CN112927763B - 一种基于电子鼻的气味描述符评级的预测方法 - Google Patents

一种基于电子鼻的气味描述符评级的预测方法 Download PDF

Info

Publication number
CN112927763B
CN112927763B CN202110247208.3A CN202110247208A CN112927763B CN 112927763 B CN112927763 B CN 112927763B CN 202110247208 A CN202110247208 A CN 202110247208A CN 112927763 B CN112927763 B CN 112927763B
Authority
CN
China
Prior art keywords
odor
electronic nose
des
descriptor
odor descriptor
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
Application number
CN202110247208.3A
Other languages
English (en)
Other versions
CN112927763A (zh
Inventor
程昱
郭娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110247208.3A priority Critical patent/CN112927763B/zh
Publication of CN112927763A publication Critical patent/CN112927763A/zh
Application granted granted Critical
Publication of CN112927763B publication Critical patent/CN112927763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Biochemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于电子鼻的气味描述符评级的预测方法，包括以下步骤：S1：获取电子鼻信号，并对电子鼻信号进行切片预处理，得到若干个电子鼻信号片段；S2：构建若干个同级深度学习模型，将若干个电子鼻信号片段分别输入到各个同级深度学习模型中，分别提取出各个电子鼻信号片段的时间特征和空间特征；S3：根据各个电子鼻信号片段的时间特征和空间特征预测得到与气味样本对应的气味描述符的评级。本发明提供一种基于电子鼻的气味描述符评级的预测方法，解决了现有的研究没有考虑电子鼻信号之间的时空相关性，导致预测的准确性不够高的问题。

Description

一种基于电子鼻的气味描述符评级的预测方法
技术领域
本发明涉及电子鼻检测技术领域，更具体的，涉及一种基于电子鼻的气味描述符评级的预测方法。
背景技术
气味描述符是用嗅觉相关的词汇来表达嗅觉感知。嗅觉研究旨在将气味的物理和化学性质与气味描述符联系起来，已经证明了气味描述符的等级与化学性质有关，例如碳链长度、分子大小。另外一些电子鼻和质谱仪采集数据也已被用于预测气味描述符。在某种程度上，电子鼻可以简化气味描述等级的评估过程。
目前已有研究将随机森林模型、正则化线性模型、反向传播神经网络(BP)、卷积神经网络(CNN)等应用到电子鼻信号处理上，但电子鼻信号既包含空间信息(传感器之间的相关性)，又包含时间信息(传感器响应随时间变化)，现有的研究没有考虑电子鼻信号之间的时空相关性，导致预测的准确性不够高。
现有技术中，如2020-01-24公开的中国专利，基于双层集成神经网络的电子鼻预测方法，公开号为CN110726813A，结合了卷积神经网络自动提取数据集中抽象局部、拟合能力强和集成算法能有效提高预测模型泛化能力和稳定性等特点，提高了电子鼻的检测性能，但没有考虑电子鼻信号之间的时空相关性。
发明内容
本发明为克服现有的研究没有考虑电子鼻信号之间的时空相关性，导致预测的准确性不够高的技术缺陷，提供一种基于电子鼻的气味描述符评级的预测方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于电子鼻的气味描述符评级的预测方法，包括以下步骤：
S1：获取电子鼻信号，并对电子鼻信号进行切片预处理，得到若干个电子鼻信号片段；
S2：构建若干个同级深度学习模型，将若干个电子鼻信号片段分别输入到各个同级深度学习模型中，分别提取出各个电子鼻信号片段的时间特征和空间特征；
S3：根据各个电子鼻信号片段的时间特征和空间特征预测得到与气味样本对应的气味描述符的评级。
优选的，在步骤S1中，假设所述电子鼻信号在时间维度
Figure BDA0002964525130000021
上的长度为m，根据时间维度对电子鼻信号进行切片预处理，具体为：
将m分为长度为l的g个时间间隔，即{[1,2,…,l],[l+1,…,2l],…,[m-l+1,…,m]}，每个时间间隔对应于
Figure BDA0002964525130000022
Figure BDA0002964525130000023
因此，电子鼻信号被切成电子鼻信号集
Figure BDA0002964525130000024
其中第i片电子鼻信号片段
Figure BDA0002964525130000025
l＝m/g。
优选的，所述同级深度学习模型包括基于ConvLSTM的深度特征提取器和全连接分类器；其中，所述基于ConvLSTM的深度特征提取器包括CNN网络和LSTM网络。
优选的，在步骤S2中，通过所述CNN网络提取电子鼻信号片段的空间特征，通过所述LSTM网络提取电子鼻信号片段的时间特征。
优选的，通过以下公式计算所述基于ConvLSTM的深度特征提取器的输出Ht：
Ht＝ot⊙tanh(Ct)
ot＝σ(WVo*Vt+Who*Ht-1+Wco⊙Ct+bo)
Ct＝ft⊙ct-1+it⊙gt
it＝σ(WVi*Vt+Whi*Ht-1+Wci⊙Ct-1+bi)
ft＝σ(WVf*Vt+Whf*Ht-1+Wcf⊙Ct-1+bf)
gt＝tanh(WVc*Vt+Whc*Ht-1+bc)
其中，*表示卷积算符，⊙表示Hadamard乘积，it、ft和ot分别代表时刻t的输入门、遗忘门和输出门的计算方法，Ct代表在时间t的存储单元的计算方法，σ为激活函数，WVo为输入Vt到输出门ot的权重，Vt为t时刻的输入，Who为Ht-1到ot的权重，Ht-1为t-1时刻的隐藏状态，Wco为Ct到ot的权重，bo为ot的偏置，ct-1为t-1时刻的存储单元，WVc为Vt到Ct的权重，Whc为Ht-1到Ct的权重，bc为Ct的偏置，WVi为Vt到it的权重，Whi为Ht-1到it的权重，Wci为Ct-1到it的权重，bi为it的偏置，WVf为Vt到ft的权重，Whf为Ht-1到ft的权重，Wcf为Ct-1到ft的权重，bf为ft的偏置。
优选的，在预测得到气味描述符的评级之前还包括：根据气味描述符desi和气味描述符desj的相似度将气味描述符desi和气味描述符desj进行组合。
优选的，通过以下步骤计算气味描述符desi和气味描述符desj的相似度：
将n个气味样本的全部气味描述符等级表示为一个2d矩阵：
Figure BDA0002964525130000031
其中，每个气味样本均有k个气味描述符{des1,…,desk}，每个气味描述符desi均对应一个气味描述符等级yi；
dri是Y中第i个列向量：
dri＝[y1i,y2i,…,yni]T
其中yni是气味样本n的第i个气味描述符的等级，气味描述符desi和气味描述符desj之间的相似度为：
Figure BDA0002964525130000032
其中，mi是向量dri的平均值，mj是向量drj的平均值，S(·,·)是双变量函数，用于计算两个输入向量之间的相似度，simi,j的值越大，气味描述符desi和气味描述符desj越相似。
优选的，将皮尔逊相关系数作为双变量函数S(·,·)。
优选的，通过以下步骤得到气味描述符desi和气味描述符desj的组合：
对于每个气味描述符desi，都有一个与其最相似的气味描述符：
i*＝argmaxj！＝iS(dri,drj)
预设阈值α，如果S(dri,drj)>α，则气味描述符desi和气味描述符desj的组合为Cb＝(desi,desi*)；否则，不对气味描述符desi和气味描述符desj进行组合。
优选的，预设阈值α＝0.6。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种基于电子鼻的气味描述符评级的预测方法，通过同时提取电子鼻信号的时间特征和空间特征来预测气味描述符的评级，从而考虑电子鼻信号之间的时空相关性，提高预测的准确性。
附图说明
图1为本发明的技术方案实施步骤流程图；
图2为本发明的应用示意图；
图3为本发明中对电子鼻信号进行切片预处理的示意图；
图4为本发明中提取出各个电子鼻信号片段的时间特征和空间特征的示意图；
图5为本发明中对气味描述符进行组合后输出的示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1-2所示，一种基于电子鼻的气味描述符评级的预测方法，包括以下步骤：
S1：获取电子鼻信号，并对电子鼻信号进行切片预处理，得到若干个电子鼻信号片段；
S2：构建若干个同级深度学习模型，将若干个电子鼻信号片段分别输入到各个同级深度学习模型中，分别提取出各个电子鼻信号片段的时间特征和空间特征；
S3：根据各个电子鼻信号片段的时间特征和空间特征预测得到与气味样本对应的气味描述符的评级。
实施例2
更具体的，如图3所示，在步骤S1中，假设所述电子鼻信号在时间维度
Figure BDA0002964525130000041
上的长度为m，根据时间维度对电子鼻信号进行切片预处理，具体为：
将m分为长度为l的g个时间间隔，即{[1,2,…,l],[l+1,…,2l],…,[m-l+1,…,m]}，每个时间间隔对应于
Figure BDA0002964525130000042
Figure BDA0002964525130000051
因此，电子鼻信号被切成电子鼻信号集
Figure BDA0002964525130000052
其中第i片电子鼻信号片段
Figure BDA0002964525130000053
l＝m/g。
在具体实施过程中，通过进行切片预处理将电子鼻信号转换为二维帧序列，能够实现电子鼻信号适合于卷积线性矩阵变换。
更具体的，所述同级深度学习模型包括基于ConvLSTM的深度特征提取器和全连接分类器；其中，所述基于ConvLSTM的深度特征提取器包括CNN网络和LSTM网络。在实际实施时，还包括对同级深度学习模型进行训练，在训练过程中，使基于ConvLSTM的深度特征提取器学习神经网络的参数，其中输入为电子鼻信号，标签为气味描述符的评级。针对不同的气味描述符的评级进行分别训练，即为多次组合训练和多次单独训练，每个训练过程都是一个端到端的过程；其次，还根据不同的气味描述符的评级相对应的训练过程中学习到的网络参数，将电子鼻信号转换为特征向量，然后利用这些特征向量更新全连接分类器。
更具体的，在步骤S2中，通过所述CNN网络提取电子鼻信号片段的空间特征，通过所述LSTM网络提取电子鼻信号片段的时间特征，从而对电子鼻信号的时空特征实现有效的提取。
在具体实施过程中，对于电子鼻信号，每个切片的观察结果均为2D图。如果将图片划分为平铺的非重叠面片，并查看图片内的像素作为其测量值，则电子鼻信号需要处理的问题会自然的转变成时空序列问题。将预处理的电子鼻信号[V1,…,Vg]输入到基于ConvLSTM的深度特征提取器后，其中通过CNN网络提取空间特征，LSTM网络提取时间特征。
更具体的，通过以下公式计算所述基于ConvLSTM的深度特征提取器的输出Ht：
Ht＝ot⊙tanh(Ct)
ot＝σ(WVo*Vt+Eho*Ht-1+Wco⊙Ct+bo)
Ct＝ft⊙ct-1+it⊙gt
it＝σ(WVi*Vt+Whi*Ht-1+Wci⊙Ct-1+bi)
ft＝σ(WVf*Vt+Whf*Ht-1+Wcf⊙Ct-1+bf)
gt＝tanh(WVc*Vt+Whc*Ht-1+bc)
其中，*表示卷积算符，⊙表示Hadamard乘积，it、ft和ot分别代表时刻t的输入门、遗忘门和输出门的计算方法，Ct代表在时间t的存储单元的计算方法，σ为激活函数，WVo为输入Vt到输出门ot的权重，Vt为t时刻的输入，Who为Ht-1到ot的权重，Ht-1为t-1时刻的隐藏状态，Wco为Ct到ot的权重，bo为ot的偏置，ct-1为t-1时刻的存储单元，WVc为Vt到Ct的权重，Whc为Ht-1到Ct的权重，bc为Ct的偏置，WVi为Vt到it的权重，Whi为Ht-1到it的权重，Wci为Ct-1到it的权重，bi为it的偏置，WVf为Vt到ft的权重，Whf为Ht-1到ft的权重，Wcf为Ct-1到ft的权重，bf为ft的偏置。
在具体实施过程中，每一个基于ConvLSTM的深度特征提取器的Ht对应该层的输出，多个基于ConvLSTM的深度特征提取器的隐藏状态[H1,...,Hg]构成模型的输出，其输出为一个3D张量数据，为了匹配回归器(即全连接分类器)的输入，需要将输出按行优先顺序转换为向量，如图4所示。
更具体的，如图5所示，在预测得到气味描述符的评级之前还包括：根据气味描述符desi和气味描述符desj的相似度将气味描述符desi和气味描述符desj进行组合。
在具体实施过程中，根据相似度组合气味描述符能够有效提高评级预测的准确性。
更具体的，通过以下步骤计算气味描述符desi和气味描述符desj的相似度：
将n个气味样本的全部气味描述符等级表示为一个2d矩阵：
Figure BDA0002964525130000061
其中，每个气味样本均有k个气味描述符{des1,…,desk}，每个气味描述符desi均对应一个气味描述符等级yi；
dri是Y中第i个列向量：
dri＝[y1i,y2i,…,yni]T
其中yni是气味样本n的第i个气味描述符的等级，气味描述符desi和气味描述符desj之间的相似度为：
Figure BDA0002964525130000062
其中，mi是向量dri的平均值，mj是向量drj的平均值，S(·,·)是双变量函数，用于计算两个输入向量之间的相似度，simi,j的值越大，气味描述符desi和气味描述符desj越相似。
更具体的，将皮尔逊相关系数作为双变量函数S(·,·)。
更具体的，通过以下步骤得到气味描述符desi和气味描述符desj的组合：
对于每个气味描述符desi，都有一个与其最相似的气味描述符：
i*＝argmaxj！＝iS(dri,drj)
预设阈值α，如果S(dri,drj)>α，则气味描述符desi和气味描述符desj的组合为Cb＝(desi,desi*)；否则，不对气味描述符desi和气味描述符desj进行组合。
在具体实施过程中，组合气味描述符的过程如下：
Algorithm 1
Input:kodor descriptor{des1,…,desk}
k descriptor ratings of n odor samples Y
Output:the Combinations C＝{Cb1,Cb2,…,Cbp}
Initialization:C＝{},α＝0.6
For desiin{des1,des2,…,desK}
Get dri＝[y1i,y2i,…,yni]T
Find i*＝argmaxj！＝iS(dri,drj)
if S(dri,dri*)≥α
Construct combination(desi,desi*),definition 2.
Append(desi,desi*)into C
ReturnC
更具体的，预设阈值α＝0.6。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种基于电子鼻的气味描述符评级的预测方法，其特征在于，包括以下步骤：
S1：获取电子鼻信号，并对电子鼻信号进行切片预处理，得到若干个电子鼻信号片段；
在步骤S1中，假设所述电子鼻信号在时间维度
Figure FDA0004053571390000015
上的长度为m，根据时间维度对电子鼻信号进行切片预处理，具体为：
将m分为长度为l的g个时间间隔，即{[1，2，…，l]，[l+1，…，2l]，…，[m-l+1，…，m]}，每个时间间隔对应于
Figure FDA0004053571390000011
Figure FDA0004053571390000012
因此，电子鼻信号被切成电子鼻信号集
Figure FDA0004053571390000013
其中第i片电子鼻信号片段
Figure FDA0004053571390000014
l＝m/g；
S2：构建若干个同级深度学习模型，将若干个电子鼻信号片段分别输入到各个同级深度学习模型中，分别提取出各个电子鼻信号片段的时间特征和空间特征；
所述同级深度学习模型包括基于ConvLSTM的深度特征提取器和全连接分类器；其中，所述基于ConvLSTM的深度特征提取器包括CNN网络和LSTM网络；
在步骤S2中，通过所述CNN网络提取电子鼻信号片段的空间特征，通过所述LSTM网络提取电子鼻信号片段的时间特征；
通过以下公式计算所述基于ConvLSTM的深度特征提取器的输出Ht：
Ht＝ot⊙tanh(Ct)
ot＝σ(WVo*Vt+Who*Ht-1+Wco⊙Ct+bo)
Ct＝ft⊙ct-1+it⊙gt
it＝σ(WVi*Vt+Whi*Ht-1+Wci⊙Ct-1+bi)
ft＝σ(WVf*Vt+Whf*Ht-1+Wcf⊙Ct-1+bf)
gt＝tanh(WVc*Vt+Whc*Ht-1+bc)
其中，*表示卷积算符，⊙表示Hadamard乘积，it、ft和ot分别代表时刻t的输入门、遗忘门和输出门的计算方法，Ct代表在时间t的存储单元的计算方法，σ为激活函数，WVo为输入Vt到输出门ot的权重，Vt为t时刻的输入，Who为Ht-1到ot的权重，Ht-1为t-1时刻的隐藏状态，Wco为Ct到ot的权重，bo为ot的偏置，ct-1为t-1时刻的存储单元，WVc为Vt到Ct的权重，Whc为Ht-1到Ct的权重，bc为Ct的偏置，WVi为Vt到it的权重，Whi为Ht-1到it的权重，Wci为Ct-1到it的权重，bi为it的偏置，WVf为Vt到ft的权重，Whf为Ht-1到ft的权重，Wcf为Ct-1到ft的权重，bf为ft的偏置；
S3：根据各个电子鼻信号片段的时间特征和空间特征预测得到与气味样本对应的气味描述符的评级；
在预测得到气味描述符的评级之前还包括：根据气味描述符desi和气味描述符desj的相似度将气味描述符desi和气味描述符desj进行组合；
通过以下步骤计算气味描述符desi和气味描述符desj的相似度：
将n个气味样本的全部气味描述符等级表示为一个2d矩阵：
Figure FDA0004053571390000021
其中，每个气味样本均有k个气味描述符{des1，…，desk}，每个气味描述符desi均对应一个气味描述符等级yi；
dri是Y中第i个列向量：
dri＝[y1i，y2i，…，yni]T
其中yni是气味样本n的第i个气味描述符的等级，气味描述符desi和气味描述符desj之间的相似度为：
Figure FDA0004053571390000022
其中，mi是向量dri的平均值，mj是向量drj的平均值，S(·，·)是双变量函数，用于计算两个输入向量之间的相似度，simi，j的值越大，气味描述符desi和气味描述符desj越相似；
通过以下步骤得到气味描述符desi和气味描述符desj的组合：
对于每个气味描述符desi，都有一个与其最相似的气味描述符：
i*＝argmaxj！＝iS(dri，drj)
预设阈值α，如果S(dri，drj)＞α，则气味描述符desi和气味描述符desj的组合为
Figure FDA0004053571390000031
否则，不对气味描述符desi和气味描述符desj进行组合。
2.根据权利要求1所述的一种基于电子鼻的气味描述符评级的预测方法，其特征在于，将皮尔逊相关系数作为双变量函数S(·，·)。
3.根据权利要求1所述的一种基于电子鼻的气味描述符评级的预测方法，其特征在于，预设阈值α＝0.6。
CN202110247208.3A 2021-03-05 2021-03-05 一种基于电子鼻的气味描述符评级的预测方法 Active CN112927763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110247208.3A CN112927763B (zh) 2021-03-05 2021-03-05 一种基于电子鼻的气味描述符评级的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110247208.3A CN112927763B (zh) 2021-03-05 2021-03-05 一种基于电子鼻的气味描述符评级的预测方法

Publications (2)

Publication Number Publication Date
CN112927763A CN112927763A (zh) 2021-06-08
CN112927763B true CN112927763B (zh) 2023-04-07

Family

ID=76171667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110247208.3A Active CN112927763B (zh) 2021-03-05 2021-03-05 一种基于电子鼻的气味描述符评级的预测方法

Country Status (1)

Country Link
CN (1) CN112927763B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110794090A (zh) * 2019-10-22 2020-02-14 天津大学 情感电子鼻实现方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105929113A (zh) * 2016-04-20 2016-09-07 重庆大学 一种带子空间投影的电子鼻信号误差自适应学习方法
CN109239207A (zh) * 2018-07-23 2019-01-18 中山大学 基于电子鼻的气味识别方法、装置和电子鼻***
CN110411955A (zh) * 2019-07-15 2019-11-05 中山大学中山眼科中心 一种基于分子特征预测物质颜色气味的人工智能训练***
CN110726813A (zh) * 2019-10-12 2020-01-24 浙江大学 基于双层集成神经网络的电子鼻预测方法
CN111103325A (zh) * 2019-12-19 2020-05-05 南京益得冠电子科技有限公司 一种基于集成神经网络学习的电子鼻信号漂移补偿方法
CN111954812A (zh) * 2017-12-08 2020-11-17 耶达研究及发展有限公司 基于电子鼻的气味剂分析的利用

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011010312A1 (en) * 2009-07-23 2011-01-27 Yeda Research And Development Co. Ltd. Predicting odor pleasantness with an electronic nose

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105929113A (zh) * 2016-04-20 2016-09-07 重庆大学 一种带子空间投影的电子鼻信号误差自适应学习方法
CN111954812A (zh) * 2017-12-08 2020-11-17 耶达研究及发展有限公司 基于电子鼻的气味剂分析的利用
CN109239207A (zh) * 2018-07-23 2019-01-18 中山大学 基于电子鼻的气味识别方法、装置和电子鼻***
CN110411955A (zh) * 2019-07-15 2019-11-05 中山大学中山眼科中心 一种基于分子特征预测物质颜色气味的人工智能训练***
CN110726813A (zh) * 2019-10-12 2020-01-24 浙江大学 基于双层集成神经网络的电子鼻预测方法
CN111103325A (zh) * 2019-12-19 2020-05-05 南京益得冠电子科技有限公司 一种基于集成神经网络学习的电子鼻信号漂移补偿方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于电子鼻的气体等级鉴别信号处理方法;刘瑜 等;《信号处理》;20070430;第23卷(第2期);301-305 *

Also Published As

Publication number Publication date
CN112927763A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN108133188B (zh) 一种基于运动历史图像与卷积神经网络的行为识别方法
CN111626245B (zh) 一种基于视频关键帧的人体行为识别方法
CN111414942A (zh) 一种基于主动学习和卷积神经网络的遥感图像分类方法
CN109934158B (zh) 基于局部强化运动历史图和递归卷积神经网络的视频情感识别方法
CN109740057B (zh) 一种基于知识萃取的增强神经网络及信息推荐方法
CN104700100A (zh) 面向高空间分辨率遥感大数据的特征提取方法
CN109886102B (zh) 一种基于深度图像的跌倒行为时空域检测方法
CN112927763B (zh) 一种基于电子鼻的气味描述符评级的预测方法
CN106056135A (zh) 一种基于压缩感知的人体动作分类方法
CN111368634A (zh) 基于神经网络的人头检测方法、***及存储介质
CN117392604A (zh) 物联网实时信息监控管理***及方法
CN111008570B (zh) 一种基于压缩-激励伪三维网络的视频理解方法
CN116434002A (zh) 基于轻量级神经网络的烟雾检测方法、***、介质和设备
CN106528679A (zh) 基于多线性自回归模型的时间序列分析方法
CN112541010B (zh) 一种基于逻辑回归的用户性别预测方法
CN117035013A (zh) 一种采用脉冲神经网络预测动态网络链路的方法
CN112163494A (zh) 一种视频虚假人脸检测方法及电子装置
CN116977020A (zh) 一种基于大数据的直播购物推荐化方法
CN110045691B (zh) 一种多源异构大数据的多任务处理故障监测方法
CN108319935B (zh) 基于区域稀疏的人脸群体识别方法
CN116523711A (zh) 基于人工智能的教育监管***及其方法
CN115188022A (zh) 一种基于一致性半监督深度学习的人体行为识别方法
CN111681748B (zh) 基于智能视觉感知的医疗行为动作规范性评价方法
CN114565785A (zh) 一种基于三分支孪生网络的无监督视频异常检测方法
CN110751673B (zh) 一种基于集成学习的目标跟踪方法

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