[发明专利]一种模糊协方差学习网络的电子鼻鉴别食醋品种方法

说明书

技术领域

本发明涉及食醋品种鉴别领域，具体涉及一种模糊协方差学习网络的电子鼻鉴别食醋品种方法。

背景技术

食醋是很多家庭的调味品之一，现在市场上有各种各样的食醋，不同品牌的食醋以及不同酿造方法和不同酿造原料，则食醋的品质和风味不尽相同。随着广大消费者对食醋的品质有了更多的要求，对于食醋品质和品种的区分研究具有重要的研究意义和研究价值。

一般来说，对气味辨别的方法是由一些经过训练，并且有着多年工作经验的人来进行，而对气味的客观测定方法一般是使用气相色谱法。但是这两种方法都有缺点：专业人员主观性更高，且培养专门从事鉴别的专业人员代价昂贵；采用气相色谱法进行实验，不仅过程复杂，而且他对实验的环境要求十分苛刻，用气相色谱法进行现场检测有一定的局限性。与这两种方法相比，电子鼻具有显著的优点，所以采用电子鼻技术对食醋进行快速、准确的定性分析，具有很大的应用潜力。

张厚博等从传感器矩阵中获得数据(张厚博，梅笑冬，赵万，王彪，卢革宇.用于食醋品质预评价的电子鼻研究[J].传感器与微系统，2013，32(3)：62-64.)，再对这些数据使用主成分分析(PCA)和线性判别分析(LDA)对五种食醋的电子鼻数据进行分析和处理，可以较好的把不同品种的食醋进行分类，为食醋品质的预评价提供了一种便捷的方法。PCA主要是将多维的电子鼻数据进行降维，但是降维只是数据的压缩，并不能很明显的提升食醋分类的准确率。LDA用于提取电子鼻数据的判别分析信息，对于提升食醋分类的准确率有很大的帮助；但是，LDA也是一种数据降维处理方法，并不是一种分类器。

2014年，王巍巍等人设计了PCA和BP混合神经网络算法的电子鼻系统(王巍巍，张赛男.基于PCA与BP混合神经网络算法的电子鼻系统[J].传感器与微系统，2014，33(4):90-94.)，先用PCA将食醋的电子鼻数据降维，然后用用BP神经网络对PCA所得到的新变量进行模式识别从而实现食醋品种的分类。虽然神经网络(BP)可通过学习样本数据能够实现非线性的分类，但是神经网络存在局部极小点、过学习等问题。

发明内容

针对目前食醋品种分类所用电子鼻分类方法存在的问题，本发明提出了一种模糊协方差学习网络的电子鼻鉴别食醋品种方法，该方法提供了一种简单、方便、快速、准确的电子鼻食醋品种分类方法。

本发明依据的原理：被测食醋样本挥发出的气体作用于电子鼻传感器阵列，引起传感器输出电压的变化；不同品种的食醋样本，因为其食醋酿造方法和酿造原料的不尽相同，从而引起其挥发出的气味存在差别，因而导致电子鼻传感器输出电压存在差异，根据此差异用合适的数据处理方法即可实现不同品种的食醋样本的分类。

一种模糊协方差学习网络的电子鼻食醋品种分类方法，具体包括以下步骤：

S1，利用电子鼻系统采集不同品种的食醋样本；

S2，用标准正态变量变换处理进行预处理，再用主成分分析(PCA)进行数据压缩和线性判别分析(LDA)提取训练样本的鉴别信息；PCA进行数据压缩得到的6维数据分为训练样本和测试样本，训练样本用来模式训练，测试样本用来检验模式识别正确率；

S3，用一种模糊协方差学习网络进行食醋品种分类，具体步骤如下：

S3.1，参数初始化：设置食醋品种数为c(+∞＞c≥2)，初始权重指数m₀(+∞＞m₀＞1)，最大迭代数r_max，误差上限值ε，训练样本数为n₁，测试样本数n₂，设置初始类中心和初始模糊隶属度；

S3.2，计算第r-1(r＝1,2,…,r_max)次迭代时的距离范数

其中为第r-1次迭代时第k(k＝1,2,3,…,n₂)个测试样本x_k到类中心v_i,r-1的距离，A_i,r是第r次迭代时的第i个聚类中心的范数矩阵，d为测试样本的维数，v_i,r-1为第r-1次迭代时第i类的类中心(i＝1，2，……，c)，u_ik,r-1为第r-1次迭代时测试样本x_k属于第i类的模糊隶属度，S_fi,r是第r次迭代时第i类的模糊协方差矩阵；

S3.3，计算第r次迭代时的模糊隶属度值u_ik,r；