧化程度。采用主成分回归法(PCR)建立过氧化值、酸价、茴香胺值、总过氧化值等理化指标的预测模型,决定系数(R2)分别为0.968、0.975、0.985、0.980。结果证明不同氧化阶段的山核桃的过氧化值,酸价,茴香胺值和总过氧化值的PCR模型验证的相对误差小于16%,预测效果较好。研究结果为山核桃氧化过程中的快速检测提供技术参考。     

甜玉米米粉滚筒干燥加工工艺优化

为了解决酶解后的甜玉米滚筒干燥制成的米粉吸水膨胀及感官状态差的问题,该文对甜玉米酶解液经过滚筒干燥制成的甜玉米米粉的加工工艺进行了研究。依据产品吸水性指数和感官评分,确定了糯玉米淀粉作为交联剂,添加量为25%。根据糊化度,滚筒干燥效果,确定了糊化温度85℃、糊化时间30min。并且在单因素试验的基础上进行了三因素三水平的响应面试验设计,以甜玉米酶解液质量分数、蒸汽压力、滚筒转速为考察因素,以吸水指数和感官评分为考察指标,对试验数据拟合得到的回归方程进行统计检验和分析。较佳滚筒干燥条件为:甜玉米酶解液质量分数17%、蒸汽压力0.5MPa、滚筒转速2.5r/min。在此试验条件下,产品的感官评分为8.75分,吸水指数为5.3,并在此条件下进行多次验证试验,试验值在95%的置信区间内很好地符合预测值,为工业化生产婴儿甜玉米米粉提供指导。     

电子鼻在牦牛肉和牛肉猪肉识别中的应用

为了探索电子鼻对肉类掺假识别的可行性,利用电子鼻对牦牛肉、牛肉和猪肉样品进行了分析。通过对所获得的数据进行主成分分析（principal component analysis,PCA）、判别因子分析（discriminant factor analysis,DFA）和偏最小二乘回归分析（partial least-squares analysis,PLS）。结果表明：几种肉类在电子鼻传感器上有不同的特征性响应图谱,电子鼻能够有效识别猪、牛肉;同时电子鼻能够识别不同部位的牦牛肉和普通牛肉;但不能识别不同部位的猪肉。在牛肉馅中掺入不同比例的猪肉馅时,电子鼻也能进行识别。采用偏最小二乘回归分析对数据进行处理,电子鼻响应信号和猪肉馅掺入比例之间有很好的相关性（决定系数R2为0.9762）,PLS模型预测误差在1.27%～7.00%之间。试验证明电子鼻可用于肉类的识别。