CN108932483B - 一种基于机器嗅觉的气味识别方法及装置 - Google Patents
一种基于机器嗅觉的气味识别方法及装置 Download PDFInfo
- Publication number
- CN108932483B CN108932483B CN201810628801.0A CN201810628801A CN108932483B CN 108932483 B CN108932483 B CN 108932483B CN 201810628801 A CN201810628801 A CN 201810628801A CN 108932483 B CN108932483 B CN 108932483B
- Authority
- CN
- China
- Prior art keywords
- response signal
- mixed
- target
- unknown
- smell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Nonlinear Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Signal Processing (AREA)
- Pure & Applied Mathematics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于机器嗅觉的气味识别方法,包括:获取目标混合气味的混合响应信号;判断混合响应信号中是否存在未知响应信号;若是,则从混合响应信号中滤除未知响应信号,获得目标响应信号,并将目标响应信号与预设数据库中的模板响应信号进行对比,确定目标响应信号对应的气味类型和含量。该方法在处理混合气味的混合响应信号之前,首先滤除混合响应信号中的未知响应信号,以避免未知气味对识别结果产生影响,从而提高了识别效率、准确度以及气味定量分析的精度。相应地,本发明公开的一种基于机器嗅觉的气味识别装置、设备及计算机可读存储介质,也同样具有上述技术效果。
Description
技术领域
本发明涉及人工智能技术领域,更具体地说,涉及一种基于机器嗅觉的气味识别方法、装置、设备及计算机可读存储介质。
背景技术
目前,机器嗅觉技术的应用越来越广泛,在工业气体监测、化工产品质量监测、室内外环境监测、医疗诊断、中药材鉴别等诸多方面,已有大量的应用案例。
在这些应用领域内,被监测的气味多为混合气味,且电子鼻数据库中的气味信息有限,所以必然存在未知气体。并且,现有的气味识别技术在处理传感器的响应信号时,未考虑到未知气味对识别结果的影响,从而导致识别结果误差较大,降低了识别的效率、准确度和气味定量分析的精度。
因此,如何提高气味识别的效率、准确度以及气味定量分析的精度,是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种基于机器嗅觉的气味识别方法、装置、设备及计算机可读存储介质,以提高气味识别的效率、准确度以及气味定量分析的精度。
为实现上述目的,本发明实施例提供了如下技术方案:
一种基于机器嗅觉的气味识别方法,包括:
获取目标混合气味的混合响应信号;
判断所述混合响应信号中是否存在未知响应信号;
若是,则从所述混合响应信号中滤除所述未知响应信号,获得目标响应信号,并将所述目标响应信号与预设数据库中的模板响应信号进行对比,确定所述目标响应信号对应的气味类型和含量。
其中,所述从所述混合响应信号中滤除所述未知响应信号,获得目标响应信号,并将所述目标响应信号与预设数据库中的模板响应信号进行对比,确定所述目标响应信号对应的气味类型和含量,包括:
判断所述混合响应信号是否为线性响应信号;
若是,则利用线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号,将所述目标响应信号与预设数据库中的模板响应信号进行对比,并通过乘子法确定所述目标响应信号对应的气味类型和含量;H表示滤波器混合矩阵,z(t)表示未知响应信号,t表示时间变量,x(t-P)表示噪声信号。
其中,当所述混合响应信号中不存在未知响应信号,且所述混合响应信号为线性响应信号时,还包括:
利用所述线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号;
将所述目标响应信号与预设数据库中的模板响应信号进行对比,通过岭回归方法确定所述目标响应信号对应的气味类型和含量。
其中,当所述混合响应信号为非线性响应信号时,还包括:
利用非线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号;
将所述目标响应信号与预设数据库中的模板响应信号进行对比,并通过混沌遗传算法确定所述目标响应信号对应的气味类型和含量;
其中,所述非线性混合模型中的优化函数为:min||y(t)-g(t)-z(t)||,y(t)表示混合响应信号,g(t)表示非线性响应信号,z(t)表示未知响应信号。
其中,所述非线性混合模型利用多元自适应回归样条法生成,具体的生成步骤为:
获取混合气味的实验数据,并对所述实验数据进行环境因素校正;
对校正后的实验数据进行划分,得到多个区间,并基于每个区间生成对应的基函数;
采用均分误差法选择精确度最高的基函数,并将所述精确度最高的基函数对应的模型确定为所述非线性混合模型。
其中,所述通过混沌遗传算法确定所述目标响应信号对应的气味类型和含量,包括:
基于所述目标响应信号生成所述混沌遗传算法的种群;
对所述种群中的个体进行个体评价,并对完成个体评价的种群进行选择运算、交叉运算和变异运算,使所述种群进行迭代更新;
判断当前进化代数是否大于预设的最大进化代数;
若是,则输出最优解,并依据所述最优解确定所述目标响应信号对应的气味类型和含量。
一种基于机器嗅觉的气味识别装置,包括:
获取模块,用于获取目标混合气味的混合响应信号;
判断模块,用于判断所述混合响应信号中是否存在未知响应信号;
识别模块,用于当所述混合响应信号中存在未知响应信号时,从所述混合响应信号中滤除所述未知响应信号,获得目标响应信号,并将所述目标响应信号与预设数据库中的模板响应信号进行对比,确定所述目标响应信号对应的气味类型和含量。
其中,所述识别模块包括:
判断单元,用于判断所述混合响应信号是否为线性响应信号;
识别单元,用于当所述混合响应信号为线性响应信号时,利用线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号,将所述目标响应信号与预设数据库中的模板响应信号进行对比,并通过乘子法确定所述目标响应信号对应的气味类型和含量;
一种基于机器嗅觉的气味识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任意一项所述的基于机器嗅觉的气味识别方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的基于机器嗅觉的气味识别方法的步骤。
通过以上方案可知,本发明实施例提供的一种基于机器嗅觉的气味识别方法,包括:获取目标混合气味的混合响应信号;判断所述混合响应信号中是否存在未知响应信号;若是,则从所述混合响应信号中滤除所述未知响应信号,获得目标响应信号,并将所述目标响应信号与预设数据库中的模板响应信号进行对比,确定所述目标响应信号对应的气味类型和含量。
可见,所述方法在处理混合气味的混合响应信号之前,首先滤除混合响应信号中的未知响应信号,以避免未知气味对识别结果产生影响;同时,将滤除未知响应信号后得到的目标响应信号与预设数据库中的模板响应信号进行对比,从而确定出目标响应信号对应的气味类型和含量,由此提高了识别效率和准确度,也提高了气味定量分析的精度。
相应地,本发明实施例提供的一种基于机器嗅觉的气味识别装置、设备及计算机可读存储介质,也同样具有上述技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种基于机器嗅觉的气味识别方法流程图;
图2为本发明实施例公开的三种类似气味的响应模式示意图:
图3为本发明实施例公开的另一种基于机器嗅觉的气味识别方法流程图;
图4为本发明实施例公开的一种基于机器嗅觉的气味识别装置示意图;
图5为本发明实施例公开的一种基于机器嗅觉的气味识别设备示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于机器嗅觉的气味识别方法、装置、设备及计算机可读存储介质,以提高气味识别的效率、准确度以及气味定量分析的精度。
参见图1,本发明实施例提供的一种基于机器嗅觉的气味识别方法,包括:
S101、获取目标混合气味的混合响应信号;
S102、判断混合响应信号中是否存在未知响应信号;若是,则执行S103;若否,则执行S104;
S103、从混合响应信号中滤除未知响应信号,获得目标响应信号,并将目标响应信号与预设数据库中的模板响应信号进行对比,确定目标响应信号对应的气味类型和含量;
具体的,由于混合响应信号中存在未知响应信号,为了消除未知响应信号对气味分析过程的影响,需要首先滤除未知响应信号。其中,由于类似气味的不同响应信号,通过同一传感器采集到的响应模式大致相同,故可将未知响应信号采用特定的函数进行表示。
例如:皇帝柑果肉、脐橙果肉和砂糖桔果肉这三种类似气味的响应模式如图2所示,由图2可以看出,同一传感器具有相同的气味响应模式,故存在未知气味(由单一气体成分产生的单一气味或由多种气体成分产生的复合气味)时,不同未知气味在每个传感器上产生的数值大小各不相同,但在每个传感器上的气味响应模式必定相同。基于此,便可以将特定的目标函数进行优化,以生成兼顾未知气味的识别模型。
S104、将混合响应信号与预设数据库中的模板响应信号进行对比,确定混合响应信号对应的气味类型和含量。
具体的,当混合响应信号中不存在未知响应信号时,则可以直接将混合响应信号与预设数据库中的模板响应信号进行对比,从而确定混合响应信号对应的气味类型和含量。
可见,本实施例提供了一种基于机器嗅觉的气味识别方法,所述方法在处理混合气味的混合响应信号之前,首先滤除混合响应信号中的未知响应信号,以避免未知气味对识别结果产生影响;同时,将滤除未知响应信号后得到的目标响应信号与预设数据库中的模板响应信号进行对比,从而确定出目标响应信号对应的气味类型和含量,由此提高了识别效率和准确度,也提高了气味定量分析的精度。
本发明实施例公开了一种基于机器嗅觉的气味识别方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。
参见图3,本发明实施例提供的另一种基于机器嗅觉的气味识别方法,包括:
S301、获取目标混合气味的混合响应信号;
S303、判断混合响应信号中是否存在未知响应信号;若是,则执行S303;若否,则执行S307;
S303、判断混合响应信号是否为线性响应信号;若是,则执行S304;若否,则执行S305;
S304、利用线性混合模型中的优化函数滤除未知响应信号,获得目标响应信号,将目标响应信号与预设数据库中的模板响应信号进行对比,并通过乘子法确定目标响应信号对应的气味类型和含量;
并且,乘子法用于有约束的非线性规划,属于罚函数法,是在约束问题的Lagrange函数中加入相应的惩罚,既能保证迭代点会收敛到约束问题的极小点,更重要的是能保证数值计算的稳定性。
需要说明的是,所述线性混合模型中的优化函数可基于下述过程进行获得。线性混合条件下且同时考虑机器嗅觉传感器阵列的稳态响应和暂态响应时,单个传感器对单种气味的响应可以用有限冲激响应滤波器来描述。例如:若存在m个传感器、n个源信号(源气味),则可建立如下卷积混合数学模型:
其中,y(t)、x(t)、n(t)分别是由m个传感器响应组成的m×1传感器响应列向量、由n个信号源组成的n×1的信号源列向量、由m个传感器的观测噪声组成的m×1的噪声向量,s表示冲激响应向量的长度,H表示滤波器混合矩阵且与时间无关。需要说明的是,在机器嗅觉研究和应用中,都假定x(t)在一次测量过程(约30秒-1分钟)中基本不变。
由于信号源的含量(或强度)不能为负,故可构造如下目标函数:
由上式可看出,其为带约束条件的最小二乘法,可以用Lagrange乘子法解算出信号源向量x(t)。但由于传感器间可能存在共线性(完全相关或高度相关),所以Lagrange乘子法会面临病态求解问题。为克服Lagrange乘子法的局限性,可采用岭回归算法求解。岭回归公式如下:
其中,X为源气味矢量,H为传递矩阵,H*为H的伪逆矩阵,Y为传感器响应矩阵,γ(0≤γ≤1)为正则化参数,可依据交叉验证获得。但是,若其中存在未知气味,由于传感器阵列响应矩阵A或滤波器响应矩阵Hp是针对特定应用场景的n种源气味来进行描述的,不含未知气体的响应信息,所以利用上述最优化目标求解,必然存在比较大的误差。
为了解决上述问题,可依据类似气味的不同响应信号,通过同一传感器采集到的响应模式大致相同的原理进行优化,进而得到线性混合模型中的优不具区分度,将舍弃;另外9个传感器的z(t)分量取下述公式之一进行求解。
其中,式(1)为:xi(t)≥0,xi(t)表示噪声信号;式(2)为:z(t)=0;
式(3)包括四种求解模式,其中,式(3-1)为:z(t)=Aeat,式(3-2)为:z(t)=1-Bebt,式(3-3)为:z(t)=Cect,式(3-4)为:z(t)=kt2+lt+m。
当所有传感器的z(t)分量等于0,则意味着不存在未知气味。因此,该函数模型可兼顾未知气味存在的情况。
其中,当响应信号线性增大,且逐步达到稳定状态时,采用Aeat求解z(t);当响应信号线性减小,且逐步达到稳定状态时,采用1-Bebt求解z(t);当响应信号为非线性响应信号,且突变至稳定前的状态时,采用Cect求解z(t);当响应信号为非线性响应信号,且突变至稳定后的状态时,采用kt2+lt+m求解z(t)。
S305、利用非线性混合模型中的优化函数滤除未知响应信号,获得目标响应信号,并执行S306;
S306、将目标响应信号与预设数据库中的模板响应信号进行对比,并通过混沌遗传算法确定目标响应信号对应的气味类型和含量。
当混合响应信号为非线性响应信号时,可利用非线性混合模型中的优化函数滤除未知响应信号,获得目标响应信号;其中,非线性混合模型中的优化函数为:min||y(t)-g(t)-z(t)||,y(t)表示混合响应信号,g(t)表示非线性响应信号,z(t)表示未知响应信号。
S307、将混合响应信号与预设数据库中的模板响应信号进行对比,确定混合响应信号对应的气味类型和含量。
在本实施例中,非线性混合模型利用多元自适应回归样条法生成,具体的生成步骤为:
获取混合气味的实验数据,并对实验数据进行环境因素校正;
对校正后的实验数据进行划分,得到多个区间,并基于每个区间生成对应的基函数;
采用均分误差法选择精确度最高的基函数,并将精确度最高的基函数对应的模型确定为非线性混合模型。均分误差法的最小结果对应精确度最高的基函数。
其中,该混合气味的实验数据还可以用于生成预设的气味数据库,用于与待识别的混合响应信号进行对比。
所述对实验数据进行环境因素校正包括:采用神经网络的方法对实验数据的温度、湿度和大气压力进行补偿。
例如:在特定应用下,采用三层BP神经网络进行温度和湿度补偿,神经网络的输入为传感器响应、环境温度、环境湿度和大气压力,输出为校正后的传感器响应。如此可完善预设的气味数据库(数据库所存的数据不可能覆盖整个温度,湿度和大气压力范围),通过校正可使数据库中的数据覆盖范围更为广泛。
其中,所述基函数一般为线性函数或二次型函数,通过神经网络可对函数中的参数进行修正,以提高基函数的精确度。
在本实施例中,通过混沌遗传算法确定目标响应信号对应的气味类型和含量,包括:
基于目标响应信号生成混沌遗传算法的种群;
对种群中的个体进行个体评价,并对完成个体评价的种群进行选择运算、交叉运算和变异运算,使种群进行迭代更新;
判断当前进化代数是否大于预设的最大进化代数;
若是,则输出最优解,并依据最优解确定目标响应信号对应的气味类型和含量。
具体的,采用混沌遗传算法获得的结果可用来估计混合气味的浓度及类型,其中,浓度的估算结果的精确度可达0.01mg/m3,从而提高了气味定量分析的精度。
可见,本实施例提供了另一种基于机器嗅觉的气味识别方法,所述方法在处理混合气味的混合响应信号时,首先判断混合响应信号为线性响应信号还是非线性响应信号,当混合响应信号为线性响应信号时,利用线性混合模型中的优化函数滤除未知响应信号,获得目标响应信号,将目标响应信号与预设数据库中的模板响应信号进行对比,并通过乘子法确定目标响应信号对应的气味类型和含量;当混合响应信号为非线性响应信号时,利用非线性混合模型中的优化函数滤除未知响应信号,获得目标响应信号,并将目标响应信号与预设数据库中的模板响应信号进行对比,并通过混沌遗传算法确定目标响应信号对应的气味类型和含量,由此提高了识别效率和准确度,也提高了气味定量分析的精度。
需要说明的是,当所述混合响应信号中不存在未知响应信号,且所述混合响应信号为线性响应信号时,还包括:
利用所述线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号;
将所述目标响应信号与预设数据库中的模板响应信号进行对比,通过岭回归方法确定所述目标响应信号对应的气味类型和含量。
具体的,当混合响应信号中不存在未知响应信号,且所述混合响应信号为线性响应信号时,可采用上述线性混合模型中的优化函数和岭回归方法确定所述目标响应信号对应的气味类型和含量,以使得求解过程更为简便,识别结果更为精确。其中,由于现有的气味识别方法已能够识别出气味的类型及含量,所以对于如何识别气味的类型及含量,本发明未做详细说明。本发明公开的气味识别方法在处理步骤上更具可操作性,其处理模型也更优化,故获得的识别结果更准确。
基于上述任意实施例,需要说明的是,所述判断混合响应信号中是否存在未知响应信号,即判断获取到的混合响应信号中是否存在预设数据库中不存在的气味,若存在,则说明混合响应信号中存在未知响应信号;若不存在,则说明混合响应信号中不存在未知响应信号,即混合响应中的所有信号在预设数据库中均可以找到。
下面对本发明实施例提供的一种基于机器嗅觉的气味识别装置进行介绍,下文描述的一种基于机器嗅觉的气味识别装置与上文描述的一种基于机器嗅觉的气味识别方法可以相互参照。
参见图4,本发明实施例提供的一种基于机器嗅觉的气味识别装置,包括:
获取模块401,用于获取目标混合气味的混合响应信号;
判断模块402,用于判断所述混合响应信号中是否存在未知响应信号;
识别模块403,用于当所述混合响应信号中存在未知响应信号时,从所述混合响应信号中滤除所述未知响应信号,获得目标响应信号,并将所述目标响应信号与预设数据库中的模板响应信号进行对比,确定所述目标响应信号对应的气味类型和含量。
其中,所述识别模块包括:
判断单元,用于判断所述混合响应信号是否为线性响应信号;
识别单元,用于当所述混合响应信号为线性响应信号时,利用线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号,将所述目标响应信号与预设数据库中的模板响应信号进行对比,并通过乘子法确定所述目标响应信号对应的气味类型和含量;
其中,还包括:
线性处理模块,用于当所述混合响应信号中不存在未知响应信号,且所述混合响应信号为线性响应信号时,利用所述线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号;将所述目标响应信号与预设数据库中的模板响应信号进行对比,通过岭回归方法确定所述目标响应信号对应的气味类型和含量。
其中,还包括:
非线性处理模块,用于当所述混合响应信号为非线性响应信号时,利用非线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号;将所述目标响应信号与预设数据库中的模板响应信号进行对比,并通过混沌遗传算法确定所述目标响应信号对应的气味类型和含量;
其中,所述非线性混合模型中的优化函数为:min||y(t)-g(t)-z(t)||,y(t)表示混合响应信号,g(t)表示非线性响应信号,z(t)表示未知响应信号。
其中,所述非线性处理模块还包括:
生成单元,用于利用多元自适应回归样条法生成非线性混合模型;
所述生成单元包括:
获取子单元,用于获取混合气味的实验数据,并对所述实验数据进行环境因素校正;
划分子单元,用于对校正后的实验数据进行划分,得到多个区间,并基于每个区间生成对应的基函数;
确定子单元,用于采用均分误差法选择精确度最高的基函数,并将所述精确度最高的基函数对应的模型确定为所述非线性混合模型。
其中,非线性处理模块具体用于:
基于所述目标响应信号生成所述混沌遗传算法的种群;
对所述种群中的个体进行个体评价,并对完成个体评价的种群进行选择运算、交叉运算和变异运算,使所述种群进行迭代更新;
判断当前进化代数是否大于预设的最大进化代数;
若是,则输出最优解,并依据所述最优解确定所述目标响应信号对应的气味类型和含量。
下面对本发明实施例提供的一种基于机器嗅觉的气味识别设备进行介绍,下文描述的一种基于机器嗅觉的气味识别设备与上文描述的一种基于机器嗅觉的气味识别方法及装置可以相互参照。
参见图5,本发明实施例提供的一种基于机器嗅觉的气味识别设备,包括:
存储器501,用于存储计算机程序;
处理器502,用于执行所述计算机程序时实现上述任意实施例所述的基于机器嗅觉的气味识别方法的步骤。
下面对本发明实施例提供的一种计算机可读存储介质进行介绍,下文描述的一种计算机可读存储介质与上文描述的一种基于机器嗅觉的气味识别方法、装置及设备可以相互参照。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意实施例所述的基于机器嗅觉的气味识别方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于机器嗅觉的气味识别方法,其特征在于,包括:
获取目标混合气味的混合响应信号;
判断所述混合响应信号中是否存在未知响应信号;
若是,则从所述混合响应信号中滤除所述未知响应信号,获得目标响应信号,并将所述目标响应信号与预设数据库中的模板响应信号进行对比,确定所述目标响应信号对应的气味类型和含量;
其中,所述从所述混合响应信号中滤除所述未知响应信号,获得目标响应信号,并将所述目标响应信号与预设数据库中的模板响应信号进行对比,确定所述目标响应信号对应的气味类型和含量,包括:
判断所述混合响应信号是否为线性响应信号;
若是,则利用线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号,将所述目标响应信号与预设数据库中的模板响应信号进行对比,并通过乘子法确定所述目标响应信号对应的气味类型和含量;
2.根据权利要求1所述的基于机器嗅觉的气味识别方法,其特征在于,当所述混合响应信号中不存在未知响应信号,且所述混合响应信号为线性响应信号时,还包括:
利用所述线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号;
将所述目标响应信号与预设数据库中的模板响应信号进行对比,通过岭回归方法确定所述目标响应信号对应的气味类型和含量。
3.根据权利要求1所述的基于机器嗅觉的气味识别方法,其特征在于,当所述混合响应信号为非线性响应信号时,还包括:
利用非线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号;
将所述目标响应信号与预设数据库中的模板响应信号进行对比,并通过混沌遗传算法确定所述目标响应信号对应的气味类型和含量;
其中,所述非线性混合模型中的优化函数为:min||y(t)-g(t)-z(t)||,y(t)表示混合响应信号,g(t)表示非线性响应信号,z(t)表示未知响应信号。
4.根据权利要求3所述的基于机器嗅觉的气味识别方法,其特征在于,所述非线性混合模型利用多元自适应回归样条法生成,具体的生成步骤为:
获取混合气味的实验数据,并对所述实验数据进行环境因素校正;
对校正后的实验数据进行划分,得到多个区间,并基于每个区间生成对应的基函数;
采用均分误差法选择精确度最高的基函数,并将所述精确度最高的基函数对应的模型确定为所述非线性混合模型。
5.根据权利要求3所述的基于机器嗅觉的气味识别方法,其特征在于,所述通过混沌遗传算法确定所述目标响应信号对应的气味类型和含量,包括:
基于所述目标响应信号生成所述混沌遗传算法的种群;
对所述种群中的个体进行个体评价,并对完成个体评价的种群进行选择运算、交叉运算和变异运算,使所述种群进行迭代更新;
判断当前进化代数是否大于预设的最大进化代数;
若是,则输出最优解,并依据所述最优解确定所述目标响应信号对应的气味类型和含量。
6.一种基于机器嗅觉的气味识别装置,其特征在于,包括:
获取模块,用于获取目标混合气味的混合响应信号;
判断模块,用于判断所述混合响应信号中是否存在未知响应信号;
识别模块,用于当所述混合响应信号中存在未知响应信号时,从所述混合响应信号中滤除所述未知响应信号,获得目标响应信号,并将所述目标响应信号与预设数据库中的模板响应信号进行对比,确定所述目标响应信号对应的气味类型和含量;
其中,所述识别模块包括:
判断单元,用于判断所述混合响应信号是否为线性响应信号;
识别单元,用于当所述混合响应信号为线性响应信号时,利用线性混合模型中的优化函数滤除所述未知响应信号,获得所述目标响应信号,将所述目标响应信号与预设数据库中的模板响应信号进行对比,并通过乘子法确定所述目标响应信号对应的气味类型和含量;
7.一种基于机器嗅觉的气味识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-5任意一项所述的基于机器嗅觉的气味识别方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述的基于机器嗅觉的气味识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810628801.0A CN108932483B (zh) | 2018-06-19 | 2018-06-19 | 一种基于机器嗅觉的气味识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810628801.0A CN108932483B (zh) | 2018-06-19 | 2018-06-19 | 一种基于机器嗅觉的气味识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108932483A CN108932483A (zh) | 2018-12-04 |
CN108932483B true CN108932483B (zh) | 2022-03-25 |
Family
ID=64446013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810628801.0A Active CN108932483B (zh) | 2018-06-19 | 2018-06-19 | 一种基于机器嗅觉的气味识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108932483B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110057975B (zh) * | 2019-04-22 | 2023-07-25 | 广州德芯半导体科技有限公司 | 一种嗅感描述符获取方法、***及相关装置 |
CN111024776A (zh) * | 2019-12-19 | 2020-04-17 | 安徽康佳同创电器有限公司 | 一种电子鼻、气味识别方法及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1482453A (zh) * | 2003-07-11 | 2004-03-17 | 华东理工大学 | 一种基于模块化组合神经网络的机器嗅觉气味识别方法 |
US20090048689A1 (en) * | 2007-08-14 | 2009-02-19 | David Andrew Pelton | Actuation response oscillation detection monitor |
CN101470121A (zh) * | 2007-12-29 | 2009-07-01 | 广东工业大学 | 一种嵌入式仿生嗅觉气味识别方法及装置 |
CN101788517A (zh) * | 2010-02-23 | 2010-07-28 | 广东工业大学 | 基于仿生嗅觉的辛味中药材气味指纹图谱构建***及方法 |
CN104460948A (zh) * | 2013-09-15 | 2015-03-25 | 南京大五教育科技有限公司 | 一种嗅觉传感的技术 |
CN108123724A (zh) * | 2017-12-22 | 2018-06-05 | 西安烽火电子科技有限责任公司 | 一种基于短波窄带波形的通信*** |
-
2018
- 2018-06-19 CN CN201810628801.0A patent/CN108932483B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1482453A (zh) * | 2003-07-11 | 2004-03-17 | 华东理工大学 | 一种基于模块化组合神经网络的机器嗅觉气味识别方法 |
US20090048689A1 (en) * | 2007-08-14 | 2009-02-19 | David Andrew Pelton | Actuation response oscillation detection monitor |
CN101470121A (zh) * | 2007-12-29 | 2009-07-01 | 广东工业大学 | 一种嵌入式仿生嗅觉气味识别方法及装置 |
CN101788517A (zh) * | 2010-02-23 | 2010-07-28 | 广东工业大学 | 基于仿生嗅觉的辛味中药材气味指纹图谱构建***及方法 |
CN104460948A (zh) * | 2013-09-15 | 2015-03-25 | 南京大五教育科技有限公司 | 一种嗅觉传感的技术 |
CN108123724A (zh) * | 2017-12-22 | 2018-06-05 | 西安烽火电子科技有限责任公司 | 一种基于短波窄带波形的通信*** |
Non-Patent Citations (4)
Title |
---|
Classification of Fruit Species Based on Effective Sensor Array Selection;Biliang Xia et al;《2016 IEEE International Conference on Consumer Electronics-China (ICCE-China)》;20170213;全文 * |
Electronic Noses and Tongues: Applications for the Food and Pharmaceutical Industries;Elizabeth A. Baldwin et al;《Sensors》;20110502;第11卷(第5期);全文 * |
基于机器嗅觉的柑橘品种无损检测与识别;彭柯 等;《江西农业大学学报》;20171020;第39卷(第5期);全文 * |
机器嗅觉在气味类别与浓度同时估计中的应用;高大启;《2004年中国香料香精学术研讨会》;20040331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108932483A (zh) | 2018-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kamalapurkar et al. | Model-based reinforcement learning for approximate optimal regulation | |
Ni et al. | Adaptive learning in tracking control based on the dual critic network design | |
CN108932483B (zh) | 一种基于机器嗅觉的气味识别方法及装置 | |
CN107194026B (zh) | 基于贝叶斯网络的吸收塔脱硫过程建模方法 | |
Deng et al. | Feedback-linearization-based neural adaptive control for unknown nonaffine nonlinear discrete-time systems | |
Formentin et al. | Enhancing statistical performance of data-driven controller tuning via L2-regularization | |
Marconato et al. | Improved initialization for nonlinear state-space modeling | |
CN116229036A (zh) | 数据采集***、方法、计算机设备及存储介质 | |
Seppelt et al. | “It was an artefact not the result”: A note on systems dynamic model development tools | |
CN115471480A (zh) | 提臀运动裤的智能化生产工艺 | |
JP2010267570A (ja) | 特性解析装置 | |
Zhang et al. | A correlation-test-based validation procedure for identified neural networks | |
CN113759708A (zh) | ***的优化控制方法、装置和电子设备 | |
Smyshlyaev et al. | Output-feedback adaptive control for parabolic PDEs with spatially varying coefficients | |
Bresch-Pietri et al. | Prediction-based control for nonlinear state-and input-delay systems with the aim of delay-robustness analysis | |
CN116484193A (zh) | 一种作物产量的预测方法、***、设备及介质 | |
Larsson et al. | Estimation of continuous-time stochastic system parameters | |
Costa et al. | Optimal recursive fuzzy model identification approach based on particle swarm optimization | |
Han et al. | Identification of CSTR using extreme learning machine based hammerstein-wiener model | |
Bessa et al. | Recursive system identification using outlier-robust local models | |
Chen | Reconstructing genetic regulatory networks using two-step algorithms with the differential equation models of neural networks | |
CN117059198B (zh) | 基于响应曲面模型的排放清单反馈更新方法、***及设备 | |
Hasebe et al. | Exploration of sensing data to realize intended odor impression using mass spectrum of odor mixture | |
Zhou et al. | Decentralised fully probabilistic design for stochastic networks with multiplicative noise | |
CN117556214A (zh) | 一种异味自适应治理方法、***、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |