基于流速调制的电子鼻系统开发及其在黄酒酒龄分类中的应用

基于流速调制的电子鼻系统开发及其在黄酒酒龄分类中的应用

ID:9135511

大小:68.50 KB

页数:6页

时间:2018-04-18

基于流速调制的电子鼻系统开发及其在黄酒酒龄分类中的应用_第1页
基于流速调制的电子鼻系统开发及其在黄酒酒龄分类中的应用_第2页
基于流速调制的电子鼻系统开发及其在黄酒酒龄分类中的应用_第3页
基于流速调制的电子鼻系统开发及其在黄酒酒龄分类中的应用_第4页
基于流速调制的电子鼻系统开发及其在黄酒酒龄分类中的应用_第5页
资源描述:

《基于流速调制的电子鼻系统开发及其在黄酒酒龄分类中的应用》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、基于流速调制的电子鼻系统幵发及其在黄酒酒龄分类中的应用钱曙邢建国王雨程辉浙江工商大学计算机与信息工程学院一种棊于流速调制的电子鼻系统,在流速可变的情况下,通过改变进气流速来扩大传感器对不同气体的响应范围,以此来提高识别正确率,缩短检测时间。应用改进的自适应主成分分析算法(AdaptivePrincipalComponentAnalysis,AD-PCA)对黄酒酒龄进行分类来验证此电子鼻系统,并将该算法的结果与支持向量机算法(SupportVectorMachine,SVM)和误差反向传播神经网络算法(Back-PropagationNeuralNetwork,BPNN)的结果进行对比,实验

2、结果表明:对于5种不同酒龄的黄酒,八1)40六得到的平均正确分类率为93.6%,SVM得到的平均正确分类率为92%,BPNN得到的平均正确分类率为100%,与W定流速相比,可以在保证较高准确率的基础上做到快速分类,并且有效缩短检测时间。关键词:黄酒;电子鼻;模式识别;流速调制;黄酒以大米、黍米、粟为原料,含有人体必需的多种氨基酸U1,其中包括有数种未知氨基酸。黄酒中的检测方法主耍有人为感官品评和理化指标检测。前者主要凭借人的主观感官感受来判断,而这种判断往往只是初步的口味是否纯正的判断,无法做到对其中化学物质的定量检测,并iL受外界干扰和人为因素影响;后者是通过仪器判断,方法主要有气相色谱

3、[2-3]、高效液相色谱[4-6]等,这些方法虽然准确率较高,但是往往检测时间长并且成本也比较高。随着传感器技术的发展和各种分类算法的不断演进完善,目前已经应用于饮料、酒mi等食品的检测。电子鼻的分类大多使用传感器阵列的稳态值作为特征值和PCA、SVM、BPNN等分类算法[12-14]。由于受传感器数量自身物理特性限制,金属氧化物型气敏传感器与气体反应至稳态通常需要几分钟以上,恢复时间也较长[15],因此检测一次往往需耍较长时间,使得电子鼻的应用范围大大受限。本文从流速调制的角度设计了一种电子鼻系统,通过改变进气流速,进而调节传感器阵列中气体分子的分布,进而提高识别正确率,缩短检测时间。采

4、用不同进气流速下对应的区间梯度作为特征向量,并II在PCA算法的基础上设计了一种改进的自适应PCA算法(AD-PCA)。将该系统应用于黄酒酒龄分类,对比丫AD-PCA、SVM、BPNN儿种分类算法,以验证此系统的有效性。1材料与方法1.1实验材料本文实验材料为2017年3月份生产的5种不同酒龄的瓶装黄酒(每种黄酒5瓶)(见表1),采购自当地超市。表1黄酒种类Table1KindsofChineseyellowwine本文设计丫一种基于流速调制的电子鼻系统,其硬件模块包括采样阀、气敏传感器阵列、采样气腔、流量计、流速控制阀、气泵、STM32F407微控制器、计算机和连接异管;其软件模块包括采

5、样控制模块和数据处理模块。硬件结构框阁如阁1所示。图1硬件结构示意图Fig.1Figureofhardwarestructure•卜载原图样品气体或洁净的空气由采样阀进入气腔,采样阀的作用是控制实验的进行和排废,若采样阀中通过的是样品气体则进行的是正常实验环节;若采样阀中通过的是洁净的空气则进行的是一次实验结朿后的排废环节。气体通过采样阀后进入气腔,气腔内均匀分布有传感器阵列,传感器阵列由10个M0S型气敏传感器组成,气体通过气腔经过流量计(用来直观的显示出当前流速)再经由流速控制阀以某一进气流速通过,本文根据实验实际情况设计了100mL/min、200mL/min、300mL/min、4

6、00mL/min四种进气流速,流速控制阀根据程序指令自动切换进气流速。气腔釆集到的样品数据值由釆样控制模块传输到数据处理模块,通过STM32F407微控制器的UART-to-USB发送到计算机端进行数据处理和分析。本文的电子鼻系统采用的气敏传感器型号如表2:下载原表表2所用气敏传感器列表Table2Listofsensors1.2AD-PCA算法分析在模式识别和模式分类中,常用的分类算法如PCA和SVM通常采用达到稳态的数据(如平均值,最大值)进行降维分类,稳态数据需要传感器信号稳定之后才能得到,而传感器信号要达到稳定一般需要较长吋间,实验完成后的排废吋间也很长,两次测量时间间隔长,使得检

7、测速度慢,检测周期长。为了提高检测速度,缩短检测周期,本文提出了一种改进的自适应PCA算法进行分类来验证实验结果,即使用不同流速下对应的区间梯度作为特征向量。流速100mL/min、200mL/min、300mL/min、400mL/min(分别用v,、v2、v3、表示)小*某个传感器k(ke{l,…,10})的归一化响应值依次用来表示,样本的种类用c来表示(ce{l,2,3,4,5}),在每次测试过程中,四种流速由低到

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。