基于电子舌和EEMD-WOA-LSSVM模型的红酒贮藏年限区分

为了实现对不同贮藏年限的红酒进行客观的辨别分析,提出一种采用电子舌结合集合经验模态分解（Ensemble empirical modal decomposition, EEMD）、鲸鱼算法（whale optimization algorithm, WOA）和最小二乘支持向量机（least square support vector machine, LSSVM）组合模型的区分方法。首先采用电子舌对4种不同贮藏年限红酒的“特征图谱”进行信息采集;然后利用EEMD对原始信号进行分解,提取分解后的本征模态函数奇异谱熵和希尔伯特边际谱作为特征数据;最后,采用鲸鱼算法优化最小二乘支持向量机建立红酒贮藏年限分析模型。结果表明,EEMD-WOA-LSSVM组合模型对不同贮藏年限的红酒的分类准确率、精确率、召回率、F1-score和Kappa系数分别达到97.5%、97.75%、97.5%、0.98和0.97,其区分能力优于GA-LSSVM、PSO-LSSVM和SVM模型。该研究可为红酒贮藏年限区分提供一种新的研究思路和技术手段。     

基于电子舌和WGAN-CNN模型的小麦贮存年限快速检测

为了实现对不同贮存年限陈化小麦的快速检测,提出一种伏安电子舌结合卷积神经网络(convolutional neural network, CNN)和基于Wasserstein距离的生成对抗网络(wasserstein generative adversarial nets, WGAN)组合的模式识别模型。使用伏安电子舌对6种不同贮存时间小麦采集电子舌信号。针对电子舌信号信息量大、特征提取困难等问题,设计了一种基于CNN结构的电子舌信号特征自动提取和分类识别模型。为解决CNN模型因训练样本不足而导致泛化能力差等问题,使用WGAN构建电子舌信号样本集,通过对生成信号集的学习,提高了CNN模型对电子舌信号的识别能力。实验结果表明,与AlexNet、VGG16等深度学习模型和随机森林(RM)、极限学习机(ELM)等传统机器学习模型相比,WGAN-CNN模型对电子舌信号的分辨能力更强,其测试集准确率、精确率、召回率和F1-Score分别达到0.98、0.98、0.977和0.988。研究表明电子舌结合WGAN-CNN模型可实现对小麦贮存年限的快速检测,该研究为基于人工智能的感官识别技术提供了一种新的研究思路。     

白音华褐煤自燃规律与仓储周期研究

白音华褐煤煤化程度较低,具有高挥发分、高水分、低热值等特点,露天仓储存在易自燃、热损大、粉尘多等问题。通过对不同季节、不同仓储方式煤堆温度的测试,结合褐煤低温氧化反应机理,研究白音华褐煤温度变化、自燃规律,确定露天仓储的合理周期,为各电厂仓储白音华褐煤提供参考。     

基于电子舌及一维深度CNN-ELM模型的普洱茶贮藏年限快速检测

采用伏安电子舌对不同贮藏年限的普洱茶进行快速检测。将深度学习技术引入到电子舌的模式识别中,提出一种基于一维卷积神经网络(1-D CNN)与极限学习机(ELM)组合的模式识别模型(1-D CNN-ELM)。采用该模型结合伏安电子舌对5种不同贮藏年限的普洱茶进行分类鉴别,结果表明,与传统基于离散小波变换(DWT)结合支持向量机(SVM)或极限学习机(ELM)的模型相比,1-D CNN-ELM对普洱茶贮藏年限的分类效果更优,其测试集准确率、精确率、召回率和F1-Score分别达到98.32%,98.0%,98.0%,0.98。试验表明深度学习方法适用于对电子舌信号进行模式识别处理,且具有较高的分类准确性和泛化能力。