基于电子鼻技术的香榧品质鉴别.pdf

《基于电子鼻技术的香榧品质鉴别.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于电子鼻技术的香榧品质鉴别TorreyaSpeciesClassificationBasedonElectronicNoseThesisSubmittedtoZhejiangNormalUniversityInpartialfulfillmentoftherequirementforthedegreeofMasterofEngineeringByZhengXiuping(PhysicalElectronics)ThesisSupervisor：WangXiaodongMay2012基于电子鼻技术的香榧品质鉴别摘要本文引入了电子鼻技术，通过气味综合信息来建立一种鉴别、评价香榧类别和品质等

2、级。即利用电子鼻来获取不同种类的香榧挥发性成分的气味指纹图谱，对传感器响应信号进行分析，取每个传感器的最大响应值构成原始特征参数向量，使特征生成完成；然后利用主成分分析法，找出最能代表整体信息的特征参数，实现数据降维和特征提取；最后通过神经网络和径向基核函数支持向量机实现对香榧品质的鉴别。实验开设在较先进的实验装置上。通过对香榧分类检测，获得不同类别，为制作高质量的熟香榧奠定基础，从而提高香榧的品质，有良好的社会经济效益，也为无损检测技术得到进一步发展提供可能。本课题选择四种不同种类的香榧分别为：细榧、圆榧、芝麻榧、茄榧作为本课题的研究对象，进行研究：一、研究电子鼻系统检测香榧时的一系列

3、影响因素。二、研究香榧的气味指纹图谱构建和信号特征生成。同时也研究高维向量的数据降维和优化组合。三、研究神经网络的香榧模式识别和分类以及支持向量机的香榧模式识别和分类。本文具体内容编排如下：一、绪论；二、电子鼻的仿生学原理及应用；三、神经网络和支持向量机基本理论；四、电子鼻实验装置与实验；五、基于神经网络对香榧种类的模式识别；六、基于支持向量机对香榧种类鉴别；七、结论。通过本课题研究，得到以下主要结论：(1)建立神经网络模式识别模型，利用神经网络工具箱中不同训练函数多次实现对四种香榧的识别。其中BP神经网络结构为4-10—4时取得较好分类效果。而I也F神经网络的分类效果并不比BP神经网络

4、强，但速度较前者快。(2)利用PCA分析得到的降维后的特征参数，通过径向基核函数支持向量机分类器，实现了对香榧的分类鉴别。实验得出四成分下分类效果最佳。与BP神经网络相比，其分类效果更好一些，更值得推广。关键词：电子鼻；主成分分析；神经网络；支持向量机；香榧；分类TorreyaQualityClassificationBasedonElectronicNoseABSTRACTTheelectronicnosetechnologywasintroducedtoobtaindifferenttypesofgrandisvolatileodorfingerprint．Firstthesenso

5、rresponsesignalswereanalyzed，andthemaximumresponsevalueofeachsensorconstitutedtheoriginalfeatureparametervector．Andthentheprincipalcomponentanalysismethodwasusedtoreachdatadimensionreductionandfeatureextraction．FinallywerealizedthegrandisqualityidentificationthroughneuralnetworkandRBF—supportvect

6、ormachine．BasedOiltheclassificationanddetectionofweobtaineddifferentclasses，forproducinghighqualitycookedgrandis，improvinggrandisquality,increasinggoodsocialeconomicbenefitandfurtherdevelopmentofnon-destructivetestingresearch．Fourkindsoftorreyahavebeenchosenastheresearchobjecttoconduct，suchasxife

7、i、yuanfei、zhimafei、qiefei(Chinesename)，severalstepswerecarriedonasfollows：First：researchoftheelectronicnosesystem，detectioninfluentialfactorsofgrandis．Second，thestudyofgrandisodorfingerprintmappingandsignalfeaturegener