10.13652/ji.ssn.1003-5788.2020.08.008
基于电子舌及一维深度CNN-ELM模型的普洱茶贮藏年限快速检测
采用伏安电子舌对不同贮藏年限的普洱茶进行快速检测.将深度学习技术引入到电子舌的模式识别中,提出一种基于一维卷积神经网络(1-D CNN)与极限学习机(ELM)组合的模式识别模型(1-D CNN-ELM).采用该模型结合伏安电子舌对5种不同贮藏年限的普洱茶进行分类鉴别,结果表明,与传统基于离散小波变换(DW T)结合支持向量机(SVM)或极限学习机(ELM)的模型相比,1-D CNN-ELM对普洱茶贮藏年限的分类效果更优,其测试集准确率、精确率、召回率和F1-Score分别达到98.32%,98.0%,98.0%,0.98.试验表明深度学习方法适用于对电子舌信号进行模式识别处理,且具有较高的分类准确性和泛化能力.
普洱茶、贮藏年限、一维卷积神经网络、极限学习机、伏安电子舌
36
山东省自然科学基金;国家自然科学基金;教育部科技发展中心产学研创新基金;赛尔网络下一代互联网技术创新项目
2020-10-13(万方平台首次上网日期,不代表论文的发表时间)
共8页
45-52