导读:本文包含了味觉信号识别论文开题报告文献综述及选题提纲参考文献，主要关键词:模糊规则,微粒群算法,模糊加权神经网络,味觉识别
味觉信号识别论文文献综述
马铭,张利彪[1]（2007）在《基于模糊规则自动生成算法的茶味觉信号识别》一文中研究指出在充分研究了模糊加权神经网络和微粒群算法的基础上,给出一种能够自动生成模糊规则的剪枝算法,并以此建立了新的网络模型。通过茶味觉信号识别的仿真实验验证了该算法的有效性。(本文来源于《计算机应用》期刊2007年03期）
王岩,周春光,黄艳新,丰小月[2]（2005）在《基于最小不确定性神经网络的茶味觉信号识别》一文中研究指出提出了一种基于最小不确定性神经网络方法的味觉信号识别模型,使用贝叶斯概率理论和粒子群优化算法(PSO),快速而有效地确定网络结构参数,实现了对10种茶味觉信号的识别,实验结果表明了将该模型引入到茶味觉信号识别的可行性和有效性.(本文来源于《计算机研究与发展》期刊2005年01期）
黄艳新[3]（2004）在《计算机味觉信号识别的研究》一文中研究指出在机器人研究领域中，机器视觉、听觉、触觉和力觉的研究都取得了相当多的成果，有的已达到实用的水准。机器味觉和嗅觉在食品加工业的企业管理、产品质量的检测、口味和味道的评定等领域有着广泛的应用，但机器味觉和嗅觉研究的进展却一直较为缓慢，因为机器味觉和嗅觉的实现，一方面要求研制出高灵敏度的味觉和嗅觉传感器，另一方面还要求有性能良好的模式识别系统。自20世纪80年代末，日本的许多科学家开始致力于味觉和嗅觉传感器的研究，目前不仅成功提取出“酸、甜、苦、香、咸”五种基本味觉，对于食物和饮料，如：米饭、矿泉水和啤酒等味觉信号的提取和量化也取得了一定的进展。我国关于计算机味觉方面的研究起步较晚，但也取得了一些可喜的成果。自上世纪90年代初，我的导师周春光教授就与日本琦玉大学合作致力于味觉信号识别方法的研究，并首次将计算智能方法引入味觉信号的识别，在基本味觉和部分混合味觉信号识别方面获得了良好的效果；浙江大学王平教授等一些生物医学方面的学者也致力于人工嗅觉和人工味觉的基础研究，目前，他们的一些研究成果已经应用到了医学诊断上。本文在全面分析和了解了计算机味觉的研究现状、研究热点和发展趋势的基础上，重点研究了味觉信号的计算机识别方法。与传统的基于统计理论的模式识别方法相比，侧重于采用计算智能方法，融合模糊系统、人工神经网络、进化计算以及传统的统计方法和现代的粗糙集理论、统计学习理论等，提出了多种味觉信号识别方法。本文的主要贡献和研究结果如下：（1）对计算机味觉的研究进行了全面综述。介绍了计算机味觉研究的产生背景、应用领域、研究现状、面临的挑战和发展趋势。（2）阐述了计算智能相关的基础理论。介绍了基本的模糊推理模型、多层前向神经网络的结构设计和学习理论以及进化计算的基础理论。（3）提出了一种基于聚类方法的模糊神经网络味觉信号识别系统模型。该模型利用聚类方法实现模糊输入空间划分和模糊IF-THEN规则提取，与传统的C-means聚类法和减法聚类法相比，本文采用的熵聚类方法具有聚类速度快，参数易于确定等优点；系统使用了梯度下降法对参数进行精炼，并通过一个参数调节系统复杂性和系统可解释性之间的矛盾，使系统兼具有良好的可解释性和学习能力。<WP=116>（4）提出了一种扩展的类覆盖问题和求解此问题的贪心算法和混合算法，并将这些方法用于味觉信号的识别。类覆盖问题是最近提出的一个NP难解问题，在此基础上，本文提出了一种扩展的类覆盖问题，该问题可以归结为一个多目标优化问题模型，而且，本文还提出了两种求解扩展的类覆盖问题的算法：贪心算法和混合算法。利用贪心算法求解扩展的类覆盖问题可以获得分类样本的半径较均匀的超球体类覆盖，进而可以实现模糊分类系统的输入空间划分和模糊IF-THEN规则提取。本文将扩展的类覆盖问题的求解方法应用于味觉信号识别的构建，取得了良好的效果。（5）提出了一种基于粗糙集方法的模糊空间划分策略和模糊规则提取方法。粗糙集理论由波兰科学家Z.Pawlak在1982年首次提出，但直到上世纪90年代才得到广泛的认可。作为一种分析具有不确定性数据的数学理论，它与传统的模糊集合论、统计学方法等具有良好的互补性。本文结合粗糙集的离散化方法提出了一种模糊规则提取算法，该方法可以获得数量较少的、强壮的模糊规则。利用这些模糊规则确定模糊神经网络结构，再使用粒子群优化方法对网络参数进行精炼，使得模糊系统达到了很好的容错性和正确识别率。（6）提出了一种基于支持向量机学习的模糊分类系统模型。支持向量机是统计学习理论的一种具体实现方法，它具有稀疏性表示、良好的泛化能力和全局最优解等特性，从而在很大程度上解决了模式识别领域中的一些根本问题，如模型选择与过学习问题、非线性与维数灾难问题以及局部极小问题等。因此，统计学习理论和SVM成为近年来机器学习领域的研究热点。但支持向量机的学习仍依赖于两个参数：核函数的半径σ（以高斯核函数为例），和正则化参数C。一般SVM训练只能通过多次训练尝试，获得较好的σ和C的取值。但由于SVM的训练是较慢的，获得最优的σ和C值是很难的。本文的出发点是在较好的σ和C的取值的基础上，通过将支持向量机映射为等价的模糊系统，然后再以较快的速度调整模糊系统的参数获得更好的性能。本文提出了一种基于支持向量机学习的模糊分类系统的规则库约简方法，它根据模糊集合的贴近度对模糊规则的语言变量进行约简，合并冗余的模糊规则和去除不一致的模糊规则，同时采用粒子群优化方法改善模糊规则库的约简和优化模糊分类系统性能，以较快学习速度对支持向量机进行进一步优化。因此，本文方法可以作为支持向量机学习的辅助方法。本文的研究融合了模糊推理、神经网络学习、进化计算、粗糙集理论以及统计学习理论等内容，对这些学科中的一些难点问题，如模糊空间划分问题及神经网络结构设计和参数学习问题等，都提出了有效的解决方案，理论分析和实验结果证实了这些模型的有效性。综上所述，本文的研究结果丰富了计算智能理论的应用研究，在模糊空间划分、分类规则提取、?(本文来源于《吉林大学》期刊2004-10-01）
黄艳新,于哲舟,胡成全,邹淑雪,周春光[4]（2004）在《粗糙集模糊神经网络味觉信号识别系统》一文中研究指出针对C-means聚类算法和减法聚类算法的不足,提出了一种模糊神经网络味觉信号识别系统模型,该模型利用粗糙集的离散化算法和规则提取算法获得数量较少的分类规则,将这些分类规则转化为模糊IF-THEN规则,进而通过这些模糊IF-THEN规则确定网络结构。网络输出采用投票机制,使用粒子群优化方法精炼网络参数,与常用的提取模糊if-then规则的算法相比,该方法只有一个参数且易于实现。实验结果表明:该方法可获得更简洁的系统表示,并且通过选择合适的系统参数可使系统对加噪声训练样本的错误识别率降低5%左右。(本文来源于《吉林大学学报(信息科学版)》期刊2004年03期）
王岩[5]（2004）在《基于最小不确定性神经网络方法茶味觉信号识别的研究》一文中研究指出在机器人研究领域中，机器视觉、听觉、触觉和力觉的研究都取得了相当多的成果，有的已达到实用的水准。机器味觉和嗅觉在食品加工业的企业管理、产品质量的检测、口味和味道的评定等领域有着广泛的应用，但机器味觉和嗅觉研究的进展却一直较为缓慢，因为机器味觉和嗅觉的实现，一方面要求研制出高灵敏度的味觉和嗅觉传感器，另一方面还要求有性能良好的模式识别系统。自20世纪80年代末，日本的许多科学家开始致力于味觉和嗅觉传感器的研究，目前不仅成功提取出“酸、甜、苦、香、咸”五种基本味觉，对于食物和饮料，如：米饭、矿泉水和啤酒等味觉信号的提取和量化也取得了一定的进展。 同时，快速而有效地确定神经网络的结构和参数一直是神经元网络研究的难点，目前解决这一问题的基本思路是从研究的数据中提取知识，然后再利用提取的知识指导神经网络的构建，如模糊神经网络的实现。利用贝叶斯概率理论方法指导神经网络结构及粒子群优化算法(ParticleSwarm Optimization，以下简称PSO)调整神经网络参数，作为两种独立的方法目前都已取得了一些成果。 本文提出了一种新的最小不确定性神经网络模型(Minimal UncertaintyNeural Networks)，该模型基于最小不确定性判决确定神经网络结构。 定理1：设有N维输入向量X={x_1,X_2，…，x_N)，各属性x_1，x_2，…x_N两两相互独立，令P(K)为事件K出现的概率，称π=1-P(y|X)为给定X下对y的不确定性，则有π=multiply from i=1 to N(1-p(y|x_1))。 推论1：当给定分类集Y=(y_1，y_2…，yM)且j∈[1，2，…，M]时，可得给定X下对各类yj的不确定性为：π_j=1-P(y_j|X)=multiply from i=1 to N(1-P(y_j|x_i))。由此，当分类时选择不确定性最小的π_j作为最终判决，定义为最小不确定性判决。 定义最小不确定性神经网络模型(MUNN)为：S_j=logπ_j，β_j=N log P(y+j)，中文摘要 ，1一P(y，lx，，.)、，，、‘.一‘---...一鸟=109(‘蓄兴二)，凡一o，=f(s，)二“xp’，。神经网络结构如图1所示。各 P(为)‘”’一’一’“，，一~『‘刁一“分目‘.，州目“z’‘“’。目层含义如下: [A1层:样本输入层，A为观测值，x，i’为属性x‘的观测值。[B]层:权值选择层，二‘t’EA时，Ot，，=1;否则，Oi，，二0o[C]层:加权计算层，由(l .4)式得到s’。[Dl层:不确定性输出层，由(l .7)或(l .8)式得到呀输出fD7fCI(二，l)(:12)(二2，)(:22fB]r全二se一鉴fAZ!才={…x。，…}，化〔l川 图1:一个简单的二属性输入两类判别的最小不确定性神经网(此处N=2) 结合贝叶斯概率和粒子群优化算法(PSO)对其参数进行训练。 在使用贝叶斯概率训练最小不确定性神经网络时，我们首先进行一个统计过程国:c·工k‘尹，，ci，一艺k‘”吞，·“，，。，，，*一艺k‘·，瓷‘.‘·，易.‘·， r尸产 其中r为输入样本在训练集的位置，与，.(r)代表属性:，(r)的值xti，，劲，(r)代表属性沪的值为，，洲为输入属性的权重，一般取1。于是推导出如下权值及阐值的表达式:鸟二109((ci+a/叹)一(马+a/(伙礼))(C+a))(ci+a/乓)(cj+a/mz)几二N fog马+a/m， C+Ca一般取很小的数，在后面的试验中我们将a设为1/C，使其误差澎1091/CZ幽中文摘要 利用Pso训练时，我们直接将最小不确定性神经网模型中的权值马及闽值几作为粒子的参数，错误分类的数目作为粒子的适应值，利用Pso迭代公式: v(t+l)=Z*(“*v(t)+e.*rand()*(PBest(t)一Present(t)) +e:*rand()*(gBest(t)一Present(t))) 子乍“enr(t+l)=Persent(r)+v(z+1)来训练最小不确定性神经网络以获得尽可能低的错误分类数目。其中v(O是粒子t时刻的速度。尸ersent(t)是粒子t时刻的位置值，PBest(t)和gBest(t)是t时刻粒子的已有个体极值和全局极值。rando是介于【o，l]之间的随机数。cl，c2是学习因子，通常cl=c2=2。得到的粒子最终训练结果解释为几一Nlog纸)和鸟一log(的概率含义即可。上式中参数的设定至今没有严格的理论依据，所有参数都是根据经验设定的。在后面的试验中我们设定厂0.9，萨0·8· 单独使用贝叶斯概率或PSO训练最小不确定性神经网各有优缺点。但二者优缺点具有明显的互补性，且都是针对同一种网络结构—最小不确定性神经网，这为二者的结合提供了先决条件和实施可能。贝叶斯和PSO二者结合训练最小不确定性神经网的过程如下: 首先，由贝叶斯概率确定最小不确定性神经网的一组网络权值和闭值。 其次，由这组权值和闽值初始化PSO中的一个粒子，再随机生成或围绕此粒子生成其它一些粒子。 最后，由PSO方法对这群粒子进行训练，以得到更好的分类结果。 将以上叁种方法应用于10种茶味觉信号四的分类识别中(每种茶各100个样本，共计1000个训练样本)。在信号输入之前我们对二维味觉信号进行了预处理，根据味觉信号各维的特点，我们将其连续值等距划分在11和13个离散区域，以适应最小不确定性神经网络离散(本文来源于《吉林大学》期刊2004-04-01）
黄艳新,周春光,杨国慧,邹淑雪[6]（2004）在《基于熵聚类模糊神经网络味觉信号识别系统的研究》一文中研究指出提出了一种基于熵聚类的模糊神经网络味觉信号识别系统模型 ,该模型利用聚类方法实现模糊输入空间划分和模糊IF THEN规则提取 ,并使用梯度下降法对系统参数进行精炼 系统兼具有良好的可解释性和学习能力 ,对 1 1种矿泉水味觉信号的识别实验结果表明了该系统的可行性和有效性(本文来源于《计算机研究与发展》期刊2004年03期）
黄艳新,周春光,杨国慧,郑岩[7]（2002）在《基于粗糙集的茶饮料味觉信号识别》一文中研究指出把粗糙集理论应用于茶饮料味觉信号分类规则的抽取 ,采用模糊 C-均值聚类算法实现味觉信号的离散化 ,提出了一种新的规则强度定义。该定义同时考虑了支持规则的对象数和规则的不确定性因子 ,具有很好的普适性 ,同时给出一种规则提取算法和用于识别的决策算法 ,提取算法在获取全部有效规则的条件下 ,能有效减少核属性内的冗余。(本文来源于《吉林大学学报(信息科学版)》期刊2002年03期）
周春光,梁艳春,田勇,胡成全,孙新[8]（1999）在《基于模糊神经网络味觉信号识别的研究》一文中研究指出文中提出了一种基于模糊神经网络方法的味觉信号识别模型，利用小波变换实现了对传感器所采集的味觉信号进行数据压缩及特征抽取，以模糊神经网络作为味觉信号的识别工具，并利用遗传算法训练网络权值、优化隶属度函数．文中实现了对酸、甜复合味觉信号的数据处理和模糊识别．实验结果表明了将模糊神经网络引入到味觉信号模糊识别的可行性和有效性(本文来源于《计算机研究与发展》期刊1999年04期）
周春光,部昭明[9]（1994）在《神经网络味觉信号的学习和识别》一文中研究指出本文介绍了一种使用味觉传感器和多层神经网络来模拟人的味觉系统以对五种基本味觉信号进行学习和识别。(本文来源于《吉林大学自然科学学报》期刊1994年01期）
味觉信号识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出了一种基于最小不确定性神经网络方法的味觉信号识别模型,使用贝叶斯概率理论和粒子群优化算法(PSO),快速而有效地确定网络结构参数,实现了对10种茶味觉信号的识别,实验结果表明了将该模型引入到茶味觉信号识别的可行性和有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
味觉信号识别论文参考文献
[1].马铭,张利彪.基于模糊规则自动生成算法的茶味觉信号识别[J].计算机应用.2007
[2].王岩,周春光,黄艳新,丰小月.基于最小不确定性神经网络的茶味觉信号识别[J].计算机研究与发展.2005
[3].黄艳新.计算机味觉信号识别的研究[D].吉林大学.2004
[4].黄艳新,于哲舟,胡成全,邹淑雪,周春光.粗糙集模糊神经网络味觉信号识别系统[J].吉林大学学报(信息科学版).2004
[5].王岩.基于最小不确定性神经网络方法茶味觉信号识别的研究[D].吉林大学.2004
[6].黄艳新,周春光,杨国慧,邹淑雪.基于熵聚类模糊神经网络味觉信号识别系统的研究[J].计算机研究与发展.2004
[7].黄艳新,周春光,杨国慧,郑岩.基于粗糙集的茶饮料味觉信号识别[J].吉林大学学报(信息科学版).2002
[8].周春光,梁艳春,田勇,胡成全,孙新.基于模糊神经网络味觉信号识别的研究[J].计算机研究与发展.1999
[9].周春光,部昭明.神经网络味觉信号的学习和识别[J].吉林大学自然科学学报.1994