智能鱼新鲜度评价

文摘

鱼类和自动识别鱼新鲜度评价渔业应用程序中扮演重要角色。本文描述了一个基于支持向量机(svm)方法来提高鱼识别系统的性能。结果是用于评估的鱼新鲜使用人工神经网络(ANN)。鱼类的识别包括处理图像的鱼。最有效的特征提取,结合down-sampled版本的图像来创建一个一维输入向量。Max-Win算法应用到基于svm有增强的可靠性排序到96.46%。320年Cyranose实现电子鼻(电子鼻),为了实时评估鱼新鲜,是尝试。传感器模式智能处理涉及到使用一个专用的安以下每个物种的研究。最好的估计提供的新鲜是最敏感的传感器。选择数据收集从四个种类的鱼在一段十天。 It was concluded that the performance can be increased using individual trained ANN for each specie. The proposed system has been successful in identifying the number of days after catching the fish with an accuracy of up to 91%.

1。介绍

鱼自动排序的物种是一个重要的过程对于许多渔业应用,如新鲜评估、海洋生态问题,自动化日志渔船捕获的商业和研究。在这个工作中,鱼识别完成,目的是提高新鲜度评价系统的准确性。传统上,鱼皮的模式以及整个形状已经被渔业研究人员使用识别鱼。然而,照明条件下,新鲜的鱼,鱼和肤色的变化影响类型识别。这使得很难手动分类鱼类和正确解释这些发现。

鱼图像作为输入的使用培训系统并不是有效的内存使用是最佳和鱼类型是容易辨认。鱼皮鱼可以纳入拟议中的图像识别系统作为补充,而不是必要的对象识别输入。鱼类型识别基于鱼眼图像和从这些图像中提取有用的参数是系统设计中采用的方法。

支持向量机(SVM)模式识别已经被证明是一种有效的工具(1]。应用支持向量机多类问题的典型方法(N类)是构建N binary-SVM分类器,每个标识一个类在N个不同的类。这些类型的支持向量机被称为1-v-r one-versus-rest(短)。另一个典型的方法是把所有可能的二进制(两级)分类器。在这种情况下,对于N-class问题,N (N - 1) / 2应该训练分类器。这些类型的支持向量机被称为1-v-1 one-versus-one(短)(2]。我们采用1-v-1技术对于这个项目确定鱼类由于其优越的精度。

识别鱼的种类,它的新鲜度,评估。鱼的质量是一个复杂的概念,涉及一系列的因素,新鲜是最重要的一个。它表示程度的各种物理、化学、生物化学和微生物的变化的鱼。的各种感官和仪器方法用来确定鱼的新鲜度,E-nose-based方法继续成为主要的选择(3]。电子鼻系统由传感器阵列,接口电路、嗅探机制和模式识别单元,充当气味分类器。

散发的气味从鱼时生成一个特征模式或电子鼻传感器检测到的打印。收集来自各个传感器的响应,将化学反应转换为电信号,导致气味打印。气味的类型和气味的程度的选择性取决于传感器的选择和数量的传感器阵列。数据处理和模式识别技术可以应用于传感器信号来区分物质或训练系统提供识别基于已知的反应的集合。

已被用于电子鼻鱼新鲜监测和气味评价(4]。气味传感器检测技术和其他方法电子特征提取和数据处理等技术已经用于渔业产品的新鲜度评价(5]。不同的方法用于确定鱼的新鲜度简要概述如下。

欧洲项目,使用两种类型的电子鼻基于不同的抽样程序和传感器技术研究开发的可能性多传感器设备使用电子鼻的组合,光谱,texture-meters,图像分析器,颜色米,测量电特性测量和估计鱼新鲜度(6]。金属电极电位都用作传感器来确定鱼的新鲜度。这些电极被发现是明智的各种非特定的元素,因此多元分析技术被用来从实验得出结论7]。电子鼻系统已经用于确定茶叶和香料的香气和风味8和识别典型的葡萄酒香气9和香烟品牌10]。在本文中,我们提出利用电子鼻其他更复杂的媒介鱼新鲜的决心。

2。方法

在图所示的框图1显式地描述了系统的两个处理组件。基于svm的方法流程的鱼眼图像识别的目的和ANN-based方法流程鱼新鲜的气味打印评估。此外,支持向量机分类器的信息用于提高ANN-based技术性能的详细说明如下。

2.1。物种鉴定

支持向量机是一种监督学习技术,可以应用于分类或回归(11]。支持向量机算法是基于统计学习理论和Vapnik-Chervonenkis (VC)维度[12]。

这些算法试图找到一个独特的超平面的最大利润SVM模型分离不同的类。SVM分类,也可用于复杂模型采用非线性内核。核函数的作用是在原始输入空间执行计算而不是高维(甚至无限)特征空间(11]。因为只有参与支持向量机内积,学习和预测多层神经网络(要快得多5]。图2显示了一种支持向量机与一个测试模式的结构和支持向量这是非线性函数映射到特征空间吗,并且计算点的产品(11]。

支持向量机有一个更快的训练时间等统计训练方法和使用更少的内存空间。然而,在图像分类应用程序使用的原始图像作为训练支持向量机的输入会导致很大的内存空间,因此利用很长的训练时间。因此,在本研究中,我们使用鱼眼的特点和鱼皮图像作为训练支持向量机的一部分,而不是原始的图像。

最优分离超平面(OSH)是超平面的最大优势对于一个给定的有限集的学习模式(11]。线性支持向量机执行二进制模式分类找到奥什函数。的参数和b取决于学习的例子。是转置矩阵的。假设线性可分的数据和他们的类标签()。在可能的线性判别函数,给定的数据没有错误进行分类,分类器函数的目的是找到一个奥什的分离表面分离两类模式最大利润(表面之间的最大距离和最近的数据点的每个类)(5]。这些最近的点到超平面称为支持向量。合成超平面称为奥什。最优权向量,,被定义为因此,分离超平面的方程是由两个不同的类系数是由求解一个二次规划问题。只支持非零向量。这意味着,参数w给出了一个线性支持向量机的支持向量的线性组合。

上述学习方法可以扩展到非线性分类器。

让是一个从输入空间的非线性映射X一些特征空间F。我们可以构造一个线性分类器的特征空间,利润最大化是我们在输入空间。给出的判别函数在哪里表明特征空间的内积F。

非线性支持向量机学习,我们不需要显式地指定的非线性映射。我们需要的是一个“核函数”k(x, y),使特征空间的内积: 通过引入核函数,特征空间是隐式地指定。

决策函数的输入向量x被定义为在哪里表示一个学习向量,SV表示支持向量的集合。k(a、b)是核函数。分类结果是由函数的符号。

的参数通过解决下面的二次规划问题: C是一个惩罚参数学习错误。

支持向量机的学习方法是结构风险最小化(紧密相关12),从而支持向量机可以将具有良好的泛化能力。

Max-Win [13]算法可能是最典型的1-v-1多级识别的方法。分类器的总数对于一个N海尔集团的问题(14]。作为多类识别方法使用1-v-1问题,Max-Win算法。在Max-Win算法中,每个支持向量机投下一票的识别结果是全班最高的票数。

一个输入模式是所有成对分类器。接收输入,每个支持向量机决定输入模式所属的类。它被认为是“投票”。我们可以用“选票”的数量为每个类的信心。最后的答案是获得选票的最大数量的类。识别时间成正比支持向量机的数量。通常,Max-Win算法的性能很好。然而,它的评估时间与操作的数量,,速度非常慢。

一个新的策略中使用两级分类器的设计。它使用投票机制但不投票第一级的最终预测的分类器被称为0。票和真正的类之间的关系引起的第二个层次的分类算法命名为一级。图3显示该分类器的框图。

在图3,有支持向量机分类器在0表示输入模式评估每个1-v-1 SVM (我与j)坐落在这个水平。任何分类的支持向量机输入作为一个类,它被认为是“不-j”。这个层次的每个分类器的输出将被视为一个输入为第1层,用于标签类的输入。

这个过程可以概括如下:

(我)将测试数据作为输入应用于所有级别0并行SVM分类器,(2)使用支持向量机分类器的预测级别0作为一级分类器的输入数据,和(3)使用MAX-Win算法来确定一级的输出作为识别结果。232年的实验中进行了使用数据库图像的鱼鱼的眼睛从四个不同的类型。鱼眼图像的样本被用于这项研究如图4。

(一)

(b)

(c)

(d)

所有图片在一个统一的照明条件下。其他摄影的参数如鱼与相机的位置也被固定在图像采集过程中为了减少处理行业错误。

使用最有效的特征提取鱼鱼的眼睛和皮肤,除了downsampled版本的选择图片,导致降低训练时间和提高性能在鱼类识别。选择一个最佳的图像尺寸保证降低计算成本和更快的响应,同时训练和测试支持向量机。然而,缩减图像可能导致损害提供的信息量,提高识别的错误。因此,像素图像大小被选为适合拟议的系统。一个像素图像后来减少到一个图像在抽样。每个鱼的400鱼眼图像样本类型选择和连接4从相同的图像中提取特征来生成一个数据集对支持向量机。

每个图像的压缩部分作为SVM的输入的一部分。第二部分的输入向量4从鱼眼图像提取的特征参数。他们正在统计功能,包括意思是,马克斯,性病,var的形象。

因此,而不是使用生鱼形象,我们使用404个样本(400从压缩图像和4提取参数)来减少支持向量机的结构复杂性,减少训练时间。

一个支持向量机实现项目叫做LSSVM实验室(15工具箱是用于这项工作。最小二乘支持向量机(LSs-SVMs) [16,17)标准支持向量机的。我们训练六个支持向量机分类器,每个分类两类。

SVM分类的质量取决于几个参数的组合:容量参数C内核类型K和相应的参数。也没有明确的指导方针,选择最优理论参数集。因此,唯一可行的方法找到一个最优支持向量机预测模型是通过大量的实验。众所周知,支持向量机方法的结果很大程度上躺一个内核的选择,决定了样本分布在映射空间。因此,内核函数应该首先决定。在这项工作中,我们使用中的延时(多层感知器)内核以及线性内核。我们选择惩罚系数的最优值C10、参数等于0.2经验。

2.2。新鲜的评估

320便携式Cyranose电子鼻组成的数组32聚合物炭黑复合传感器是用于我们的实验。这些传感器的电导率变化导致电阻值增加当他们暴露于蒸气或刺激气味。电阻的变化是整个数组,记录为传感器输出一个数字形式的模式。这些模式为不同的蒸汽(不同的和独特的18]。拥有一个内置的神经网络可以被训练来识别特定的刺激和刺激的生成特定的气味指纹的因素使电子鼻作为首选选择其他商用产品。

四种选择:红鲷鱼、鲂鱼Tarakihi和鲹。选择鱼碎肉的储存在冰箱里。固定数量的肉的鱼被从冰箱里拿出,暴露在室温下每个实验之前为了让样品室温。这些样本被分为四个无菌眼镜(每一个玻璃鱼)在温度控制的环境中。阅读来自样品的顶部空间通过手动介绍电子鼻系统。为目的的评估,电子鼻传感器对样本的位置是固定的。基线清洗时间、采样时间和清洗时间的电子鼻准确地为每个实验设置,以避免错误。时间允许记录完整的气味电子鼻打印30秒的采样时间。足够的时间被允许为每个数据收集完成样品气味打印和打扫房间。不同的样品相同的鱼每天测量(除了天3和4)超过十天的时间。 The smell prints generated from these measurements were used to ascertain the fish freshness. The proposed method may be used in other countries for the identification of fish species by training the data sets to be selected accordingly.

2.2.1。实验数据

将气味转换为传感器的过程生成时间序列的模式结果成千上万的每个传感器的阻力值。我们四的气味选择转换类型的鱼闻打印/天1、2,5,6,7,8,9,10后的鱼(没有数据被收集在天3和4)的采样间隔30秒,大约2000每个过程中每个传感器收集的样本。因此,大约2048000个数据样本[4(鱼)8(天)32(传感器)2000(样本)= 2048000]。显然,处理如此大量的原始数据进行分类需要一个复杂的分类器。图5显示了666个样本的阴谋味道打印响应的传感器1暴露后的红鲷鱼鱼。

图6显示所有32个传感器的相对反应为选定的鱼(Tarakihi)。

相对价值计算,基于不同的smell-prints连续两天之间(例如,一天7和8)。它可以观察到,一些传感器显示更好的反应比别人。这是由于这样的事实:电子鼻传感器制造不同的应对方式不同的气味,在目前情况下传感器3、4和6对鱼的气味反应很好。然而,一些传感器(如传感器23)具有良好反应消除由于不稳定反应不同的鱼。因此,神经网络分类器训练和测试,我们选择传感器的smell-print 3、4和6只。

为了减少数据的大小,进一步简化分类器,我们决定只评估评估测试4天(每天2、5、7、8)。因此,初始数据的大小减少到96000个样本:[4(鱼)4(天)3(传感器)2000(样本)= 96000]。

此外,发现每闻到打印2000个样本由大约8相似脉冲的脉冲宽度小于250个样本。达到一个更好的数据换算系数,我们应用一个窗口的宽度200样品气味打印。窗口选择脉冲从其前沿选择气味打印。这种方法使每个嗅觉打印的时间序列被固定到一个200 -取样间隔和初始数据的大小减少到9 600个样本:

2.2.2。参数提取

提取几个数值特征可以从原始数据强劲描述气味打印导致减少使用的数据集的大小。在这种情况下,样本的数量来描述单个传感器反应是减少从200样品50个样本中讨论19]。

从选中的脉冲最有效的特征提取以及down-sampled版本。因此每个分类器的输入向量由两部分组成。固定200 -取样间隔发起的前沿脉冲smell-print被选中和down-sampled 5倍生成40-sample压缩部分,这是第一个组件的输入到神经网络架构。第二部分的输入向量包括10特征参数提取相同的200 -取样间隔。这些统计特性是:值,最小(最小值),最大(max), standard偏差(std),方差(var),值,意味着/平均绝对偏差(疯狂)几何平均(geomean),标准偏差(std_m),方差(var_m) mean-removed数据。

我们使用50组件(10 + 40压缩组件特性)而不是使用200个样本的原始味道。减少数据的大小减少了网络的复杂性和提高数据分类的性能。

3所示。神经网络分类器

固有的大规模并行分布式架构在人工神经网络用于信息处理和信号的分类不同的系统。他们具有计算模型和由处理元素的集合称为神经节点(神经节点)和加权连接(突触)[10]。一个安可以由输入数据训练学会提取输入数据的统计特性进行身份鉴定。在学习过程中,有意义的输入和输出变量之间的关系可以建立起来。此外,安标识不同的输入数据和输出变量之间的关系(类)在训练阶段适应体重因素分配给各层之间的联系。在测试阶段,新数据(如一个新的气味打印)可以通过网络,解释和输出计算基于固定重量的因素(20.]。

气味打印分类是由前馈人工神经网络组成的三层的神经元。预处理数据,提出了人工神经网络的输入层隐层和输出层的进一步处理。人工神经网络是计算的建模工具,已经广泛应用于许多学科模型复杂的问题(21]。他们被应用于电子鼻数据为目的的分类(22- - - - - -29日]。分类的训练可以使用安鱼新鲜度和识别后的那一天。

提取特征的电子鼻传感器和人工神经网络是用来评估分类的新鲜的鱼味道打印数据根据数据收集的日子。

不同的神经网络结构,用于确定一个最佳解决方案的智能分析实际鱼新鲜,这四个网络,基于多层前馈模型的三层包括输入,和输出层,选择隐藏。

总共有50所包含的输入向量元素显示在输入层神经元的数量应该等于50。的最佳隐层神经元数选择经验等于15和转换功能的“tansig”被选为这一层。输出(目标)向量可以定义为1秒和0秒来表示每个类。确定实际的天,鱼被分为四个不同的类别,在输出层神经元的数目可以是2或4。我们选择2为输出层神经元有4的组合(00,01、10和11)分配给每个类的输出。“tansig”的变换函数也选择了这一层。

每个安与随机初始化权值神经元之间的连接。一个训练数据集,与一个已知的结果,进入输入神经元。安比较自己的输出值与已知结果和计算均方误差(MSE)的价值。这个错误的价值将会改变权重的连接更新。安试图最小化误差根据学习算法通过调整权重。这个过程重复一个预定义的时代。最后,新的数据与未知的结果值可以被测试的安回忆阶段。应该注意的是,有一个小分类错误由于MSE的非零值为每个网络。

4所示。结果

4.1。物种鉴定

在前一节中提到,232年的实验中进行了使用数据库收集的图像从四种不同的鱼鱼的眼睛。数据库被分为两组。第一组(训练数据集)包括176从每个鱼图像包含44眼图像类型。

第二组(测试数据集)包括剩下的56个图像,包括14眼图像的每个鱼类型。结果的应用提出的支持向量机分类器对测试数据为目的的物种识别列表在表1。


鱼的类型	分类速度

鲂鱼	100%
Tarakihi	95年 $\pm$ 2%
红鲷鱼	95年 $\pm$ 2%
鲹	95年 $\pm$ 4%

4.2。新鲜的评估

同样的训练参数选择对所有网络。为了减少任何错误引起的体重初始化,每个网络训练5次通过随机选择的训练集的输入。

在表2,第二个索引分配给每个净显示的数量尝试培训网络。例如,Net1-3意味着:Net1在第三个培训。


鱼的类型	分配	不。的	均方误差	平均
	网络	尝试		均方误差

鲷鱼	Net1	Net1-1	3.27333 e - 007	2.50 e-02
		Net1-2	9.55535 e - 008
		Net1-3	0.125094
		Net1-4	2.78121 e - 007
		Net1-5	1.51417 e - 008

鲂鱼	Net2	Net2-1	7.04806 e - 007	1.25 e-02
		Net2-2	0.0416668
		Net2-3	0.0208342
		Net2-4	1.28665 e - 006
		Net2-5	1.39123 e - 007

Tarakihi	Net3	Net3-1	1.07294 e - 009	5.44 e-02
		Net3-2	4.39311 e - 008
		Net3-3	0.25
		Net3-4	1.39601 e - 007
		Net3-5	0.0218682

鲹	Net4	Net4-1	5.83483 e - 008	4.17 e 03
		Net4-2	2.41354 e - 008
		Net4-3	2.41375 e - 007
		Net4-4	3.80799 e - 008
		Net4-5	0.0208341

培训时代被设置为100,TRAINLM训练函数(因为它是非常快的)用于所有四个网络。TRAINLM是一个非常快的网络训练的MATLAB函数更新重量和偏差值根据Levenberg-Marquardt优化(17]。

4.3。测试结果

从表中给出的结果2,我们选择最好的训练网络,Net1-5(鲷鱼),Net2-5(鲂鱼),Net3-1 (Tarakihi),和Net4-2(鲹)。

所选择的网络被用来测试鱼新鲜使用32个测试数据集。正如前面讨论的,提取的特征数据集包括四个鱼的气味打印选定的天的数据收集(天2、5、7和8)。

正确的识别和速度的平均天数后抓的鱼是报道后的天数平均捕获的鱼被发表在表3。


鱼的类型	选择	不。天	正确的	平均
鱼的类型	网络	后	分类	正确的
		鱼	率 $(%)$	率 $(%)$

鲷鱼	Net1-5	2	91.67 $%$	95.83
		5	One hundred. $%$
		7	91.67 $%$
		8	One hundred. $%$

鲂鱼	Net2-5	2	83.33 $%$	93.75
		5	91.67 $%$
		7	One hundred. $%$
		8	One hundred. $%$

Tarakihi	Net3-1	2	83.33 $%$	91.67
		5	91.67 $%$
		7	91.67 $%$
		8	One hundred. $%$

鲹	Net4-2	2	91.67 $%$	95.83
		5	One hundred. $%$
		7	91.67 $%$
		8	One hundred. $%$

5。讨论和结论

研究开展鱼类识别处理从鱼眼使用统计学习样本。新设置的功能已经从最初的鱼眼图像中提取其次是二级分类器的发展提高训练分类器的泛化性能。的统计特性,如意思是,马克斯,性病,var,从鱼眼图像中提取。数据集被用来训练的一部分,另一部分用于测试提出了基于svm的分类器。

评估232年进行鱼眼图像显示,二级分类器的性能使用线性和MLP内核很好整体分类率96.46%。识别的鱼没有可见的眼睛的一些特殊情况,如比目鱼和鞋底,鱼皮图像可以用来代替鱼眼图像。

商业电子鼻在食品行业的使用和质量控制评估鱼新鲜度等感兴趣的话题。抓鱼之后,它开始退化。环境条件如温度和含水量扮演了一个重要的角色在维持鱼的新鲜度。电子鼻可以使用不仅估计新鲜,还可以用它来预测它的降解速度给定的环境条件。电子鼻也可以用来控制环境条件通过一定的反馈机制来延长鱼新鲜度。

在本文中,我们提出了一个鱼新鲜度评价方法基于便携式E -鼻子和ANN分类器。化学传感器的阵列,形成的基础,电子鼻响应信号模式针对不同天的每个鱼类型。ANN-based分类器处理这些信号和分配个体鱼的新鲜度水平。

该方法测试样品的四个鱼在不同天。结果使用类似的架构为所有四个网络(50,15日和2个神经元的输入,隐藏起来,和输出层,职责)。网络训练与不同的训练数据集,从个体鱼,因此重量值在他们的层次是不同的。5次训练后的网络,我们选择最好的训练网络为每个鱼。通过随机选择学习和测试集,平均误差与学习2.50 e-02(Net1),1.25 e-02(Net2),5.44 e-02(Net3)4.17 e 03(Net4)。

在所有四个鱼可以使用一个网络分类,使用四个不同网络的目的是提高系统的准确性。评估个体鱼的新鲜度是由一个特定的网络培训的形式。

相当准确评估鱼的新鲜度已经获得了所选样本。的平均正确分类的天数后抓鱼是95.83%,93.75%,91.67%,95.83%为选定的鱼类型。结果证实,该评估方法可以被认为是一个合适的新鲜技术评估。不过,它必须是备案的样本被保存在冰箱是可行的方法来存储和新鲜与冰箱存储环境。

共同的缺点对质量控制在工业环境中,这个过程是缓慢和分析需要实验室设施、高素质的员工队伍。此外,有困难出现在建立标准使用在不同的位置。这个系统的主要障碍的方式被认为是一个商业解决方案在于质量控制器/检查员需要评估一批新鲜的鱼而不是单个的样品。就业这个系统的批处理鱼仍在探索。

总之,电子鼻可以使用不仅估计新鲜,还可以用来预测它降解速度给定的环境条件。电子鼻也可以用来控制环境条件通过一定的反馈机制来延长鱼新鲜度。使用四种不同的网络可以提高系统的准确性。进一步的研究正在进行,使系统在商业上可行。

引用

a . Navia-Vazquez和大肠Parrado-Hernandez“支持向量机解释,”Neurocomputing,卷69,不。13 - 15,1754 - 1759年,2006页。视图:出版商的网站|谷歌学术搜索
j·c·普拉特:Cristianini, j . Shawe-Taylor“大型多级分类保证金无进取心的人,”先进的神经信息处理系统》12卷,第553 - 547页,2000年。视图:谷歌学术搜索
f . Winquist h . Sundgren, i Lundstrom“电子鼻的实际应用:鳕鱼角可以在柜台买到的质量评估”《第八届国际固态传感器和致动器和会议Eurosensors 95(传感器),1卷,第698 - 695页,1995年6月瑞典斯德哥尔摩。视图:谷歌学术搜索
下午。s Vaihinger Schweier-Berberich, w . Gopel”,与传感器阵列特征的食物新鲜,”传感器和执行器B,18卷,不。1 - 3、282 - 290年,1994页。视图:出版商的网站|谷歌学术搜索
g . Olafsdottir p . Nesvadba c . Di Natale et al .,“多传感器对鱼质量的决心,”食品科学与技术的趋势,15卷,不。2、86 - 93年,2004页。视图:出版商的网站|谷歌学术搜索
l .陈淮,g . Olafsdottir电子鼻的发展和应用新鲜渔业产品的评估,“中国渔业杂志》上,26卷,不。3、275 - 280年,2002页。视图:谷歌学术搜索
l·吉尔·e . Garcia-Breijo j . m .强烈阵雨et al .,”,通过金属电极电位,分析鱼新鲜”IEEE国际研讨会工业电子学报》(ISIE ' 07)西班牙维哥,页1485 - 1490,,2007年6月。视图:出版商的网站|谷歌学术搜索
k . r . Kashwan和m . Bhuyan健壮的电子鼻系统,温度和湿度漂移补偿茶叶和香料味道歧视,”传感器和亚洲会议国际会议在制药和生物医学研究新技术,页154 - 158,吉隆坡,马来西亚,2005年9月。视图:出版商的网站|谷歌学术搜索
j . Lozano j·p·桑托斯·m·Aleixandre Sayago, j·古铁雷斯和m . c . Horrillo”识别典型的葡萄酒香气的电子鼻,”IEEE传感器杂志》第六卷,没有。1,第178 - 173页,2006。视图:出版商的网站|谷歌学术搜索
d·罗·h·Gholam Hosseini, j·r·斯图尔特“安提取参数的应用电子鼻在香烟的品牌识别,”传感器和执行器B,卷99,不。2 - 3、253 - 257年,2004页。视图:出版商的网站|谷歌学术搜索
任y, h·刘,c .雪x姚明,m . Liu和风扇,“分类皮肤增敏剂的研究基于支持向量机和线性判别分析,“分析Chimica学报,卷572,不。2、272 - 282年,2006页。视图:出版商的网站|谷歌学术搜索
z Haoran z长江,w .爱x Xiuling, c .秀山,“一个新的支持向量机及其学习算法”学报第六届世界大会在智能控制和自动化(WCICA 06年)大连,页2820 - 2824年,中国,2006年6月。视图:出版商的网站|谷歌学术搜索
y, z, l .曹”小说,快速的基于svm多分类器,模式识别,39卷,不。11日,第2264 - 2258页,2006年。视图:出版商的网站|谷歌学术搜索
W.-T。黄工程学系。许”,应用支持向量机对图像检索和安。”欧洲运筹学杂志》上,卷173,不。3、938 - 950年,2006页。视图:出版商的网站|谷歌学术搜索|MathSciNet
k . Pelckman j . a . k . Suykens t . van Gestel和j·德布拉班特“LS-SVMlab工具箱用户指南,1.5版本,“Katholieke项目鲁汶鲁汶,比利时,2003年。视图:谷歌学术搜索
范德维尔j . k . Suykens和j .最小二乘支持向量机分类器”,神经处理信件,9卷,不。3、293 - 300年,1999页。视图:出版商的网站|谷歌学术搜索
t·范Gestel j . a . k . Suykens b Baesens et al .,“基准最小二乘支持向量机分类器,”机器学习,54卷,不。1,5-32,2004页。视图:出版商的网站|谷歌学术搜索
r·杜塔·e·l·海恩斯j·l·加德纳和p . Boilot”细菌分类使用Cyranose 320 elecetronic鼻子,“生物医学工程在线第四条,卷。1日,1 - 7,2002页。视图:出版商的网站|谷歌学术搜索
s . a .真品,t·p·马丁和j·f·鲍德温,“学习规则气味识别在电子鼻子,“国际期刊的不确定性、模糊性和Knowlege-Based系统,11卷,不。5,517 - 543年,2003页。视图:出版商的网站|谷歌学术搜索
r·林德和s . j . Poppl”一种新的神经网络方法分类嗅觉信号精度高,“食品质量和偏好,14卷,不。5 - 6,435 - 440年,2003页。视图:出版商的网站|谷歌学术搜索
工程学系。廖和学术界。温,“人工神经网络分类和聚类的方法和applications-literature分析从1995年到2005年,“专家系统与应用程序,32卷,不。1、1 - 11,2007页。视图:出版商的网站|谷歌学术搜索
m . s . Cosio d . Ballabio趣事,和c . Gigliotti”特级初榨橄榄油的地理起源和验证电子鼻子与人工神经网络相结合,“分析Chimica学报,卷567,不。2、202 - 210年,2006页。视图:出版商的网站|谷歌学术搜索
Balasubramanian Panigrahi, s, h·顾c·罗格和m . Marchello”Neural-network-integrated电子鼻系统识别被宠坏的牛肉,“轻型-食品科学和技术,39卷,不。2、135 - 145年,2006页。视图:出版商的网站|谷歌学术搜索
b . g . Kermani s s Schiffman, h·t·纳格尔”Levenberg-Marquardt神经网络训练方法的性能在电子鼻的应用程序中,“传感器和执行器B,卷110,不。1,13-22,2005页。视图:出版商的网站|谷歌学术搜索
j·h·孙r .史密斯,e . Yoong j .花环和g·加尔文,“量化的气味从猪舍污水池使用电子鼻子和一个人工神经网络,”生物系统工程,卷86,不。4、399 - 410年,2003页。视图:出版商的网站|谷歌学术搜索
d高,c .明明,y,”同时估计类和气味的浓度由一个使用结合电子鼻和模块化多层感知器,”传感器和执行器B,卷107,不。2、773 - 781年,2005页。视图:出版商的网站|谷歌学术搜索
k . Brudzewski s Osowski t Markiewicz, j . Ulaczyk”分类的汽油补充生物制品通过电子鼻子和神经网络,支持向量机”传感器和执行器B,卷113,不。1,第141 - 135页,2006。视图:出版商的网站|谷歌学术搜索
a . k . Pavlou n .马江j·m·琼斯,j·布朗,p . Klatser和a·p·f·特纳”检测结核分枝杆菌(TB)体外和原位使用电子鼻子结合神经网络系统中,“生物传感器和生物电子学,20卷,不。3、538 - 544年,2004页。视图:出版商的网站|谷歌学术搜索
p·埃文斯,k . c . Persaud a . s . McNeish r·w·斯尼斯n .霍布森和n .马江”评价的径向基函数神经网络的决心小麦从电子鼻数据质量,”传感器和执行器B,卷69,不。3、348 - 358年,2000页。视图:出版商的网站|谷歌学术搜索