典型文献
基于电子舌和电子鼻结合DenseNet-ELM的陈醋年限检测
文献摘要：
目的:实现陈醋酿造年限的快速检测.方法:采用电子舌(ET)和电子鼻(EN)结合密集卷积网络—极限学习机(DenseNet-ELM)模型对陈醋酿造年限进行快速检测,设计两种不同结构的密集卷积神经网络模型ET-DenseNet和EN-DenseNet,分别提取电子舌和电子鼻信号的特征信息,进而采用特征级信息融合方法,获得两种人工感官设备的融合特征向量,然后采用极限学习机(ELM)对融合的特征向量进行分类识别.结果:DenseNet能够有效提取到电子舌和电子鼻信号中深层特征,其特征提取能力优于离散小波变换(DWT)和卷积神经网络(CNN);相比于单独使用电子舌或者电子鼻,信息融合方法对不同年限陈醋检测的准确性和鲁棒性更优,其测试集准确率、查准率、召回率、Fl-Score分别达到99.1％,0.98,0.99 和 0.99.结论:采用密集卷积网络缓解了深度学习模型由于深度增加导致的模型退化、泛化能力弱等问题,可对7种不同酿造年限的陈醋进行有效分类.
文献关键词：
陈醋;年限检测;电子舌;电子鼻;信息融合
中图分类号：
作者姓名：
王首程;于雪莹;高继勇;王志强
作者机构：
山东理工大学计算机科学与技术学院,山东淄博 255049
文献出处：
引用格式：
[1]王首程;于雪莹;高继勇;王志强-.基于电子舌和电子鼻结合DenseNet-ELM的陈醋年限检测)[J].食品与机械,2022(04):72-80,133
A类：
年限检测
B类：
电子舌,电子鼻,DenseNet,ELM,陈醋,酿造,快速检测,ET,EN,密集卷积网络,极限学习机,密集卷积神经网络,卷积神经网络模型,特征信息,信息融合,融合方法,人工感官,融合特征,特征向量,分类识别,有效提取,取到,中深层,深层特征,特征提取能力,离散小波变换,DWT,不同年限,测试集,查准率,召回率,Fl,Score,深度学习模型,模型退化,泛化能力
AB值：
0.315612
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
