CN106093120A - 一种茶叶等级识别中电子鼻响应信号的特征参数融合方法 - Google Patents

Abstract

本发明提供一种茶叶等级识别中电子鼻响应信号的特征参数融合方法，能够更加全面地表征电子鼻响应信号的特征信息，从而提高茶叶等级的识别率。所述方法包括：获取待测茶叶中用于表征不同等级茶叶香气特征的电子鼻响应信号；依据获取的所述电子鼻响应信号，获取所述电子鼻响应信号的时域特征及频域特征；将获取到的所述时域特征及频域特征进行融合，将融合后的特征作为所述电子鼻响应信号的特征信息。本发明适用于食品智能感官分析技术领域。

Description

一种茶叶等级识别中电子鼻响应信号的特征参数融合方法

技术领域

本发明涉及食品智能感官分析技术领域，特别是指一种茶叶等级识别中电子鼻响应信号的特征参数融合方法。

背景技术

近年来，我国是茶叶生产和贸易大国，茶物质财富的大量增加为中国茶文化的发展提供了坚实的基础。然而，由于缺乏成熟的监管体制，目前市场上的商品茶质量级别混乱，茶叶以次充好的现象时常发生，这给茶叶贸易和消费者权益以及整根茶文化的发展都带来了不良的影响。

食品感官科学作为一门研究食品感官品质属性结构、演化与测量的科学，是现代食品科学技术中最具特色的学科分支，也是现代食品科学技术及食品产业发展最迫切需要拓展的领域。长期以来，对于茶叶等级的感官检测基本上是以人工感官品评的方式来实现的。然而，人工感官品评方式存在操作过程繁琐，易受外界因素影响，评价结果不够客观精确等问题。所以，仅通过人工感官品评的方式已满足不了现今茶叶市场快速发展的要求。

近年来，随着现代仪器分析技术的不断发展以及对于茶叶领域的深入研究，在茶叶等级检测的分析研究中取得了较大的进步。智能感官分析技术作为一种新的茶叶等级检测方法，它因操作简便、客观准确、检测时间短、重复性好、受环境因素影响较小等优点在茶叶等级检测领域受到越来越多的重视。其中，电子鼻作为一种模拟人的嗅觉机制而研制出来的智能感官识别系统，近年来被广泛用于茶叶等级的智能感官分析中。与传统的人工感官分析相比，电子鼻为茶叶等级的检测提供了一种客观、快速、准确的检测方法。因此，选择电子鼻技术对茶叶等级进行检测将对整根茶叶行业的发展带来深远的意义。

在利用电子鼻技术对茶叶等级进行分级的过程中，首先，要通过电子鼻对茶叶进行检测，得到与茶叶香气特性相关的电子鼻响应信号。由于电子鼻检测到的响应信号是随时间变化的时序信号，所以每条时序信号都由大量的数据点构成。在对时序信号进行处理的过程中，如何从大量的数据中提取出有效的特征参数对于茶叶等级的区分起着至关重要的作用。但是，在电子鼻响应信号研究领域，一般基于时域提取电子鼻响应信号的特征参数，很少从频域的角度对电子鼻信号进行特征提取。以提取的时域特征作为电子鼻响应信号的特征参数能从一方面代表信号的特征信息，但无法全面地代表信号的整体特征信息。

发明内容

本发明要解决的技术问题是提供一种茶叶等级识别中电子鼻响应信号的特征参数融合方法，以解决现有技术所存在的基于时域提取的电子鼻响应信号的特征参数无法全面地表示电子鼻响应信号的整体特征信息的问题。

为解决上述技术问题，本发明实施例提供一种茶叶等级识别中电子鼻响应信号的特征参数融合方法，包括：

获取待测茶叶中用于表征不同等级茶叶香气特征的电子鼻响应信号；

依据获取的所述电子鼻响应信号，获取所述电子鼻响应信号的时域特征及频域特征；

将获取到的所述时域特征及频域特征进行融合，将融合后的特征作为所述电子鼻响应信号的特征信息。

进一步地，所述电子鼻响应信号包括：多条传感器响应信号，所述传感器响应信号的条数与所述电子鼻中传感器的数目相同；

所述获取所述电子鼻响应信号的时域特征包括：

获取每条传感器响应信号的极值和均值作为所述电子鼻响应信号的时域特征。

进一步地，所述传感器响应信号的极值表示传感器响应信号中绝对值的最大值，表示为:

MV_i＝max|x_i,1,x_i,2,…,x_i,t|(i＝1,2,…,N)

所述传感器响应信号的均值表示传感器响应信号的平均值，表示为:

$\begin{array}{cc}{\mathrm{AV}}_i=\frac{x_{i,1}+x_{i,2}+\mathrm{...}+x_{i,t}}{t}& (i=1,2,\mathrm{...},N)\end{array}$

其中，MV_i表示第i条传感器响应信号的极值；N表示电子鼻中传感器的数目；t表示每条传感器响应信号采集过程中总时间点的个数；x_i,j为第i条传感器响应信号中j时间点所对应的信号值，j＝1,2,…,t；AV_i表示第i条传感器响应信号的均值。

进一步地，所述获取所述电子鼻响应信号的频域特征包括：

获取每条传感器响应信号对应的最大能量和平均能量作为所述电子鼻响应信号的频域特征。

进一步地，所述获取每条传感器响应信号对应的最大能量和平均能量作为所述电子鼻响应信号的频域特征包括：

利用小波包技术获取每条传感器响应信号对应的最大能量和平均能量作为所述电子鼻响应信号的频域特征。

进一步地，所述利用小波包技术获取每条传感器响应信号的最大能量和平均能量包括：

通过小波包技术将获取的所述每条传感器响应信号分解为3层；

根据3层分解后得到的8根频带分别对应的系数集，获取每条传感器响应信号对应的最大能量和平均能量。

进一步地，所述传感器响应信号的最大能量表示为：

$\begin{array}{cc}{\mathrm{ME}}_i=max|E_{30}^i,E_{31}^i,\mathrm{...}{E}_{3j}^i\mathrm{...},E_{37}^i|& (i=1,2,\mathrm{...},N)\end{array}$

$\begin{array}{cc}{E}_{3j}=\underset{k=1}{\overset{m}{\Σ}}|C_{3jk}{|}^2& (j=0,1,\mathrm{...},7)\end{array}$

$\begin{array}{cc}{T}^i=\[E_{30}^i,E_{31}^i,\mathrm{...},E_{37}^i\]& (i=1,2,\mathrm{...},N)\end{array}$

所述传感器响应信号的平均能量表示为

$\begin{array}{cc}{\mathrm{AE}}_i=\frac{E_{30}^i+E_{31}^i+\mathrm{...}+E_{37}^i}{8}& (i=1,2,\mathrm{...},N)\end{array}$

其中，ME_i表示第i条传感器响应信号的最大能量；N表示电子鼻中传感器的数目；表示第i根传感器下第j根频带所对应的的能量值；C_3jk表示第j根频带的第k个系数；m表示各频带系数的数目；Tⁱ表示第i根传感器下8根频带的能量值；AE_i表示第i条传感器响应信号的平均能量。

进一步地，所述将获取到的所述时域特征及频域特征进行融合包括：

通过串联的方式将获取到的所述时域特征和频域特征进行融合。

进一步地，所述通过串联的方式将获取到的所述时域特征和频域特征进行融合包括：

通过串联的方式将获取到的电子鼻中单根传感器的时域特征和频域特征进行初次融合；

通过串联的方式将电子鼻中每根传感器的初次融合特征进行二次融合。

进一步地，所述将获取到的所述时域特征及频域特征进行融合，将融合后的特征作为所述电子鼻响应信号的特征信息之后，还包括：

将融合后的特征输入预定的分类器；

通过所述预定的分类器判定所述待测茶叶的等级。

本发明的上述技术方案的有益效果如下：

上述方案中，依据获取的待测茶叶中用于表征不同等级茶叶香气特征的电子鼻响应信号，获取所述电子鼻响应信号的时域特征及频域特征；并将获取到的所述时域特征及频域特征进行融合，将融合后的特征作为所述电子鼻响应信号的特征信息。这样，将融合后的特征作为所述电子鼻响应信号的特征信息能够更加全面地表征所述电子鼻响应信号的特征信息，通过融合后的特征能够提高待测茶叶等级的识别率。

附图说明

图1为本发明实施例提供的茶叶等级识别中电子鼻响应信号的特征参数融合方法的流程示意图；

图2是本发明实施例提供的电子鼻传感器响应信号曲线示意图；

图3是本发明实施例提供的小波包3层分解结构示意图；

图4是本发明实施例提供的将时域特征和频域特征通过串联的方式进行融合的过程示意图；

图5(a)是本发明实施例提供的时域-极值(MV_i)下的线性判别分析结果示意图；

图5(b)是本发明实施例提供的时域-均值(AV_i)下的线性判别分析结果示意图；

图5(c)是本发明实施例提供的频域-最大能量(ME_i)下的线性判别分析结果示意图；

图5(d)是本发明实施例提供的频域-平均能量(AE_i)下的线性判别分析结果示意图；

图6是本发明实施例提供的融合特征下的线性判别分析结果示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的基于时域提取的电子鼻响应信号的特征参数无法全面地表示电子鼻响应信号的整体特征信息的问题，提供一种茶叶等级识别中电子鼻响应信号的特征参数融合方法。

实施例一

如图1所示，本发明实施例提供的一种茶叶等级识别中电子鼻响应信号的特征参数融合方法，包括：

步骤101：获取待测茶叶中用于表征不同等级茶叶香气特征的电子鼻响应信号；

步骤102：依据获取的所述电子鼻响应信号，获取所述电子鼻响应信号的时域特征及频域特征；

步骤103：将获取到的所述时域特征及频域特征进行融合，将融合后的特征作为所述电子鼻响应信号的特征信息。

本发明实施例所述的茶叶等级识别中电子鼻响应信号的特征参数融合方法，依据获取的待测茶叶中用于表征不同等级茶叶香气特征的电子鼻响应信号，获取所述电子鼻响应信号的时域特征及频域特征；并将获取到的所述时域特征及频域特征进行融合，将融合后的特征作为所述电子鼻响应信号的特征信息。这样，将融合后的特征作为所述电子鼻响应信号的特征信息能够更加全面地表征所述电子鼻响应信号的特征信息，通过融合后的特征能够提高待测茶叶等级的识别率。

本发明实施例中，例如，所述待测茶叶为待测龙井茶茶叶，当然也可以为乌龙茶、铁观音等其他茶叶，可以通过电子鼻获取待测龙井茶茶叶中表征不同等级龙井茶香气特征的电子鼻响应信号，其中，所述电子鼻检测到的电子鼻响应信号是随时间变化的时序信号。

本发明实施例中，通过电子鼻获取待测龙井茶茶叶中表征不同等级龙井茶香气特征的电子鼻响应信号的具体步骤包括：

1)采集待测龙井茶茶叶，所述待测龙井茶茶叶可以为采自杭州西湖龙井茶产区的龙井茶，龙井茶分为4个等级，包括：特级(T)、一级(Y)、二级(E)和三级(S)。为确保待测龙井茶茶叶不受外界条件的干扰，待测龙井茶茶叶采集后可以用铝箔材料包装袋进行密封包装并置于-4℃条件下保存。

2)对不同等级的待测龙井茶茶叶进行检测，例如，可以采用Fox4000传感器型电子鼻对不同等级的待测龙井茶茶叶进行检测，该Fox4000传感器型电子鼻包括：18根金属氧化物半导体气敏传感器(所述传感器位于检测器内)和顶空自动进样器(所述顶空自动进样器至少包括：顶空瓶和托盘)。检测过程中，茶叶挥发性成分与传感器吸附后，改变传感器表层电流强度，通过数字转换获得各待测龙井茶茶叶的响应信号曲线。

本发明实施例中，电子鼻获取待测龙井茶茶叶的电子鼻响应信号的具体操作流程可以包括：

将100g茶叶置于20ml顶空瓶中，注入5ml常温去离子水后压盖封装。将装有待测龙井茶茶叶的顶空瓶置于托盘上，根据待测龙井茶茶叶检测顺序，对托盘上的各顶空瓶进行编号。对装有待测龙井茶茶叶的顶空瓶进行预热，随后抽取顶空内的气体注入检测器中进行反应，反应时间设置为2分钟。反应过程中，气体进入检测器后与各传感器发生吸附与解吸附反应，反应结束则生成相关响应信号曲线。每种待测龙井茶茶叶经检测后可获得18条随时间变化的时序信号，如图2所示的电子鼻响应信号曲线图。

本发明实施例中，通过电子鼻检测得到的每条时序信号长度为120秒，其中，每隔0.5秒记录反应数值，故每条时序信号均由241个数值点构成。由于时序信号与时间相关联，因而其数据量很大。

本发明实施例中，为了更好地实现茶叶等级的分级，需获取时序信号中具有较好分类能力的时域特征，其中，所述时域特征主要指信号随时间变化过程中所产生的变化，它体现了信号变化过程中的稳定性。

本发明实施例中，作为一可选实施例，所述电子鼻响应信号包括：多条传感器响应信号，所述传感器响应信号的条数与所述电子鼻中传感器的数目相同；

所述获取所述电子鼻响应信号的时域特征包括：

获取每条传感器响应信号的极值和均值作为所述电子鼻响应信号的时域特征。

本发明实施例中，作为又一可选实施例，所述传感器响应信号的极值表示传感器响应信号中绝对值的最大值，表示为:

MV_i＝max|x_i,1,x_i,2,…,x_i,t|(i＝1,2,…,N)

所述传感器响应信号的均值表示传感器响应信号的平均值，表示为:

$\begin{array}{cc}{\mathrm{AV}}_i=\frac{x_{i,1}+x_{i,2}+\mathrm{...}+x_{i,t}}{t}& (i=1,2,\mathrm{...},N)\end{array}$

其中，MV_i表示第i条传感器响应信号的极值；N表示电子鼻中传感器的数目；t表示每条传感器响应信号采集过程中总时间点的个数；x_i,j为第i条传感器响应信号中j时间点所对应的信号值，j＝1,2,…,t；AV_i表示第i条传感器响应信号的均值。

本发明实施例中，所述电子鼻响应信号的极值表示信号随时间变化过程中的最大强度；所述传感器响应信号的均值表示信号的稳定强度，当电子鼻的传感器为18根时，所述电子鼻响应信号的极值MV_i可以表示为：

MV_i＝max|x_i,1,x_i,2,…,x_i,t|(i＝1,2,…,18)

所述传感器响应信号的均值AV_i可以表示为：

$\begin{array}{cc}{\mathrm{AV}}_i=\frac{x_{i,1}+x_{i,2}+\mathrm{...}+x_{i,t}}{t}& (i=1,2,\mathrm{...},18)\end{array}.$

本发明实施例中，时序信号不仅随时间发生变化，还与频率、相位等信息有关，频域特征体现了信号在频率方面的特性，包括：信号的频率结构及频率与该频率信号幅度之间的关系。

本发明实施例中，作为一可选实施例，所述获取所述电子鼻响应信号的频域特征包括：

获取每条传感器响应信号对应的最大能量和平均能量作为所述电子鼻响应信号的频域特征。

本发明实施例中，作为又一可选实施例，所述获取每条传感器响应信号对应的最大能量和平均能量作为所述电子鼻响应信号的频域特征包括：

利用小波包技术获取每条传感器响应信号对应的最大能量和平均能量作为所述电子鼻响应信号的频域特征。

本发明实施例中，作为再一可选实施例，所述利用小波包技术获取每条传感器响应信号的最大能量和平均能量包括：

通过小波包技术将获取的所述每条传感器响应信号分解为3层；

根据3层分解后得到的8根频带分别对应的系数集，获取每条传感器响应信号对应的最大能量和平均能量。

本发明实施例中，小波包技术是一种能够为信号提供更加精细的分析方法。它将频带进行多层次划分，对多分辨分析没有细分的高频部分进行进一步分解，并能够根据被分析信号的频率，自适应地选择相应频带，使之与信号频谱相匹配，从而提高时频分辨力，如图3所示为小波包3层分解结构示意图，在图3中，S表示每条传感器响应信号，L1,H1,LL2,HL2,LH2,HH2,LLL3,HLL3,LHL3,HHL3,LLH3,HLH3,LHH3,HHH3代表的是不同分解层数下的频带，cLLL3,cHLL3,cLHL3,cHHL3,cLLH3,cHLH3,cLHH3及cHHH3代表的是经小波包3层分解后各个频带所对应的系数集。

本发明实施例中，作为又一可选实施例，所述传感器响应信号的最大能量表示为：

$\begin{array}{cc}{\mathrm{ME}}_i=max|E_{30}^i,E_{31}^i,\mathrm{...}{E}_{3j}^i\mathrm{...},E_{37}^i|& (i=1,2,\mathrm{...},N)\end{array}$

$\begin{array}{cc}{E}_{3j}=\underset{k=1}{\overset{m}{\Σ}}|C_{3jk}{|}^2& (j=0,1,\mathrm{...},7)\end{array}$

$\begin{array}{cc}{T}^i=\[E_{30}^i,E_{31}^i,\mathrm{...},E_{37}^i\]& (i=1,2,\mathrm{...},N)\end{array}$

所述传感器响应信号的平均能量表示为

$\begin{array}{cc}{\mathrm{AE}}_i=\frac{E_{30}^i+E_{31}^i+\mathrm{...}+E_{37}^i}{8}& (i=1,2,\mathrm{...},N)\end{array}$

其中，ME_i表示第i条传感器响应信号的最大能量；N表示电子鼻中传感器的数目；表示第i根传感器下第j根频带所对应的的能量值；C_3jk表示第j根频带的第k个系数；m表示各频带系数的数目；Tⁱ表示第i根传感器下8根频带的能量值；AE_i表示第i条传感器响应信号的平均能量。

本发明实施例中，当电子鼻的传感器为18根时，经小波包3层分解后，根据8个频带分别对应的系数集，电子鼻响应信号的最大能量ME_i和平均能量AE_i分别表示为：

$\begin{array}{cc}{\mathrm{ME}}_i=max|E_{30}^i,E_{31}^i,\mathrm{...},E_{37}^i|& (i=1,2,\mathrm{...},18)\end{array}$

$\begin{array}{cc}{E}_{3j}=\underset{k=1}{\overset{m}{\Σ}}|C_{3jk}{|}^2& (j=0,1,\mathrm{...},7)\end{array}$

$\begin{array}{cc}{T}^i=\[F_{30}^i,F_{31}^i,\mathrm{...},E_{37}^i\]& (i=1,2,\mathrm{...},18)\end{array}$

$\begin{array}{cc}{\mathrm{AE}}_i=\frac{E_{30}^i+E_{31}^i+\mathrm{...}+E_{37}^i}{8}& (i=1,2,\mathrm{...},18)\end{array}$

本发明实施例中，从时域和频域角度提取到的时序信号的单一特征，例如，MV_i、AV_i、ME_i、AE_i，只能代表电子鼻响应信号某一方面的特征信息，为了得到代表电子鼻响应信号整体信息的特征参数，将获取到的所述时域特征及频域特征进行融合。

本发明实施例中，作为一可选实施例，所述将获取到的所述时域特征及频域特征进行融合包括：

通过串联的方式将获取到的所述时域特征和频域特征进行融合。

本发明实施例中，通过串联的方式将每根传感器的时域特征(MV_i、AV_i)和频域特征(ME_i、AE_i)进行融合。

本发明实施例中，作为又一可选实施例，所述通过串联的方式将获取到的所述时域特征和频域特征进行融合包括：

通过串联的方式将获取到的电子鼻中单根传感器的时域特征和频域特征进行初次融合；

通过串联的方式将电子鼻中每根传感器的初次融合特征进行二次融合。

本发明实施例中，通过串联的方式将获取到的电子鼻中单根传感器的时域特征和频域特征进行初次融合后，每根传感器采集到的由241个数据点构成的时序信号由4个特征参数(MV_i、AV_i、ME_i、AE_i)表示，通过串联的方式将电子鼻中的18根传感器的时域特征和频域特征进行二次融合后，所述电子鼻响应信号最终由72维特征向量(18×4)表示，如图4所示，图4中，S1,S2,…,Si,…,S18分别表示电子鼻中的第i根传感器。

在前述茶叶等级识别中电子鼻响应信号的特征参数融合方法的具体实施方式中，进一步地，所述将获取到的所述时域特征及频域特征进行融合，将融合后的特征作为所述电子鼻响应信号的特征信息之后，还包括：

将融合后的特征输入预定的分类器；

通过所述预定的分类器判定所述待测茶叶的等级。

本发明实施例中，将表征不同等级龙井茶香气特征的电子鼻响应信号的72维特征向量(18×4)输入预定的分类器，进行龙井茶品质等级判定。

本发明实施例中，为了比较不同特征下对龙井茶茶叶等级的聚类效果，可以利用线性判别分析法(Linear Discriminant Analysis，LDA)进行分析。LDA的基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。因此，它是一种有效的特征抽取方法。使用这种方法能够使投影后模式样本的类间散布矩阵最大，并且同时类内散布矩阵最小。也就是说，能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离，即模式在该空间中有最佳的可分离性。

本发明实施例中，通过对不同特征下(MV_i、AV_i、ME_i、AE_i)的龙井茶茶叶进行LDA分析，得到了4个等级龙井茶的聚类效果，其中，图5(a)-5(d)是单一特征下的线性判别分析结果，图6是融合特征下的线性判别分析结果，图5(a)-5(d)、图6中DF表示判别因子。

本发明实施例中，LDA分析结果显示：以极值，均值，小波包最大能量和小波包平均能量分别作为电子鼻响应信号特征时，4个不同等级的龙井茶都能得到大致的区分，但不同等级之间仍存在一定的交叉与重叠。但是，将时域特征(MV_i，AV_i)和频域特征(ME_i,AE_i)进行融合后，4个不同等级龙井茶的聚类效果有了明显的提升，具体表现在，不同等级之间的区分性得到了提升，不同等级样本位于坐标中不同的区域且不存在交叉与重叠；同时，同一等级的各样本的空间分布变得更加紧密。所以，通过对单一特征及融合特征下不同等级龙井茶聚类效果的比较，可以得出，将时域特征和频域特征进行融合后，更有利于对不同等级的龙井茶进行识别和区分。

综上，本发明实施例采用电子鼻对龙井茶茶叶待测龙井茶茶叶进行检测，得到代表不同等级龙井茶香气特征的电子鼻响应信号，其中，所述电子鼻响应信号为时序信号；提取时序信号的极值和均值作为电子鼻响应信号的时域特征；利用小波包技术提取时序信号的最大能量和平均能量作为频域特征；通过串联的方式将时域特征和频域特征进行融合，将融合后的特征作为所述电子鼻响应信号的特征信息能够更加全面地表征所述电子鼻响应信号的特征信息，再将融合后得到的72维特征向量输入分类器，进行龙井茶品质等级判定，能够提高茶叶等级判定精度。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种茶叶等级识别中电子鼻响应信号的特征参数融合方法，其特征在于，包括：

获取待测茶叶中用于表征不同等级茶叶香气特征的电子鼻响应信号；

依据获取的所述电子鼻响应信号，获取所述电子鼻响应信号的时域特征及频域特征；

将获取到的所述时域特征及频域特征进行融合，将融合后的特征作为所述电子鼻响应信号的特征信息。

2.根据权利要求1所述的茶叶等级识别中电子鼻响应信号的特征参数融合方法，其特征在于，所述电子鼻响应信号包括：多条传感器响应信号，所述传感器响应信号的条数与所述电子鼻中传感器的数目相同；

所述获取所述电子鼻响应信号的时域特征包括：

获取每条传感器响应信号的极值和均值作为所述电子鼻响应信号的时域特征。

3.根据权利要求2所述的茶叶等级识别中电子鼻响应信号的特征参数融合方法，其特征在于，所述传感器响应信号的极值表示传感器响应信号中绝对值的最大值，表示为:

MV_i＝max|x_i,1,x_i,2,…,x_i,t| (i＝1,2,…,N)

所述传感器响应信号的均值表示传感器响应信号的平均值，表示为:

${\mathrm{AV}}_i=\frac{x_{i,1}+x_{i,2}+...+x_{i,t}}{t},(i=1,2,...,N)$

其中，MV_i表示第i条传感器响应信号的极值；N表示电子鼻中传感器的数目；t表示每条传感器响应信号采集过程中总时间点的个数；x_i,j为第i条传感器响应信号中j时间点所对应的信号值，j＝1,2,…,t；AV_i表示第i条传感器响应信号的均值。

4.根据权利要求2所述的茶叶等级识别中电子鼻响应信号的特征参数融合方法，其特征在于，所述获取所述电子鼻响应信号的频域特征包括：

获取每条传感器响应信号对应的最大能量和平均能量作为所述电子鼻响应信号的频域特征。

5.根据权利要求4所述的茶叶等级识别中电子鼻响应信号的特征参数融合方法，其特征在于，所述获取每条传感器响应信号对应的最大能量和平均能量作为所述电子鼻响应信号的频域特征包括：

利用小波包技术获取每条传感器响应信号对应的最大能量和平均能量作为所述电子鼻响应信号的频域特征。

6.根据权利要求5所述的茶叶等级识别中电子鼻响应信号的特征参数融合方法，其特征在于，所述利用小波包技术获取每条传感器响应信号的最大能量和平均能量包括：

通过小波包技术将获取的所述每条传感器响应信号分解为3层；

根据3层分解后得到的8根频带分别对应的系数集，获取每条传感器响应信号对应的最大能量和平均能量。

7.根据权利要求6所述的茶叶等级识别中电子鼻响应信号的特征参数融合方法，其特征在于，所述传感器响应信号的最大能量表示为：

${\mathrm{ME}}_i=max|E_{30}^i,E_{31}^i,...E_{3j}^i...,E_{37}^i|,(i=1,2,...,N)$

$E_{3j}=\underset{k=1}{\overset{m}{\Σ}}|C_{3jk}{|}^2,(j=0,1,...,7)$

$T^i=\[E_{30}^i,E_{31}^i,...,E_{37}^i\],(i=1,2,...,N)$

所述传感器响应信号的平均能量表示为

${\mathrm{AE}}_i=\frac{E_{30}^i+E_{31}^i+...+E_{37}^i}{8},(i=1,2,...,N)$

其中，ME_i表示第i条传感器响应信号的最大能量；N表示电子鼻中传感器的数目；表示第i根传感器下第j根频带所对应的的能量值；C_3jk表示第j根频带的第k个系数；m表示各频带系数的数目；Tⁱ表示第i根传感器下8根频带的能量值；AE_i表示第i条传感器响应信号的平均能量。

8.根据权利要求1所述的茶叶等级识别中电子鼻响应信号的特征参数融合方法，其特征在于，所述将获取到的所述时域特征及频域特征进行融合包括：

通过串联的方式将获取到的所述时域特征和频域特征进行融合。

9.根据权利要求1-8任一项所述的茶叶等级识别中电子鼻响应信号的特征参数融合方法，其特征在于，所述通过串联的方式将获取到的所述时域特征和频域特征进行融合包括：

通过串联的方式将获取到的电子鼻中单根传感器的时域特征和频域特征进行初次融合；

通过串联的方式将电子鼻中每根传感器的初次融合特征进行二次融合。

10.根据权利要求9所述的茶叶等级识别中电子鼻响应信号的特征参数融合方法，其特征在于，所述将获取到的所述时域特征及频域特征进行融合，将融合后的特征作为所述电子鼻响应信号的特征信息之后，还包括：

将融合后的特征输入预定的分类器；

通过所述预定的分类器判定所述待测茶叶的等级。