基于机器嗅觉的木香鉴别方法研究

发布时间：2020-03-24 07:38

【摘要】：木香是一种菊科类的草药,是治疗胃痛和腹泻等疾病的良药,并且伴随着浓浓的芳香。对于不同产地或不同采收时间的木香,由于培育时光照、水分、温度和养分等条件的不一样,它们的主治功能也会不同,这影响了木香的销售价格。不同种类的木香在外观上非常相似,没有经过特殊训练的一般消费者难易从外观分辨其种类。本文提出一种基于机器嗅觉的木香鉴别方法,通过对不同产地或不同采收时间的木香进行气味信息的分析和处理,该方法可以对木香的种类进行识别,为木香提供了一种新的检测方法。机器嗅觉可以通过计算机模拟生物嗅觉的工作方式,它由气敏传感器阵列和气味信号处理系统组成。机器嗅觉的传统方法主要通过线性投影的方式对气味信息进行处理,而新兴的流形学习则为机器嗅觉引入了新的解决思路,不仅能将高维的数据嵌入到低维空间中,而且更好地捕获原始数据的非线性特征。本文将流形学习方法t-SNE和线性判别分析进行结合,提出了一种新的机器嗅觉方法t-SNE+LDA,通过t-SNE将高维度的木香气味数据映射到低维空间,再利用基于线性判别分析的分类器进行分类和识别。t-SNE能有效缓解降维算法中常见的“拥挤问题”并获得更好的抗噪能力,能同时保留原始数据的局部和全局结构特征。为了从产地和采收时间两个角度对木香进行分析,多个不同产地和不同采收时间的木香被用作实验样品。实验通过电子鼻对这些样品进行气味数据的采集,并参考一般数据集的储存形式,对所采集的气味数据进行整理和处理,形成了木香气味信息的数据集。为了验证t-SNE+LDA对木香气味数据的分类识别效果,本文将SLLE、SLLE+LDA、t-SNE和t-SNE+LDA四种算法应用于实验中,并通过分类效果和鉴别正确率等角度,对比这些算法的效果。(1)通过比较SLLE+LDA与t-SNE+LDA的实验结果,发现t-SNE能为LDA提供更有利于分类的降维结果。(2)通过对比使用SLLE和SLLE+LDA,t-SNE和t-SNE+LDA的实验结果,可以发现在SLLE或者t-SNE降维后,LDA将数据再次投影到了更优的分类判别空间,获得了更好的判别效果。实验表明,t-SNE+LDA结合了两种算法的优点,具有较大类间离散度和较小类内离散度的分类结果,且识别的正确率更高,是一种鉴别木香气味数据的有效方法。
【图文】：

图 1-1 云南木香Fig.1-1Aucklandiae radix from YunnanProvince图 1-2 广东木香Fig.1-2Aucklandiae radix from GuangdongProvince在过去，鉴别木香的常用方法有人工鉴别、显微鉴定技术以及各种理化仪器鉴别方法。随着现代人工智能技术的不断发展，科学家们通过不断的探索和验证，使得传感器技术和机器学习理论发展迅猛，机器嗅觉的理论与技术也应运而生。机器嗅觉是一门由电子计算机模仿生物嗅觉感官的理论学科，它通过具有交叉灵敏度的气敏传感器阵列采集外界气味信号并输入到电子计算机，形成气味的“电子指纹”[4]，由计算机完成对气味信号的分析和处理。本研究基于机器嗅觉，提出一种便捷的木香鉴别方法。机器嗅觉与机器视觉、机器听觉同为现代智能感知学科所研究的内容，，然而针对木香这种研究对象，机器嗅觉具有得天独厚的优势，因为区分不同类型木香的主要特征是其挥发物的成分，而机器嗅觉恰恰是模拟生物鼻对这些挥发物的气味进行研究的学科。机器嗅觉由具有交叉灵敏特性的气敏传感器阵列和适用于气味信号处理的机器

图 1-1 云南木香Fig.1-1Aucklandiae radix from YunnanProvince图 1-2 广东木香Fig.1-2Aucklandiae radix from GuangdongProvince在过去，鉴别木香的常用方法有人工鉴别、显微鉴定技术以及各种理化仪器鉴别方法。随着现代人工智能技术的不断发展，科学家们通过不断的探索和验证，使得传感器技术和机器学习理论发展迅猛，机器嗅觉的理论与技术也应运而生。机器嗅觉是一门由电子计算机模仿生物嗅觉感官的理论学科，它通过具有交叉灵敏度的气敏传感器阵列采集外界气味信号并输入到电子计算机，形成气味的“电子指纹”[4]，由计算机完成对气味信号的分析和处理。本研究基于机器嗅觉，提出一种便捷的木香鉴别方法。机器嗅觉与机器视觉、机器听觉同为现代智能感知学科所研究的内容，然而针对木香这种研究对象，机器嗅觉具有得天独厚的优势，因为区分不同类型木香的主要特征是其挥发物的成分，而机器嗅觉恰恰是模拟生物鼻对这些挥发物的气味进行研究的学科。机器嗅觉由具有交叉灵敏特性的气敏传感器阵列和适用于气味信号处理的机器
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R284;TP212

【相似文献】

相关期刊论文 前10条

1 邹鹏;李凡长;尹宏伟;张莉;张召;;基于边界检测的多流形学习算法[J];模式识别与人工智能;2016年11期

2 黄永毅;;基于流形学习降维技术的研究概述[J];中国科技信息;2013年14期

3 孟德宇;徐宗本;戴明伟;;一种新的有监督流形学习方法[J];计算机研究与发展;2007年12期

4 肖扬;宋斌;雷勇;吴祖煌;;基于流形学习的医院绩效评价方法研究与实践[J];计算机应用与软件;2011年06期

5 邵超;万春红;张啸剑;;基于随机游走的流形学习与可视化[J];数据采集与处理;2017年03期

6 陈科;王家耀;成毅;谢明霞;;利用流形学习进行空间信息服务分类[J];武汉大学学报(信息科学版);2013年03期

7 李小丽;薛清福;;几种流形学习算法的比较研究[J];电脑与信息技术;2009年03期

8 曾宪华;罗四维;;全局保持的流形学习算法对比研究[J];计算机工程与应用;2010年15期

9 李建新;;基于增强多流形学习的监控视频追踪算法[J];西南师范大学学报(自然科学版);2019年01期

10 陈晋音;郑海斌;保星彤;;基于自适应密度聚类非线性流形学习降维方法研究与实现[J];小型微型计算机系统;2018年08期

相关会议论文 前8条

1 杨剑;李伏欣;王珏;;基于局部切距离的近邻法[A];2005年中国智能自动化会议论文集[C];2005年

2 周倩;唐建军;郑颖;谭兵兵;张洪麟;;基于流形学习的特高频局放信号特征降维[A];重庆市电机工程学会2010年学术会议论文集[C];2010年

3 李晓菲;梁循;周小平;;股价时间序列滑动窗口的流形学习实证研究[A];第十八届中国管理科学学术年会论文集[C];2016年

4 李勇智;何光明;杨静宇;;2DUDP:一种新的基于图像矩阵的特征提取方法[A];第二十七届中国控制会议论文集[C];2008年

5 李睿凡;朱强生;郭燕慧;刘海涛;;鲁棒局部保持投影的表情识别[A];2006年首届ICT大会信息、知识、智能及其转换理论第一次高峰论坛会议论文集[C];2006年

6 刘晓平;季浩;邓伟财;;基于流形学习的非线性系统可视化算法[A];全国第21届计算机技术与应用学术会议（CACIS·2010）暨全国第2届安全关键技术与应用学术会议论文集[C];2010年

7 刘立;余正涛;王蒙;毛存礼;郭剑毅;;结合词相关特征与流行学习的中文问句分类[A];第六届全国信息检索学术会议论文集[C];2010年

8 何慧;陈博;郭军;;基于流形学习的半监督文本情感分类算法[A];第五届全国信息检索学术会议论文集[C];2009年

相关博士学位论文 前10条

1 刘娴;广义图嵌入流形学习SAR目标识别方法研究[D];电子科技大学;2018年

2 李月仙;基于拉普拉斯特征映射算法的旋转机械故障诊断研究[D];太原理工大学;2016年

3 李俊;基于智能优化的特征选择及分类方法研究[D];武汉大学;2014年

4 刘小明;数据降维及分类中的流形学习研究[D];浙江大学;2007年

5 黄启宏;流形学习方法理论研究及图像中应用[D];电子科技大学;2007年

6 孙明明;流形学习理论与算法研究[D];南京理工大学;2007年

7 陈华杰;非线性流形上多姿态人脸检测与识别[D];浙江大学;2006年

8 李春光;流形学习及其在模式识别中的应用[D];北京邮电大学;2008年

9 陶晓燕;基于支持向量机和流形学习的分类方法研究[D];西安电子科技大学;2008年

10 罗甫林;高光谱图像稀疏流形学习方法研究[D];重庆大学;2016年

相关硕士学位论文 前10条

1 徐同林;基于梯度和流形学习的超校准方法及其应用研究[D];南京航空航天大学;2019年

2 唐超;基于FRFT和流形学习的旋转机械故障诊断方法研究[D];浙江师范大学;2019年

3 郑首易;基于机器嗅觉的木香鉴别方法研究[D];广东工业大学;2019年

4 韦杰瑞;基于流形学习的滚动轴承信号降噪方法研究[D];国防科技大学;2017年

5 李松;基于张量分析的流形学习算法研究[D];大连理工大学;2019年

6 蒋大鹏;基于改进近红外漫反射技术与流形学习的东北松子霉变分类研究[D];东北林业大学;2019年

7 刘洋;流形学习结合ELM的飞秒激光光斑图像分类研究[D];华北理工大学;2019年

8 张悦;基于流形学习的降维算法及其在人脸识别中的应用[D];辽宁师范大学;2019年

9 唐云霞;基于流形学习的室内WLAN半监督位置指纹数据库构建方法[D];重庆邮电大学;2018年

10 王族;基于流形学习的极限学习机及其应用研究[D];辽宁师范大学;2019年

本文编号：2598020