电子鼻瓜片茶的储存时间分类方法

摘要

本发明公开了电子鼻瓜片茶的储存时间分类方法，采用电子鼻传感器模拟人感官品评的功能和特征，结合SMO算法进行储存时间分类，进而获得相对应的预测模型和方法。本发明的有益效果在于，通过将SMO分类算法应用于实际的瓜片茶的储存时间分类，与其它方法相比，更有效地将这些茶数据快速准确地转化为有价值的信息，这对我国茶叶科学技术的研究和开发的进一步完善具有重大的意义。

主权项

一种电子鼻瓜片茶的储存时间分类方法，其特征在于，步骤包括：(1)瓜片茶叶样品分装并且储存；(2)使用含有10个不同的金属氧化物传感器的电子鼻对瓜片茶叶样品进行检测，按照不同时间下10个传感器检测的不同数据构建数据集；(3)将样本集切割成10个相等的互不相交的子样本，轮流将其中9份样本作为训练样本集构建模型，剩下的1个子样本验证所建的模型，以上步骤重复10次后的均值作为对算法精度的估计，采用SMO算法对瓜片茶储存时间进行分类：(a)选择两个变量，假如是α₁,α₂，其他变量α_i(i＝3,4,…,N)是固定的，最优化问题的子问题可以写成：$W=\frac{1}{2}{K}_{11}{{\alpha }_1}^2+\frac{1}{2}{K}_{22}{{\alpha }_2}^2+y_1{y}_2{K}_{12}{\alpha }_1{\alpha }_2-({\alpha }_1+{\alpha }_2)+y_1{\alpha }_1\underset{i=3}{\overset{N}{\Sigma }}{y}_i{\alpha }_i{K}_{i1}+y_2{\alpha }_2\underset{i=3}{\overset{N}{\Sigma }}{y}_i{\alpha }_i{K}_{i2}$约束条件变为：${\alpha }_1{y}_1+{\alpha }_2{y}_2=-\underset{i=3}{\overset{N}{\Sigma }}{y}_i{\alpha }_i=\zeta$0≤α_i≤C(i＝1,2)其中：K_ij＝K(x_i,x_j)，i,j＝1,2,…,N，ζ是常数。为了叙述简单，记$g\left(x\right)=\underset{i=1}{\overset{N}{\Sigma }}{\alpha }_i{y}_{i}K(x_i,x)+b$经过推导可得：${\alpha }_2^{\mathrm{new}}={\alpha }_2^{\mathrm{old}}+\frac{y_2(E_1-E_2)}{\eta }$其中：$E_i=\underset{j=1}{\overset{N}{\Sigma }}{\alpha }_j{y}_{j}K(x_j,x_i)+b-y_i,i=\mathrm{1,2}$η＝K₁₁+K₂₂‑2K₁₂经过修剪后的α₂${\alpha }_2^{\mathrm{new},\mathrm{clip}}=\left\{\begin{array}{cc}H,& {\alpha }_2^{\mathrm{new}}\ge H\\ {\alpha }_2^{\mathrm{new}},& L\le {\alpha }_2^{\mathrm{new}}\le H\\ L,& {\alpha }_2^{\mathrm{new}}\le L\end{array}\right.$其中：如果y₁＝y₂，$L=\max (0,{\alpha }_2^{\mathrm{old}}-{\alpha }_1^{\mathrm{old}}),H=\min (C,C+{\alpha }_2^{\mathrm{old}}-{\alpha }_1^{\mathrm{old}})$如果y₁≠y₂，$L=\max (0,{\alpha }_2^{\mathrm{old}}+{\alpha }_1^{\mathrm{old}}-C),H=\min (C,{\alpha }_2^{\mathrm{old}}+{\alpha }_1^{\mathrm{old}})$根据可得${\alpha }_1^{\mathrm{new}}={\alpha }_1^{\mathrm{old}}+y_1{y}_2({\alpha }_2^{\mathrm{old}}-{\alpha }_2^{\mathrm{new},\mathrm{clip}});$(b)采用启发式方法进行变量选择，算法具体包括两层循环：外层循环和内层循环，第一个变量的选择在外层循环，第二个变量的选择在内层循环，外层循环在所有样本中择取违反KKT条件的样本点，检验所有样本是否满足KKT条件，即$y_{i}g\left(x_i\right)=\left\{\begin{array}{c}\ge 1,\left\{x_i\right|{\alpha }_i=0\}\\ =1,\left\{x_i\right|0<{\alpha }_i<C\}\\ \le 1,\left\{x_i\right|{\alpha }_i=C\}\end{array}\right.$内层循环主要是寻求使|E₁‑E₂|的值最大的对应的变量作为第二个变量，如果通过上述方法不能使目标函数的优化值有一定的降低，则遍历整个训练样本集，否则进入外层循环重新寻找第一个变量。每完成一次优化后，要重置阈值b和更新每个变量所对应的E_i值。