CN111044683B - 一种可先天识别和后天训练的气体识别方法及其应用 - Google Patents
一种可先天识别和后天训练的气体识别方法及其应用 Download PDFInfo
- Publication number
- CN111044683B CN111044683B CN201911357258.6A CN201911357258A CN111044683B CN 111044683 B CN111044683 B CN 111044683B CN 201911357258 A CN201911357258 A CN 201911357258A CN 111044683 B CN111044683 B CN 111044683B
- Authority
- CN
- China
- Prior art keywords
- gas
- identification
- tobacco
- mode
- sensing array
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000007789 gas Substances 0.000 claims abstract description 157
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 69
- 241000208125 Nicotiana Species 0.000 claims description 67
- QPRQEDXDYOZYLA-UHFFFAOYSA-N 2-methylbutan-1-ol Chemical compound CCC(C)CO QPRQEDXDYOZYLA-UHFFFAOYSA-N 0.000 claims description 18
- XNLICIUVMPYHGG-UHFFFAOYSA-N pentan-2-one Chemical compound CCCC(C)=O XNLICIUVMPYHGG-UHFFFAOYSA-N 0.000 claims description 12
- VSMOENVRRABVKN-UHFFFAOYSA-N oct-1-en-3-ol Chemical compound CCCCCC(O)C=C VSMOENVRRABVKN-UHFFFAOYSA-N 0.000 claims description 10
- 239000003550 marker Substances 0.000 claims description 9
- 238000003909 pattern recognition Methods 0.000 claims description 9
- 241000238631 Hexapoda Species 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- VSMOENVRRABVKN-MRVPVSSYSA-N 1-Octen-3-ol Natural products CCCCC[C@H](O)C=C VSMOENVRRABVKN-MRVPVSSYSA-N 0.000 claims description 5
- YDXQPTHHAPCTPP-UHFFFAOYSA-N 3-Octen-1-ol Natural products CCCCC=CCCO YDXQPTHHAPCTPP-UHFFFAOYSA-N 0.000 claims description 5
- 206010010356 Congenital anomaly Diseases 0.000 claims description 4
- 230000004060 metabolic process Effects 0.000 claims description 4
- 239000011148 porous material Substances 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000004044 response Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 239000002808 molecular sieve Substances 0.000 abstract description 3
- URGAHOPLAPQHLN-UHFFFAOYSA-N sodium aluminosilicate Chemical compound [Na+].[Al+3].[O-][Si]([O-])=O.[O-][Si]([O-])=O URGAHOPLAPQHLN-UHFFFAOYSA-N 0.000 abstract description 3
- 230000003595 spectral effect Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 210000001331 nose Anatomy 0.000 description 10
- 235000019645 odor Nutrition 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 244000061176 Nicotiana tabacum Species 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- 241000228245 Aspergillus niger Species 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 206010061217 Infestation Diseases 0.000 description 1
- 241000228150 Penicillium chrysogenum Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 150000007513 acids Chemical class 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (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
本发明属于气味分析检测领域，并具体公开了一种可先天识别和后天训练的气体识别方法及其应用。该方法包括：根据待测气体中标识性气体的动力学分子尺寸，确定气体传感阵列中气体过滤模块的孔径，然后将待测气体通入该气体传感阵列；进入无导师模式，分别对每个气体传感阵列采集到的信号进行无导师模式识别，判断不同分子尺寸对应的标识性气体的浓度；进入有导师模式，将后天训练建立的信号与样本特征的模式识别映射关系作为数据库，输入气体传感阵列采集到的全部信号，即可获得待测气体的特征。本发明基于分子筛效应梯度分离不同尺寸的气体分子，以在分子尺寸上对气体响应信号进行谱学展开，实现复杂气氛的多组分气体检测，提升电子鼻技术的选择性。
Description
技术领域
本发明属于气味分析检测领域，更具体地，涉及一种可先天识别和后天训练的气体识别方法及其应用。
背景技术
电子鼻技术是一种通过气体传感阵列+模式识别方式分辨气味间差异的气味识别的技术。这种技术是通过对样本进行测试和模式训练，再经过模式识别实现的，而这一过程又被称作建立数据库。数据库的建立是电子鼻仪器制造完成后，在应用中实现的，因此是经过后天训练而具备的识别能力。
在电子鼻的气味检测应用中，需要识别样本的众多特性，有一些特性是没有标识性物质的，是由多个不同类别的气体分子综合作用的，例如烟草的醇化程度；有一些特性是有标识性物质的，是由某一个类别的气体分子决定的，例如烟草的霉变程度、烟虫滋生危害程度。对于没有标识性物质的样本特征识别，一般都是通过后天的训练，将传感器对样本的气味响应，与样本的特性建立模式识别映射关系。但是后天训练过程存在以下缺陷：过程比较繁琐，识别样本的数量越多，所需的后天训练越多，工作量巨大；传感器漂移会增加识别误差，到一定程度后，导致后天训练的数据库需要重新建立；不同传感器后天训练的数据库之间不可移植，导致传感器升级更换也需要重新建立数据库。
因此，对于有标识性物质的样本特征识别，若电子鼻不需要后天训练便可具备先天识别能力，即能够有效减少电子鼻的后天训练量，提高电子鼻技术的竞争优势，拓宽其应用。
发明内容
针对现有技术的上述缺点和/或改进需求，本发明提供了一种可先天识别和后天训练的气体识别方法及其应用，其中该气体识别方法通过设置孔径依次减小的气体过滤模块，能够基于分子筛效应梯度分离不同尺寸的气体分子，以在分子尺寸上对气体响应信号进行谱学展开，从而对由标识性气体决定的待测气体进行先天识别，以此减少后天训练量。
为实现上述目的，按照本发明的一个方面，提出了一种可先天识别和后天训练的气体识别方法，该气体识别方法包括如下步骤：
S1根据待测气体中标识性气体的动力学分子尺寸，确定气体传感阵列中气体过滤模块的孔径，然后将所述待测气体通入该气体传感阵列，以此将所述待测气体根据分子尺寸进行分离和识别；
S2首先进入无导师模式，分别对每个所述气体传感阵列采集到的信号进行无导师模式识别，判断不同分子尺寸对应的标识性气体的浓度，以此通过先天识别的方式获得所述待测气体的识别结果；
S3最后进入有导师模式，将后天训练建立的信号与样本特征的模式识别映射关系作为数据库，输入所述气体传感阵列采集到的全部信号，即可获得所述待测气体的特征，以此通过后天训练的方式获得所述待测气体的识别结果。
作为进一步优选的，所述步骤S1中，若所述标识性气体的动力学分子尺寸Di(i＝1,2,…,n,n≥1)的关系为D1＜D2＜…Dn，则所述气体过滤模块的孔径Ki(i＝1,2,…,n+1，n≥1)的关系为K1＜D1＜K2＜D2＜…＜Dn＜Kn+1，其中Di为第i个分子尺寸，Ki为第i个气体过滤模块的孔径。
作为进一步优选的，所述步骤S1中，所述气体传感阵列的种类为一种或多种。
作为进一步优选的，所述步骤S2中，所述无导师模式识别优选采用聚类分析方法进行识别。
按照本发明的另一方面，提供了一种可先天识别和后天训练的气体识别方法在烟草检测中的应用，具体包括如下步骤：
S1将烟草霉变产生的挥发性气体或烟虫生理代谢产生的挥发性气体作为标识性气体，并根据所述标识性气体的动力学分子尺寸确定所述气体过滤模块的孔径，以此获得相应的气体传感阵列，然后将待测烟草产生的挥发性气体通入所述气体传感阵列；
S2首先进入无导师模式，分别对每个所述气体传感阵列采集到的信号进行无导师模式识别，判断不同分子尺寸对应的标识性气体的浓度，以此确定所述待测烟草的霉变程度或烟虫危害程度；
S3最后进入有导师模式，将后天训练建立的信号与烟草特征的模式识别映射关系作为数据库，输入所述气体传感阵列采集到的全部信号，即可获得所述待测烟草的特征，以此通过后天训练的方式对所述待测烟草进行鉴定。
作为进一步优选的，所述步骤S1中，烟草霉变产生的挥发性气体包括1-辛烯-3-醇、2-戊酮和2-甲基-1-丁醇。
作为进一步优选的，所述步骤S3中，所述烟草特征包括烟草醇化程度、烟草产地、烟草等级或烟草真伪。
作为进一步优选的，所述步骤S3中，建立所述数据库包括如下子步骤：
S31将不同特征的烟草作为标准样品，并将所述标准样品产生的挥发性气体通入所述气体传感阵列；
S32根据所述传感阵列采集到的信号与其特征建立模式识别映射关系，以此获得所述数据库。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
1.本发明在气体传感阵列中设置具有孔径依次减小的气体过滤模块，能够基于分子筛效应梯度分离不同尺寸的气体分子，以在分子尺寸上对气体响应信号进行谱学展开，实现复杂气氛的多组分气体检测，大大提升了电子鼻技术的选择性，对于由标识性气体决定的待测气体，可以直接通过先天识别的方式进行检测，对于没有标识性气体决定的待测气体，则通过后天训练的方式进行检测，从而极大地解决了目前电子鼻技术中后天训练工作量大的问题，并减少了传感器识别信号漂移的影响，进而提升了检测结果的准确性；
2.此外，本发明可以应用在烟草检测中，将烟草霉变产生的有机化合物作为标识性气体，可以通过先天识别的方式判断待测烟草的霉变程度，减少后天训练量，同时对于烟草特征如草醇化程度、烟草产地、烟草等级或烟草真伪等，则可以通过后天训练的方式进行识别，从而根据检测需要选择合适的识别方式。
附图说明
图1是本发明优选实施例提供的可先天识别和后天训练的气体识别方法的检测流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明实施例提供了一种可先天识别和后天训练的气体识别方法，该气体识别方法包括如下步骤：
S1根据待测气体中标识性气体的动力学分子尺寸，确定气体传感阵列中气体过滤模块的孔径，然后将待测气体通入该气体传感阵列，以此将待测气体根据分子尺寸进行分离和识别；
更具体地，若标识性气体的动力学分子尺寸Di(i＝1,2,…,n,n≥1)的关系为D1＜D2＜…Dn，则气体过滤模块的孔径Ki(i＝1,2,…,n+1，n≥1)的关系为K1＜D1＜K2＜D2＜…＜Dn＜Kn+1，其中Di为第i个分子尺寸，Ki为第i个气体过滤模块的孔径，并且气体传感阵列具有m种类型，(m≥1，且m为正整数)；
S2首先进入无导师模式，将同一孔径内气体传感阵列采集到的信号Si，1-Si,m(i＝1,2,…,n+1，n≥1)作为一个样本进行无导师模式识别，判断两个孔径之间的分子尺寸对应的标识性气体的浓度，以此通过先天识别的方式获得待测气体的识别结果；
S3最后进入有导师模式，将后天训练建立的信号与样本特征的模式识别映射关系作为数据库，输入气体传感阵列采集到的全部信号Si,j(i＝1,2,…,n+1，n≥1，j＝1,2,…，m)，即可获得待测气体的特征，以此通过后天训练的方式获得待测气体的识别结果。
进一步，步骤S2中，无导师模式识别采用聚类、离散点检测和降维的方式进行识别，并且优选采用聚类分析方法进行识别。
按照本发明的另一方面，提供了一种上述可先天识别和后天训练的气体识别方法在烟草检测中的应用，其包括如下步骤：
S1将烟草霉变产生的挥发性气体或烟虫生理代谢产生的挥发性气体作为标识性气体，并根据所述标识性气体的动力学分子尺寸确定所述气体过滤模块的孔径，以此获得相应的气体传感阵列，然后将待测烟草产生的挥发性气体通入所述气体传感阵列；
更具体地，在烟草储藏过程中，在环境温度合适的情况下，细菌和真菌大量生长，使得烟草发生霉变，产生霉味，其中，常见烟草霉菌类型黑曲霉、产黄青霉等；一般常见的烟草霉菌菌株在代谢过程中产生的微生物挥发性有机化合物(MVOCs)，其中主要包括1-辛烯-3-醇、2-戊酮和2-甲基-1-丁醇，将其作为烟草霉变的标识性气体，利用MaterialStudio6.0软件模拟1-辛烯-3-醇、2-戊酮和2-甲基-1-丁醇的分子架构，得到其分子尺寸分别D1、D2、D3，其中D1＜D2＜D3；根据标识性气体的分尺寸大小选取孔径分别为K1、K2、K3、K4的气体过滤模块，其中K1、K2、K3、K4满足关系式：K1＜D1＜K2＜D2＜K3＜D3＜K4；
在烟草醇化过程中，由于醇化阶段的不同，不同的化学物质含量的变化幅度各异，挥发性有机物(如挥发酸)含量各不相同，因此烟草的醇化程度是混合气体分子综合作用的，因此醇化程度没有标识性气体；
S2首先进入无导师模式，分别对每个气体传感阵列采集到的信号进行无导师模式识别，判断不同分子尺寸对应的标识性气体的浓度，以此确定待测烟草的霉变程度或烟虫危害程度；
更具体地，测试烟草霉变程度的过程中，对获得的信号S1,1-S1,m，S2,1-S2,m，S3,1-S3,m,S4,1-S4,m进行聚类分析，依据信号S4,1-S4,m与S3,1-S3,m的聚类距离，判断标识气体2-甲基-1-丁醇的浓度大小，依据信号S2,1-S2,m与S3,1-S3,m的聚类距离，判断标识气体2-戊酮的浓度大小，依据信号S1,1-S1,m与S2,1-S2,m的聚类距离，判断标识气体1-辛烯-3-醇的浓度大小，以此确定待测烟草的霉变程度；
S3最后进入有导师模式，将后天训练建立的信号与烟草特征的模式识别映射关系作为数据库，输入气体传感阵列采集到的全部信号，即可获得待测烟草的特征，以此通过后天训练的方式对待测烟草进行鉴定，其中烟草特征包括烟草醇化程度、烟草产地、烟草等级或烟草真伪。
进一步，步骤S3中，建立数据库包括如下子步骤：
S31将不同特征的烟草作为标准样品，并将所述标准样品产生的挥发性气体通入所述气体传感阵列；
S32根据所述传感阵列采集到的信号与其特征建立模式识别映射关系，以此获得所述数据库。
按照本发明的一个优选实施例，当测试烟草醇化程度时，建立数据库包括如下子步骤：
S31将不同醇化程的烟草作为标准样品，并将标准样品产生的挥发性气体通入气体传感阵列，可以选择醇化时间为1月、2月、3月…48月的烟叶作为标准样品；
S32根据传感阵列采集到的信号与其醇化程度建立模式识别映射关系，以此获得数据库。
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种可先天识别和后天训练的气体识别方法，其特征在于，该气体识别方法包括如下步骤：
S1根据待测气体中标识性气体的动力学分子尺寸，确定气体传感阵列中气体过滤模块的孔径，然后将所述待测气体通入该气体传感阵列，以此将所述待测气体根据分子尺寸进行分离和识别；
S2首先进入无导师模式，分别对每个所述气体传感阵列采集到的信号进行无导师模式识别，判断不同分子尺寸对应的标识性气体的浓度，以此通过先天识别的方式获得所述待测气体的识别结果；
S3最后进入有导师模式，将后天训练建立的信号与样本特征的模式识别映射关系作为数据库，输入所述气体传感阵列采集到的全部信号，即可获得所述待测气体的特征，以此通过后天训练的方式获得所述待测气体的识别结果。
2.如权利要求1所述的可先天识别和后天训练的气体识别方法，其特征在于，所述步骤S1中，若所述标识性气体的动力学分子尺寸Di(i＝1,2,…,n,n≥1)的关系为D1＜D2＜…Dn，则所述气体过滤模块的孔径Ki(i＝1,2,…,n+1，n≥1)的关系为K1＜D1＜K2＜D2＜…＜Dn＜Kn+1，其中Di为第i个分子尺寸，Ki为第i个气体过滤模块的孔径。
3.如权利要求1所述的可先天识别和后天训练的气体识别方法，其特征在于，所述步骤S1中，所述气体传感阵列的种类为一种或多种。
4.如权利要求1～3任一项所述的可先天识别和后天训练的气体识别方法，其特征在于，所述步骤S2中，所述无导师模式识别优选采用聚类分析方法进行识别。
5.一种如权利要求1～4任一项所述的可先天识别和后天训练的气体识别方法在烟草检测中的应用，其特征在于，具体包括如下步骤：
S1将烟草霉变产生的挥发性气体或烟虫生理代谢产生的挥发性气体作为标识性气体，并根据所述标识性气体的动力学分子尺寸确定所述气体过滤模块的孔径，以此获得相应的气体传感阵列，然后将待测烟草产生的挥发性气体通入所述气体传感阵列；
S2首先进入无导师模式，分别对每个所述气体传感阵列采集到的信号进行无导师模式识别，判断不同分子尺寸对应的标识性气体的浓度，以此确定所述待测烟草的霉变程度或烟虫危害程度；
S3最后进入有导师模式，将后天训练建立的信号与烟草特征的模式识别映射关系作为数据库，输入所述气体传感阵列采集到的全部信号，即可获得所述待测烟草的特征，以此通过后天训练的方式对所述待测烟草进行鉴定。
6.如权利要求5所述的可先天识别和后天训练的气体识别方法在烟草检测中的应用，其特征在于，所述步骤S1中，烟草霉变产生的挥发性气体包括1-辛烯-3-醇、2-戊酮和2-甲基-1-丁醇。
7.如权利要求5所述的可先天识别和后天训练的气体识别方法在烟草检测中的应用，其特征在于，所述步骤S3中，所述烟草特征包括烟草醇化程度、烟草产地、烟草等级或烟草真伪。
8.如权利要求5～7任一项所述的可先天识别和后天训练的气体识别方法在烟草检测中的应用，其特征在于，所述步骤S3中，建立所述数据库包括如下子步骤：
S31将不同特征的烟草作为标准样品，并将所述标准样品产生的挥发性气体通入所述气体传感阵列；
S32根据所述气体传感阵列采集到的信号与其特征建立模式识别映射关系，以此获得所述数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911357258.6A CN111044683B (zh) | 2019-12-25 | 2019-12-25 | 一种可先天识别和后天训练的气体识别方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911357258.6A CN111044683B (zh) | 2019-12-25 | 2019-12-25 | 一种可先天识别和后天训练的气体识别方法及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111044683A CN111044683A (zh) | 2020-04-21 |
| CN111044683B true CN111044683B (zh) | 2021-05-18 |
Family
ID=70239516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911357258.6A Active CN111044683B (zh) | 2019-12-25 | 2019-12-25 | 一种可先天识别和后天训练的气体识别方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111044683B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0510842D0 (en) * | 2005-05-27 | 2005-07-06 | Univ Strathclyde | Spectral nose |
| KR101110535B1 (ko) * | 2010-09-07 | 2012-01-31 | 성균관대학교산학협력단 | 복수 개의 냄새 인식 방법 |
| CN102507677B (zh) * | 2011-11-01 | 2013-12-04 | 重庆大学 | 一种基于多重自组织神经网络的电子鼻漂移抑制方法 |
| CN104569062B (zh) * | 2015-01-30 | 2018-02-02 | 东北电力大学 | 基于分子筛过滤的电子鼻气室 |
| CN208171949U (zh) * | 2018-05-03 | 2018-11-30 | 北京物资学院 | 电子鼻系统 |
| CN109709267B (zh) * | 2018-12-14 | 2021-06-29 | 武汉东昌仓贮技术有限公司 | 一种基于电子鼻的烟叶醇化品质评价方法及系统 |
-
2019
- 2019-12-25 CN CN201911357258.6A patent/CN111044683B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111044683A (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | Use of ESI-FTICR-MS to characterize dissolved organic matter in headwater streams draining forest-dominated and pasture-dominated watersheds | |
| Vita et al. | Volatile organic compounds in truffle (Tuber magnatum Pico): comparison of samples from different regions of Italy and from different seasons | |
| CN109254107B (zh) | 柑普茶快速分类鉴别方法 | |
| CN104569062B (zh) | 基于分子筛过滤的电子鼻气室 | |
| CN103234918B (zh) | 一种液体阵列味觉仿生传感器鉴别白酒香型的方法 | |
| 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 | |
| Li et al. | Early detection and monitoring for Aspergillus flavus contamination in maize kernels | |
| Ohashi et al. | Detecting invisible growth rings of trees in seasonally dry forests in Thailand: isotopic and wood anatomical approaches | |
| CN111044638A (zh) | 一种对不同品种烤烟烟叶分类鉴别的方法 | |
| CN107843695B (zh) | 烟草与烟草制品感官质量的电子鼻仪器评价方法 | |
| Brillante et al. | Carbon isotope discrimination (δ13 C) of grape musts is a reliable tool for zoning and the physiological ground-truthing of sensor maps in precision viticulture | |
| CN107941939B (zh) | 一种利用代谢组学技术区分有机大米和非有机大米的方法 | |
| CN111044683B (zh) | 一种可先天识别和后天训练的气体识别方法及其应用 | |
| CN113340943B (zh) | 基于指纹图谱的水体中嗅味类型和嗅味强度的分析方法 | |
| CN109632892B (zh) | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 | |
| Wilson et al. | Application of conductive polymer analysis for wood and woody plant identifications | |
| Wardle et al. | Coordination of aboveground and belowground responses to local‐scale soil fertility differences between two contrasting Jamaican rain forest types | |
| Liboà et al. | Different Diacetyl Perception Detected through MOX Sensors in Real-Time Analysis of Beer Samples | |
| Frene et al. | Soil physiology discriminates between no‐till agricultural soils with different crop systems on winter season | |
| CN116994647A (zh) | 用于分析变异检测结果的模型的构建方法 | |
| CN112268993A (zh) | 一种基于电子鼻技术对河道水质参数快速监测的方法 | |
| CN105628741A (zh) | 一种基于电子鼻的数据空间转换的猪肉风味自动分类方法 | |
| Eckert et al. | Inter-laboratory comparison of plant volatile analyses in the light of intra-specific chemodiversity | |
| CN114965815B (zh) | 基于化学计量学-感官组学的赋香卷烟纸分类识别方法 | |
| CN114218774B (zh) | 用电子舌研究白酒中关键酸类物质与传感器相关性的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |