学位论文 > 优秀研究生学位论文题录展示
基于小波理论的农产品智能嗅觉识别研究
作 者: 杨长明
导 师: 左春柽
学 校: 吉林大学
专 业: 农业机械化工程
关键词: 农产品 人工嗅觉系统 气体传感器阵列 特征提取 模式识别 小波分析 前馈神经网络 BP算法
分类号: TP391.4
类 型: 硕士论文
年 份: 2004年
下 载: 142次
引 用: 0次
阅 读: 论文下载
内容摘要
随着计算机技术的发展,人类对计算机视觉、听觉、触觉的研究都取得了很大的成果,有些在应用中已经超过了人类的感官。而人类对于嗅觉的研究却相对比较缓慢,主要原因在于其研究的难度及实现的复杂性。近年来,基于传感器阵列与模式识别技术的人工嗅觉技术成为国际上研究的热点。在环境监测、医疗诊断、医药工业、食品工业、化工、军事等各种领域的气味检测中具有广阔的应用前景。目前已经有人尝试将其用于农产品检测,国外已经将其应用于粮食储藏中的质量监测、谷物分级以及果实成熟度的判断。人工嗅觉技术在农产品检测方面表现出良好的发展态势。本论文主要从人工嗅觉系统的软件和算法入手,研究嗅觉识别的算法及原理,建立一套人工嗅觉系统,将其用于酒类与油类的识别,以加快其用于农产品检测的步伐。论文主要工作有:研究和分析了国内外人工嗅觉领域主要采用的技术原理及方法。人工嗅觉系统采用多个不同敏感特性的传感器组成阵列,利用其交叉敏感特性降低对传感器选择性的要求,扩大了系统的应用范围。在采集数据时,传感器响应曲线是随时间不断变化的,经过一定波动最后达到稳态响应。其响应曲线中蕴涵着大量的数据信息,将其全部应用于分类识别是不适合的。因此,提取阵列瞬时响应中比较有效的信息数据对于系统的分类识别是非常重要的。为此人们提出了多种数据特征提取、数据降维及归一化算法。如利用传感器归一算法:将阵列响应向量标准化,使数据处于(0,1)之间,可以减少样本浓度对识别效果的影响。在国内外的研究中,常用的特征提取与数据降维方法有:在传感器响应曲线上取特征点,主成分分析方法(PCA)以及K-L变换等方法。在模式识别方面,人工神经网络因其高度的非线性和良好的容错性及鲁棒性等特点在国内外人工嗅觉系统中有较多的应用,而以三层前馈神经网络中的BP算法应用最广。近年来,随着模糊理论、遗传算法以及小波理论与神经网络的相互渗透,在人工嗅觉系统中也有了一定的应用。由于嗅觉识别是一个模糊的概念,因而模糊神经网络在人工嗅觉未来的发展中有较大的应用空间。 <WP=88>论文中利用6个不同敏感特性的SnO2金属氧化物半导体气敏传感器组成阵列,充分利用传感器的交叉敏感性,化单个传感器的劣势为优势,以降低对传感器选择性的要求,并扩大了系统的应用范围。 论文首次尝试以图像处理原理对传感器阵列响应数据进行分割“取块”,以传感器稳态响应时的连续6个瞬时响应作为一个“块”。利用小波理论对数据块进行整体压缩,去除其中的冗余数据信息,且较好地保留了尽可能多的有效信息数据,以压缩后的数据作为被测对象的特征值,以特征值作为被测对象评价的标准,实现了数据降维与特征提取的目的。二维离散小波变换公式为:论文中的小波基函数选择G小波基函数: 由于小波变换在时域和频域同时具有良好的局部化性质,可以聚焦到数据对象的任意细节。用小波变换压缩数据,不但保留了数据信号的低频成分,而且也较好地保留了数据信号的高频成分,即能够很好地保留原数据信号的特征。 论文对BP算法进行了整体的优化,通过采用柯西稳健误差估计器并结合自适应调整学习率及陡度因子较好地克服了BP算法陷入局部极小及收敛性差的问题。在VC 6.0下开发出一套人工嗅觉识别软件系统,针对硬件进行编程,实现了嗅觉数据的实时采集、实现了多种数据处理算法,实现了神经网络系统进行分类识别及结果显示。最后,实现了该软件与前人软件的合并与打包。通过实验对几种不同品牌的白酒进行分类识别,发现系统能够正确识别三种度数差别不大的不同品牌的白酒,识别率为100%,对于两种相同度数的白酒,由于实验条件及设备的限制,利用神经网络不能直接识别出来。采用传感器归一化算法并提取特征参数达到了识别的目的。实验中对三种浓度差别较大的酒类进行识别,发现传感器对浓度非常敏感,系统能够很好地识别浓度差别较大的酒类。实验中,利用小波理论对数据块进行整体压缩,以压缩后的数据作为特征参数进行识别,实验结果表明该方法是正确的。该方法简化了神经网络结构,<WP=89>提高了系统的识别精度及训练速度,有效地减少了训练样本数。本论文将小波理论与神经网络相结合构成了一种新的嗅觉识别模型。本论文的软件在实验过程中实现了被测对象的定性分类识别。如果以浓度作为被测对象的特征参数进行识别,将浓度值输入神经网络进行训练即可实现被测对象的定量识别。实验中发现SnO2金属氧化物半导体气敏传感器的灵敏特性还有待提高,随着各种传感器新技术的发展,可以预见人工嗅觉技术应用于农产品检测是可行的。
|
全文目录
第一章 绪论 6-22 1.1 本研究的目的及意义 6-7 1.2 农产品识别评价方法概述 7-8 1.3 人工嗅觉的发展历史 8-9 1.4 气体传感器 9 1.5 嗅觉信息的特征提取算法研究 9-14 1.5.1 特征提取的含义 9-10 1.5.2 国内外特征提取方法研究概况 10-14 1.6 人工嗅觉的模式识别方法研究 14-21 1.6.1 人工嗅觉中常用的模式识别方法 14-16 1.6.2 神经网络在人工嗅觉中的应用 16-18 1.6.3 遗传算法在神经网络中的应用 18 1.6.4 模糊神经网络的应用 18-20 1.6.5 小波神经网络的应用 20-21 1.7 本论文的主要内容 21-22 第二章 人工嗅觉系统组成及工作原理 22-28 2.1 系统组成及原理 22-23 2.2 气体传感器阵列 23-24 2.2.1 金属氧化物气体传感器的气敏原理 23-24 2.2.2 气体传感器阵列的数学模型 24 2.3 课题硬件组成 24-27 2.3.1 气体传感器阵列 25-26 2.3.2 A/D转换卡 26-27 2.3.3 计算机 27 2.4 本章小结 27-28 第三章 基于小波理论的嗅觉信息特征提取研究 28-38 3.1 特征提取 28-30 3.2 小波理论 30-33 3.2.1 小波概念 30-31 3.2.2 从 Fourier变换到小波变换 31-33 3.3 二维离散小波变换与嗅觉信息特征提取 33-37 3.3.1 二进小波变换与G小波基函数 33-34 3.3.2 嗅觉信息的数据压缩与特征提取 34-37 3.4 本章小结 37-38 第四章 基于人工神经网络的嗅觉识别算法研究 38-55 4.1 神经网络简述 38 4.2 前馈型BP神经网络算法的改进 38-44 4.2.1 BP神经网络 38-39 4.2.2 基本BP算法 39-40 4.2.3 传统的改进方法 40-42 4.2.4 BP网络的整体优化算法 42-44 4.3 BP 网络设计及算法实现 44-51 4.3.1 BP网络设计的几点考虑 44-45 4.3.2 神经网络模型设计 45-51 4.4 四层前馈网络设计及算法实现 51-54 4.5 本章小结 54-55 第五章 智能嗅觉识别软件开发 55-68 5.1 系统功能设计 55-56 5.2 程序开发及说明 56-66 5.2.1 VC 6.0开发平台 56 5.2.2 程序主界面的制作 56-58 5.2.3 数据通讯的软件实现 58-62 5.2.4 神经网络识别系统在VC环境下的实现 62-65 5.2.5 嗅觉信号压缩与归一的软件实现 65-66 5.2.6 工程合并与打包 66 5.3 本章小结 66-68 第六章 人工嗅觉系统实验验证 68-80 6.1 实验装置 68-70 6.1.1 传感器测量室 68-69 6.1.2 传感器阵列 69-70 6.1.3 模数转换 70 6.2 实验数据与分析 70-78 6.2.1 基于BP网络的酒类识别定性分析 71-75 6.2.2 基于小波理论的酒类识别定性分析 75-78 6.3 实验结论与总结 78-80 第七章 全文总结 80-82 参考文献 82-86 致 谢 86-87 摘 要 87-90 ABSTRACT 90-94
|
相似论文
- LDPC码译码算法研究及性能分析,TN911.2
- 基于神经网络算法的防波堤波浪力计算,U656.2
- RS码软判译码技术的研究,TN911.22
- 多传感器数据融合技术在火灾探测中的应用研究,TP202
- 基于OpenCL的神经网络BP算法研究及实现,TP183
- 白酒识别电子鼻系统的研究,TP212
- 基于PCA原理的线阵三维SAR成像原理与算法研究,TN957.5
- 压力式雨量及路面积水检测的WSN节点设计,P414
- 少数类数据识别方法及性能评价,TP181
- 双基地线阵三维成像SAR技术的研究,TN958
- 视频图像目标车辆搜索系统研究,TP391.41
- 基于神经网络的手写数字字符的识别,TP391.43
- 类别不平衡数据的集成学习研究,TP181
- 改进的VLBP算法及其在销售预测中的应用,TP183
- 等离子弧切割质量建模与优化研究,TG483
- 基于混沌神经网络的电力负荷短期预测,TM715
- 光固化快速成型工艺的精度研究与控制,TH16
- 神经网络级连识别手写体数字的研究与实现,TP391.43
- 基于人工神经网络方法的股市预测研究,TP183
- 基于BP神经网络的股价预测应用研究,F224
- 感知器算法和BP算法的性能对比分析,TP183
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置
© 2012 www.xueweilunwen.com
|