排序方式： 共有2条查询结果，搜索用时 7 毫秒
1
1.
储粮害虫会降低粮食及其产品的重量、品质和营养健康指数,并且我国粮虫检测方式仍然以人工检测为主。为满足储粮害虫快速检测的需求,采用气相色谱-质谱联用仪（GC-MS）获得了赤拟谷盗（Tribolium castaneum（Herbst））的主要特定挥发性有机化合物（VOCs）,根据这些化合物的性质筛选出多个金属氧化物气敏传感器,并以传感器阵列为核心开发了储粮害虫电子鼻检测装置。该装置采集了赤拟谷盗、被赤拟谷盗侵染的面粉、被长头谷盗（Latheticus oryzae Waterhouse）侵染的面粉3种实验对象的气味信息,提取每条响应曲线的相对变化值和相对积分值作为原始特征矩阵（10×2）,使用主成分分析（PCA）和偏最小二乘回归算法（PLSR）对原始特征矩阵进行分析,并通过建立回归预测模型,实现了对面粉中赤拟谷盗和长头谷盗虫口密度的预测。优化后的传感器数量由10个减少至8个,赤拟谷盗样品的两个主成分累计的贡献率为79.4%。基于PLSR的预测模型对面粉中赤拟谷盗的数量有很好的预测效果（校正集：相关系数r=0.88,均方根误差为8.09;验证集：r=0.89,均方根误差为7.75）;该预测模型对面粉中长头谷盗的数量也有很好的预测效果（校正集：r=0.94,均方根误差为5.85;验证集：r=0.94,均方根误差为6.08）。研究结果表明：该装置能够满足判别储粮中不同虫口密度样本的基本需要,并且具有可靠的稳定性。 相似文献
2.
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。 相似文献
1