智能感官技術(shù)關(guān)于花椒和花椒油品質(zhì)的應(yīng)用研究
發(fā)布時(shí)間:2021-09-22 02:01
鑒于花椒重要的食用和藥用價(jià)值,其品質(zhì)控制和等級(jí)劃分逐漸成為花椒產(chǎn)業(yè)中的一個(gè)重要環(huán)節(jié)。就目前而言,花椒的品質(zhì)檢測(cè)和等級(jí)劃分標(biāo)準(zhǔn)基本由外觀品質(zhì)決定,方法基本基于人工感官評(píng)價(jià)技術(shù)。然而,由于人工感官評(píng)價(jià)具有主觀波動(dòng)性、評(píng)價(jià)疲勞性以及培訓(xùn)困難性等不可避免的缺陷,使得花椒的品質(zhì)控制和等級(jí)劃分難以形成統(tǒng)一標(biāo)準(zhǔn)化,在一定程度上制約了花椒產(chǎn)業(yè)的發(fā)展。因此,如何快速、穩(wěn)定、標(biāo)準(zhǔn)地對(duì)花椒的品質(zhì)進(jìn)行檢測(cè)已經(jīng)成為花椒產(chǎn)業(yè)中一個(gè)亟需解決的問題。近年來,隨著智能感官檢測(cè)設(shè)備和技術(shù)的高速發(fā)展,使得花椒智能化品質(zhì)檢測(cè)成為可能。因此,本論文擬針對(duì)六種產(chǎn)地紅花椒、四川青/紅花椒、八種市售花椒油和七種不同花椒含量花椒油等四組研究對(duì)象,以電子鼻和電子舌為智能感官檢測(cè)設(shè)備,基于特征值優(yōu)化和Filter-Wrapper特征值篩選得到兩類特征值,采用支持向量機(jī)(SVM)、K-近鄰(KNN)、決策樹以及集成算法等22種模型分析方法,圍繞“花椒和花椒油品質(zhì)的智能檢測(cè)”這一主題進(jìn)行研究。論文主要研究工作和結(jié)論如下:(1)建立了花椒和花椒油種類的電子鼻檢測(cè)方法,采用電子鼻對(duì)四組花椒和花椒油研究對(duì)象進(jìn)行檢測(cè)后采用電子鼻傳感器優(yōu)化和Filte...
【文章來源】:浙江工商大學(xué)浙江省
【文章頁數(shù)】:127 頁
【學(xué)位級(jí)別】:碩士
【部分圖文】:
線性可分情況下的最優(yōu)分類線
5本論文得到了中國標(biāo)準(zhǔn)化研究院院長(zhǎng)基金重大項(xiàng)目(562018Y-5983-2-1)的資助。特此感謝!1.4人工智能識(shí)別算法簡(jiǎn)述1.4.1支持向量機(jī)支持向量機(jī)(SupportVectorMachine,SVM)本身是一個(gè)二值分類器,SVM算法最初是為二值分類問題設(shè)計(jì)的,核心思想就是把數(shù)據(jù)非線性映射到高維特征空間,在高維特征空間中構(gòu)造最優(yōu)的分類超平面,使分類結(jié)構(gòu)風(fēng)險(xiǎn)最小化[31]。實(shí)心點(diǎn)和空心點(diǎn)分別代表兩類樣本,H代表分類超平面。圖1.1線性可分情況下的最優(yōu)分類線Fig.1.1Optimizationclassificationlinesundertheconditionoflinearanddivisible當(dāng)處理多類問題時(shí),就需要構(gòu)造合適的多類分類器,主要是通過組合多個(gè)二分類器來實(shí)現(xiàn)多分類器的構(gòu)造[32],其中一種方式如下:圖1.2SVM多分類示意圖Fig.1.2SVMmulti-classification如圖1.2所示,首先將所有類別分為兩個(gè)類別,再將子類進(jìn)一步劃分為兩個(gè)次級(jí)子類,如此循環(huán)下去,直到所有的節(jié)點(diǎn)都只包含一個(gè)單獨(dú)的類別為止,此節(jié)點(diǎn)也是二叉樹樹種的葉子。該分類將原有的分類問題同樣分解成了一系列的兩類分類問題,其中兩個(gè)
7本論文得到了中國標(biāo)準(zhǔn)化研究院院長(zhǎng)基金重大項(xiàng)目(562018Y-5983-2-1)的資助。特此感謝。2)修剪決策樹用訓(xùn)練集樣本生成決策樹,所以一些創(chuàng)建的分支反映的為訓(xùn)練集中的個(gè)例,需要合理的去除剪掉不好的分支,以此來提高決策樹對(duì)新數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確性。決策樹的剪枝有兩種:預(yù)剪枝和后剪枝。前者是在創(chuàng)建樹的過程中,通過對(duì)節(jié)點(diǎn)數(shù)等一些閾值進(jìn)行設(shè)置可使樹的創(chuàng)建提前結(jié)束。后者是在樹創(chuàng)建后,通過修建決策樹的剪枝集將該節(jié)點(diǎn)的子樹對(duì)應(yīng)替換為葉節(jié)點(diǎn)而準(zhǔn)確性提高,則完成替換,從而實(shí)現(xiàn)對(duì)決策樹的修剪。圖1.3決策樹生成流程圖Fig.1.3Decisiontreegenerationflowchart決策樹的生成是一個(gè)遞歸過程,有三種情形會(huì)導(dǎo)致遞歸返回[43]:a.當(dāng)前結(jié)點(diǎn)包含的樣本全屬于同一類別,無需劃分;b.當(dāng)前屬性為空或者是所有樣本在所有屬性上取值相同,無需劃分,在這種情況下,我們把當(dāng)前結(jié)點(diǎn)標(biāo)記為葉結(jié)點(diǎn),并將其類別設(shè)定為該結(jié)點(diǎn)所含樣本最多的類別;c.當(dāng)前結(jié)點(diǎn)包含的樣本集為空,不能劃分,同樣把當(dāng)前結(jié)點(diǎn)標(biāo)記為葉結(jié)點(diǎn)。1.4.4集成算法集成學(xué)習(xí)(EnsembleLearning)是一種通過將多個(gè)學(xué)習(xí)器進(jìn)行結(jié)合以達(dá)到優(yōu)于單個(gè)學(xué)習(xí)器效果的學(xué)習(xí)算法,可以通過訓(xùn)練若干單個(gè)學(xué)習(xí)器再通過一定的結(jié)合策略,形成最終的強(qiáng)學(xué)習(xí)器,單個(gè)學(xué)習(xí)器可以由SVM、KNN等算法構(gòu)成[44]。常用的集成算法主要分為兩類:?jiǎn)蝹(gè)學(xué)習(xí)器間存在依賴關(guān)系,以Boosting算法為代表[45-48];單個(gè)學(xué)習(xí)器之間相
【參考文獻(xiàn)】:
期刊論文
[1]基于集成解調(diào)芯片的電感式位移傳感器[J]. 劉亞婷,張剴,徐旸. 儲(chǔ)能科學(xué)與技術(shù). 2019(05)
[2]基于最重要特征的裁剪k-近鄰分類算法設(shè)計(jì)[J]. 趙琳,行致源. 電子設(shè)計(jì)工程. 2019(14)
[3]基于聚類的環(huán)形kNN算法[J]. 匡振曦,武繼剛,李嘉興. 計(jì)算機(jī)工程與科學(xué). 2019(05)
[4]基于多元統(tǒng)計(jì)分析的不同產(chǎn)地紅花椒揮發(fā)性成分差異分析[J]. 王思思,鐘葵,史波林,汪厚銀,張璐璐,劉龍?jiān)?趙鐳. 中國調(diào)味品. 2019(03)
[5]基于改進(jìn)KNN算法的手寫數(shù)字識(shí)別研究[J]. 胡君萍,傅科學(xué). 武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版). 2019(01)
[6]基于無機(jī)元素的花椒產(chǎn)地溯源和品種聚類分析[J]. 吳振,李紅,楊勇,譚紅軍,詹永,賈鳳霞,李孝彬,王福強(qiáng). 食品科學(xué). 2019(16)
[7]大數(shù)據(jù)背景下基于過濾式-包裹式方法的高危人員風(fēng)險(xiǎn)預(yù)警[J]. 張偉,池宏,林志宏. 科技促進(jìn)發(fā)展. 2018(08)
[8]基于電子鼻和電子舌分析鹽水鴨風(fēng)味的差異性[J]. 徐寶才,李聰,馬倩,郝敬芝,王學(xué)敬,王赟. 中國食品學(xué)報(bào). 2017(12)
[9]仿生嗅覺和味覺傳感技術(shù)的研究進(jìn)展[J]. 王平,莊柳靜,秦臻,張斌,高克強(qiáng). 中國科學(xué)院院刊. 2017(12)
[10]基于SRAP標(biāo)記的花椒種質(zhì)資源遺傳多樣性及群體結(jié)構(gòu)分析[J]. 李立新,楊途熙,魏安智,馮世靜,陳旅,侯娜. 華北農(nóng)學(xué)報(bào). 2016(05)
博士論文
[1]基于電子鼻和電子舌的櫻桃番茄汁品質(zhì)檢測(cè)方法研究[D]. 洪雪珍.浙江大學(xué) 2014
[2]仿生嗅覺細(xì)胞及受體傳感器的研究[D]. 吳春生.浙江大學(xué) 2009
[3]基于支持向量機(jī)的人臉特征選擇及識(shí)別研究[D]. 李偉紅.重慶大學(xué) 2006
[4]基于機(jī)器學(xué)習(xí)的高維多光譜數(shù)據(jù)分類[D]. 夏建濤.西北工業(yè)大學(xué) 2002
碩士論文
[1]一種基于Boosting算法的新模型在銀行信用評(píng)級(jí)中的應(yīng)用[D]. 翟璐.北京交通大學(xué) 2016
[2]青花椒香氣特征與活性香氣研究[D]. 楊靜.西南交通大學(xué) 2015
[3]基于Hadoop的決策樹分類算法的并行化研究[D]. 李力.四川師范大學(xué) 2015
[4]智舌應(yīng)用穩(wěn)定性關(guān)鍵技術(shù)研究[D]. 毛岳忠.浙江工商大學(xué) 2011
[5]花椒和青椒的生藥學(xué)、化學(xué)成分和藥效學(xué)比較研究[D]. 李惠勇.成都中醫(yī)藥大學(xué) 2009
[6]多頻脈沖電子舌系統(tǒng)構(gòu)建及應(yīng)用[D]. 田師一.浙江工商大學(xué) 2007
[7]基于決策樹的分類算法研究[D]. 關(guān)曉薔.山西大學(xué) 2006
[8]決策樹的結(jié)點(diǎn)屬性選擇和修剪方法研究[D]. 屈俊峰.中國地質(zhì)大學(xué) 2006
本文編號(hào):3402912
【文章來源】:浙江工商大學(xué)浙江省
【文章頁數(shù)】:127 頁
【學(xué)位級(jí)別】:碩士
【部分圖文】:
線性可分情況下的最優(yōu)分類線
5本論文得到了中國標(biāo)準(zhǔn)化研究院院長(zhǎng)基金重大項(xiàng)目(562018Y-5983-2-1)的資助。特此感謝!1.4人工智能識(shí)別算法簡(jiǎn)述1.4.1支持向量機(jī)支持向量機(jī)(SupportVectorMachine,SVM)本身是一個(gè)二值分類器,SVM算法最初是為二值分類問題設(shè)計(jì)的,核心思想就是把數(shù)據(jù)非線性映射到高維特征空間,在高維特征空間中構(gòu)造最優(yōu)的分類超平面,使分類結(jié)構(gòu)風(fēng)險(xiǎn)最小化[31]。實(shí)心點(diǎn)和空心點(diǎn)分別代表兩類樣本,H代表分類超平面。圖1.1線性可分情況下的最優(yōu)分類線Fig.1.1Optimizationclassificationlinesundertheconditionoflinearanddivisible當(dāng)處理多類問題時(shí),就需要構(gòu)造合適的多類分類器,主要是通過組合多個(gè)二分類器來實(shí)現(xiàn)多分類器的構(gòu)造[32],其中一種方式如下:圖1.2SVM多分類示意圖Fig.1.2SVMmulti-classification如圖1.2所示,首先將所有類別分為兩個(gè)類別,再將子類進(jìn)一步劃分為兩個(gè)次級(jí)子類,如此循環(huán)下去,直到所有的節(jié)點(diǎn)都只包含一個(gè)單獨(dú)的類別為止,此節(jié)點(diǎn)也是二叉樹樹種的葉子。該分類將原有的分類問題同樣分解成了一系列的兩類分類問題,其中兩個(gè)
7本論文得到了中國標(biāo)準(zhǔn)化研究院院長(zhǎng)基金重大項(xiàng)目(562018Y-5983-2-1)的資助。特此感謝。2)修剪決策樹用訓(xùn)練集樣本生成決策樹,所以一些創(chuàng)建的分支反映的為訓(xùn)練集中的個(gè)例,需要合理的去除剪掉不好的分支,以此來提高決策樹對(duì)新數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確性。決策樹的剪枝有兩種:預(yù)剪枝和后剪枝。前者是在創(chuàng)建樹的過程中,通過對(duì)節(jié)點(diǎn)數(shù)等一些閾值進(jìn)行設(shè)置可使樹的創(chuàng)建提前結(jié)束。后者是在樹創(chuàng)建后,通過修建決策樹的剪枝集將該節(jié)點(diǎn)的子樹對(duì)應(yīng)替換為葉節(jié)點(diǎn)而準(zhǔn)確性提高,則完成替換,從而實(shí)現(xiàn)對(duì)決策樹的修剪。圖1.3決策樹生成流程圖Fig.1.3Decisiontreegenerationflowchart決策樹的生成是一個(gè)遞歸過程,有三種情形會(huì)導(dǎo)致遞歸返回[43]:a.當(dāng)前結(jié)點(diǎn)包含的樣本全屬于同一類別,無需劃分;b.當(dāng)前屬性為空或者是所有樣本在所有屬性上取值相同,無需劃分,在這種情況下,我們把當(dāng)前結(jié)點(diǎn)標(biāo)記為葉結(jié)點(diǎn),并將其類別設(shè)定為該結(jié)點(diǎn)所含樣本最多的類別;c.當(dāng)前結(jié)點(diǎn)包含的樣本集為空,不能劃分,同樣把當(dāng)前結(jié)點(diǎn)標(biāo)記為葉結(jié)點(diǎn)。1.4.4集成算法集成學(xué)習(xí)(EnsembleLearning)是一種通過將多個(gè)學(xué)習(xí)器進(jìn)行結(jié)合以達(dá)到優(yōu)于單個(gè)學(xué)習(xí)器效果的學(xué)習(xí)算法,可以通過訓(xùn)練若干單個(gè)學(xué)習(xí)器再通過一定的結(jié)合策略,形成最終的強(qiáng)學(xué)習(xí)器,單個(gè)學(xué)習(xí)器可以由SVM、KNN等算法構(gòu)成[44]。常用的集成算法主要分為兩類:?jiǎn)蝹(gè)學(xué)習(xí)器間存在依賴關(guān)系,以Boosting算法為代表[45-48];單個(gè)學(xué)習(xí)器之間相
【參考文獻(xiàn)】:
期刊論文
[1]基于集成解調(diào)芯片的電感式位移傳感器[J]. 劉亞婷,張剴,徐旸. 儲(chǔ)能科學(xué)與技術(shù). 2019(05)
[2]基于最重要特征的裁剪k-近鄰分類算法設(shè)計(jì)[J]. 趙琳,行致源. 電子設(shè)計(jì)工程. 2019(14)
[3]基于聚類的環(huán)形kNN算法[J]. 匡振曦,武繼剛,李嘉興. 計(jì)算機(jī)工程與科學(xué). 2019(05)
[4]基于多元統(tǒng)計(jì)分析的不同產(chǎn)地紅花椒揮發(fā)性成分差異分析[J]. 王思思,鐘葵,史波林,汪厚銀,張璐璐,劉龍?jiān)?趙鐳. 中國調(diào)味品. 2019(03)
[5]基于改進(jìn)KNN算法的手寫數(shù)字識(shí)別研究[J]. 胡君萍,傅科學(xué). 武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版). 2019(01)
[6]基于無機(jī)元素的花椒產(chǎn)地溯源和品種聚類分析[J]. 吳振,李紅,楊勇,譚紅軍,詹永,賈鳳霞,李孝彬,王福強(qiáng). 食品科學(xué). 2019(16)
[7]大數(shù)據(jù)背景下基于過濾式-包裹式方法的高危人員風(fēng)險(xiǎn)預(yù)警[J]. 張偉,池宏,林志宏. 科技促進(jìn)發(fā)展. 2018(08)
[8]基于電子鼻和電子舌分析鹽水鴨風(fēng)味的差異性[J]. 徐寶才,李聰,馬倩,郝敬芝,王學(xué)敬,王赟. 中國食品學(xué)報(bào). 2017(12)
[9]仿生嗅覺和味覺傳感技術(shù)的研究進(jìn)展[J]. 王平,莊柳靜,秦臻,張斌,高克強(qiáng). 中國科學(xué)院院刊. 2017(12)
[10]基于SRAP標(biāo)記的花椒種質(zhì)資源遺傳多樣性及群體結(jié)構(gòu)分析[J]. 李立新,楊途熙,魏安智,馮世靜,陳旅,侯娜. 華北農(nóng)學(xué)報(bào). 2016(05)
博士論文
[1]基于電子鼻和電子舌的櫻桃番茄汁品質(zhì)檢測(cè)方法研究[D]. 洪雪珍.浙江大學(xué) 2014
[2]仿生嗅覺細(xì)胞及受體傳感器的研究[D]. 吳春生.浙江大學(xué) 2009
[3]基于支持向量機(jī)的人臉特征選擇及識(shí)別研究[D]. 李偉紅.重慶大學(xué) 2006
[4]基于機(jī)器學(xué)習(xí)的高維多光譜數(shù)據(jù)分類[D]. 夏建濤.西北工業(yè)大學(xué) 2002
碩士論文
[1]一種基于Boosting算法的新模型在銀行信用評(píng)級(jí)中的應(yīng)用[D]. 翟璐.北京交通大學(xué) 2016
[2]青花椒香氣特征與活性香氣研究[D]. 楊靜.西南交通大學(xué) 2015
[3]基于Hadoop的決策樹分類算法的并行化研究[D]. 李力.四川師范大學(xué) 2015
[4]智舌應(yīng)用穩(wěn)定性關(guān)鍵技術(shù)研究[D]. 毛岳忠.浙江工商大學(xué) 2011
[5]花椒和青椒的生藥學(xué)、化學(xué)成分和藥效學(xué)比較研究[D]. 李惠勇.成都中醫(yī)藥大學(xué) 2009
[6]多頻脈沖電子舌系統(tǒng)構(gòu)建及應(yīng)用[D]. 田師一.浙江工商大學(xué) 2007
[7]基于決策樹的分類算法研究[D]. 關(guān)曉薔.山西大學(xué) 2006
[8]決策樹的結(jié)點(diǎn)屬性選擇和修剪方法研究[D]. 屈俊峰.中國地質(zhì)大學(xué) 2006
本文編號(hào):3402912
本文鏈接:http://sikaile.net/projectlw/hxgylw/3402912.html
最近更新
教材專著