[发明专利]一种基于流形学习的电子舌信号特征提取方法

摘要

本发明提供一种基于流形学习的电子舌信号特征提取方法,所述方法包括：利用电子舌对茶叶样品进行检测，得到传感器响应时序信号；根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除；对流形学习算法的参数进行优化,以龙井茶品质等级正确识别率为依据选择流形学习算法的参数；采用流形学习算法对传感器响应信号进行非线性特征提取,得到表征茶叶样品的滋味信息的特征；将茶叶样品的滋味特征输入分类器,进行龙井茶品质等级判定。能够对茶叶样品进行异常值剔除，利用优化参数后的流形学习算法可以更好的表征不同等级茶叶样品的非线性特征，提升经过非线性映射后的样本在高维特征空间中的信号差异性。

主权项

1.一种基于流形学习的电子舌信号特征提取方法，其特征在于，所述基于流形学习的电子舌信号特征提取方法包括：利用电子舌对茶叶样品进行检测，得到传感器响应时序信号；根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除；对流形学习算法的参数进行优化,以龙井茶品质等级正确识别率为依据选择流形学习算法的参数；采用流形学习算法对传感器响应信号进行非线性特征提取,得到茶叶样品的滋味特征；将茶叶样品的滋味特征输入分类器,进行茶叶品质等级判定；其中，所述利用电子舌对茶叶样品进行检测，包括：按照顺序将样品和清洗溶液放置在电子舌的自动进样器上；每个样品重复采集，每次采集按照“茶汤样品→清洗液1→清洗液2”的流程进行；其中，所述根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除，包括：对数据集X＝[x₁,x₂,…,x_N]∈R^m×N进行中心化，计算中心化数据的协方差矩阵：计算协方差矩阵的特征值和特征向量：Cv＝λv；将协方差矩阵的特征值λi按由大到小的顺序进行排序，特征值所对应的特征向量按由大到小的顺序排序；利用将数据样本投影到Cv＝λv中得到的特征向量上；利用计算样本估计值，主成分残差即为样本真实值与估计值之差，即其中，为均值向量，v为特征值所对应的特征向量；样本点之间的马氏距离为：以主成分残差值及样本点与同类样本均值之间的马氏距离为依据，将远离同类样本点总体分布的样本点判断为异常样本剔除；其中，所述对流形学习算法的参数进行优化,以茶叶品质等级正确识别率为依据选择流形学习算法的参数，包括：以热核法构造权重矩阵对热核函数中的参数t进行优化选择；对高斯核函数k(x,y)＝exp(‑||x‑y||2/2σ2)中的参数σ2进行优化选择；参数选择时以茶叶品质等级判定的正确识别率为依据选择参数值；其中，所述以热核法构造权重矩阵，包括：若样本点i和样本点j是近邻点，则权重系数为Wij＝exp(‑||xi‑xj||2/t)；若样本点i和样本点j不是近邻点，则权重系数为Wij＝0；其中，所述采用流形学习算法对传感器响应信号进行非线性特征提取,得到茶叶样品的滋味特征，包括：通过一个非线性变换Φ:把输入数据映射到高维特征空间，非线性变换后的数据点为Φ(x₁),Φ(x₂),…,Φ(x_N)；在高维特征空间中，将最小化目标函数问题可以转化成广义的特征值求解问题；对传感器响应信号进行非线性特征提取,得到茶叶样品的滋味特征；其中，所述通过一个非线性变换Φ:把输入数据映射到高维特征空间，非线性变换后的数据点为Φ(x₁),Φ(x₂),…,Φ(x_N)包括：其中，D表示对角矩阵，对于线性映射P_Φ，存在系数α_i∈R，使得带回上式，加上尺度归一条件α^TKDKα＝1；所述在高维特征空间中，将最小化目标函数问题可以转化成广义的特征值求解问题，包括：K(D‑W)Kα＝λKDKα其中，Kij＝k(xi,xj)＝Φ(xi)TΦ(xj)为核矩阵。