基于气体传感信息的冷鲜羊肉新鲜度预测方法

为实现冷鲜羊肉新鲜度变化的快速无损检测,本文利用气体传感信息提出一种基于BP神经网络预测冷鲜羊肉新鲜度的方法。对贮藏在4℃下的冷鲜羊肉微环境气体(O₂、CO₂、H₂S)含量进行监测,并测定冷鲜羊肉的4种理化指标(硬度、pH值、颜色、TVB-N含量),分析气体含量和理化指标之间的相关性,以微环境气体(O₂、CO₂、H₂S)含量为基础,以硬度、pH值和TVB-N含量为新鲜度评价标准,建立基于BP神经网络的冷鲜羊肉新鲜度预测模型。结果表明：微环境气体含量与理化指标之间存在显著相关性,建立的预测模型的预测值与实测值相对误差均在5%以内,满足预测的精度要求,对冷鲜羊肉新鲜度检测具有较高的可行性。     

一种羊肉品质无损检测方法的研究

对反映羊肉品质的气味、pH值、表面纹理色泽等信息进行了检测,通过人工神经网络建立了多数据融合检测模型,检测结果与肉类新鲜度国家标准TVB-N值相对应,实现对羊肉新鲜度的快速、无损检测.     

基于神经网络的肉类新鲜度辨识技术

提出了肉类新鲜度检测识别机理,构建了一套由气敏传感器阵列、数据采集单元、神经网络组成的智能检测辨识系统.通过猪肉样本的测试与分析表明,该方法可实时准确地识别肉类新鲜度.     

基于特征挥发性气味物质的冷藏大黄鱼新鲜度预测模型构建

以4℃冷藏大黄鱼为研究对象,测定其菌落总数、挥发性盐基氮(TVB-N)值、K值、硫代巴比妥酸(TBA)值等新鲜度指标以及气味轮廓特征,挖掘与新鲜度相关的挥发性气味物质,并利用偏最小二乘法(Partial Least-Squares, PLS)和BP(Back Propagation)神经网络建立挥发性气味物质预测TVB-N值的数学模型.结果表明,大黄鱼冷藏过程中菌落总数、TVB-N值、K值、TBA值均显著上升(P<0.05).贮藏6.16 d TVB-N值达到腐败上限,贮藏8.6 d菌落总数达到可食用上限.电子鼻分析结果显示不同贮藏时间大黄鱼气味轮廓具有显著差异;顶空固相微萃取-气相色谱-质谱联用(SPME-GC-MS)结果显示,与新鲜度最显著相关的挥发性物质主要是醛类和烷烃类气体,包括十二烷、三氯甲烷、苯、正辛醛、壬醛、正十七烷、姥鲛烷、癸醛、苯甲醛.建模结果显示,PLS预测模型的预测能力达到88.7%,BP神经网络模型的相关系数达0.988,说明两个模型都可实现利用挥发性气味物质预测冷藏大黄鱼TVB-N值的目的.本研究为冷藏海水鱼的新鲜度评价、货架期预测以及品质监测气敏性传感...     

基于聚类和模糊神经网络的故障诊断

模糊神经网络能够发挥模糊逻辑和神经网络的特性,在武器装备的故障诊断中应用越来越广泛。文中提出了一种基于聚类和模糊神经网络的故障诊断模型,该模型首先通过基于关系度的聚类方法得到模糊神经网络的初始结构,并用梯度下降法对网络的参数进行修改,以得到泛化能力好的诊断网络。仿真结果表明该模型是有效的。     

基于生物阻抗技术的淡水鱼新鲜度检测方法研究

针对单独以阻抗模值条件或相角条件对淡水鱼新鲜度检测存在判别准确度不高的问题,提出了综合阻抗模值和相角两个条件并结合神经网络对淡水鱼新鲜度进行检测的方法.以模值和相角作为输入因子,以TVB-N作为输出因子,建立了淡水鱼新鲜度3层BP神经网络预测模型.实验结果表明,该模型对于淡水鱼新鲜度判别准确率达到95%,相对于单独模值条件或相角条件判别,准确度显著提高.     

基于多信息处理的肉类新鲜度检测方法研究

为找出一种快速、有效、科学的检测肉类新鲜度的方法,分析了肉类新鲜度检测辨识机理,构建了一套基于电子信息技术、光电检测技术、图像处理技术以及神经网络模式识别技术的智能检测辨识系统.通过对猪肉样本的测试与分析表明,该系统可实时准确地识别肉类新鲜度.此外,该方法可应用到其他相关检测领域,研究成果具有重要的现实意义.     

基于聚类算法的选择性神经网络集成

为了提高集成个体的差异度,提出了一种利用聚类算法去除冗余个体的选择性集成方法,该方法通过使用神经网络作为基学习器,并在多值分类数据集上进行实验．结果表明,该技术计算效率高,精度与稳健性也与基于遗传算法的选择性集成方法相当甚至占优．     

基于电子鼻的鱼类新鲜度估计研究

以新西兰市场上最受欢迎的四类鱼(红甲鱼、鲂鱼、唇指鲈和(澳洲)鲹)为对象研究鱼的新鲜度。在同一实验室环境下,运用便携式电子鼻Cyranose 320测量这四类鱼被储藏第1,2,5,6,7,8,9,10(第3,4天的未测量)天后对应的同一样品,每个样品测量一次对应每个传感器平均采样2000个左右数据,获得大约2.048×106[4(鱼)×8(天)×32(传感器)×2 000(采样)=2 048 000]个数据。将实验数据进行特征提取及人工神经网络(ANN)分析处理,得到传感器对每类鱼每天的响应模式,进而估计鱼的新鲜度,获得了91%以上的正确识别率。研究结果表明该方法是实用可行的。     

基于PAM聚类方法的RBF神经网络设计

RBF神经网络中心点的选择对RBF网络性能的好坏至关重要。提出了一种利用PAM聚类算法确定径向基函数的数目、基函数中心及宽度,输出层权值由线性方程组确定的RBF神经网络设计方法。通过对UCI数据集的分类仿真实验,结果表明利用该方法设计的RBF网络具有良好的分类效果,能有效减少网络的训练时间且对孤立点数据不敏感。     

基于粗糙集和自组织神经网络的聚类方法

自组织神经网络在学习过程中采取竞争机制选取最优匹配神经元获胜，然而实际情况可能有一组神经元都非常匹配输入向量。引入粗糙集的上近似与下近似理论，选择一组最匹配神经元获胜。实验证明基于粗糙集和自组织神经网络的聚类算法，较之传统的自组织神经网络聚类算法聚类结果更平均，死神经元更少，是一种良好的聚类算法。     

基于改进kmeans聚类方法的RBF神经网络设计

提出了一种利用改进的kmeans聚类算法确定径向基函数的数目、基函数中心及宽度,输出层权值由线性方程组确定的RBF网络设计方法．通过对函数逼近的仿真实验,表明该RBF网络比Kmeans聚类算法设计的RBF网络更加稳定高效．     

基于神经网络技术提高红外气体分析器的选择性

应用前馈神经网络算法消除非目标参量对主传感器的干扰,从而提高了红外气体分析器的选择性.以检测甲烷为例,在干扰气体乙烯的体积分数变化了7600×10-6时,经神经网络融合处理后,分析器的选择性系数从3.17提高到422,主传感器输出的引用误差从58%降为0.65%,实现了对甲烷的准确识别.实验结果表明,该方法具有实际应用前景.     

基于密度聚类补偿模糊神经网络的建模方法

补偿模糊神经网络是综合补偿模糊逻辑和神经网络的混合系统。提出了将密度聚类算法运用到补偿模糊神经网络的输入模糊化和规则提取中。通过该方法对非线性系统的建模,仿真结果证明改进后的网络在提取规则、误差精度、收敛速度等方面均优于传统补偿模糊神经网络。     

基于优化遗传算法的灰色-RBF神经网络预测模型研究

根据灰色系统、RBF神经网络的模型及遗传算法原理,提出了一种基于灰色系统与改进的遗传算法RBF神经网络的系统预测模型,采用改进的遗传算法对该模型进行全局优化,最后用实验验证了模型的有效性,对比分析了单独使用GM(1,1)和RBF神经网络模型的预测结果.结果证明,优化后的预测模型的预测精度高于另外两种模型的预测结果.     

基于聚类的神经网络规则抽取算法

为了从人工神经网络中抽取规则,提出一种新的规则抽取算法。网络被训练并剪枝后,将隐节点的激活值离散化,对输入到隐节点的权重进行聚类,聚类过程中可根据隐节点的激活值动态调整权值聚类数目,进而高效准确地抽取规则。实验结果表明,该算法可明显降低规则抽取的时间复杂度,减少生成规则的数量。     

基于聚类优化的RBF神经网络多标记学习算法

多标记学习采用RBF神经网络与K-means聚类算法相结合取得了较好的效果,但由于聚类数事先不能很好地确定,无法给出准确的聚类个数值,会导致聚类质量下降、聚类结果不稳定等,进而影响RBF神经网络多标记算法的稳定性及分类性能。本文从样本几何结构的角度出发,采用一种聚类有效性指标函数,为每个类寻找最优的聚类个数,从而优化问题的求解。理论研究和实验结果表明,改进后的算法在分类的稳定性及分类性能方面都有较好的表现。     

基于神经网络树和人工蜂群优化的数据聚类

针对高维数据引起的"维数灾难"问题,设计了一种基于神经网络树和人工蜂群优化的高维数据聚类算法.首先,设计了改进的二元人工蜂群优化算法,以封装式方法最大化径向基函数网络的准确率,以过滤式方法最小化特征的冗余度;然后,基于每个特征子集的样本集训练径向基函数网络,构建以径向基函数网络为节点的神经树;最终,采用门网络将连接的类...     

基于聚类的l-多样性匿名方法

-多样性(I-diversity)模型采用传统基于概念层次结构的数据概化策略,在对敏感属性进行匿名保护时往往会造成不必要的信息损失。针对这一问题,将聚类技术引入数据匿名中,提出一种基于聚类的I-diversity匿名保护方法。该方法在满足I-diversity模型的约束条件下,采用基于距离的层次化聚类算法划分元组,对不同类型的准标识符使用不同的概化策略,并依据数据概化前后属性值不确定性程度的变化描述数据概化带来的信息损失。同现有的I-diversity模型相比,该方法能较好地保护用户的敏感属性,并且在一定程度上降低了概化处理带来的信息损失。     

基于数据场的Kohonen聚类神经网络

Kohonen聚类神经网络（KCN）在处理数据集的聚类问题时具有良好的准确性.但KCN算法在随机选取初始权值时存在不足,而且在处理存在孤立点和“噪声”时算法鲁棒性和可靠性较差.使用数据场的概念对KCN聚类算法进行了有益的改进.实验表明,改进后的算法相对于随机选取初始权值具有较高的准确率。摘要：Kohonen聚类神经网络（KCN）在处理数据集的聚类问题时具有良好的准确性．但KCN算法在随机选取初始权值时存在不足，而且在处理存在孤立点和“噪声”时算法鲁棒性和可靠性较差．使用数据场的概念对KCN聚类算法进行了有益的改进．实验表明．改进后的算法相对于随机选取初始权值具有较高的准确率．