[发明专利]一种基于电子鼻的气味描述符评级的预测方法

权利要求书

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

因此，电子鼻信号被切成电子鼻信号集其中第i片电子鼻信号片段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H_t：

H_t＝o_t⊙tanh(C_t)

o_t＝σ(W_Vo*V_t+W_ho*H_t-1+W_co⊙C_t+b_o)

C_t＝f_t⊙c_t-1+i_t⊙g_t

i_t＝σ(W_Vi*V_t+W_hi*H_t-1+W_ci⊙C_t-1+b_i)

f_t＝σ(W_Vf*V_t+W_hf*H_t-1+W_cf⊙C_t-1+b_f)

g_t＝tanh(W_Vc*V_t+W_hc*H_t-1+b_c)

其中，*表示卷积算符，⊙表示Hadamard乘积，i_t、f_t和o_t分别代表时刻t的输入门、遗忘门和输出门的计算方法，C_t代表在时间t的存储单元的计算方法，σ为激活函数，W_Vo为输入V_t到输出门o_t的权重，V_t为t时刻的输入，W_ho为H_t-1到o_t的权重，H_t-1为t-1时刻的隐藏状态，W_co为C_t到o_t的权重，b_o为o_t的偏置，c_t-1为t-1时刻的存储单元，W_Vc为V_t到C_t的权重，W_hc为H_t-1到C_t的权重，b_c为C_t的偏置，W_Vi为V_t到i_t的权重，W_hi为H_t-1到i_t的权重，W_ci为C_t-1到i_t的权重，b_i为i_t的偏置，W_Vf为V_t到f_t的权重，W_hf为H_t-1到f_t的权重，W_cf为C_t-1到f_t的权重，b_f为f_t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des_i和气味描述符des_j的相似度将气味描述符des_i和气味描述符des_j进行组合；

通过以下步骤计算气味描述符des_i和气味描述符des_j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：

其中，每个气味样本均有k个气味描述符{des₁，…，des_k}，每个气味描述符des_i均对应一个气味描述符等级y_i；

dr_i是Y中第i个列向量：

dr_i＝[y_1i，y_2i，…，y_ni]^T

其中y_ni是气味样本n的第i个气味描述符的等级，气味描述符des_i和气味描述符des_j之间的相似度为：

其中，m_i是向量dr_i的平均值，m_j是向量dr_j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，sim_i，j的值越大，气味描述符des_i和气味描述符des_j越相似；

通过以下步骤得到气味描述符des_i和气味描述符des_j的组合：

对于每个气味描述符des_i，都有一个与其最相似的气味描述符：

i^*＝argmax_j！＝iS(dr_i，dr_j)

预设阈值α，如果S(dr_i，dr_j)＞α，则气味描述符des_i和气味描述符des_j的组合为否则，不对气味描述符des_i和气味描述符des_j进行组合。