随着社会生活水平的不断提高,人们对农产品的品质要求也越来越高,因此急需一种高效、便捷、客观的农产品品质检测方法。电子舌智能检测系统作为一种新型的检测技术,结合模式识别方法可以快速获取液体样本“指纹信息”,对检测样本进行定性和定量分析。但是传统模式识别方法的预测性能在达到一定水平后很难有更大的提升。因此,本文将集成学习引入电子舌的模式识别中,研制了一套基于集成学习的伏安电子舌系统,并将其实际应用于农产品品质的检测分析中,具体研究内容如下:(1)设计了一套基于虚拟仪器技术的智能感官电子舌系统,该系统具有体积小、成本低、检测便捷、无需复杂前处理等优点,主要包括传感器阵列、信号调理电路、数据采集卡、上位机软件四部分。(2)针对传统的电子舌模式识别方法泛化性较低、分类精度有限的问题,本文提出采用集成学习方法对单学习器进行有效融合,构建不同的集成学习模型,并将其用于对不同加工工艺柠檬片的检测分析。首先采用离散小波变换对电子舌信号进行预处理,然后以集群算法优化后的BP神经网络、K近邻算法及逻辑回归算法为基分类器,分别构建Bagging、Boosting和Stacking集成学习模型对不同柠檬片进行定性区分。实验结果表明,集成学习方法聚合多个分类器对同一个问题进行学习,并通过一定的策略融合成一个学习器,与单个学习器相比,具有更好的泛化性和准确性。(3)传统的集成学习算法通常给予基分类器固定的权重,而不同的样本对不同的分类器有不同的适应性,针对这一问题,本文引入动态权重的思想,提出了一种基于集成学习和动态权重(Combination of Ensemble Learning and Dynamic weight,CELEDAT)的电子舌模式识别方法,并将其应用于对不同储存年限陈化小麦的定性分析。首先采用小波包变换对电子舌检测数据进行预处理,然后采用遗传算法、粒子群算法等集群算法参数优化后的BP神经网络、最小二乘支持向量机、随机森林以及极限学习机为基分类器,构建CELEDAT模型。实验结果表明,CELEDAT模型可以根据测试样本更有效的利用不同的基分类器,相比较于Bagging、Boosting、Stacking集成学习模型,CELEDAT模型对不同储存年限的陈化小麦具有更好的分类识别效果。