[发明专利]一种基于电子鼻的气味描述符评级的预测方法

说明书

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。

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。

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H_t：

H_t＝o_t⊙tanh(C_t)