CN105675649A - 一种基于吸附动力学的电子鼻数据特征提取方法 - Google Patents
一种基于吸附动力学的电子鼻数据特征提取方法 Download PDFInfo
- Publication number
- CN105675649A CN105675649A CN201610016490.3A CN201610016490A CN105675649A CN 105675649 A CN105675649 A CN 105675649A CN 201610016490 A CN201610016490 A CN 201610016490A CN 105675649 A CN105675649 A CN 105675649A
- Authority
- CN
- China
- Prior art keywords
- electronic nose
- adsorption
- sensor
- sample
- kinetics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001179 sorption measurement Methods 0.000 title claims abstract description 44
- 238000000605 extraction Methods 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000004044 response Effects 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 229910044991 metal oxide Inorganic materials 0.000 claims description 6
- 150000004706 metal oxides Chemical group 0.000 claims description 6
- 239000004065 semiconductor Substances 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 14
- 239000000284 extract Substances 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 25
- 244000269722 Thea sinensis Species 0.000 description 15
- 235000006468 Thea sinensis Nutrition 0.000 description 13
- 239000007789 gas Substances 0.000 description 9
- 239000011521 glass Substances 0.000 description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 241000607479 Yersinia pestis Species 0.000 description 6
- 239000003205 fragrance Substances 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- 230000009418 agronomic effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 239000004809 Teflon Substances 0.000 description 2
- 229920006362 Teflon® Polymers 0.000 description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241001046947 Ectropis obliqua Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 102100028260 Gamma-secretase subunit PEN-2 Human genes 0.000 description 1
- 101000579663 Homo sapiens Gamma-secretase subunit PEN-2 Proteins 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 150000002898 organic sulfur compounds Chemical class 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 230000035943 smell Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000003039 volatile agent Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开了一种基于吸附动力学的电子鼻数据特征提取方法。该方法利用吸附动力学方程对电子鼻响应曲线利用相应的曲线拟合算法进行拟合,吸附动力学方程一般只有两到三个待定系数需要拟合确定,因此,经过拟合后,每个电子鼻传感器对应两到三个特征值,可以降低原始电子鼻数据的维数。同时,引入多层感知机神经网络对特征提取后的数据进行处理,验证该特征提取方法的优势,并且取得了较好的分类预测效果。本发明使用吸附动力学方程来分析电子鼻检测时间和相应信号之间的关系,揭示电子鼻传感器的吸附机理,能够全面、准确的提取出电子鼻响应曲线的特征,并最大限度代表响应曲线的整体特征。
Description
技术领域
本发明涉及农作物病虫害检测领域,特别涉及一种基于吸附动力学的电子鼻数据特征提取方法。
背景技术
到目前为止,电子鼻中气味信号的特征提取方法主要可以分为三种:1、提取曲线的几何特征;2、提取样本数据的频率信息作为特征;3、对信号曲线进行拟合,提取拟合模型的参数作为特征。
第一类有可分为两小类:提取原始曲线的几何特征和提取曲线一阶或一阶以上的导数曲线的几何特征。在原始曲线中提取样本曲线的几何特征是一种传统的曲线特征提取方法,提取的特征包括曲线的峰值、峰值的位置、曲线下的面积等。提取曲线一阶或一阶以上的导数曲线的几何特征包括一阶导数最大值、一阶导数最大值出现时刻、二阶导数最大值、二阶导数出现时刻和曲线下面积等等。但是这类方法很大程度上依赖于曲线的峰值或某个特定时刻的取值,这有明显的局限性,因为传感器的响应不仅与气体类型有关,还受温度、湿度、气体浓度等外界因素的影响。所以几何特征不能准确的反映气味样本的类别信息。
提取样本数据的频率信息作为特征这种方法主要是用从时域到频域的转化方法,如傅里叶变换和小波变换,然后抽取那些最能反映样本数据频率特征信息的参数作为特征。这种特征提取方法有较深的理论基础,可以作为一种有效的特征提取方法来进行深入研究,但是同时这个方法所提取的特征不够直观,难以理解。
基于曲线拟合的特征提取方法用一个模型对样本曲线进行拟合,然后提取模型的参数作为特征。现有常用的曲线拟合模型包括多项式模型、指数模型和高斯模型,但是这些模型未反应气体和传感器之间的实际关系,效果较差,导致最后的模型欠准确。
发明内容
本发明的目的在于提供一种基于吸附动力学的农作物病虫害检测用电子鼻数据特征提取方法,以解决现有特征提取方法不能反映整个响应曲线稳态响应和瞬态响应信息,变化域特征丢失时域信息,不能完整反映整个响应过程特征,以及不能反映检测气体与电子鼻阵列信号实际反应模型的技术问题。
本发明解决上述技术问题所采用的技术方案是:一种基于吸附动力学的电子鼻数据特征提取方法,将电子鼻传感器响应过程认为是传感器对气体的吸附过程,吸附的量越大,其响应值越大,包括以下步骤:
步骤一、使用电子鼻对一个样品进行检测,获得电子鼻的响应曲线;
步骤二、使用吸附动力学方程对步骤一得到的电子鼻的响应曲线进行拟合,将拟合后获得的吸附动力学方程中的待定系数作为特征值;将电子鼻中各个传感器获得的响应曲线使用吸附动力学方程进行拟合处理,获得各个传感器的特征值,将各个传感器的特征值组合构成电子鼻的特征向量;
步骤三、选取不同样品组,对同一样品组内的样品进行相同处理,对处理后的样品经过步骤一和步骤二得到该样品的特征向量,将同一个组内样品的特征向量组合成特征矩阵;
进一步的,所述吸附动力学方程为准一级吸附动力学方程、准二级吸附动力学方程、修正伪一级动力学方程、二级动力学方程或颗粒内扩散方程。
进一步的,所述曲线拟合算法为最小二乘法、拉格朗日插值法、牛顿插值法、牛顿迭代法、区间二分法、弦截法、雅克比迭代法或牛顿科特斯数值积分法。
进一步的,所述电子鼻中的传感器均为金属氧化物半导体传感器。
本发明具有的有益效果是:使用吸附动力学方程来分析吸附时间和吸附量之间的关系,揭示电子鼻传感器的吸附机理,能够全面、准确的提取出电子鼻响应曲线的特征,并最大限度代表响应曲线的整体特征。解决了基于曲线拟合的特征提取方法所用的模型不能准确的反应气体和传感器之间的实际关系,导致拟合效果较差,最后的模型欠准确的问题。
附图说明
图1是电子鼻样品顶空收集装置;
图2是电子鼻检测传感器响应信号图。
具体实施方式
本发明实施例在于通过一种基于吸附动力学的农作物病虫害检测用电子鼻数据特征提取方法,以解决现有特征提取方法不能反映整个响应曲线稳态响应和瞬态响应信息,变化域特征丢失时域信息,不能完整反映整个响应过程特征,以及不能反映检测气体与电子鼻阵列信号实际反应模型的技术问题。
为更好的理解上述技术方案,下面结合说明书附图及具体实施方式对上述技术方案进行详细说明。
一种基于吸附动力学的植物病虫害检测用电子鼻数据特征提取方法,将电子鼻传感器响应过程认为是传感器对气体的吸附过程,吸附的量越大,其响应值越大,包括以下步骤:
步骤一、使用电子鼻对一个样品进行检测,获得电子鼻的响应曲线;
步骤二、使用吸附动力学方程对步骤一得到的电子鼻的响应曲线进行拟合,将拟合后获得的吸附动力学方程中的待定系数作为特征值;将电子鼻中各个传感器获得的响应曲线使用吸附动力学方程进行拟合处理,获得各个传感器的特征值,将各个传感器的特征值组合构成电子鼻的特征向量;
步骤三、选取不同样品组,对同一样品组内的样品进行相同处理,对处理后的样品经过步骤一和步骤二得到该样品的特征向量,将同一个组内样品的特征向量组合成特征矩阵;
步骤四、利用多层感知机神经网络对步骤三获得的特征矩阵进行处理,获得不同组的样品的分类正确率,将分类正确率作为评价特征提取方法的依据。
上述的基于吸附动力学的电子鼻数据特征提取方法,其特征在于,所述吸附动力学方程为准一级吸附动力学方程、准二级吸附动力学方程、修正伪一级动力学方程、二级动力学方程或颗粒内扩散方程。
上述的基于吸附动力学的电子鼻数据特征提取方法,其特征在于,所述曲线拟合算法为最小二乘法、拉格朗日插值法、牛顿插值法、牛顿迭代法、区间二分法、弦截法、雅克比迭代法或牛顿科特斯数值积分法。
上述的基于吸附动力学的电子鼻数据特征提取方法,其特征在于,所述电子鼻中的传感器均为金属氧化物半导体传感器。
实施例:
本发明适用于金属氧化物半导体传感器电子鼻检测数据特征提取。以下的实施例便于更好的理解本发明,但并不限定本发明。一种基于电子鼻检测茶树受害虫取食时间的方法,其具体步骤如下:
以两年生龙井43茶树作为实验对象,挑选健康无损伤的茶树作为检测对象,并将茶树叶片洗净,去除灰尘,选取4组待测茶树样品,对其中3组茶树样品移植10只三龄茶尺蠖幼虫,对不同组经过不同的取食时间处理,分别是8小时、16小时和24小时,另外使用健康无损伤的茶树作为对照组,将茶树放入电子鼻样品顶空收集装置中,该电子鼻样品顶空收集装置如图1所示,包括空气泵1、活性炭管2、流量计3、特氟隆管4、密封板5、支架台6、茶树7、玻璃罩8;其中,所述空气泵1、活性炭管2、流量计3和玻璃罩8通过特氟隆管4依次相连,密封板位于玻璃罩8的下方,夹于支架台6和玻璃罩8之间,将茶树放于玻璃罩8之内,茶树挥发物填充在玻璃罩8之内,空气泵1向玻璃罩8泵空气,使玻璃罩8内填充经活性炭管净化后的空气。保证该电子鼻样品顶空装置内茶树的叶片为20-25片,然后在室温下(25摄氏度)放置40min,使该顶空装置内挥发物浓度达到稳定,每组茶树做20次重复,即每组可获得20个样本数据;对电子鼻顶空装置内的挥发物使用电子鼻进行检测,设置检测时间为70s、清洗时间为60s和气流速度为200ml/min;结束一个样本检测后需对电子鼻传感器进行清洗,然后检测第二个样本。
本案例中应用的是德国AIRSENSE公司的PEN2型电子鼻为检测仪器,该电子鼻系统由10个金属氧化物传感器,其型号与相应特性如表1所示:
表1PEN2型电子鼻各传感器的响应特征
序号 | 名称 | 性能特点 |
1 | S1 | 对芳香成分敏感 |
2 | S2 | 对氨氧化合物很敏感 |
3 | S3 | 对氨水、芳香成分敏感 |
4 | S4 | 对氢气有选择性 |
5 | S5 | 对烷烃、芳香成分敏感 |
6 | S6 | 对甲烷敏感 |
7 | S7 | 对硫化物敏感 |
8 | S8 | 对乙醇敏感 |
9 | S9 | 对芳香成分、有机硫化物敏感 |
10 | S10 | 对烷烃敏感 |
上述传感器属于金属氧化物传感器,与周围气体吸附反应以物理和化学相结合的方式进行,因此使用准二级吸附动力学方程对电子鼻响应曲线进行拟合,其表达式为:
t/q=1/(k2·(qe)^2)+t/qe
式中qe、q分别为吸附平衡及t时刻的吸附量(mg·g-1);t为吸附时间(min);k2为准二级吸附速率常数(g·mg-1·min-1);以上式中的t对应电子鼻检测时间,q对应电子鼻各个传感器响应值对电子鼻响应曲线进行拟合。
由上述公式可知,拟合后每个传感器对应两个参数,因本次检测使用的电子鼻具有10个传感器,因此共可得到20个参数作为特征值,但是其中吸附平衡时吸附量qe与电子鼻响应曲线稳定值相对应,而真正反映吸附性能的参数为准二级吸附速率常数k2,因此为提高后续处理效率,单单选用拟合后得到的k2作为特征值对茶树受害虫取食时间进行区分预测,使用多层感知机神经网络验证该特征值效果,对每个处理组选用14个样本进行训练,6个样本作为测试集。结果显示,无论是训练集还是测试集,多层感知机神经网络均取得了100%的分类正确率,说明使用准二级吸附动力学方程对电子鼻响应曲线进行拟合,以准二级吸附速率常数k2作为特征值的特征提取方法具有较高的推广应用价值。
Claims (4)
1.一种基于吸附动力学的电子鼻数据特征提取方法,将电子鼻传感器响应过程认为是传感器对气体的吸附过程,吸附的量越大,其响应值越大,其特征在于,包括以下步骤:
步骤一、使用电子鼻对一个样品进行检测,获得电子鼻的响应曲线;
步骤二、使用吸附动力学方程对步骤一得到的电子鼻的响应曲线进行拟合,将拟合后获得的吸附动力学方程中的待定系数作为特征值;将电子鼻中各个传感器获得的响应曲线使用吸附动力学方程进行拟合处理,获得各个传感器的特征值,将各个传感器的特征值组合构成电子鼻的特征向量;
步骤三、选取不同样品组,对同一样品组内的样品进行相同处理,对处理后的样品经过步骤一和步骤二得到该样品的特征向量,将同一个组内样品的特征向量组合成特征矩阵。
2.根据权利要求1所述的基于吸附动力学的电子鼻数据特征提取方法,其特征在于,所述吸附动力学方程为准一级吸附动力学方程、准二级吸附动力学方程、修正伪一级动力学方程、二级动力学方程或颗粒内扩散方程。
3.根据权利要求1所述的基于吸附动力学的电子鼻数据特征提取方法,其特征在于,所述曲线拟合算法为最小二乘法、拉格朗日插值法、牛顿插值法、牛顿迭代法、区间二分法、弦截法、雅克比迭代法或牛顿科特斯数值积分法。
4.根据权利要求1所述的基于吸附动力学的电子鼻数据特征提取方法,其特征在于,所述电子鼻中的传感器均为金属氧化物半导体传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610016490.3A CN105675649B (zh) | 2016-01-11 | 2016-01-11 | 一种基于吸附动力学的电子鼻数据特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610016490.3A CN105675649B (zh) | 2016-01-11 | 2016-01-11 | 一种基于吸附动力学的电子鼻数据特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105675649A true CN105675649A (zh) | 2016-06-15 |
CN105675649B CN105675649B (zh) | 2018-07-31 |
Family
ID=56300175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610016490.3A Expired - Fee Related CN105675649B (zh) | 2016-01-11 | 2016-01-11 | 一种基于吸附动力学的电子鼻数据特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105675649B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183611A (zh) * | 2020-09-23 | 2021-01-05 | 中国农业大学 | 一种气敏传感器信号融合优化系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1416268A1 (en) * | 2002-10-31 | 2004-05-06 | Industrial Technology Research Institute | Intelligent gas identification system and method thereof |
CN103499606A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于核主成分分析的表征蜂蜜差异性智能嗅觉图谱特征提取方法 |
CN104820074A (zh) * | 2015-05-18 | 2015-08-05 | 西南大学 | 一种基于移动窗函数的电子鼻特征提取方法 |
CN104914225A (zh) * | 2015-05-06 | 2015-09-16 | 浙江大学 | 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 |
-
2016
- 2016-01-11 CN CN201610016490.3A patent/CN105675649B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1416268A1 (en) * | 2002-10-31 | 2004-05-06 | Industrial Technology Research Institute | Intelligent gas identification system and method thereof |
CN103499606A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于核主成分分析的表征蜂蜜差异性智能嗅觉图谱特征提取方法 |
CN104914225A (zh) * | 2015-05-06 | 2015-09-16 | 浙江大学 | 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 |
CN104820074A (zh) * | 2015-05-18 | 2015-08-05 | 西南大学 | 一种基于移动窗函数的电子鼻特征提取方法 |
Non-Patent Citations (9)
Title |
---|
JIA YAN等: "Electronic Nose Feature Extraction Methods: A Review", 《SENSORS》 * |
RITABAN DUTTA等: "Electronic nose based tea quality standardization", 《NEURAL NETWORKS》 * |
于慧春等: "电子鼻技术在茶叶品质检测中的应用研究", 《传感技术学报》 * |
于慧春等: "食醋电子鼻检测中一种特征参量评价方法", 《农业工程学报》 * |
伍世元等: "不同产地和采收期的中药材电子鼻鉴别研究", 《传感技术学报》 * |
徐开俊等: "《物理化学实验与指导 汉英对照》", 30 September 2015, 中国医药科技出版社 * |
洪雪珍等: "基于电子鼻和神经网络的牛肉新鲜度的检测", 《现代食品科技》 * |
王俊等: "电子鼻传感技术与应用研究进展", 《农业机械学报》 * |
赵杰文等: "《茶叶质量与安全检测技术与分析方法》", 31 March 2011 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183611A (zh) * | 2020-09-23 | 2021-01-05 | 中国农业大学 | 一种气敏传感器信号融合优化系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105675649B (zh) | 2018-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hui et al. | Winter jujube (Zizyphus jujuba Mill.) quality forecasting method based on electronic nose | |
CN102353701B (zh) | 一种利用挥发物的农作物虫害诊断方法 | |
CN101655471B (zh) | 一种气体传感器检测鸡蛋新鲜度的方法 | |
CN102297930A (zh) | 一种识别与预测肉新鲜度的方法 | |
CN103134850A (zh) | 一种基于特征香气的茶叶品质快速检测装置及检测方法 | |
CN103344713B (zh) | 一种基于随机森林法分析致香物在烤烟香型分类中的重要性及预测香型的方法 | |
CN105223240A (zh) | 一种利用电子鼻检测蟹新鲜度的方法 | |
CN105608334B (zh) | 一种评价烟用辅材参数影响程度的方法 | |
Huang et al. | Scent profiling of Cymbidium ensifolium by electronic nose | |
CN102692488A (zh) | 基于电子鼻技术的金华火腿分级与鉴别方法 | |
CN104316491A (zh) | 基于同步-异步二维近红外相关谱检测牛奶掺尿素的方法 | |
CN102749370A (zh) | 壳类农产品品质指标无损快速检测的方法 | |
CN105092789A (zh) | 一种片烟醇化过程中烟叶风格特征变化趋势分析方法 | |
CN105572305B (zh) | 一种基于电子鼻的快速预测茶树受害虫入侵程度的方法 | |
CN107132311A (zh) | 一种基于频域特征提取的快速气体识别算法 | |
CN112949984B (zh) | 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法 | |
CN103389323A (zh) | 一种快速无损评定名贵药材年限的方法 | |
CN104111274A (zh) | 一种利用气体传感器阵列型电子鼻指纹分析系统鉴别杨梅汁产地的方法 | |
CN103399092B (zh) | 一种快速评定人参品质的方法 | |
CN104914225B (zh) | 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 | |
CN105738503B (zh) | 一种基于电子鼻快速预测山核桃脂肪酸含量的方法 | |
Noguchi et al. | Long-term variation in soil moisture in Pasoh forest reserve, a lowland tropical rainforest in Malaysia | |
CN102282932A (zh) | 一种蔬菜种子发芽率快速检测的方法 | |
CN103293257A (zh) | 一种卷烟烟气色谱数据保留时间漂移mwfft校准方法 | |
Murphy et al. | Linking tree biodiversity to belowground process in a young tropical plantation: Impacts on soil CO2 flux |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180731 |