论文部分内容阅读
为了提高电子鼻检测霉变玉米的正确率,探究了电子鼻信号不同多特征组合表征模式方法对鉴别结果的影响,并给出了一种基于Wilks统计量的特征参量鉴别能力评价方法。同时,考虑到不同气敏传感器选择特性的差异,在多特征表征模式下给出了一种基于Wilks统计量主元消去变换的传感器信号表征特征的筛选方法。为了提高电子鼻预测霉变玉米真菌毒素含量,在五特征表征模式下发展了一种基于核Fisher判别分析融合BP神经网络的预测模型构建方法,以期提高霉变玉米真菌毒素含量的电子鼻检测能力。具体研究工作说明如下:首先对电子鼻中每个气敏传感器的霉变玉米气敏信号分别提取积分值、小波能量值、方差、相对稳态平均值、平均微分值作为特征值。然后,利用WilksΛ统计量计算单一特征表征模式和多特征组合表征模式下所构造的特征向量的鉴别能力。计算结果表明,多特征表征模式的鉴别效果优于单特征表征模式的鉴别效果,并且随着表征特征数的增多,所对应的特征向量的鉴别能力也进一步提高。研究结果也指出了多特征表征模式下如何进行特征组合是不具有规律性的,但可通过对比不同特征组合的WilksΛ值,来获得较好的表征特征组合。同时,在多特征组合表征模式下,借助于所给出的特征筛选方法,优化筛选了不同传感器气敏信号的特征组合。结果显示:在多特征表征模式下不同传感器特征表征是不同的,说明了特征筛选的必要性。为了揭示上述特征鉴别能力评定方法的有效性,运用Fisher判别分析(FDA)直观考察了不同特征表征模式下的鉴别结果。FDA结果显示,无论是单一特征表征模式还是多特征表征模式,它们的鉴别效果与基于WilksΛ统计量的鉴别能力评价结果相吻合,而且随着表征特征数的增多,鉴别正确率也逐渐提高,5特征组合下的FDA鉴别正确率升至98%。FDA分析结果表明,所给出的特征鉴别能力评价方法是有效的。最后,分别借助于BP神经网络、核变换FDA(KFDA)融合BP神经网络方法,研究了黄曲霉毒素B1含量、呕吐毒素含量、玉米赤霉烯酮含量的预测模型构建方法。预测结果显示:单纯的BP神经网络预测玉米赤霉烯酮、呕吐毒素含量、黄曲霉毒素B1,预测误差在5%以内的正确样本数所占比例最高为85%;而基于KFDA的BP神经网络的预测误差在0.6%以内的正确样本数所占比例为100%。且两种模型的预测值和实测值的拟合决定系数由0.95提高到1.00。研究结果表明,运用基于KFDA的BP神经网络方法预测霉变玉米真菌毒素含量是有效的,提高了电子鼻的检测精度。论文研究结果可获得4个方面的结论:1)用多特征融合表征模式可以更有效地反映霉变玉米样品的电子鼻响应信息。2)多特征表征向量的鉴别能力可用WilksΛ统计量进行有效评价。3)多特征表征模式下,每个气敏传感器的表征特征可用Wilks统计量主元消去变换的方法进行筛选。4)基于KFDA融合BP神经网络方法预测霉变玉米真菌毒素含量是有效的。