基于手持式电子鼻的白酒识别

现有电子鼻存在体积偏大、价格昂贵等问题,阻碍了其普及应用。为解决这一问题,该文提出了一种用于白酒检测的手持式电子鼻设计方案,传感器阵列由6种贴片式气体传感器和1个温湿度传感器组成,并置于一个微型仿生气室中。基于所设计的手持式电子鼻对6种白酒的识别问题进行了研究。首先,从电子鼻传感器响应中提取特征,并采用主成分分析法(principal component analysis, PCA)、核主成分分析法(kernel principal component analysis,KPCA)和核熵成分分析法(kernel entropy component analysis,KECA)进行特征降维;然后,通过支持向量机(support vector machine,SVM)、K近邻(k-nearest neighbor,KNN)和反向传播人工神经网络(back-propagation artificial neural network,BP-ANN)对白酒进行识别。结果表明,所设计的手持式电子鼻可以对不同种类的白酒进行在线检测与准确识别。

基于多域特征融合的手持式电子鼻白酒识别

为提升手持式电子鼻辨别白酒的准确率,本文提出了一种基于多域特征融合的识别方法。首先,分别基于统计学分析、小波包分析和一对多共同空间模式(One Versus Rest Common Spatial Pattern,OVR-CSP)提取信号的时域、时频域和空域特征。其次,基于特征加权的方法将时域、时频域和空域特征进行融合。利用自制的手持式电子鼻采集了6种白酒样本并进行识别实验,结果显示,采用支持向量机(Support Vector Machine,SVM)作为分类器时,与单独使用时域、时频域和空域特征相比,所提多域融合特征方法的识别准确率分别提高了9.83%、8%和1.5%。进一步比较了SVM、K近邻(K-Nearest Neighbour,KNN)和BP神经网络(Back Propagation Artificial Neural Network,BP-ANN)三种分类识别方法识别准确率和运行时间,结果表明,KNN算法的用时最短,且识别率较高。