广东工业大学学报 ›› 2015, Vol. 32 ›› Issue (3): 91-96.doi: 10.3969/j.issn.1007-7162.2015.03.017

• 综合研究 • 上一篇    下一篇

一种基于电子鼻的辛味中药材的分类鉴别方法研究

 范丹君, 骆德汉, 于昊   

  1. 广东工业大学 信息工程学院,广东 广州 510006
  • 收稿日期:2014-01-07 出版日期:2015-09-22 发布日期:2015-09-22
  • 作者简介:范丹君(1987-),女,硕士研究生,主要研究方向为仿生嗅觉/仿生味觉的智能传感器信号处理与分析.
  • 基金资助:

    广东省自然科学基金重点资助项目(S2011020002906)

Classification of Pungent Chinese Herbals by Using Electronic Nose

Fan Dan-jun, Luo De-han, Yu Hao   

  1. School of Information Engineering, Guangdong University of Technology, Guangzhou 510006, China
  • Received:2014-01-07 Online:2015-09-22 Published:2015-09-22
  • Supported by:
     

摘要: 为获取新的气味识别方法以提高智能传感器模式分类识别准确率和速度,使用了内置10个传感器的便携式电子鼻PEN3对辛味中药材进行气味采集检测.将辛味中药材在烧杯中进行密封静置待其形成稳定的气味顶空环境时,运用电子鼻对其进行检测采样得到样品高维气味数据信息.与传统的线性数据分析方法不同,针对气味蕴含多种诸如浓度、各种挥发性物质成分等特征,可知气味非线性的本质特征,在本次分析中采用了流形算法中的非线性的局部线性嵌入(Locally Linear Embedding,LLE)算法对非线性的气味数据进行特征提取与降维,再采用基于Fisher的线性判别分析(Linear Discriminant Analysis,LDA)实现对特征子空间的模式聚类与分类,通过多次实验优化LLE算法的参数,得到了最佳的辛味中药材的模式识别效果.分析结果表明,运用LLE和LDA相结合的算法(即LLE_LDA)可以很好地完成不同种类辛味中药材的挥发性气味信息的模式分类,为深层次地分析基于电子鼻的气味数据信息提供了一种新方法.

关键词: 模式识别; 气敏传感器; 局部线性嵌入_线性判别分析; 分类鉴别;  , 非线性降维

Abstract: In this approach, the intelligent portable electronic nose with a gas sensor array containing ten gas sensors was used to collect the odor information of different varieties of pungent Chinese herbals. In order to get a new sensor data processing solution to pattern recognition of the Chinese herbals accurately, a manifold algorithm named Locally Linear Embedding(LLE)was used to finish the dimensionality reduction and feature extraction of the odor data. And then the Fisher Linear Discriminant Analysis(LDA) was adopted to complete the identification via clustering. After many times of experiments to optimize the parameters of LLE, the classification results are quite perfect. The results demonstrate that by using this new combined method, the electronic nose can not only distinguish 6 types of Chinese herbals, but also identify the 3 different batches and the 3 different denominations of origin accurately, which provides a new method for further analysis.

Key words: pattern recognition, gas sensors, locally linear embedding_linear discriminant analysis(LLE_LDA), classification, nonlinear dimensionality reduction

中图分类号: 

  •  
[1] 陈齐玲, 温洁嫦, 林志逢. 进化算法在废弃物选址问题上的应用[J]. 广东工业大学学报, 2015, 32(3): 56-60.
[2] 谭思妮, 陈平华. 蛛网态微博关系网中有影响力用户的识别研究[J]. 广东工业大学学报, 2015, 32(3): 61-66.
[3] 杨婷, 滕少华. 改进的贝叶斯分类方法在电信客户流失中的研究与应用[J]. 广东工业大学学报, 2015, 32(3): 67-72.
[4] 李扬, 王玉. 塑料挤出机生产工艺参数调度优化专家系统[J]. 广东工业大学学报, 2015, 32(3): 73-78.
[5] 梁隽, 杜玉晓. 关于交直流电路的实时血氧检测系统设计[J]. 广东工业大学学报, 2015, 32(3): 85-90.
[6] 赖文敬, 周延周, 朱文卓, 鲍鸿. 一种基于棋盘格模板单目摄像机高精度标定方法[J]. 广东工业大学学报, 2015, 32(3): 79-84.
[7] 裴高科, 高军礼, 陶地状, 刘海杰, 马锦坚. 于DSP的超声波电机驱动器设计[J]. 广东工业大学学报, 2015, 32(3): 97-101.
[8] 陈健沛, 李伟良, 蔡志岗. 分布式拉曼光纤测温系统研究进展[J]. 广东工业大学学报, 2015, 32(3): 102-109.
[9] 丁琼, 吕俊涛, 陈高文, 詹晓彬. LiDAR安置误差对定位精度影响分析[J]. 广东工业大学学报, 2015, 32(3): 115-118.
[10] 韦丽花, 唐露新, 张强武, 蒋伟楷. 舞台照明灯嵌入式控制系统优化设计[J]. 广东工业大学学报, 2015, 32(3): 110-114.
[11] 吴海翔, 王华, 黄秀汝, Carolina Pagli, 杨泽鑫. 利用过采样方法提高矿区沉降干涉图的相干性[J]. 广东工业大学学报, 2015, 32(3): 123-126.
[12] 宁留洋, 张欣. 基于二维声子晶体点缺陷的声能俘获系统的优化[J]. 广东工业大学学报, 2015, 32(3): 127-132.
[13] 李倩, 袁鸽成, 骆志捷, 邓南林, 张普. Bi-Si-B-O系溶胶-凝胶玻璃及其熔融-淬火玻璃的结构对比[J]. 广东工业大学学报, 2015, 32(3): 133-136.
[14] 李久锋, 陈观生, 张国庆. 塑料太阳能平板集热器试验研究[J]. 广东工业大学学报, 2015, 32(3): 137-140.
[15] 吕崇花, 刘丽孺, 王晓霞. 制热模式下不同热源集中空调系统能流对比分析[J]. 广东工业大学学报, 2015, 32(3): 141-146.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!