【摘要】：木香是一種菊科類的草藥,是治療胃痛和腹瀉等疾病的良藥,并且伴隨著濃濃的芳香。對于不同產(chǎn)地或不同采收時間的木香,由于培育時光照、水分、溫度和養(yǎng)分等條件的不一樣,它們的主治功能也會不同,這影響了木香的銷售價格。不同種類的木香在外觀上非常相似,沒有經(jīng)過特殊訓練的一般消費者難易從外觀分辨其種類。本文提出一種基于機器嗅覺的木香鑒別方法,通過對不同產(chǎn)地或不同采收時間的木香進行氣味信息的分析和處理,該方法可以對木香的種類進行識別,為木香提供了一種新的檢測方法。機器嗅覺可以通過計算機模擬生物嗅覺的工作方式,它由氣敏傳感器陣列和氣味信號處理系統(tǒng)組成。機器嗅覺的傳統(tǒng)方法主要通過線性投影的方式對氣味信息進行處理,而新興的流形學習則為機器嗅覺引入了新的解決思路,不僅能將高維的數(shù)據(jù)嵌入到低維空間中,而且更好地捕獲原始數(shù)據(jù)的非線性特征。本文將流形學習方法t-SNE和線性判別分析進行結(jié)合,提出了一種新的機器嗅覺方法t-SNE+LDA,通過t-SNE將高維度的木香氣味數(shù)據(jù)映射到低維空間,再利用基于線性判別分析的分類器進行分類和識別。t-SNE能有效緩解降維算法中常見的“擁擠問題”并獲得更好的抗噪能力,能同時保留原始數(shù)據(jù)的局部和全局結(jié)構(gòu)特征。為了從產(chǎn)地和采收時間兩個角度對木香進行分析,多個不同產(chǎn)地和不同采收時間的木香被用作實驗樣品。實驗通過電子鼻對這些樣品進行氣味數(shù)據(jù)的采集,并參考一般數(shù)據(jù)集的儲存形式,對所采集的氣味數(shù)據(jù)進行整理和處理,形成了木香氣味信息的數(shù)據(jù)集。為了驗證t-SNE+LDA對木香氣味數(shù)據(jù)的分類識別效果,本文將SLLE、SLLE+LDA、t-SNE和t-SNE+LDA四種算法應用于實驗中,并通過分類效果和鑒別正確率等角度,對比這些算法的效果。(1)通過比較SLLE+LDA與t-SNE+LDA的實驗結(jié)果,發(fā)現(xiàn)t-SNE能為LDA提供更有利于分類的降維結(jié)果。(2)通過對比使用SLLE和SLLE+LDA,t-SNE和t-SNE+LDA的實驗結(jié)果,可以發(fā)現(xiàn)在SLLE或者t-SNE降維后,LDA將數(shù)據(jù)再次投影到了更優(yōu)的分類判別空間,獲得了更好的判別效果。實驗表明,t-SNE+LDA結(jié)合了兩種算法的優(yōu)點,具有較大類間離散度和較小類內(nèi)離散度的分類結(jié)果,且識別的正確率更高,是一種鑒別木香氣味數(shù)據(jù)的有效方法。
【圖文】：

圖 1-1 云南木香Fig.1-1Aucklandiae radix from YunnanProvince圖 1-2 廣東木香Fig.1-2Aucklandiae radix from GuangdongProvince在過去，鑒別木香的常用方法有人工鑒別、顯微鑒定技術(shù)以及各種理化儀器鑒別方法。隨著現(xiàn)代人工智能技術(shù)的不斷發(fā)展，科學家們通過不斷的探索和驗證，使得傳感器技術(shù)和機器學習理論發(fā)展迅猛，機器嗅覺的理論與技術(shù)也應運而生。機器嗅覺是一門由電子計算機模仿生物嗅覺感官的理論學科，它通過具有交叉靈敏度的氣敏傳感器陣列采集外界氣味信號并輸入到電子計算機，形成氣味的“電子指紋”[4]，由計算機完成對氣味信號的分析和處理。本研究基于機器嗅覺，提出一種便捷的木香鑒別方法。機器嗅覺與機器視覺、機器聽覺同為現(xiàn)代智能感知學科所研究的內(nèi)容，，然而針對木香這種研究對象，機器嗅覺具有得天獨厚的優(yōu)勢，因為區(qū)分不同類型木香的主要特征是其揮發(fā)物的成分，而機器嗅覺恰恰是模擬生物鼻對這些揮發(fā)物的氣味進行研究的學科。機器嗅覺由具有交叉靈敏特性的氣敏傳感器陣列和適用于氣味信號處理的機器

圖 1-1 云南木香Fig.1-1Aucklandiae radix from YunnanProvince圖 1-2 廣東木香Fig.1-2Aucklandiae radix from GuangdongProvince在過去，鑒別木香的常用方法有人工鑒別、顯微鑒定技術(shù)以及各種理化儀器鑒別方法。隨著現(xiàn)代人工智能技術(shù)的不斷發(fā)展，科學家們通過不斷的探索和驗證，使得傳感器技術(shù)和機器學習理論發(fā)展迅猛，機器嗅覺的理論與技術(shù)也應運而生。機器嗅覺是一門由電子計算機模仿生物嗅覺感官的理論學科，它通過具有交叉靈敏度的氣敏傳感器陣列采集外界氣味信號并輸入到電子計算機，形成氣味的“電子指紋”[4]，由計算機完成對氣味信號的分析和處理。本研究基于機器嗅覺，提出一種便捷的木香鑒別方法。機器嗅覺與機器視覺、機器聽覺同為現(xiàn)代智能感知學科所研究的內(nèi)容，然而針對木香這種研究對象，機器嗅覺具有得天獨厚的優(yōu)勢，因為區(qū)分不同類型木香的主要特征是其揮發(fā)物的成分，而機器嗅覺恰恰是模擬生物鼻對這些揮發(fā)物的氣味進行研究的學科。機器嗅覺由具有交叉靈敏特性的氣敏傳感器陣列和適用于氣味信號處理的機器
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R284;TP212

【相似文獻】

相關(guān)期刊論文 前10條

1 鄒鵬;李凡長;尹宏偉;張莉;張召;;基于邊界檢測的多流形學習算法[J];模式識別與人工智能;2016年11期

2 黃永毅;;基于流形學習降維技術(shù)的研究概述[J];中國科技信息;2013年14期

3 孟德宇;徐宗本;戴明偉;;一種新的有監(jiān)督流形學習方法[J];計算機研究與發(fā)展;2007年12期

4 肖揚;宋斌;雷勇;吳祖煌;;基于流形學習的醫(yī)院績效評價方法研究與實踐[J];計算機應用與軟件;2011年06期

5 邵超;萬春紅;張嘯劍;;基于隨機游走的流形學習與可視化[J];數(shù)據(jù)采集與處理;2017年03期

6 陳科;王家耀;成毅;謝明霞;;利用流形學習進行空間信息服務分類[J];武漢大學學報(信息科學版);2013年03期

7 李小麗;薛清福;;幾種流形學習算法的比較研究[J];電腦與信息技術(shù);2009年03期

8 曾憲華;羅四維;;全局保持的流形學習算法對比研究[J];計算機工程與應用;2010年15期

9 李建新;;基于增強多流形學習的監(jiān)控視頻追蹤算法[J];西南師范大學學報(自然科學版);2019年01期

10 陳晉音;鄭海斌;保星彤;;基于自適應密度聚類非線性流形學習降維方法研究與實現(xiàn)[J];小型微型計算機系統(tǒng);2018年08期

相關(guān)會議論文 前8條

1 楊劍;李伏欣;王玨;;基于局部切距離的近鄰法[A];2005年中國智能自動化會議論文集[C];2005年

2 周倩;唐建軍;鄭穎;譚兵兵;張洪麟;;基于流形學習的特高頻局放信號特征降維[A];重慶市電機工程學會2010年學術(shù)會議論文集[C];2010年

3 李曉菲;梁循;周小平;;股價時間序列滑動窗口的流形學習實證研究[A];第十八屆中國管理科學學術(shù)年會論文集[C];2016年

4 李勇智;何光明;楊靜宇;;2DUDP:一種新的基于圖像矩陣的特征提取方法[A];第二十七屆中國控制會議論文集[C];2008年

5 李睿凡;朱強生;郭燕慧;劉海濤;;魯棒局部保持投影的表情識別[A];2006年首屆ICT大會信息、知識、智能及其轉(zhuǎn)換理論第一次高峰論壇會議論文集[C];2006年

6 劉曉平;季浩;鄧偉財;;基于流形學習的非線性系統(tǒng)可視化算法[A];全國第21屆計算機技術(shù)與應用學術(shù)會議（CACIS·2010）暨全國第2屆安全關(guān)鍵技術(shù)與應用學術(shù)會議論文集[C];2010年

7 劉立;余正濤;王蒙;毛存禮;郭劍毅;;結(jié)合詞相關(guān)特征與流行學習的中文問句分類[A];第六屆全國信息檢索學術(shù)會議論文集[C];2010年

8 何慧;陳博;郭軍;;基于流形學習的半監(jiān)督文本情感分類算法[A];第五屆全國信息檢索學術(shù)會議論文集[C];2009年

相關(guān)博士學位論文 前10條

1 劉嫻;廣義圖嵌入流形學習SAR目標識別方法研究[D];電子科技大學;2018年

2 李月仙;基于拉普拉斯特征映射算法的旋轉(zhuǎn)機械故障診斷研究[D];太原理工大學;2016年

3 李俊;基于智能優(yōu)化的特征選擇及分類方法研究[D];武漢大學;2014年

4 劉小明;數(shù)據(jù)降維及分類中的流形學習研究[D];浙江大學;2007年

5 黃啟宏;流形學習方法理論研究及圖像中應用[D];電子科技大學;2007年

6 孫明明;流形學習理論與算法研究[D];南京理工大學;2007年

7 陳華杰;非線性流形上多姿態(tài)人臉檢測與識別[D];浙江大學;2006年

8 李春光;流形學習及其在模式識別中的應用[D];北京郵電大學;2008年

9 陶曉燕;基于支持向量機和流形學習的分類方法研究[D];西安電子科技大學;2008年

10 羅甫林;高光譜圖像稀疏流形學習方法研究[D];重慶大學;2016年

相關(guān)碩士學位論文 前10條

1 徐同林;基于梯度和流形學習的超校準方法及其應用研究[D];南京航空航天大學;2019年

2 唐超;基于FRFT和流形學習的旋轉(zhuǎn)機械故障診斷方法研究[D];浙江師范大學;2019年

3 鄭首易;基于機器嗅覺的木香鑒別方法研究[D];廣東工業(yè)大學;2019年

4 韋杰瑞;基于流形學習的滾動軸承信號降噪方法研究[D];國防科技大學;2017年

5 李松;基于張量分析的流形學習算法研究[D];大連理工大學;2019年

6 蔣大鵬;基于改進近紅外漫反射技術(shù)與流形學習的東北松子霉變分類研究[D];東北林業(yè)大學;2019年

7 劉洋;流形學習結(jié)合ELM的飛秒激光光斑圖像分類研究[D];華北理工大學;2019年

8 張悅;基于流形學習的降維算法及其在人臉識別中的應用[D];遼寧師范大學;2019年

9 唐云霞;基于流形學習的室內(nèi)WLAN半監(jiān)督位置指紋數(shù)據(jù)庫構(gòu)建方法[D];重慶郵電大學;2018年

10 王族;基于流形學習的極限學習機及其應用研究[D];遼寧師范大學;2019年

本文編號：2598020