电子鼻对干酪识别的数据预处理和特征提取

根据干酪的挥发性风味特点，选择了日本费加罗（Figaro）TGS8系列气敏传感器，针对电子鼻的数据特点，采用快速傅里叶变换方法去除传感器响应值的噪声，定位样本反应起始点，预处理后的电子鼻数据中提出有效特征，使维数降低；进行主成分分析，主成分分析所得结果维数更低，并且保留了较多的有用信息；利用Fisher判别式和BP神经网络建立分类器，可以很好地区分光明、三元、多美鲜、百吉福、Anchor五种干酪。     

基于ICA算法的智能电子鼻在混合气体特征提取中的应用

电子鼻传感器在对环境污染的混合气体浓度监测及对工业废气检测中具有重要的作用,但由于现有算法的辨识能力和抗干扰能力差,影响提取原始信息信号的准确度;独立分量分析(ICA)方法是一种高效自信号分离方法;它将独立的源信号从混合信号中分离出来;文中经过电子鼻传感器检测出混合气体信号,通过ICA算法对混合气体进行分解,对外界干扰噪声进行消除,从而使气体成分辨别达到很好的效果;最后经过MATLAB仿真验证,对辨识出来的原始气体成分具有高精度,强抗干扰能力.     

电子鼻传感器阵列优化及其在醋的分类中的应用

利用6个TGS系列气敏传感器阵列对醋进行了检测。按照Wilks统计量最小的原则对传感器阵列进行了优化,得到了由4个传感器组成的用于检测醋的种类的最佳传感器阵列。对阵列优化前后的数据,用PCA、LDA进行对比研究,结果表明,优化后的阵列可以更好地对醋鉴别分类。因此,所给出的优化方法是有效的。     

用电子鼻鉴别卷烟的方法

用四单元金属氧化物传感器阵列构成电子鼻系统,采用运算复杂度较小的特征提取与模式识别方法实现了三种卷烟的鉴别,并通过一系列比较实验研究了特征提取方法、气室、卷烟样品温度以及载气流量等对识别结果的影响。     

电子鼻及其在各领域的最新研究进展

电子鼻是由多个性能彼此重叠的气敏传感器和适当的模式识别算法组成的具有识别单一和复杂气体能力的装置。本文介绍了电子鼻的基本原理及主要组成部分;综述了电子鼻近年来在食品、环境、农业、医学、公共安全等领域的研究进展;最后展望了其未来发展趋势。     

灰色理论在电子鼻气体定量分析中的应用

将气体传感器阵列与灰色系统理论相结合,设计出用于气体定量分析的电子鼻。根据传感器数列得到的实验数据为基础数据建立了气体定量分析的灰色预测模型GM（1,N）,并通过该模型对气体的体积分数进行了分析。实验证明：灰色系统理论用于气体的定量分析是可行的。     

电子鼻技术及应用研究进展

本文介绍了电子鼻的基本原理和结构组成;综述了近年来电子鼻技术在食品、医药、农业、环境监控、公共安全等领域的应用进展;总结了电子鼻研究中存在的问题,并展望了其未来的发展方向.     

发展中的电子鼻技术

介绍了电子鼻的概念和研究意义,详细地阐述了电子鼻的系统组成及其关键技术,最后对电子鼻的应用和前景做了总结。     

电子鼻技术在食醋识别中的应用

利用由10个掺杂纳米氧化锌厚膜气敏传感器组成的阵列对9种食醋和乙酸溶液进行了测量.并通过主元分析、聚类分析和概率神经网络对数据进行了分析和识别.主元分析表明不同的食醋在品牌、种类、酸度等方面具有一定的相似性.聚类分析进一步研究了食醋种类之间的相似程度.利用概率神经网络对所测试的食醋进行了识别,有较高的识别率.分析表明电子鼻技术是食醋分析和识别的一种具有发展前途的实用技术.     

模糊神经网络在电子鼻系统定量识别中的应用

提出并实现了两种类型的模糊神经网络用于电子鼻系统的定量识别。阐述了模糊神经网络用于电子鼻系统定量识别的基本原理,简要介绍了两种模糊神经网络的结构特点并进行了比较,并通过具体实例说明了模糊神经网络用于电子鼻系统的定量识别的可行性以及识别的效果。在该系统中,基于径向基网络模型的模糊神经网络的预测性能在整体上要优于基于感知器模型的模糊神经网络。     

高维空间中针对离群点检测的特征抽取

提出了在高维空间中利用特征抽取提高离群点检测性能问题的解决方法。近年来,传统的检测技术已经不能适应高维的数据。介绍了一种有效的基于特征抽取的DROPT方法,该方法整合ERE策略和APCDA方法进行无特征损失的本征空间规则化之后降维,能够大大提高离群点检测精度,在此基础上还可以减小检测难度。实验证明这种在离群点检测中应用特征抽取的方法有一定的实用性。     

基于电子鼻技术的混合气体检测方法研究

对基于常规单一BP神经网络的电子鼻系统进行改进,提出一种基于Gabor原子神经网络的电子鼻系统,并以3种混合气体为实验对象,进行混合气体的定量分析研究.实验结果表明,应用Gabor原子神经网络的电子鼻系统的最大相对误差与单一BP神经网络相比得到减小,大大提高了定量分析精度.     

Incremental Feature Selection

Feature selection is a problem of finding relevant features. When the number of features of a dataset is large and its number of patterns is huge, an effective method of feature selection can help in dimensionality reduction. An incremental probabilistic algorithm is designed and implemented as an alternative to the exhaustive and heuristic approaches. Theoretical analysis is given to support the idea of the probabilistic algorithm in finding an optimal or near-optimal subset of features. Experimental results suggest that (1) the probabilistic algorithm is effective in obtaining optimal/suboptimal feature subsets; (2) its incremental version expedites feature selection further when the number of patterns is large and can scale up without sacrificing the quality of selected features.     

Feature extraction and dimensionality reduction by genetic programming based on the Fisher criterion

Abstract: Feature extraction helps to maximize the useful information within a feature vector, by reducing the dimensionality and making the classification effective and simple. In this paper, a novel feature extraction method is proposed: genetic programming (GP) is used to discover features, while the Fisher criterion is employed to assign fitness values. This produces non‐linear features for both two‐class and multiclass recognition, reflecting the discriminating information between classes. Compared with other GP‐based methods which need to generate c discriminant functions for solving c‐class (c>2) pattern recognition problems, only one single feature, obtained by a single GP run, appears to be highly satisfactory in this approach. The proposed method is experimentally compared with some non‐linear feature extraction methods, such as kernel generalized discriminant analysis and kernel principal component analysis. Results demonstrate the capability of the proposed approach to transform information from the high‐dimensional feature space into a single‐dimensional space by automatically discovering the relationships between data, producing improved performance.     

电子鼻鉴别有机磷农药的一种特征提取方法

由于有机磷农药的挥发性与稳定性易受环境的影响,降低了电子鼻在分类鉴别中的精确度与可比性。在定位传感器响应起始点的基础上,截取有效数据,以保证分析结果的可靠性;通过对平均微分法、积分值2种特征提取方法分析,提出了一种面积斜率比值法的特征提取方法;运用主成分分析（PCA）和BP神经网络对3种方法2种农药进行分类计算,结果表明：面积斜率比值法的分类效果最好。     

一种基于LS-SVM的特征提取新方法及其在智能质量控制中的应用

提出一种基于最小二乘支持向量机(LS-SVM)的特征提取新方法,并将其成功应用到智能质量控制领域。首先,将线性特征提取公式表达成与LS-SVM回归算法中相同的形式;再遵循SVM方法将数据集由原输入空间映射到高维特征空间,进而使用该技巧通过线性形式实现非线性特征提取。然后,用常规控制图提取出一个含有6种模式、50维特征的仿真数据集用于测试,通过LS-SVM特征提取后,原数据集的特征被降到了3维并保留了原80%的分类信息。最后,用BP分类器对特征提取后的样本进行识别,其结果优于新型RSFM网络直接对原始样本进行识别的效果。仿真实验结果表明了LS-SVM特征提取方法的可行性和有效性。