共查询到10条相似文献，搜索用时 15 毫秒
1.
基于多特征融合的电子鼻鉴别玉米霉变程度 总被引：8，自引：6，他引：2
为了提高电子鼻检测玉米霉变程度的正确率,该文探究了电子鼻信号不同特征组合的表征对霉变玉米鉴别结果的影响。首先,运用电子鼻对霉变玉米的5组样本训练集与测试集进行测试,获得测试信号。其次,分别提取测试信号的积分值(integral value,INV)、平均微分值(average differential value,ADV)、相对稳态平均值(relative steady-state average value,RSAV)作为特征值,5组训练集与测试集均分别采用3种单一的特征值或其组合特征值来表征。然后,运用Fisher判别分析(fisher discriminant analysis,FDA)分别对5组训练集进行判别分析,并用对应的测试集进行检验。FDA分析结果指出,电子鼻测试信息分别在单一特征和2个特征组合表征下,不同霉变程度玉米是不能有效分开的,但在2个特征组合表征下的鉴别正确率比单一特征有所提高;当用3个特征组合来表征测试信息时,FDA鉴别能力得到提高,鉴别正确率在96%以上。另外,借助于WilksΛ统计量考察了电子鼻中每个传感器测试信号表征的差异性,对3个特征组合的表征情况进行了表征变量筛选。FDA分析结果显示,筛选前后的鉴别结果非常相近,最低鉴别正确率均在96%以上,这说明不同传感器需要不同的特征表征,以体现其差异性,由此也减少了计算的复杂性。研究结果表明,用多特征融合模式可更有效地表征电子鼻对霉变玉米的响应信息,有利于提高霉变玉米的鉴别正确率。同时,该研究成果也不失一般性,为电子鼻信号表征提供了一种新思路。 相似文献
2.
独立分量分析融合小波能量阈值的电子鼻信号去漂移方法 总被引：3，自引：3，他引：0
电子鼻在长期使用过程中,由于受到传感器老化和温湿度波动等因素的影响,使得电子鼻信号存在着漂移现象,制约了电子鼻的准确检测。为了提高电子鼻鉴别多组分复杂食品时的长期稳健性,提出了一种独立分量分析（independent component analysis,ICA）融合小波能量阈值的去漂移信号方法。首先,运用ICA分解电子鼻信号以获得各个独立成分;其次,根据各个独立成分的小波能量值选择独立成分,以剔除漂移信号;最后,运用所选择的独立成分重构电子鼻信号。选用6种白酒样品和6种食醋样品进行电子鼻鉴别验证：在分别提取2类样品去漂移前后的电子鼻信号积分值（integral value,INV）特征后,分别对6种白酒样品和6种食醋样品进行了Fisher判别分析（fisher discriminant analysis,FDA）,FDA的鉴别正确率分别由去漂移前的34.3%（白酒样品）、75.7%（食醋样品）提升到去漂移后的100%（白酒样品）、99.7%（食醋样品）。Fisher判别分析结果表明,所提出的电子鼻信号去漂移方法是有效的。与其他独立分量分析方法相比,该方法不受先验信息的影响,更便于实际应用,研究结果不仅适用于白酒、食醋样品的鉴别,也为其他类型的样品鉴别提供参考。 相似文献
3.
电子鼻检测中常用的特征鉴别能力评价方法有2种,一是对判别结果的直观分析,二是对判别正确率的统计计算。但是,当判别正确率相同时,对于不同特征间鉴别能力的差异,2种方法都不能进行准确的定量评价。为实现特征鉴别能力的准确度量,以不同种类食醋为检测对象,对检测信号提取面积斜率比、方差、积分、平均微分值、相对稳态平均值、小波能量等6种特征参量,并将特征参量与类别间的相关系数作为特征鉴别能力的度量指标。计算结果可知：面积斜率比特征参量的相关系数绝对值最小,为0.1027,积分特征参量的相关系数绝对值最大,为0.6455。表明面积斜率比特征参量的鉴别能力最低,积分特征参量的鉴别能力最高。Fisher判别结果也证明了特征参量的鉴别能力越高,其分类效果越好。因此,用特征参量与类别间的相关系数作为特征鉴别能力的度量是合适的、也是有效的。 相似文献
4.
食醋电子鼻检测中一种特征参量评价方法 总被引：4，自引：4，他引：0
电子鼻检测中常用的特征鉴别能力评价方法有2种,一是对判别结果的直观分析,二是对判别正确率的统计计算。但是,当判别正确率相同时,对于不同特征间鉴别能力的差异,2种方法都不能进行准确的定量评价。为实现特征鉴别能力的准确度量,以不同种类食醋为检测对象,对检测信号提取面积斜率比、方差、积分、平均微分值、相对稳态平均值、小波能量等6种特征参量,并将特征参量与类别间的相关系数作为特征鉴别能力的度量指标。计算结果可知:面积斜率比特征参量的相关系数绝对值最小,为0.1027,积分特征参量的相关系数绝对值最大,为0.6455。表明面积斜率比特征参量的鉴别能力最低,积分特征参量的鉴别能力最高。Fisher判别结果也证明了特征参量的鉴别能力越高,其分类效果越好。因此,用特征参量与类别间的相关系数作为特征鉴别能力的度量是合适的、也是有效的。 相似文献
5.
由于传感器老化,环境温度等因素,电子鼻信号的漂移是不可避免的,且严重降低电子鼻的长期稳健检测能力。为了实现电子鼻对6种食醋样品的长期稳健检测,该文提出了一种基于空载数据的小波包分解系数的漂移递归校正方法。通过小波包对电子鼻空载数据的分解,给出空载阈值函数(no-load threshold function,NLTF),然后将NLTF转换为适合样本数据的样本阈值函数(samplethresholdfunction,STF)。在获得的STF基础上,构建样本检测数据小波包分解系数的校正函数。借助于所构建的样本测试数据的校正函数,对6种食醋样品的电子鼻数据进行漂移校正。同时,运用"样本测量时间窗口(sample measurement time window,SMTW)"的概念,实现电子鼻数据的递归校正,进而建立了可实现长期稳健检测的递归鉴别模型。针对6种食醋样品,进行了为期16个月的间歇式测试。当SMTW选为4个月的测试样本及每次递推前移1个月样本数据时,建立的基于递归校正的Fisher判别分析(Fisher discriminant analysis,FDA)模型可完全实现6种食醋样品的长期稳健鉴别,正确鉴别率达到100%,使紧随SMTW后1个月内的测试样本能得到准确鉴别。该校正方法能够有效的去除漂移并且实现了电子鼻的长期稳健检测。 相似文献
6.
气体传感器鉴别花椒产地研究 总被引：1，自引：1，他引：0
目前花椒产地鉴别基本以感官评定为主,缺乏客观性,在实施应用时难以做到量化和标准化,难以做出判断。因此设计研发一种快速鉴别花椒的智能装置。该装置以气体传感器阵列为核心,能够独立对花椒气味信息进行检测和鉴别,区分不同产地的同类花椒。利用主成分分析和WilksΛ统计分析对检测数据进行处理。提取主成分5个,累积贡献率为94.41%,其对应Fisher判别模型训练集平均准确率达到88.6%,验证集90%,WilksΛ统计分析最终选取8个变量,其对应判别Fisher模型训练集平均准确率91.82%,验证集95%。对WilksΛ统计所选取变量建立细分类交叉验证的Fisher判别模型,平均正确率达到97.27%,将模型移植到采集装置,完成智能花椒品种鉴别装置。该方法是一种简便高效的花椒品种鉴别方法,可为今后进一步研究花椒产地、分级提供检测仪器和理论依据。 相似文献
7.
用电子鼻区分霉变燕麦及其传感器阵列优化 总被引：5，自引：4，他引：1
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。 相似文献
8.
基于电子鼻传感器阵列优化的甜玉米种子活力检测 总被引：7，自引：5，他引：2
针对甜玉米种子活力传统检测方法操作繁琐、重复性差等不足,该研究利用电子鼻技术建立甜玉米种子活力快速检测方法。利用电子鼻获取不同活力甜玉米种子的气味信息,再结合主成分分析(PCA,principal component analysis)、线性判别分析(LDA,linear discriminant analysis)、载荷分析(loadings)和支持向量机(SVM,support vector machine)对气味信息进行提取分析,建立甜玉米种子活力的定性定量分析模型。结果显示:PCA和LDA分析均无法区分不同活力的甜玉米种子,而SVM的鉴别效果较好。全传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为97.10%和96.67%,建模时间为30.75 s,回归预测模型训练集和预测集决定系数R~2分别为0.993和0.913,均方差误差分别为2.23%和8.50%。经Loadings分析将10个传感器阵列优化为6个。优化后传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为98.55%和96.67%,建模时间为21.81 s,回归预测模型训练集和预测集决定系数R~2分别为0.982和0.984,均方差误差分别为3.80%和3.01%。结果表明:基于SVM的电子鼻技术可以实现对不同活力甜玉米种子的高效判别和预测,将传感器阵列优化为6个,判别和预测效果均有所提升。该研究为电子鼻技术应用于甜玉米种子活力检测提供理论依据。 相似文献
9.
为提高枸杞分级正确率,建立一种基于枸杞图像的分级模型,以3个产地共6个等级的枸杞为研究对象,在提取枸杞图像颜色和纹理特征参量的基础上,运用Fisher判别分析(FDA)和核Fisher判别分析(KFDA)方法对6个等级的枸杞进行鉴别分析。在KFDA分析过程中,选取径向基函数(RBF)为核函数,采用基于距离测度的矩阵相似性度量方法,优化确定了RBF核函数的最优参数值为13.2436;选用前150个主成分分析时,基于WilksΛ准则的枸杞分类及验证正确率分别为100.00%和87.80%,而基于传统主成分贡献率的枸杞分类及验证正确率分别100.00%和81.70%。结果表明,运用基于WilksΛ准则的KFDA方法,选用150个最有利于分类的主成分,鉴别结果由FDA的91.7%提高到KFDA的100%。该研究方法不仅有效提高了枸杞图像的鉴别正确率,而且为其他农产品图像分级提供了理论依据。 相似文献
10.
针对交叉敏感性传感器阵列电子鼻图谱含样品信息全、噪声杂、信号冗余等特点,该文根据盲信号处理原理,利用独立成分分析提取油菜蜜、椴树蜜、洋槐蜜电子鼻交叉信号中不同性质分离的独立信号。将各蜜源样本电子鼻信号矩阵延响应时间轴方向展开,统一了各样品间独立成分分解顺序的一致性,并保持了混合信号矩阵中蜂蜜样本的排序。根据不同独立成分数分离信号所带来的蜜源分类效果,8个独立成分为最优成分数。结合遗传算法筛选出各独立成分中代表蜜源样本间差异而无重复信息的特征响应点20个,来富集蜂蜜样本间的整体电子鼻差异信息,并发现大部分集中于信号的吸附阶段,少量出现于解析附阶段。油菜蜜、椴树蜜、洋槐蜜蜜源判别模型采用支持向量机算法建立,通过比较原始信号、电导变化最大值、主成分分析（principal component analysis, PCA）、独立成分分析（independent component analysis, ICA）、独立成分分析结合遗传算法（genetic algorithm, GA）这5种信号处理方式,发现ICA结合GA的特征信号挖掘效果最优,预测集判别率（95.0%）最高,其中油菜蜜、椴树蜜、洋槐蜜的预测集判别力分别为24/25、16/17、36/38;且与训练集判别率（96.3%）最接近,说明模型稳定性高、泛化能力强。结果表明该方法可以准确提取电子鼻信号中能代表蜂蜜蜜源差异信息的特征信号,并在保证蜜源分类效果的前提下,大幅减小电子鼻信号的数据量。该研究为去除电子鼻交叉信号中的冗余成分,并挖掘掩藏其下的差异信息提供了很好的指导意义,同时也拓宽了ICA的应用范围。 相似文献