CN105974058B - 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法 - Google Patents

基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法 Download PDF

Info

Publication number
CN105974058B
CN105974058B CN201610285936.2A CN201610285936A CN105974058B CN 105974058 B CN105974058 B CN 105974058B CN 201610285936 A CN201610285936 A CN 201610285936A CN 105974058 B CN105974058 B CN 105974058B
Authority
CN
China
Prior art keywords
tobacco
electronic nose
artificial neural
neural network
data
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.)
Active - Reinstated
Application number
CN201610285936.2A
Other languages
English (en)
Other versions
CN105974058A (zh
Inventor
刘太昂
陆文聪
纪晓波
张庆
卢凯亮
胡彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qidong Yingwei Data Information Technology Co ltd
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201610285936.2A priority Critical patent/CN105974058B/zh
Publication of CN105974058A publication Critical patent/CN105974058A/zh
Application granted granted Critical
Publication of CN105974058B publication Critical patent/CN105974058B/zh
Active - Reinstated legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Manufacture Of Tobacco Products (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明涉及一种基于电子鼻‑人工神经网络的快速检测烟叶中钾含量的方法，包括以下步骤：1）收集若干个不同产地的烟叶样品，进行预处理后进行电子鼻扫描，得到这些烟叶样品的电子鼻数据；2）采用火焰光度法检测得到这些烟叶样品中钾含量；3）采用偏最小二乘法对电子鼻数据进行降维，获取这些烟叶样品的降维数据；4）以这些烟叶样品的降维数据为自变量，以这些烟叶样品的钾含量为因变量，采用人工神经网络算法建立烟叶钾含量的快速预报模型；5）根据建立的烟叶钾含量的快速预报模型和待检测烟叶品种的电子鼻数据，快速预报待检测烟叶品种的钾含量。本发明具有简便快捷、低成本、数据全面准确、无污染、测试简单、快捷等优点。

Description

基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法
技术领域
本发明涉及烟草样品中成分测试技术领域，尤其是涉及一种基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法。
背景技术
烟叶中主要化学成分有总糖、还原糖、烟碱、淀粉、绿原酸、莨菪亭、芸香苷、总氮、钾、钙、镁、水溶性氯和石油醚提物等等。烟叶中各种化学成分的含量复杂，烟草中的各类化学成分例如：糖类，酚类，氮杂环类，烟碱等会随生长的地域环境，气候条件的不同而产生变化。这些烟叶中的化学成分对烟叶的质量有着决定性的影响，而这些化学成分的含量不仅关系到烟草的品质，也会对烟草的口感产生影响。
烟叶中钾含量是烟叶生长中主要营养元素之一，是影响烟叶品质的主要因素之一，在烟草质量研究中具有重要意义，因此测定烟草中钾含量有着较为重要的意义。目前用化学分析方法测量这些化学成分需要过长的分析周期，而且分析过程复杂，化学分析方法也不适于在线监测。传统上测定烟草中钾含量的方法是用火焰光度法检测，该方法操作都十分繁琐，费时费力，对人员的技术水平要求较高，精密度也不好。由于这些缺点的限制，越来越多的科技工作者研究开发快速分析烟叶中化学成分的方法。
电子鼻(Electronic nose，EN)是模拟人的嗅觉形成过程的一种技术应用。人的嗅觉系统由嗅觉细胞、嗅觉神经网络(包括多个嗅觉神经元)和大脑组成。电子鼻主要由传感器、计算机、进样装置、气体处理装置组成。在进行气味分辨处理过程中，其核心部件为：传感器阵列、运算放大器等电子线路、电子计算机。
人工神经网络是模拟生物神经网络信息处理机制的一种信息处理系统，特别适用于处理输入和输出关系复杂的非线性数据，是从化学化工生产、实验数据中总结规律的一种有效手段。它是一种以有向图为拓扑结构的动态系统，也可看作是一种高维空间的非线性映射：
每一个神经细胞是一个简单的信息处理单元；神经细胞之间按一定的方式相互连接，构成神经网络系统，且按一定的规则进行信息传递与存储；神经网络系统可按已发生的事件积累经验，从而不断修改该系统的网络连接权重与存储数据。
近年来，电子鼻技术以其简便、快速、低成本、无污染及样品的非破坏性和多组分同时测定等优点而受到重视。而且没有看到应用电子鼻技术测定烟草中的钾这方面的报道。本发明方法的优势是不破坏样本，不污染样本，在用量上也比传统方法用量少，而且速度上比统方法更快捷。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷，而提供一种简便快捷、低成本、数据全面准确、无污染、测试简单、快捷的基于一种电子鼻-人工神经网络的快速检测烟叶中钾含量的方法。
本发明的目的可以通过以下技术方案来实现：
一种基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法，包括以下步骤：
1)收集若干个不同产地的烟叶样品，进行预处理后进行电子鼻扫描，得到这些烟叶样品的电子鼻数据；
2)采用火焰光度法检测得到这些烟叶样品中钾含量；
3)采用偏最小二乘法(Partial Least Squares，PLS)对电子鼻数据进行降维，获取这些烟叶样品的降维数据；
4)以这些烟叶样品的降维数据为自变量，以这些烟叶样品的钾含量为因变量，采用人工神经网络算法建立烟叶钾含量的快速预报模型；
5)根据建立的烟叶钾含量的快速预报模型和待检测烟叶品种的电子鼻数据，快速预报待检测烟叶品种的钾含量。
所述的步骤1)中的预处理包括干燥、研磨和过筛。
所述的电子鼻为法国AlphaMOS公司的Heracles电子鼻指纹分析系统。
所述的步骤3)中具体包括以下步骤：
偏最小二乘法具体步骤如下：
31)取目标变量Y的第一列作为目标负载的初值u：
u←Yj
其中j代表第j列。
32)在自变量X块，让因变量Y块的得分和自变量混合，求其权重w：
w＝XTu/(uTu)
其中T为得分矩阵。
33)归一化：
w＝w/||w||
其中‖‖为欧式距离。
34)求X块的得分t：
t＝Xw/(wTw)
35)在因变量Y块，用X的块得分和因变量混合，求其负载c：
c＝Yt/(tTt)
36)求Y块的得分u：
u＝Yc/(cTc)
37)如第34)步的t与前次迭代的told的差别小于某一个阈值，即：
||t-told||/||t||＜e
一般e取10-8，则转第38)步；否则，转第32)步；
38)计算X块的负载p：
p＝XTt/(tTt)
39)计算Y块的负载q：
q＝YTu/(uTu)
310)求X和Y内部关系的回归系数：
v＝uTt/(tTt)
其中v为PLS的回归系数的对角化矩阵。
311)求残差矩阵并赋给X和Y：
X←X-tpT
Y←Y-vtqT
这样，完成了一个PLS成分，再到第31)步，直到完成所需要的成分，这里PLS成分个数为前15个。
所述的步骤4)中人工神经网络输入层节点数15，隐蔽层节点数8，输出层节点数1。
与现有技术相比，本发明具有以下优点：
一、预报烟叶中钾含量简单、快捷：利用电子鼻仪器扫描一个烟叶样品需要1分钟，把得到的电子鼻数据导入建立的模型，不需要1秒钟就可以计算出结果，方便、快捷，仅需一人即可完成。
二、低成本：本发明利用电子鼻-人工神经网络预报烟叶中钾含量，相比于传统的火焰光度法，操作简单，成本低。
三、数据全面准确：本发明通过偏最小二乘法法对电子鼻数据进行降维，把原来800多维数据中降维到最具有代表性的15个作为PLS成分，在降低了数据维度的同时保留了尽可能多的原始信息，模型简单，计算方便。
四、无污染：本发明在整个过程中不用到化学药品，对环境没有污染。
附图说明
图1为烟叶电子鼻数据图。
图2为烟叶中钾含量建模结果图。
图3为烟叶中钾含量留一法结果图。留一法交叉验证是假设有N个样本，将每一个样本作为测试样本，其它N-1个样本作为训练样本。这样得到N个分类器，N个测试结果。用这N个结果的平均值来衡量模型的性能。
图4为烟叶中钾含量预测结果图。
图5为人工神经网络网络示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法，包括如下步骤：
(1)由烟草公司提供132个不同产地的烟叶样品，进行除梗、整理等前期工作后称量40g，放置到烘箱中，在60℃烘干1.5小时；用磨粉机对烘干的烟叶进行磨粉，然后将磨粉后的烟叶粉末过60目筛；取2g烟叶粉末在空气温度20-22℃，湿度空气30-45％的环境下用法国AlphaMOS公司的Heracles电子鼻指纹分析系统对样品进行扫描，得到这些烟叶样品的电子鼻数据，如图1所示。
(2)采用火焰光度法检测得到这些烟叶样品中钾含量；
(3)收集烟叶电子鼻数据后，用偏最小二乘法对烟叶电子鼻数据进行降维。偏最小二乘法降维的目的是：排除众多化学信息共存中相互重叠的信息，把原来多个变量组合为少数几个互不相关的变量但同时又尽可能多地表征原变量的数据结构特征而使丢失的信息尽可能地少。偏最小二乘法降维步骤可概括如下：
偏最小二乘法具体步骤如下：
31)取目标变量Y的第一列作为目标负载的初值u：
u←Yj
j代表第j列。
32)在自变量X块，让因变量Y块的得分和自变量混合，求其权重w：
w＝XTu/(uTu)
T为得分矩阵。
33)归一化：
w＝w/||w||
‖‖为欧式距离。
34)求X块的得分t：
t＝Xw/(wTw)
35)在因变量Y块，用X的块得分和因变量混合，求其负载c：
c＝Yt/(tTt)
36)求Y块的得分u：
u＝Yc/(cTc)
37)如第34)步的t与前次迭代的told的差别小于某一个阈值，即：
||t-told||/||t||＜e
一般e取10-8，则转第38)步；否则，转第32)步；
38)计算X块的负载p：
p＝XTt/(tTt)
39)计算Y块的负载q：
q＝YTu/(uTu)
310)求X和Y内部关系的回归系数：
v＝uTt/(tTt)
v为PLS的回归系数的对角化矩阵。
311)求残差矩阵并赋给X和Y：
X←X-tpT
Y←Y-vtqT
这样，完成了一个PLS成分，再到第31)步，直到完成所需要的成分，这里PLS成分个数为前15个。
通过偏最小二乘法降维，得到烟叶电子鼻数据降维后的数据，如表1所示。
表1 烟叶电子鼻降维后数据
PLS(1) PLS(2) PLS(3) PLS(4) PLS(5) PLS(6)
8.3015 -13.7206 -1.3283 0.924 0.6048 -0.9323
4.58 3.0046 6.8636 -2.0929 0.7147 1.2713
24.588 -3.8736 4.3827 0.0588 -2.1753 0.8148
-4.3035 -9.4767 2.2668 -3.3989 -0.6966 0.4042
-3.1399 -7.578 -1.0563 -2.3694 2.933 0.4801
2.0018 -14.7104 1.1679 0.3669 -2.0605 1.0358
12.4535 -10.1476 4.653 0.4659 -0.8532 -1.4086
3.6215 -16.8694 -2.3424 0.0022 0.36 -1.0976
10.3122 -12.0973 0.432 1.4936 2.6189 -0.9049
5.1674 -15.224 -3.2513 -0.8821 -3.0376 -0.5953
3.9543 -2.6434 -0.4412 -2.3956 2.3977 0.4457
22.4028 -5.3864 -0.869 0.8864 0.4121 -1.6846
14.6137 -2.3448 4.2015 2.8476 -1.2631 2.8575
-4.3387 -18.7868 1.5279 -0.23 -2.8311 1.1403
(4)以132个烟叶样品的降维数据为自变量，以132个烟叶样品的钾含量为因变量，采用人工神经网络算法建立烟叶钾含量的快速预报模型。
“人工神经网络，它是一种以有向图为拓扑结构的动态系统，也可看作是一种高维空间的非线性映射，如图5所示。
设wji l为l-1层上节点i至l层上节点j的连接权值，Netj l和Outj l分别为l层上节点j的输入值和输出值，且Xi(i＝1,…,N)为网络的输入因素，转换函数f为Sigmoid形式
则B-P网络的输出与输入之间的关系如下
其中pot(l)(l＝1,2,…,L)为各层节点数，且pot(1)＝N，pot(L)＝M，为目标Ej的估计值。
BP网络的学习过程是通过误差反传算法调整网络的权值wji，使网络对于已知n个样本目标值的估计值与实际值之误差的平方和
最小；这一过程可用梯度速降法实现。算法流程如下：
a.初始化各权值
b.随机取一个样本，计算其
反向逐层计算误差函数值
d.修正权值
其中t为迭代次数，η为学习效率，α为动量项。
重复步骤b、c、d，直至收敛于给定条件。
通过对上述人工神经网络算法的编程实现，建立烟叶中钾含量的人工神经网络预报模型。
(5)根据建立的烟叶钾含量的预测模型和待检测烟叶品种的电子鼻数据，快速预报待检测烟叶品种的钾含量。
实施例1：132个烟叶中钾含量的人工神经网络预报模型的建模结果，如图2所示。
利用人工神经网络算法对132个预处理后的烟草电子鼻数据进行回归建模，建立烟草中钾含量的人工神经网络预报模型，烟叶中钾含量计算值和实验检测值的相关系数0.93，平均相对误差8.41％。
实施例2：132个烟叶中钾含量的人工神经网络预报模型的留一法结果，如图3所示。
采用留一法对132烟叶样品建立的钾含量的人工神经网络预报模型进行内部交叉验证。留一法的烟叶中钾含量计算值和实验检测值的相关系数0.91，平均相对误差9.64％。
实施例3：对41个新烟草样本钾含量的预报结果，如图4所示。
利用建立的烟叶中钾含量的人工神经网络预报模型对新的41个烟草样本进行预报，得到了很好的预报结果。钾含量计算值和实验检测值的相关系数为0.90，平均相对误差10.91％。

Claims (5)

1.一种基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法，其特征在于，包括以下步骤：
1)收集若干个不同产地的烟叶样品，进行预处理后进行电子鼻扫描，得到这些烟叶样品的电子鼻数据；
2)采用火焰光度法检测得到这些烟叶样品中钾含量；
3)采用偏最小二乘法，即PLS，对电子鼻数据进行降维，获取这些烟叶样品的降维数据；
4)以这些烟叶样品的降维数据为自变量，以这些烟叶样品的钾含量为因变量，采用人工神经网络算法建立烟叶钾含量的快速预报模型；
5)根据建立的烟叶钾含量的快速预报模型和待检测烟叶品种的电子鼻数据，快速预报待检测烟叶品种的钾含量。
2.根据权利要求1所述的一种基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法，其特征在于，所述的步骤1)中的预处理包括干燥、研磨和过筛。
3.根据权利要求1所述的一种基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法，其特征在于，所述的电子鼻为法国AlphaMOS公司的Heracles电子鼻指纹分析系统。
4.根据权利要求1所述的一种基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法，其特征在于，所述的步骤3)中具体包括以下步骤：
偏最小二乘法具体步骤如下：
31)取目标变量Y的第一列作为目标负载的初值u：
u←Yj
其中j代表第j列；
32)在自变量X块，让因变量Y块的得分和自变量混合，求其权重w：
w＝XTu/(uTu)
其中T为得分矩阵；
33)归一化：
w＝w/||w||
其中‖‖为欧式距离；
34)求X块的得分t：
t＝Xw/(wTw)
35)在因变量Y块，用X的块得分和因变量混合，求其负载c：
c＝Yt/(tTt)
36)求Y块的得分u：
u＝Yc/(cTc)
37)如第34)步的t与前次迭代的told的差别小于某一个阈值，即：
||t-told||/||t||＜e
e取10-8，则转第38)步；否则，转第32)步；
38)计算X块的负载p：
p＝XTt/(tTt)
39)计算Y块的负载q：
q＝YTu/(uTu)
310)求X和Y内部关系的回归系数：
v＝uTt/(tTt)
其中v为PLS的回归系数的对角化矩阵；
311)求残差矩阵并赋给X和Y：
X←X-tpT
Y←Y-vtqT
这样，完成了一个PLS成分，再到第31)步，直到完成所需要的成分，这里PLS成分个数为前15个。
5.根据权利要求1所述的一种基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法，其特征在于，所述的步骤4)中人工神经网络输入层节点数15，隐蔽层节点数8，输出层节点数1。
CN201610285936.2A 2016-05-01 2016-05-01 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法 Active - Reinstated CN105974058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610285936.2A CN105974058B (zh) 2016-05-01 2016-05-01 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610285936.2A CN105974058B (zh) 2016-05-01 2016-05-01 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法

Publications (2)

Publication Number Publication Date
CN105974058A CN105974058A (zh) 2016-09-28
CN105974058B true CN105974058B (zh) 2018-08-07

Family

ID=56994312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610285936.2A Active - Reinstated CN105974058B (zh) 2016-05-01 2016-05-01 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法

Country Status (1)

Country Link
CN (1) CN105974058B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106501325A (zh) * 2016-11-22 2017-03-15 西华大学 一种优化传感数据及模式识别对辐照食品的实时快检方法
CN111208241B (zh) * 2020-03-03 2021-10-26 江南大学 一种基于电子鼻结合人工神经网络预测煎炸油品质的方法
CN113609775B (zh) * 2021-08-09 2024-04-23 上海太太乐食品有限公司 固态复合调味料鲜美度生津感感官评价分值的定量预报方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1828271A (zh) * 2006-03-30 2006-09-06 将军烟草集团有限公司 采用近红外光检测片烟化学成分的方法
CN1828272A (zh) * 2006-03-30 2006-09-06 将军烟草集团有限公司 采用近红外光检测烟叶叶片化学成分的方法
CN101382557A (zh) * 2008-09-04 2009-03-11 广东中烟工业有限责任公司 一种卷烟质量的分析方法
CN103110175A (zh) * 2013-01-21 2013-05-22 贵州省烟草公司遵义市公司 基于电子鼻气味监测技术的烟叶烘烤方法
CN103868957A (zh) * 2014-01-07 2014-06-18 川渝中烟工业有限责任公司 一种评价打叶复烤工序片烟感官品质稳定性的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1828271A (zh) * 2006-03-30 2006-09-06 将军烟草集团有限公司 采用近红外光检测片烟化学成分的方法
CN1828272A (zh) * 2006-03-30 2006-09-06 将军烟草集团有限公司 采用近红外光检测烟叶叶片化学成分的方法
CN101382557A (zh) * 2008-09-04 2009-03-11 广东中烟工业有限责任公司 一种卷烟质量的分析方法
CN103110175A (zh) * 2013-01-21 2013-05-22 贵州省烟草公司遵义市公司 基于电子鼻气味监测技术的烟叶烘烤方法
CN103868957A (zh) * 2014-01-07 2014-06-18 川渝中烟工业有限责任公司 一种评价打叶复烤工序片烟感官品质稳定性的方法

Non-Patent Citations (12)

* Cited by examiner, † Cited by third party
Title
"偏最小二乘法与神经网络耦合的大坝监测模型";吕蓓蓓等;《人民黄河》;20130310;第35卷(第3期);全文 *
Application of ANN with extracted parameters from an electronic nose in cigarette brand identification;Dehan Luo等;《Sensors and Actuators B》;20041231;第99卷(第2-3期);全文 *
偏最小二乘法与人工神经网络耦合的小流域产沙模型;李世欣等;《河海大学学报（自然科学版）》;20100325;第38卷(第2期);全文 *
基于气候相似性的云南烤烟主要化学成分预测;钟楚等;《中国农学通报》;20120805;第28卷(第22期);全文 *
火焰原子吸收法测定烟草中钾含量研究;刘博等;《安徽农学通报》;20110810;第17卷(第15期);全文 *
烟草化学成分的近红外快速定量分析研究;张建平等;《烟草科技》;19990331(第3期);全文 *
烤烟钾含量与主要挥发性香气物质及感官质量的关系分析;许自成等;《河南农业大学学报》;20090831;第43卷(第4期);摘要和第356页右栏第3段 *
烤烟锌含量的预测模型研究;潘文杰等;《中国烟草学会2006年学术年会论文集》;20071231;全文 *
电子鼻在烟草行业中的研究与应用进展;吴君章等;《分析测试学报》;20140725;第33卷(第7期);全文 *
电子鼻检测烤后烟叶挥发性组分的方法研究;冯莉等;《中国烟草科学》;20140831;第35卷(第4期);全文 *
豫西烤烟主要物理性状与化学成分及中性香气物质的关系分析;陈飞;《中国优秀硕士学位论文全文数据库农业科技辑》;20110615(第6期);摘要、第16页3.1和3.2、第32-33页4.4和第34页第1段 *
近红外光谱数据分析方法研究;韩磊等;《计算机技术与发展》;20060531;第16卷(第5期);全文 *

Also Published As

Publication number Publication date
CN105974058A (zh) 2016-09-28

Similar Documents

Publication Publication Date Title
Meireles et al. Leaf reflectance spectra capture the evolutionary history of seed plants
CN105630743B (zh) 一种光谱波数的选择方法
CN106920007B (zh) 基于二阶自组织模糊神经网络的pm2.5智能预测方法
CN105784556B (zh) 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法
CN105974058B (zh) 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法
CN108490115B (zh) 一种基于分布式在线主成分分析的空气质量异常检测方法
CN105259318B (zh) 一种基于气象参数的恶臭ou值预测方法和系统
Wang et al. Big data driven outlier detection for soybean straw near infrared spectroscopy
CN104992068A (zh) 一种表层土壤氮素分布的预测方法
CN108287184A (zh) 基于电子鼻的石蜡嗅味等级评定方法
CN110309609A (zh) 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法
CN114764682B (zh) 一种基于多机器学习算法融合的大米安全风险评估方法
CN106126879B (zh) 一种基于稀疏表示技术的土壤近红外光谱分析预测方法
Shao et al. A new approach to discriminate varieties of tobacco using vis/near infrared spectra
CN105241823B (zh) 基于稀疏表示的火电厂烟气光谱定量分析方法
CN114626304A (zh) 一种矿浆铜品位在线预测软测量建模方法
CN113657023A (zh) 基于机器学习和深度学习结合的近地面臭氧浓度反演方法
CN108663334A (zh) 基于多分类器融合寻找土壤养分光谱特征波长的方法
CN105205333A (zh) 一种烟叶配方的设计方法
CN110726813B (zh) 基于双层集成神经网络的电子鼻预测方法
CN115508206B (zh) 一种节理岩质边坡岩体强度参数概率反演方法
CN114019082B (zh) 一种土壤有机质含量监测方法和系统
CN114062305B (zh) 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统
CN113108949B (zh) 一种基于模型融合的探空仪温度传感器误差预测方法
CN111220565B (zh) 一种基于cpls的红外光谱测量仪器标定迁移方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211129

Address after: No. 500, Linyang Road, Qidong City, Nantong City, Jiangsu Province

Patentee after: Qidong Yingwei data information technology Co.,Ltd.

Address before: No.99 SHANGDA Road, Baoshan District, Shanghai 200444

Patentee before: Shanghai University

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: 20180807

Termination date: 20210501

RR01 Reinstatement of patent right
RR01 Reinstatement of patent right

Former decision: Termination of patent rights for unpaid annual fees

Former decision publication date: 20220408