[发明专利]一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法

说明书

本发明涉及一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法，包括：利用电子鼻平台对待识别对象进行采样，得到电子鼻样本数据集S；构建仿生嗅球模型：仿生嗅球模型由多个嗅小球模型连接构成，仿生嗅球模型的中嗅小球模型的数量和电子鼻的传感器数量保持一致,每个嗅小球模型由四个基本神经元模型连接而成，分别为1个嗅觉感受器，1个僧帽细胞，1个颗粒细胞和1个球周细胞；将样本数据集S通过嗅觉感受器输入仿生嗅球模型处理后，得到新的多元脉冲时间序列数据集S’；进行数据规范化处理；得到相应的灰度图数据集M；确定卷积神经网络模型；训练。本发明能够实现自动特征提取及端到端学习，并提高了电子鼻识别算法的通用性。

技术领域

本发明属于仪器与测量领域，具体涉及一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法。

背景技术

电子鼻，是一种现代仿生检测仪器，它能够模拟人类及哺乳动物嗅觉系统的结构与功能，实现对简单或复杂的气味的检测识别。电子鼻对气味的识别是一类典型的模式识别问题，目前所采用的识别方法都是经典的模式识别方法。电子鼻采样信号通常需要经过数据预处理、特征提取、特征降维和分类器识别这些数据分析步骤，最终得到对不同气味的识别结果。这种按照经典模式识别思路的识别方法具有成熟的算法框架，也取得了良好的识别结果：专利ZL201410848582.9提出一种基于电子鼻技术的白酒识别方法；专利ZL201310549570.1提出一种基于电子鼻技术的葡萄酒分类方法；专利ZL201610003819.2提出一种基于电子鼻的数据空间转换的猪肉风味自动分类方法；专利ZL201710547486.4提出一种用于在线白酒识别的手持电子鼻。

但是该思路也存在着不足之处：1)数据预处理、特征提取、特征降维及分类器设计，每一步骤都有许多可选算法/方法，而针对不同的电子鼻系统及应用，往往需要尝试大量的不同算法组合以获得“最优”的识别效果，尤其是电子鼻特征提取步骤，且这一算法组合尝试过程并没有可供参考的准则，因此非常耗时；2)不同电子鼻系统及应用往往需要不同的算法组合才能得到较好的识别结果，也就是说该算法缺乏通用性，不利于电子鼻技术在不同应用中的推广。

发明内容

针对现有技术方法的不足，本发明的目的是提供一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法，该方法大大简化了现有电子鼻数据分析的步骤，能够实现自动特征提取及端到端学习，并提高了电子鼻识别算法的通用性。为达到上述目的，本发明的技术方案如下：

一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法，包括下列步骤：

1)首先利用电子鼻平台对待识别对象进行采样，得到电子鼻样本数据集S，样本类别数目为n；

2)构建仿生嗅球模型：仿生嗅球模型由多个嗅小球模型连接构成，仿生嗅球模型的中嗅小球模型的数量和电子鼻的传感器数量保持一致,每个嗅小球模型由四个基本神经元模型连接而成，分别为1个嗅觉感受器，1个僧帽细胞，1个颗粒细胞和1个球周细胞；所有基本神经元模型均采用Izhikevich神经元模型进行模拟，通过选取不同的模型参数来代表不同的神经元种类；不同嗅小球模型之间通过僧帽细胞连接，嗅觉感受器是仿生嗅球模型的输入端，僧帽细胞的输出作为仿生嗅球模型的输出；

3)将样本数据集S通过嗅觉感受器输入仿生嗅球模型处理后，得到新的多元脉冲时间序列数据集S’；

4)将得到的多元脉冲时间序列数据集S’进行数据规范化处理，规范方法为：其中，x为被转化的数据，y为转化之后的数据，y_min＝0，y_max＝255，规范化后的数据被视为灰度像素值数据；

5)将步骤4)规范化后的灰度像素数据按行进行排练得到相应的灰度图数据集M；

6)确定卷积神经网络模型：卷积层的层数和各层卷积核个数、尺寸，池化层的层数和池化窗口尺寸及步长，全连接层分类器种类，神经元激活函数等参数，构建卷积神经网络模型；