一、小麥陳化度鑒別方法初探（論文文獻綜述）
國婷婷[1]（2020）在《基于集成學習的人工電子舌及其在農(nóng)產(chǎn)品質(zhì)量檢測中的應用研究》文中研究指明隨著社會生活水平的不斷提高,人們對農(nóng)產(chǎn)品的品質(zhì)要求也越來越高,因此急需一種高效、便捷、客觀的農(nóng)產(chǎn)品品質(zhì)檢測方法。電子舌智能檢測系統(tǒng)作為一種新型的檢測技術(shù),結(jié)合模式識別方法可以快速獲取液體樣本“指紋信息”,對檢測樣本進行定性和定量分析。但是傳統(tǒng)模式識別方法的預測性能在達到一定水平后很難有更大的提升。因此,本文將集成學習引入電子舌的模式識別中,研制了一套基于集成學習的伏安電子舌系統(tǒng),并將其實際應用于農(nóng)產(chǎn)品品質(zhì)的檢測分析中,具體研究內(nèi)容如下:（1）設(shè)計了一套基于虛擬儀器技術(shù)的智能感官電子舌系統(tǒng),該系統(tǒng)具有體積小、成本低、檢測便捷、無需復雜前處理等優(yōu)點,主要包括傳感器陣列、信號調(diào)理電路、數(shù)據(jù)采集卡、上位機軟件四部分。（2）針對傳統(tǒng)的電子舌模式識別方法泛化性較低、分類精度有限的問題,本文提出采用集成學習方法對單學習器進行有效融合,構(gòu)建不同的集成學習模型,并將其用于對不同加工工藝檸檬片的檢測分析。首先采用離散小波變換對電子舌信號進行預處理,然后以集群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡、K近鄰算法及邏輯回歸算法為基分類器,分別構(gòu)建Bagging、Boosting和Stacking集成學習模型對不同檸檬片進行定性區(qū)分。實驗結(jié)果表明,集成學習方法聚合多個分類器對同一個問題進行學習,并通過一定的策略融合成一個學習器,與單個學習器相比,具有更好的泛化性和準確性。（3）傳統(tǒng)的集成學習算法通常給予基分類器固定的權(quán)重,而不同的樣本對不同的分類器有不同的適應性,針對這一問題,本文引入動態(tài)權(quán)重的思想,提出了一種基于集成學習和動態(tài)權(quán)重（Combination of Ensemble Learning and Dynamic weight,CELEDAT）的電子舌模式識別方法,并將其應用于對不同儲存年限陳化小麥的定性分析。首先采用小波包變換對電子舌檢測數(shù)據(jù)進行預處理,然后采用遺傳算法、粒子群算法等集群算法參數(shù)優(yōu)化后的BP神經(jīng)網(wǎng)絡、最小二乘支持向量機、隨機森林以及極限學習機為基分類器,構(gòu)建CELEDAT模型。實驗結(jié)果表明,CELEDAT模型可以根據(jù)測試樣本更有效的利用不同的基分類器,相比較于Bagging、Boosting、Stacking集成學習模型,CELEDAT模型對不同儲存年限的陳化小麥具有更好的分類識別效果。
張美玲,秦麗瑩[2]（2020）在《稻谷新陳度檢測方法研究進展》文中指出稻谷是我國的主要糧食作物,但在糧食收購過程中,以陳頂新的事件時有發(fā)生,為了更好地完善稻谷新陳度的檢測方法,本文對研究稻谷新陳度的檢測方法進行了綜述,以期為今后稻谷新陳度的快速檢測方法提供相應支持。本文介紹了國內(nèi)外研究稻谷新陳度的檢測方法,其主要包括感官及物理檢驗法、氧化還原法、酸度檢驗法、揮發(fā)性物質(zhì)分析法、光譜法和其他快速檢測儀法,并簡述其原理,同時展望了今后的研究發(fā)展前景。
國婷婷,殷廷家,楊正偉,荊曉語,王志強,李釗[3]（2019）在《基于WPT-IAF-ELM的小麥儲存年限電子舌檢測分析》文中研究表明為實現(xiàn)對不同儲存年限的陳化小麥進行快速、客觀的評價分析,提出基于小波包變換（WPT）、改進魚群算法（IAF）和極限學習機的小麥儲存年限電子舌檢測模型（WPT-IAF-ELM）。針對電子舌輸出信號復雜、數(shù)據(jù)量大的特點,采用小波包變換對原始數(shù)據(jù)進行特征值提取,以降低數(shù)據(jù)維度,縮減數(shù)據(jù)規(guī)模。在此基礎(chǔ)上,采用改進魚群算法優(yōu)化極限學習機參數(shù),建立小麥儲存年限檢測分析模型。應用該模型對5個儲存年限的陳化小麥進行定性分析,結(jié)果表明:該模型具有較好的分類效果,與分別用遺傳算法和粒子群優(yōu)化ELM算法相比,WPT-IAF-ELM的分類效果更優(yōu),其訓練集正確率、測試集正確率、總體分類精度和Kappa系數(shù)分別為96%、92%、95%和0. 91,表明提出的組合模型具有較好的分類效果。
任希艷,趙景鵬,焦洪超,王曉鵑,林海[4]（2019）在《飼用小麥熟化度快速鑒定方法的研究》文中研究指明本試驗旨在選擇快速、簡便的方法,解決生產(chǎn)中小麥的新陳、是否熟化以及新陳摻雜的鑒定問題。試驗選用愈創(chuàng)木酚法、四氮唑鹽染色法、酸度指示劑法對7個品種貯存1、4、8、10、12、14周新小麥（濟麥22、煙農(nóng)173、煙農(nóng)999、良星77、山農(nóng)25、Sh5186、科源088）以及貯存1（濟麥21、煙麥17）、2年的陳小麥（煙麥17）進行鑒定。結(jié)果表明:愈創(chuàng)木酚法在一定程度上能快速判斷出小麥的新陳,但這一方法受品種影響,個別品種新陳小麥染色差異不大。四氮唑鹽染色法可鑒別出新小麥是否完成熟化,以及2年內(nèi)同一品種小麥的儲存年限。酸度指示劑法能很好地鑒別小麥的新陳、是否完成熟化,也能對新陳摻雜的小麥進行一定區(qū)分,但不能區(qū)分陳小麥貯存年限。3種鑒別方法均存在一定的優(yōu)缺點,生產(chǎn)中應根據(jù)實際需要加以選擇。
王卓[5]（2019）在《色敏傳感器結(jié)合光譜分析技術(shù)對大米儲藏期的檢測及裝置開發(fā)》文中進行了進一步梳理大米在運輸、銷售等過程中,隨著時間延長或者環(huán)境因素的改變,其質(zhì)量會發(fā)生劣變,導致營養(yǎng)品質(zhì)下降、食用質(zhì)量降低甚至產(chǎn)生會毒素。目前,應用于大米陳化度的檢測方法操作費時且繁瑣,檢測結(jié)果的準確度和穩(wěn)定性也不高。因此,有必要建立一套快速、準確的大米儲藏質(zhì)量評定方法以及相應的檢測設(shè)備。本研究根據(jù)不同儲藏期大米揮發(fā)性氣體的變化情況,構(gòu)建了敏感度高、專一性強的色敏傳感器。利用高光譜技術(shù)提取出傳感器信息后,分別基于光譜信息、圖像信息以及兩者的融合信息對不同陳化度的大米進行分類建模,根據(jù)分類結(jié)果選擇適合的信息表達方式,并在此基礎(chǔ)上開發(fā)一套大米陳化度檢測裝置。本文主要研究內(nèi)容為:1.大米儲藏過程中特征氣體的篩選分析及色敏傳感器反應條件的優(yōu)化。使用頂空固相微萃取與氣相色譜和質(zhì)譜聯(lián)用（SPME-GC-MS）技術(shù)對不同儲藏時間的大米揮發(fā)性氣體進行檢測,共檢測出83種揮發(fā)性有機物質(zhì)。比較分析不同儲藏時間下的大米揮發(fā)性氣體變化規(guī)律,發(fā)現(xiàn)正己醛的含量與儲藏時間呈現(xiàn)良好的相關(guān)性。因此,本研究將正己醛作為表征大米陳化度的特征氣體,在此基礎(chǔ)上挑選了3種氟硼吡咯類色敏材料,制作了以特征氣體為主要檢測對象并可交互檢測其它大米揮發(fā)氣體的色敏傳感器陣列。此外,對色敏傳感器的兩種反應方式進行了比較優(yōu)化,最終確定使用自由發(fā)揮的反應方式在溫度為55℃的條件下反應8min為最佳反應條件。2.基于色敏傳感-高光譜分析技術(shù)對不同儲藏時間大米的檢測與分析。色敏傳感器與不同儲藏時間大米的揮發(fā)氣體反應后,使用高光譜技術(shù)從圖像信息和光譜信息上分別對色敏傳感器的信息變化進行表征。實驗所用大米儲藏時間為0、1、2、4、6和10個月,分別用高光譜采集其圖像和光譜特征。首先,使用區(qū)間聯(lián)合算法（Si-PLS）篩選反應后光譜數(shù)據(jù)最佳區(qū)間,隨后分別應用遺傳算法（GA）、蟻群算法（ACO）和正自適應加權(quán)算法（CARS）選擇最佳波長,利用K鄰近算法（KNN）和線性判別（LDA）對篩選后的光譜變量進行模式識別,確定GA-Si-PLS篩選的光譜數(shù)據(jù)分類效果最佳,并以此選出5個特征圖像用于提取圖像數(shù)據(jù)。最后,比較光譜數(shù)據(jù)、圖像數(shù)據(jù)以及兩者的融合數(shù)據(jù)集構(gòu)建的模型性能,發(fā)現(xiàn)使用GA-Si-PLS提取光譜數(shù)據(jù)變量后,當主成分數(shù)為10時,建立的LDA預測模型對大米儲藏期的正確識別率最高,可達92.73%。因此,使用光譜信息用于色敏傳感器顏色信息表達時分類效果最佳。3.基于色敏傳感-近紅外光譜分析的大米儲藏時間檢測系統(tǒng)研發(fā)?；谏弦徽卵芯拷Y(jié)果,研制了色敏傳感-近紅外光譜分析的檢測系統(tǒng),以快速、無損檢測大米儲藏時間。檢測系統(tǒng)的硬件設(shè)計按照功能分為光譜采集與處理模塊、反應流程控制模塊、反應進度顯示模塊、電源模塊以及單片機最小電路。檢測系統(tǒng)的軟件設(shè)計包括單片機嵌入式開發(fā)、人機交互界面（HMI）界面編寫和Windows桌面應用程序設(shè)計。檢測系統(tǒng)制作完成后,對不同的儲藏時間大米（0、1、2、4和6個月）進行檢測,分別提取反應后色敏傳感器的光譜數(shù)據(jù)后,進行分類建模。實驗結(jié)果表明使用無信息變量消除法結(jié)合區(qū)間聯(lián)合算法（UVE-Si-PLS）所提取的光譜變量經(jīng)LDA算法建模后預測模型的識別率最高。當主成分數(shù)為9時,訓練集的正確識別率為98.00%,預測集的正確識別率為96.00%。結(jié)果表明,所提出的色敏傳感器結(jié)合光譜技術(shù)適用于大米貯藏時間的鑒定。
鄭潔[6]（2018）在《陳化現(xiàn)象在食品中的應用及相關(guān)發(fā)展趨勢》文中認為食品陳化現(xiàn)象是食品生產(chǎn)中常見的現(xiàn)象,然而由于研究得不夠深入以及技術(shù)手段的落后,人們對于食品陳化現(xiàn)象還沒有整體的認知?；诖?本文簡要綜述了陳化現(xiàn)象在食品領(lǐng)域的應用及進展。
王冬,潘立剛,劉龍海,江元卿,李安,靳欣欣,馬智宏,王紀華[7]（2016）在《ATR-THz波譜結(jié)合PLS-DA對陳化小麥快速無損鑒別研究》文中研究說明采用ATP附件采集了人工控制條件老化小麥樣品的太赫茲波譜數(shù)據(jù),并在PCA綜合得分基礎(chǔ)上對數(shù)據(jù)進行分集,建立陳化小麥的快速無損鑒別PLS-DA模型,并對其進行外部驗證。結(jié)果顯示,針對吸收系數(shù)譜,所建模型的校正集實驗組、對照組以及交互驗證實驗組、對照組正確率分別為84.2%,94.7%,84.2%和81.6%,外部驗證集實驗組、對照組正確率分別為73.7%和100.0%;針對折射率譜,所建模型的校正集實驗組、對照組以及交互驗證實驗組、對照組正確率分別為84.2%,92%,76.3%和76.3%,外部驗證集實驗組、對照組正確率分別為84.2%和89.5%。研究表明,ATR-THz技術(shù)在陳化小麥無損鑒別方面具有一定的應用潛力。
張歡歡,吳小良,祁鳴,唐浩林,葉?？?sup>[8]（2016）在《小麥新陳度鑒定的現(xiàn)狀分析和新方法探討》文中指出對小麥的陳化原理、新陳度判定所采用的感官鑒定法和小麥儲存品質(zhì)指標進行詳細闡述,提出目前倉儲單位在小麥新陳度判定時存在的問題,對相關(guān)的研究進展進行探討,以期找到更科學、高效、合理的鑒別小麥新陳度的新方法,解決小麥新陳度鑒定的技術(shù)難題。
戴喜末[9]（2013）在《基于直接質(zhì)譜技術(shù)快速評價蓮子的新陳度》文中認為蓮子營養(yǎng)價值豐富,是一種老少皆宜的食療佳品和著名的藥食同源食物。然而,蓮子在儲藏過程中易于陳化,蒸煮后硬度上升,粘度下降,品質(zhì)和口感出現(xiàn)一定程度的劣變。目前市場上的蓮子品質(zhì)參差不齊,新陳蓮子難以辨別,傳統(tǒng)分析方法往往需要較為繁瑣的樣品預處理、耗費大量的人力物力,難以實現(xiàn)對蓮子樣品進行原位、快速、準確的高通量分析。直接質(zhì)譜技術(shù)是近年來發(fā)展較為迅速,應用較為廣泛的新型質(zhì)譜技術(shù),本文利用其表面解吸化學電離源（Surface desorption atmospheric pressure chemical ionization, SDAPCI）和電噴霧萃取電離源（Extractive electrospray ionization, EESI）質(zhì)譜直接測定不同年份蓮子樣品,并通過化學計量學方法對蓮子的品質(zhì)進行甄別,實現(xiàn)不同年份蓮子新陳度的快速評價。主要研究內(nèi)容及結(jié)果如下：1、為了實現(xiàn)對市場的蓮子新陳度進行快速直接鑒別,本文采用SDAPCI-MS直接對新鮮和陳年蓮子切面進行質(zhì)譜檢測,在正負離子模式下,獲得新鮮和陳年蓮子的質(zhì)譜信息特征,結(jié)果表明,SDAPCI能夠承受復雜基體蓮子的影響,通過SDAPCI-MS獲得不同年份蓮子指紋圖譜,并結(jié)合主成分分析（PCA）和反向傳輸人工神經(jīng)網(wǎng)絡技術(shù)（BP-ANN）對數(shù)據(jù)進行分析,正離子模式下,2012、2011、2010、2009年蓮子的BP-ANN測試樣本的準確率分別為82.4%、85%、100%、84%,新陳蓮子的準確率分別為92.5%、91.7%；負離子模式下,2012、2011、2010和2009年蓮子的BP-ANN測試樣本的準確率分別為90%,85%,85%和90%,新陳蓮子的準確率分別為95.0%和92%,說明正、負離子模式下,通過化學計量學方法的計算,SDAPCI能夠準確的判別新陳蓮子。2、為了對不同年份蓮子的陳化度進行分析,本文用EESI-MS對蓮子的醇提物進行檢測。結(jié)果表明：電離電壓、離子傳輸管溫度、樣品進樣流速對離子m/z625電離萃取效果最佳時分別為3.5kV、250℃、5μl/min;蓮子醇提液中生物堿豐富,通過質(zhì)譜鑒定的物質(zhì)有蓮心堿、甲基蓮心堿、蓮心季銨堿、荷葉堿、O-去甲基荷葉堿等。3、為了對蓮子的主要成分進一步質(zhì)譜分析,本文采用EESI-MS質(zhì)譜技術(shù)對蓮子水提物進行檢測,發(fā)現(xiàn)蓮子水提物中還有豐富的寡糖類物質(zhì),同時,寡糖含量是快速地區(qū)分陳年蓮子與新鮮蓮子,及不同年份的蓮子分類判別貢獻率較大的變量。本文采用實驗室自行研制的SDAPCI與EESI質(zhì)譜技術(shù)作為研究平臺,對不同年份蓮子樣品的質(zhì)譜行為進行了系統(tǒng)性研究,建立了簡單、快速、靈敏、有效的蓮子樣品質(zhì)譜檢測新方法,在食品安全領(lǐng)域研究中具有一定的創(chuàng)新性和廣泛的應用價值。該方法為市場上谷物品質(zhì)的快速鑒別提供了一種新的手段。
石禮娟[10]（2011）在《基于可見光/近紅外光譜的稻米質(zhì)量快速無損檢測研究》文中研究表明隨著社會經(jīng)濟的發(fā)展和人民生活水平的提高,糧食供求的主要矛盾已經(jīng)從數(shù)量的不充足轉(zhuǎn)變?yōu)橘|(zhì)量的不理想。因此,建立稻米質(zhì)量快速無損檢測方法,無論是在育種,還是在食品加工和農(nóng)產(chǎn)品貿(mào)易中都有重要意義。本文以不確定性人工智能理論和化學計量學理論為基礎(chǔ),利用數(shù)字圖像處理技術(shù)、光譜分析技術(shù)、小波分析和模式識別技術(shù)研究影響稻米食用品質(zhì)的三種重要品質(zhì)堊白、直鏈淀粉含量和陳化的快速無損檢測方法。為了提高機器視覺對堊白的識別精度與適應能力,在稻米堊白品質(zhì)快速無損檢測方面,主要研究了以下內(nèi)容：（1）構(gòu)建了用于圖像采集的計算機視覺系統(tǒng)。分別在透射光與反射光環(huán)境下研究了光源、電壓、背景等因素對稻米圖像質(zhì)量的影響,從而確定了適合稻米圖像采集的最佳環(huán)境條件,即透射光條件下的最佳拍攝條件為：電壓水平為6.4V,光源為LED燈組,背景為淺藍色；反射光條件下的最佳拍攝條件為：電壓水平為6.0V,光源為LED燈組,背景為深藍色。（2）分析了透射光與反射光條件下采集的稻米圖像的直方圖,研究了合適的圖像去噪方法與圖像分割算法。通過不同色彩空間下彩色直方圖與灰度直方圖分析發(fā)現(xiàn)反射光下采集的圖像的灰度分布適合稻米堊白區(qū)域的識別。設(shè)計了加權(quán)均值濾波模板,既消除了噪聲,又保護了胚乳區(qū)與堊白區(qū)的邊界。根據(jù)圖像分割算法-最大類間方差法的適用范圍確定了稻米圖像在進行堊白識別時應截取的矩形區(qū)域的大小。（3）研究了具有自適應能力的堊白識別算法。該方法以不確定性人工智能理論與云模型為基礎(chǔ),把堊白與非堊白定義為兩個定性概念,以一個不對稱云和一個對稱云來分別表達堊白與非堊白,以兩組數(shù)字特征分別描述堊白云與非堊白云。通過對比同一電壓下人工目測法、固定閾值法,云分類法的堊白大小檢測結(jié)果檢驗云分類法的精確度,試驗結(jié)果表明,云分類法比人工目測法的精確度高,云分類法與固定閾值法（即準確值）的偏差的均值為0.97,人工目測法與固定閾值法（即準確值）的偏差的均值為1.93；通過對比不同電壓下人工目測法、云分類法的堊白大小檢測結(jié)果檢驗云分類法的適應性,試驗結(jié)果表明,云分類法比人工目測法的適應性好,用云分類法計算不同電壓下同一粒米的堊白大小的標準差均值為0.57,人工目測法為2.29。為了建立穩(wěn)定性好、預測精度高的稻米直鏈淀粉含量近紅外光譜定量分析模型,在稻米直鏈淀粉含量快速檢測方面,主要研究了以下內(nèi)容：（1）研究了光譜采集參數(shù)對稻米近紅外光譜響應特性的影響。通過對同一直鏈淀粉含量的稻米在不同參數(shù)下采集的光譜的統(tǒng)計分析,確定最佳采集參數(shù)為：掃描次數(shù)為64,分辨率為8cm-1,室內(nèi)溫度為15℃。（2）研究了稻米異常光譜剔除方法和光譜預處理方法。為了優(yōu)化校正集,提高模型的預測精度,用基于馬氏距離準則和基于預測濃度殘差準則相結(jié)合的方法剔除了18條因各種主客觀因素產(chǎn)生的異常光譜。為了消除由于基線的漂移與偏移、儀器的隨機噪聲、雜散光等對光譜產(chǎn)生干擾,提高光譜的信噪比,采用多種方法對稻米光譜進行預處理,并比較了這些方法對建模結(jié)果的影響。通過模型評價指標的比較,確定用原光譜經(jīng)一階導數(shù)與SG卷積濾波相結(jié)合的方法進行光譜預處理。（3）研究了定量分析方法對建模效果的影響。分別用逐步多元線性回歸、主成分回歸和偏最小二乘回歸三種定量分析方法對經(jīng)導數(shù)與SG卷積濾波處理后光譜建立校正模型。比較各項模型評價指標發(fā)現(xiàn),偏最小二乘回歸（PLS）方法建立的校正模型穩(wěn)定性最好,預測值與標準值的相關(guān)系數(shù)最高,預測均方差最小。預測值與標準值相關(guān)系數(shù)為98.96%,校正均方差為0.62,預測均方差為1.19,交叉檢驗均方差為1.58。為了建立陳化稻米近紅外光譜定性識別模型,本文主要研究了以下內(nèi)容：（1）研究了陳化米和非陳化米的近紅外光譜響應特性,并利用主成分分析法結(jié)合馬氏距離研究了不同光譜預處理方法對聚類效果的影響,一方面確定了用稻米的近紅外光譜進行定性識別的可行性；另一方面,綜合考慮類內(nèi)距離小,類間距離大的聚類原則,最終選擇不經(jīng)任何處理的原光譜參加建模。（2）研究了有效的光譜特征提取方法。用小波分析不僅能提取敏感的光譜特征信息,而且能夠有效的降低高維空間數(shù)據(jù),與支持向量機結(jié)合而成的新方法是一種有效的識別方法。利用db6小波變換得到的77個小波系數(shù)作為支持向量機模型的輸入。當分解尺度為5時,數(shù)據(jù)點數(shù)由原來的2127個減少至77個（3）研究了支持向量機的模型參數(shù)選擇。首先用沒有內(nèi)部參數(shù)的線性函數(shù)作為核函數(shù),改變懲罰因子C,以獲得最小的MSE為準則,確定了最佳的誤差懲罰因子C的值為1000；然后以不同的核函數(shù)以及核函數(shù)的內(nèi)部參數(shù)建立支持向量機模型,通過試驗發(fā)現(xiàn)當核函數(shù)為徑向基函數(shù),其參數(shù)γ為16時,所建立的模型識別率達98.45%。
二、小麥陳化度鑒別方法初探（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關(guān)系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、小麥陳化度鑒別方法初探（論文提綱范文）
（1）基于集成學習的人工電子舌及其在農(nóng)產(chǎn)品質(zhì)量檢測中的應用研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 課題研究背景及意義 |
| 1.2 電子舌簡介 |
| 1.3 國內(nèi)外發(fā)展現(xiàn)狀 |
| 1.3.1 電子舌發(fā)展現(xiàn)狀 |
| 1.3.2 模式識別在電子舌中的應用 |
| 1.4 本課題研究內(nèi)容與創(chuàng)新點 |
| 1.4.1 研究內(nèi)容及章節(jié)安排 |
| 1.4.2 創(chuàng)新點 |
| 第二章 伏安電子舌檢測系統(tǒng)設(shè)計 |
| 2.1 傳感器陣列 |
| 2.2 信號調(diào)理電路 |
| 2.3 數(shù)據(jù)采集卡 |
| 2.4 上位機軟件設(shè)計 |
| 2.5 本章小結(jié) |
| 第三章 電子舌模式識別算法研究與設(shè)計 |
| 3.1 數(shù)據(jù)預處理算法設(shè)計 |
| 3.1.1 離散小波變換 |
| 3.1.2 小波包變換 |
| 3.2 單學習器模型研究與設(shè)計 |
| 3.2.1 BP神經(jīng)網(wǎng)絡 |
| 3.2.2 最小二乘支持向量機 |
| 3.2.3 K近鄰算法 |
| 3.2.4 邏輯回歸算法 |
| 3.2.5 隨機森林 |
| 3.2.6 極限學習機 |
| 3.3 集群優(yōu)化算法研究 |
| 3.3.1 遺傳算法 |
| 3.3.2 粒子群算法 |
| 3.3.3 人工魚群算法 |
| 3.4 集成學習模型構(gòu)建與設(shè)計 |
| 3.4.1 bagging算法 |
| 3.4.2 boosting算法 |
| 3.4.3 stacking算法 |
| 3.5 模型算法評價標準 |
| 3.5.1 混淆矩陣 |
| 3.5.2 評價方法 |
| 3.6 本章小結(jié) |
| 第四章 基于集成學習的電子舌預測模型對檸檬片的品質(zhì)檢測 |
| 4.1 實驗材料與方法 |
| 4.2 電子舌響應信號 |
| 4.3 特征提取 |
| 4.4 基分類器的生成 |
| 4.4.1 GA-BPNN結(jié)果 |
| 4.4.2 KNN結(jié)果 |
| 4.4.3 邏輯回歸結(jié)果 |
| 4.4.4 AF-ELM結(jié)果 |
| 4.5 集成學習實驗結(jié)果 |
| 4.5.1 Bagging結(jié)果 |
| 4.5.2 Adaboost結(jié)果 |
| 4.5.3 Stacking結(jié)果 |
| 4.5.4 實驗對比分析 |
| 4.6 本章小結(jié) |
| 第五章 基于CELEDAT的電子舌預測模型對小麥儲藏年限的檢測 |
| 5.1 實驗材料與方法 |
| 5.2 特征值提取 |
| 5.3 CELEDAT預測模型 |
| 5.3.1 基分類器 |
| 5.3.2 確定基分類器的權(quán)重 |
| 5.4 基分類器的生成 |
| 5.4.1 GA-BPNN結(jié)果 |
| 5.4.2 PSO-LSSVM結(jié)果 |
| 5.4.3 隨機森林結(jié)果 |
| 5.4.4 AF-ELM結(jié)果 |
| 5.5 CELEDAT與集成學習結(jié)果對比 |
| 5.5.1 CELEDAT結(jié)果 |
| 5.5.2 集成學習分類器性能對比 |
| 5.6 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 參考文獻 |
| 攻讀碩士期間公開發(fā)表論文及獲獎情況 |
| 致謝 |
（2）稻谷新陳度檢測方法研究進展（論文提綱范文）
| 1 稻谷新陳度檢測相關(guān)標準 |
| 2 檢測方法 |
| 2.1 感觀及物理方法 |
| 2.1.1 感觀檢測法 |
| 2.1.2 發(fā)芽率法 |
| 2.2 氧化還原法 |
| 2.2.1 愈創(chuàng)木酚顯色法 |
| 2.2.2 碘化鉀顯色法 |
| 2.2.3 焦性沒食子酸顯色法 |
| 2.2.4 過氧化氫酶活(CAT)測定方法 |
| 2.3 酸度檢驗法 |
| 2.3.1 酸性指示劑法 |
| 2.3.2 脂肪酸值法 |
| 2.4 揮發(fā)性物質(zhì)分析法 |
| 2.4.1 大米中脂肪酸組成的測定 |
| 2.4.2 頂空固相微萃取-氣質(zhì)聯(lián)用分析法 |
| 2.4.3 風味物質(zhì)分析法 |
| 2.5 光譜分析方法 |
| 2.5.1 紅外光譜分析(FT-IR)檢測 |
| 2.5.2 拉曼光譜分析技術(shù) |
| 2.6 其他檢測方法 |
| 2.6.1 稻谷新鮮度快速檢測儀 |
| 2.6.2 電導率 |
| 3 結(jié) 論 |
（3）基于WPT-IAF-ELM的小麥儲存年限電子舌檢測分析（論文提綱范文）
| 0 引言 |
| 1 材料與方法 |
| 1.1 實驗材料及樣本處理 |
| 1.2 電子舌系統(tǒng) |
| 1.3 數(shù)據(jù)分析方法 |
| 1.3.1 小波包變換 |
| 1.3.2 極限學習機 |
| 1.3.3 改進人工魚群算法優(yōu)化極限學習機模型 |
| 2 結(jié)果與分析 |
| 2.1 電子舌響應信號 |
| 2.2 WPT數(shù)據(jù)預處理 |
| 2.3 基于WPT-IAF-ELM的陳化糧定性分析 |
| 2.4 模型驗證及對比分析 |
| 3 結(jié)論 |
（4）飼用小麥熟化度快速鑒定方法的研究（論文提綱范文）
| 1 材料與方法 |
| 1.1 材料和試劑 |
| 1.2 試驗方法 |
| 1.2.1 新陳小麥鑒定 |
| 1.2.1. 1 愈創(chuàng)木酚法 |
| 1.2.1. 2 四氮唑鹽染色法 |
| 1.2.1. 3 酸度指示劑法 |
| 1.2.2 新陳小麥摻雜鑒別 |
| 1.2.3 小麥新陳度的定量測定 |
| 1.3 數(shù)據(jù)統(tǒng)計分析 |
| 2 結(jié)果與分析 |
| 2.1 愈創(chuàng)木酚法鑒別小麥新陳 |
| 2.2四氮唑鹽染色法鑒定小麥新陳 |
| 2.3 酸度指示劑法鑒別小麥新陳 |
| 2.3.1 小麥新陳度的定性測定 |
| 2.3.2 小麥新陳度的定量測定 |
| 3 討論 |
| 3.1 小麥新陳度的鑒別方法 |
| 3.2 對新陳小麥熟化度的鑒定 |
| 4 結(jié)論 |
（5）色敏傳感器結(jié)合光譜分析技術(shù)對大米儲藏期的檢測及裝置開發(fā)（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 縮略詞索引 |
| 第一章 緒論 |
| 1.1 大米陳化的檢測方法 |
| 1.1.1 理化指標法 |
| 1.1.2 氣味分析法 |
| 1.1.3 電子鼻技術(shù) |
| 1.2 色敏傳感器技術(shù) |
| 1.3 高光譜成像技術(shù) |
| 1.4 研究的目的和意義 |
| 1.5 研究的主要內(nèi)容 |
| 1.6 本章小結(jié) |
| 第二章 大米儲藏過程中特征氣體的篩選分析及色敏傳感器反應條件的優(yōu)化 |
| 2.1 引言 |
| 2.2 基于GC-MS技術(shù)對大米揮發(fā)性氣體的檢測研究 |
| 2.2.1 實驗材料 |
| 2.2.2 實驗儀器和設(shè)備 |
| 2.2.3 實驗方法 |
| 2.2.4 實驗結(jié)果與分析 |
| 2.3 色敏傳感器反應條件的優(yōu)化 |
| 2.3.1 實驗材料與設(shè)備 |
| 2.3.2 實驗方法 |
| 2.3.3 實驗結(jié)果與討論 |
| 2.4 本章小結(jié) |
| 第三章 基于高光譜成像-色敏傳感器的儲藏期大米揮發(fā)氣體檢測 |
| 3.1 引言 |
| 3.2 材料與方法 |
| 3.2.1 實驗材料 |
| 3.2.2 高光譜圖像采集 |
| 3.2.3 高光譜圖像預處理 |
| 3.2.4 數(shù)據(jù)處理 |
| 3.2.5 數(shù)據(jù)處理軟件 |
| 3.3 結(jié)果與討論 |
| 3.3.1 高光譜數(shù)據(jù)判別大米儲藏時間的可行性分析 |
| 3.3.2 基于光譜數(shù)據(jù)的大米儲藏時間預測模型建立 |
| 3.3.3 基于圖像數(shù)據(jù)的大米儲藏時間預測模型建立 |
| 3.3.4 基于數(shù)據(jù)融合對大米儲藏時間預測模型建立 |
| 3.4 本章小結(jié) |
| 第四章 可見/近紅外光譜-色敏傳感器的大米儲藏期檢測裝置的研制 |
| 4.1 引言 |
| 4.2 可見/近紅外光譜-色敏傳感器檢測系統(tǒng)設(shè)計 |
| 4.2.1 硬件系統(tǒng)設(shè)計 |
| 4.2.2 軟件系統(tǒng)設(shè)計 |
| 4.3 基于可見/近紅外光譜-色敏傳感器的儲藏期大米揮發(fā)氣體檢測 |
| 4.3.1 材料與方法 |
| 4.3.2 結(jié)果與討論 |
| 4.4 本章小結(jié) |
| 第五章 結(jié)論與展望 |
| 5.1 主要結(jié)論 |
| 5.2 研究展望 |
| 參考文獻 |
| 致謝 |
| 發(fā)表論文情況 |
| 申請專利和軟件著作權(quán)狀況 |
| 在研期間參加的課題 |
| 附錄 |
（6）陳化現(xiàn)象在食品中的應用及相關(guān)發(fā)展趨勢（論文提綱范文）
| 1 食品陳化的相關(guān)應用 |
| 1.1 酒類陳化過程 |
| 1.2 烘焙食物抗陳化 |
| 1.3 糧食抗陳化 |
| 2 食品陳化的相關(guān)檢測方法 |
| 2.1 快速檢測方法 |
| 2.2 電子鼻檢測方法 |
| 3 發(fā)展展望 |
（7）ATR-THz波譜結(jié)合PLS-DA對陳化小麥快速無損鑒別研究（論文提綱范文）
| 引言 |
| 1 實驗部分 |
| 1.1 材料 |
| 1.2 儀器 |
| 1.3 數(shù)據(jù)處理 |
| 2 結(jié)果與討論 |
| 2.2 吸收系數(shù)譜數(shù)據(jù) |
| (1)吸收系數(shù)譜主成分分析與數(shù)據(jù)分集 |
| (2)判別模型的建立與預測 |
| 2.3 折射率譜數(shù)據(jù)分析 |
| (1)主成分分析與數(shù)據(jù)分集 |
| (2)判別模型的建立與預測 |
| 3 結(jié)論 |
（8）小麥新陳度鑒定的現(xiàn)狀分析和新方法探討（論文提綱范文）
| 1小麥的后熟和陳化原理[1] |
| 2現(xiàn)行的小麥新陳度判定方法 |
| 2.1 感官鑒定法 |
| 2.1.1 色澤鑒定 |
| 2.1.2 外觀鑒定 |
| 2.1.3 氣味鑒定 |
| 2.2 小麥儲存品質(zhì)指標 |
| 2.2.1 面筋吸水量 |
| 2.2.2 品嘗評分值 |
| 3現(xiàn)行的小麥新陳度判定方法存在的問題 |
| 3.1 感官鑒定法存在的問題 |
| 3.2 面筋吸水量存在的問題 |
| 3.3品嘗評分值存在的問題 |
| 3.3.1 剛收獲的新小麥品嘗評分值不高 |
| 3.3.2 對操作員和品評員的要求較高,主觀性大 |
| 4其它小麥新陳度鑒別的相關(guān)研究進展 |
| 4.1 過氧化氫酶活動度測定法 |
| 4.2 降落數(shù)值法 |
| 4.3 脂肪酸值法 |
| 4.3.1 近紅外光譜技術(shù) |
| 4.3.2 電子鼻技術(shù) |
| 5結(jié)論 |
（9）基于直接質(zhì)譜技術(shù)快速評價蓮子的新陳度（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 蓮子 |
| 1.1.1 蓮子的化學成分 |
| 1.1.2 蓮屬生物堿 |
| 1.1.3 蓮子生物活性 |
| 1.2 谷物陳化及檢測手段 |
| 1.2.1 谷物陳化 |
| 1.2.2 蓮子陳化 |
| 1.2.3 常用檢測手段 |
| 1.3 新型質(zhì)譜分析方法 |
| 1.3.1 質(zhì)譜技術(shù)的概述 |
| 1.3.2 直接離子化技術(shù) |
| 1.3.3 表面解吸常壓化學電離(SDAPCI)技術(shù) |
| 1.3.4 電噴霧萃取電離(EESI)技術(shù) |
| 1.4 本文的課題來源、背景和意義 |
| 1.5 本文的主要研究內(nèi)容 |
| 第2章 表面解吸常壓化學電離質(zhì)譜法評價蓮子的新陳度 |
| 2.1 引言 |
| 2.2 神經(jīng)網(wǎng)絡的基本理論 |
| 2.3 材料和方法 |
| 2.3.1 實驗材料 |
| 2.3.2 儀器與試劑 |
| 2.3.3 質(zhì)譜分析 |
| 2.3.4 BP-ANN模型 |
| 2.4 結(jié)果與分析 |
| 2.4.1 負離子模式下蓮子的SDAPCI-MS分析 |
| 2.4.2 正離子模式下蓮子的SDAPCI-MS分析 |
| 2.4.3 主成分的提取 |
| 2.4.4 負離子模式下BP-ANN模型判別 |
| 2.4.5 正離子模式下新鮮蓮子與陳年蓮子的分類識別 |
| 2.4.6 分析速度與穩(wěn)定性 |
| 2.5 本章小結(jié) |
| 第3章 電噴霧萃取電離質(zhì)譜法檢測蓮子的醇提物 |
| 3.1. 引言 |
| 3.2 實驗部分 |
| 3.2.1 儀器與試劑 |
| 3.2.2 蓮子醇溶液的制備 |
| 3.2.3 EESI-MS實驗參數(shù) |
| 3.3 結(jié)果與討論 |
| 3.3.1 EESI-MS質(zhì)譜條件優(yōu)化 |
| 3.3.2 蓮子醇提物EESI-MS離子流圖 |
| 3.3.3 蓮子生物堿EESI-MS串聯(lián)質(zhì)譜分析 |
| 3.3.4 不同年份蓮子生物堿的差異 |
| 3.3.5 不同年份蓮子醇提物的PCA分析 |
| 3.4 本章小結(jié) |
| 第4章 電噴霧萃取電離質(zhì)譜對蓮子水提物的分析 |
| 4.1. 引言 |
| 4.2 實驗部分 |
| 4.2.1 儀器與試劑 |
| 4.2.2 蓮子水提物制備 |
| 4.2.3 EESI-MS條件 |
| 4.3 結(jié)果與討論 |
| 4.3.1 蓮子水提物的EESI-MS指紋譜圖 |
| 4.3.2 蓮子水提物EESI-MS離子流圖 |
| 4.3.3 蓮子寡糖的EESI-MS串聯(lián)質(zhì)譜分析 |
| 4.3.4 不同年份的蓮子的主成分分析 |
| 4.4 本章小結(jié) |
| 第5章 結(jié)論與展望 |
| 5.1 結(jié)論 |
| 5.2 展望 |
| 致謝 |
| 參考文獻 |
| 攻讀學位期間的研究成果 |
（10）基于可見光/近紅外光譜的稻米質(zhì)量快速無損檢測研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 縮略語 |
| 第1章 緒論 |
| 1.1 研究的目的與意義 |
| 1.1.1 稻米的消費地位 |
| 1.1.2 稻米的食用品質(zhì)概述 |
| 1.2 稻米的分級標準 |
| 1.3 國內(nèi)外研究進展 |
| 1.3.1 外部品質(zhì)檢測研究進展 |
| 1.3.2 內(nèi)部品質(zhì)檢測研究進展 |
| 1.4 研究內(nèi)容與方法 |
| 1.4.1 可見光下最佳稻米圖像采集環(huán)境研究 |
| 1.4.2 具有自適應特性的堊白識別算法研究 |
| 1.4.3 基于近紅外光譜的稻米直鏈淀粉含量快速檢測模型研究 |
| 1.4.4 陳化米快速檢測模型研究 |
| 第2章 可見光條件下圖像采集環(huán)境研究 |
| 2.1 引言 |
| 2.2 材料與方法 |
| 2.2.1 圖像采集燈箱的設(shè)計 |
| 2.2.2 試驗材料 |
| 2.2.3 試驗方法 |
| 2.2.4 正交小波分解算法 |
| 2.3 結(jié)果與分析 |
| 2.3.1 透射光情況 |
| 2.3.2 反射光情況 |
| 2.4 本章小結(jié) |
| 第3章 稻米圖像處理基礎(chǔ)算法研究 |
| 3.1 引言 |
| 3.2 顏色模型 |
| 3.2.1 RGB |
| 3.2.2 HSI |
| 3.2.3 顏色直方圖 |
| 3.3 圖像降噪 |
| 3.3.1 均值濾波 |
| 3.3.2 中值濾波 |
| 3.4 圖像分割 |
| 3.5 本章小結(jié) |
| 第4章 基于機器學習的稻米堊白識別算法研究 |
| 4.1 引言 |
| 4.2 云理論介紹 |
| 4.2.1 云理論產(chǎn)生的背景 |
| 4.2.2 正向云發(fā)生器 |
| 4.2.3 逆向云發(fā)生器 |
| 4.3 材料與方法 |
| 4.3.1 試驗圖像樣本 |
| 4.3.2 直方圖分析 |
| 4.3.3 基于云的堊白識別方法 |
| 4.4 結(jié)果與分析 |
| 4.4.1 算法的精確度檢驗 |
| 4.4.2 算法的適應性檢驗 |
| 4.5 群體稻米堊白參數(shù)計算 |
| 4.6 本章小結(jié) |
| 第5章 近紅外光譜技術(shù)在直鏈淀粉含量檢測中的應用研究 |
| 5.1 引言 |
| 5.2 近紅外分析技術(shù)簡介 |
| 5.2.1 近紅外光譜分析理論基礎(chǔ) |
| 5.2.2 分析流程 |
| 5.2.3 模型評價參數(shù) |
| 5.3 光譜采集參數(shù)對近紅外光譜響應特性的影響研究 |
| 5.3.1 旋轉(zhuǎn)與否 |
| 5.3.2 分辨率 |
| 5.3.3 掃描次數(shù) |
| 5.3.4 環(huán)境溫度 |
| 5.4 光譜預處理方法對建模效果的影響研究 |
| 5.4.1 異常光譜剔除 |
| 5.4.2 光譜除噪 |
| 5.5 定量分析方法對建模效果的影響研究 |
| 5.6 本章小結(jié) |
| 第6章 近紅外光譜技術(shù)在陳化米檢測中的應用研究 |
| 6.1 引言 |
| 6.2 實驗材料與方法 |
| 6.2.1 實驗材料與光譜采集 |
| 6.2.2 陳化米近紅外光譜響應特性研究 |
| 6.2.3 光譜預處理方法 |
| 6.2.4 光譜特征提取方法 |
| 6.2.5 建模方法 |
| 6.3 結(jié)果與討論 |
| 6.3.1 線性模型 |
| 6.3.2 非線性模型 |
| 6.4 本章小結(jié) |
| 第7章 總結(jié)與展望 |
| 7.1 結(jié)論 |
| 7.2 創(chuàng)新之處 |
| 7.3 展望 |
| 參考文獻 |
| 攻讀博士期間發(fā)表學術(shù)論文 |
| 致謝 |
| 附錄 |
四、小麥陳化度鑒別方法初探（論文參考文獻）
- [1]基于集成學習的人工電子舌及其在農(nóng)產(chǎn)品質(zhì)量檢測中的應用研究[D]. 國婷婷. 山東理工大學, 2020(02)
- [2]稻谷新陳度檢測方法研究進展[J]. 張美玲,秦麗瑩. 糧食科技與經(jīng)濟, 2020(02)
- [3]基于WPT-IAF-ELM的小麥儲存年限電子舌檢測分析[J]. 國婷婷,殷廷家,楊正偉,荊曉語,王志強,李釗. 農(nóng)業(yè)機械學報, 2019(S1)
- [4]飼用小麥熟化度快速鑒定方法的研究[J]. 任希艷,趙景鵬,焦洪超,王曉鵑,林海. 動物營養(yǎng)學報, 2019(09)
- [5]色敏傳感器結(jié)合光譜分析技術(shù)對大米儲藏期的檢測及裝置開發(fā)[D]. 王卓. 江蘇大學, 2019(02)
- [6]陳化現(xiàn)象在食品中的應用及相關(guān)發(fā)展趨勢[J]. 鄭潔. 食品安全導刊, 2018(24)
- [7]ATR-THz波譜結(jié)合PLS-DA對陳化小麥快速無損鑒別研究[J]. 王冬,潘立剛,劉龍海,江元卿,李安,靳欣欣,馬智宏,王紀華. 光譜學與光譜分析, 2016(07)
- [8]小麥新陳度鑒定的現(xiàn)狀分析和新方法探討[J]. 張歡歡,吳小良,祁鳴,唐浩林,葉福康. 糧食加工, 2016(03)
- [9]基于直接質(zhì)譜技術(shù)快速評價蓮子的新陳度[D]. 戴喜末. 南昌大學, 2013(02)
- [10]基于可見光/近紅外光譜的稻米質(zhì)量快速無損檢測研究[D]. 石禮娟. 華中農(nóng)業(yè)大學, 2011(04)
標簽：近紅外光譜論文; 小麥論文; 陳化論文; 集成學習論文; 質(zhì)譜儀論文;