一种物质气味嗅频提取方法

摘要

本发明公开了一种物质气味嗅频提取方法，给出了物质气味嗅频的定义；提出叠加降维算法(Superposition Mapping Analysis，SMA)对物质气味样品进行判别训练，结合物质气味化学配比表，以后序遍历规则的平衡二叉树为存储结构，建立物质气味样品属性库，对未知物质气味进行识别；构建物质气味成分比例及浓度模型对物质气味实现浓度实时提取。本发明提供了一种利用仿生嗅觉系统提取物质气味嗅频的方法，具有快速检测、高效准确、性能稳定等优点，为实现物质气味远距离网络传输提供前提基础。

主权项

一种物质气味嗅频提取方法，其特征在于，物质气味嗅频是指用于表征物质气味的特征信息，包含物质气味的种类名称记为R_n，成分记为L_c，比例浓度记为P_i，对于嗅频的提取按照以下步骤进行：步骤1：选取物质气味样品备用，样品备份为若干份，固体每份为M克、液体每份为M毫升、气体为M立方毫米，固体物质研磨成粉末或切割成体积小于1立方毫米的块状，气体和液体物质密度均匀；样品置于恒温恒湿的实验箱中静置70分钟；步骤2：应用仿生嗅觉系统对已知物质气味样品进行采集检测，测量时间t为100秒，采集速率为7.749毫升/分钟，保存所测数据F_s(S₁，S₂，…，S_N)，并对F_s保存至计算机；步骤3：对步骤2中采集所得到的测量数据信息采用叠加映射降维算法SMA进行判断训练，并将所建立的样本序号O_SMA与气味名称成分属性L(O_name，C_n1，C_n2，…，C_nk)，其中O_name是物质气味种类名称，C_n1是物质气味第1种成分名称，C_n2是物质气味第2种成分名称，C_nk是物质气味第k种成分名称；以R(O_SMA，O_name，C_n1，C_n2，…，C_nk)为结点的后序遍历规则的平衡二叉树形式保存至气味成分信息库；所述步骤3中使用的叠加映射降维方法，具体步骤如下：步骤1)：将采集并测量得到的一个气味样本数据信息矩阵F_s向量化，选取其中达到稳态响应值的测量值，组成训练样本矩阵P_T∈R^r×n，其中r代表训练样本矩阵的行数，由选取的样本类，样本个数及稳态时间值个数决定，j代表训练样本类别个数，j∈[1,c]，i代表第j类训练样本个数，i∈[1,n_i]；则训练样本的均值为$\mu ={\mathrm{\Sigma t}}_j^i/{\mathrm{\Sigma n}}_i---\left(3\right)$步骤2)：由步骤1)设获取训练样本去均值后形成的样本矩阵为T＝P_T‑μ，T∈R^r×n则T的协方差矩阵为Q＝T×T^T，Q∈R^r×r                               (4)其中T^T是T的转置矩阵，并计算Q矩阵的特征值及特征向量，按特征值累计贡献率不小于99.5％，从大到小顺序选取前a个特征值所对应的特征向量组成第一降维特征系数矩阵P_c，P_c∈R^a×n，a≤n‑1，并将训练样本矩阵T投影到P_c中，得到第一降维识别矩阵：P_f＝T×P_c^T，P_f∈R^r×a                              (5)其中P_c^T是P_c的转置矩阵；步骤3)：将第一降维识别矩阵P_f作为第二降维的输入矩阵，即P_f∈R^r×a，其中k代表新训练样本矩阵的类别数k∈[1,c′]，m代表每个训练样本的个数m∈[1,a]，则的样本矩阵均值矩阵为训练的总样本P_f的均值矩阵μ_c∈R^1×a，υ∈R^1×a，并计算P_f类内散布矩阵S_ω和类间散布矩阵S_b，即$S_{\omega }=\underset{m=1}{\overset{a}{\Sigma }}\underset{k=1}{\overset{c^{\prime }}{\Sigma }}{(V_k^m-{\mu }_c)}^T\times (V_k^m-{\mu }_c),S_{\omega }\in R^{a\times a}---\left(6\right)$$S_b=\underset{m=1}{\overset{a}{\Sigma }}{({\mu }_c-\upsilon )}^T\times ({\mu }_c-\upsilon ),S_b\in R^{a\times a}---\left(7\right)$则根据Fisher准则函数$J_F\left(\omega \right)=\frac{{\omega }^T{S}_b\omega }{{\omega }^T{S}_{\omega }\omega }---\left(8\right)$由式(8)可知，当选取的矢量ω使J_F(ω)取最大值时具有最优分析，其物理意义为以ω为投影方向，投影后的样本空间具有最大的类间离散度和最小的类内离散度；则可对式(8)应用拉格朗日乘法，设其存在特征根λ，λ是最优解即最佳投影矩阵，则有J_F(ω)＝ω^TS_bω‑λ(ω^TS_ωω‑1)                          (9)则对式(9)等号两边同时对ω求导，可得$\frac{d_{J_F}\left(\omega \right)}{d\omega }=2S_b\omega -2{\mathrm{\lambda S}}_{\omega }\omega =0---\left(10\right)$则有S_bω＝λS_ωω                                    (11)继而得到则对于λ的求解即可转化为求解特征矩阵的特征向量，由于S_ω∈R^a×a且S_b∈R^a×a，所以求得S_ω^‑1S_b的特征向量L_c，L_c∈R^a×a，用来构建第二降维特征系数矩阵，最终获得叠加映射特征系数矩阵C＝L_c×P_c，C∈R^a×n                                (13)则其训练样本的叠加映射算法识别特征矩阵为：C_f＝T×C^T C_f∈R^r×a，                              (14)再依据欧式距离判别式来判别n维空间的中样本点间的相似度；步骤4：输入未知物质气味样品，应用仿生嗅觉系统采集气味样品，并采用SMA算法对未知物质气味进行判别分析获得样本序号O_SMA′，并在已建立的后序遍历规则的平衡二叉树内进行查找，若找到与之匹配的O_SMA，则输出R(O_SMA，O_name，C_n1，C_n2，…，C_nk)，若找不到与之匹配的O_SMA，则返回无此信息；同时对测量值进行成分比例计算P(T_n1，T_n2，…，T_nk)，T_n1是第1种成分所占比例，T_n2是第2种成分所占比例，T_nk是第k种成分所占比例，其计算公式为$T_{ni}=\frac{A\left(i\right)}{\underset{i=1}{\overset{k}{\Sigma }}A\left(i\right)}---\left(1\right)$A(i)是k种成分对应传感器测量平均值，是第1种成分至第k种成分的测量平均值加权和；则物质气味浓度为$P_i=\frac{\underset{i=1}{\overset{k}{\Sigma }}A\left(i\right)·T_{ni}}{\underset{i=1}{\overset{k}{\Sigma }}A\left(i\right)}\times \frac{V^{\prime }}{V}---\left(2\right)$其中V′是采集预压缩后的气味体积，V是采集的原始气味体积；步骤5：依据步骤4中所得R(O_SMA，O_name，C_n1，C_n2，…，C_nk)可以求知物质气味的名称R_n及成分L_c，所得P(T_n1，T_n2，…，T_nk)可知气味的成分比例及浓度P_i，则可得到物质气味嗅频。