安徽省高校省级自然科学研究项目(KJ2013Z195)
- 作品数：9 被引量：34H指数：4
- 相关作者：杨春兰薛大为孔慧芳更多>>
- 相关机构：蚌埠学院合肥工业大学更多>>
- 发文基金：安徽省高校省级自然科学研究项目安徽省高等学校优秀青年人才基金国家级大学生创新创业训练计划更多>>
- 相关领域：自动化与计算机技术轻工技术与工程农业科学更多>>
- 电子鼻检测黄山毛峰茶贮藏时间方法研究被引量：1
- 2016年
- 利用电子鼻对6个不同贮藏时间下5个等级黄山毛峰茶进行检测。首先获取反映茶叶香气的原始特征向量,再通过主成分分析法(PCA)提取出前5个主成分作为主特征向量,然后以主特征向量作为BP神经网络(BPNN)的输入,建立黄山毛峰茶贮藏时间预测模型(称为PCA-BPNN)。通过对75个测试样本(每等级15个)实验测试表明:PCA-BPNN对于贮藏0 d的茶叶,最大预测误差为7 d,5个(6.67%)样本预测误差超过10 d;对于贮藏60 d的茶叶,最大预测误差为10 d,4个(5.33%)样本预测误差超过10 d;对于贮藏120 d的茶叶,最大预测误差为16 d,7个(9.33%)样本预测误差超过10 d;对于贮藏180 d的茶叶,最大预测误差为19 d,8个(10.67%)样本预测误差超过10 d;对于贮藏240 d的茶叶,最大预测误差为21 d,8个(10.67%)样本预测误差超过10 d;对于贮藏300 d的茶叶,最大预测误差为14 d,6个(8.00%)样本预测误差超过10 d。验证了PCA-BPNN预测模型用于检测黄山毛峰茶贮藏时间的可行性,同时与以原始特征变量作为输入的BPNN预测模型相比,性能更好。
- 薛大为杨春兰孔慧芳鲍俊宏
- 关键词：黄山毛峰茶电子鼻BPNN
- 基于电子鼻技术的黄山毛峰茶品质检测方法被引量：8
- 2014年
- 为了更加客观地评价黄山毛峰茶的品质,提出了一种利用电子鼻技术对黄山毛峰茶品质检测的方法。选择4种不同品质等级的茶叶,首先根据传感器响应选择特征变量,然后以这些特征变量作为BP神经网络的输入,建立茶叶品质等级的3层网络预测模型。实验结果表明,本文建立的模型对于训练样本识别准确率为100%,对测试样本识别准确率为89.3%,表明应用电子鼻技术检测黄山毛峰茶品质具有可行性。
- 薛大为杨春兰
- 关键词：黄山毛峰茶电子鼻BP神经网络
- 基于电子鼻技术的茶叶贮藏时间检测方法被引量：1
- 2016年
- 主要探索茶叶贮藏时间的检测方法.以黄山毛峰茶为研究对象,利用电子鼻对7个不同贮藏时间下的干茶叶进行检测.根据电子鼻传感器阵列响应特点选取了特征变量,以特征变量为自变量,以茶叶贮藏时间为因变量,建立了茶叶贮藏时间的BP神经网络预测模型.通过测试样本对模型进行实验分析,结果表明:该模型对于7个不同贮藏时间茶叶样本最大预测误差为42.1天;预测误差超过10天的最大样本数为5个,占总样本数的7.14%.验证了所建立的茶叶贮藏时间BP神经网络预测模型的可行性.
- 杨春兰薛大为
- 关键词：茶叶电子鼻贮藏时间BP神经网络
- 电子鼻定量检测淡水鱼新鲜度的方法研究被引量：5
- 2016年
- 挥发性盐基氮(total volatile basic nitrogen,TVB-N)值是定量评价淡水鱼新鲜度的重要指标之一,为了寻求更加准确检测TVB-N值的有效方法,自行设计了电子鼻系统。该系统由金属氧化物感器阵列、数据采集卡、信号调理电路以及数据采集与处理程序构成。以鲢鱼为研究对象,利用电子鼻系统对其新鲜度进行检测。以传感器阵列响应值作为自变量,以鱼肉TVB-N值作为因变量,分别采用多元线性回归(multiple linear regression,MLR)、主成分回归(principal component regression,PCR)和反向传播神经网络(back propagation neural network,BPNN)建立了TVB-N值的预测模型。通过测试样本对3种模型进行验证,MLR预测模型对TVB-N的预测值与测量值之间的相关系数R、预测标准误差SEP、最大误差百分比RE-max及平均误差百分比RE-mean分别为0.65、5.11、7.45%和5.04%;PCR预测模型分别为0.80、2.77、5.64%和3.15%;BPNN预测模型分别为0.97、1.56、3.51%和2.18%。结果表明:BPNN预测模型性能最优,PCR预测模型性能次之,MLR预测模型性能最差。该研究为定量化检测淡水鱼新鲜度的检测提供了一种有效的方法。
- 杨春兰薛大为
- 关键词：电子鼻淡水鱼新鲜度挥发性盐基氮主成分回归反向传播神经网络
- 主成分分析与神经网络结合的黄山毛峰茶品质检测被引量：8
- 2014年
- 研究了利用主成分分析与BP神经网络结合的方法对黄山毛峰茶进行品质检测。首先应用主成分分析法对反映茶叶香气信息的原始特征变量进行分析,提取出前5个主成分,再以这些主成分作为BP神经网络的输入,建立3层BP神经网络预测模型。试验结果表明,该模型相对于未经过主成分分析的BP神经网络模型,建模效率大大提高,判别准确率也由92.5%提高到97.5%。说明主成分分析与BP神经网络结合应用于黄山毛峰茶品质检测是有效的。
- 薛大为孔慧芳杨春兰
- 关键词：黄山毛峰茶电子鼻主成分分析BP神经网络
- 黄山毛峰茶贮藏时间电子鼻检测方法研究被引量：15
- 2016年
- 利用电子鼻对6个贮藏时间5个等级的黄山毛峰茶进行检测,首先获取反映茶叶香气的原始特征向量,再通过主成分分析法(PCA)提取出前5个主成分作为主特征向量,然后以主特征向量作为BP神经网络(BPNN)的输入,建立黄山毛峰茶贮藏时间预测模型(PCA-BPNN)。结果表明:PCA-BPNN对于贮藏0 d的茶叶,最大预测误差为11 d,5个(6.67%)样本预测误差超过13 d;对于贮藏60 d的茶叶,最大预测误差为13d,4个(5.33%)样本预测误差超过10 d;对于贮藏120 d的茶叶,最大预测误差为16 d,7个(9.33%)样本预测误差超过10 d;对于贮藏180 d的茶叶,最大预测误差为19 d,8个(10.67%)样本预测误差超过10 d;对于贮藏240 d的茶叶,最大预测误差为21 d,8个(10.67%)样本预测误差超过10 d;对于贮藏300 d的茶叶,最大预测误差为14 d,6个(8.00%)样本预测误差超过10 d。该研究所建立的PCA-BPNN预测模型可用于检测黄山毛峰茶贮藏时间,且与以原始特征变量作为输入的BPNN模型相比,性能更好。
- 杨春兰薛大为鲍俊宏
- 关键词：电子鼻BPNN
- PCA-BPNN在黄山毛峰茶贮藏时间检测中的应用
- 2016年
- 为了探索黄山毛峰茶贮藏时间的有效检测方法,利用电子鼻技术对4个不同贮藏时间下的3个等级黄山毛峰干茶叶进行了检测。根据电子鼻传感器阵列响应曲线变化特点,选取了特征变量,并通过主成分分析法提取出4个主特征变量。以主特征变量作为BP神经网络的输入,以茶叶贮藏时间作为输出,建立了黄山毛峰茶贮藏时间的PCA-BPNN预测模型。实验结果表明:PCA-BPNN预测模型的最大预测误差为38.5 d,预测误差超过10 d的样本最大比率为4.44%;与BPNN预测模型相比,PCA-BPNN预测模型性能更优。
- 杨春兰薛大为
- 关键词：BPNN黄山毛峰茶电子鼻
- 改进自适应遗传神经网络在混合气体识别中的应用被引量：1
- 2013年
- BP神经网络和遗传神经网络是混合气体识别中常用的方法,但在实际应用仍然存在一些缺陷与不足。针对存在的问题,提出了1种改进自适应遗传算法,该算法根据进化过程种群中未产生更优解的代数,自适应调整变异率和变异量。利用该改进自适应遗传算法优化BP神经网络的连接权和阈值,构成改进自适应遗传神经网络,并应用于混合气体的识别中。实验结果表明:改进自适应遗传神经网络收敛成功率由40%提高到80%,平均识别误差H_2S由4.66 mL/m^3降为3.69 mL/m^3,CH_4由17.14 mL/m^3降为15.77 mL/m^3,CO由4.38 mL/m^3降为4.19 mL/m^3。
- 薛大为孔慧芳杨春兰
- 关键词：遗传算法遗传神经网络气体识别
- 基于电子鼻技术的茶叶贮藏时间检测方法被引量：1
- 2016年
- 为了寻求不同贮藏时间下茶叶品质的检测方法,以黄山毛峰茶为研究对象,利用电子鼻对7个不同贮藏时间下的干茶叶进行检测.根据电子鼻传感器阵列响应特点选取了特征变量,以特征变量为自变量,以茶叶贮藏时间为因变量,建立了茶叶贮藏时间的BP神经网络预测模型.通过测试样本对模型进行实验分析.结果表明:该模型对于7个不同贮藏时间茶叶样本最大预测误差为42.1天,预测误差超过10天的最大样本数为5个,占总样本数的7.14%.验证了所建立的茶叶贮藏时间BP神经网络预测模型的可行性.
- 杨春兰薛大为
- 关键词：茶叶电子鼻贮藏时间BP神经网络
