论文部分内容阅读
酒文化是博大精深的中国文化的重要组成部分。从古至今,酒和酒文化几乎渗透到社会生活的方方面面,成为国人生活不可或缺的一部分。同时,白酒产业对于推动国民经济增长起着举足轻重的作用。然而在白酒产业快速发展的同时,也暴露出很多问题,严重影响了白酒行业秩序和国人的身体健康,其中假冒伪劣问题尤为显著。目前,对于白酒伪劣产品的检测主要采用色谱、光谱等方法,这些传统分析方法要依赖于昂贵的大型设备,费时费力,很难实现白酒产品的快速检测。电子鼻是一种基于对哺乳动物的嗅觉系统模仿的新兴检测技术。电子鼻因其具有快速、无损、便携等特点,在食品、医疗、军事等领域有了广泛的应用。由于技术的制约,电子鼻系统同样存在一些缺点,比如气体传感器阵列的漂移现象、易受外界环境因素的影响等。所以,目前要想改善电子鼻检测系统的可靠性,对电子鼻系统的数据分析方法进行研究就显得尤为重要。本文重点研究了电子鼻的特征降维算法和分类器的设计,尝试提出更有效的电子鼻数据处理方法,并将其用于自主研发的白酒识别电子鼻系统中。本文所完成的主要工作如下:(1)提出一种新的特征提取方法KECA-LDA。该方法原理是将核熵成分分析方法(Kernel Entropy Component Analysis,KECA)和线性判别式分析方法(Linear Discriminant Analysis,LDA)进行算法结合,对电子鼻数据特征进行降维。首先将原始电子鼻数据转换到KECA空间,然后在KECA空间中执行Fisher准则,与KECA相比,经KECA-LDA提取后的同类数据更加聚集,异类数据间更加分离,从而有利于后续的分类识别。(2)提出采用粒子群算法对高斯核参数进行优化。本文所采用的KECA是基于高斯核函数,其中高斯核参数的选取直接影响到函数的推广能力,根据具体问题选择合适的核参数是很关键的,粒子群算法使用简单,全局收敛能力较强,其中适应度函数为交叉验证正确率。(3)提出将极限学习机用于白酒识别电子鼻系统中。极限学习机是一种单隐层前馈神经网络的新型学习算法模型,其特点是可以对连接输入层和隐含层的连接权值及隐含层的阈值进行随机赋值,通过解析获得隐含层输出权值。为了验证该算法模型的有效性,将识别结果与BP神经网络进行对比分析。