當前位置: 首頁 > 專利查詢>浙江大學專利>正文

基于雙層集成神經網絡的電子鼻預測方法技術

技術編號:23190021 閱讀:17 留言:0更新日期:2020-01-24 15:57
本發明專利技術公開了一種基于雙層集成神經網絡的電子鼻預測方法。包括:1、使用電子鼻采集已知標簽的樣本的氣味數據,去基線處理后構成樣本數據集,歸一化處理,并將得到的數據集分為訓練集和測試集;2、將訓練集和測試集轉化為神經網絡的輸入格式;3、在第一層網絡中集成多個具有差異性的卷積神經網絡,單個卷積神經網絡作為第二層網絡,將雙層卷積神經網絡進行集成,使用網格搜索法對超參數進行尋優,進而構建基于歸一化處理后數據集的預測模型,完成對待測樣品的分類。本發明專利技術結合了卷積神經網絡自動提取數據集中抽象局部、擬合能力強和集成算法能有效提高預測模型泛化能力和穩定性等特點,提高了電子鼻的檢測性能。

Prediction method of electronic nose based on bi level integrated neural network

【技術實現步驟摘要】
基于雙層集成神經網絡的電子鼻預測方法
本專利技術涉及農產品電子鼻檢測領域,特別涉及一種基于雙層集成神經網絡的電子鼻預測方法。
技術介紹
目前為止,常用于電子鼻中氣味信號的數據學習方法有支持向量機、邏輯斯蒂回歸、決策樹、隨機森林、k-近鄰、人工神經網絡等算法。但由于電子鼻數據具有明顯的非線性特性且易受環境、未知類別氣味和采集裝置的干擾影響,盡管相比較其它數據學習方法,人工神經網絡能夠更有效的學習并解釋復雜的現實世界中的非線性傳感器數據。但是隨著研究的深入,神經網絡暴露了一些不足,如缺乏嚴密的理論體系,使用者的經驗對應用效果影響過大,神經網絡模型的選擇及其參數的設置,需要通過研究人員的經驗和實驗測試來完成,沒有完整的知識體系結構能夠對神經網絡的使用及其輸出結果做出嚴密的定量分析,訓練過程會遇到局部最小、過擬合導致泛化性能下降等問題。導致其難以建立同時具備精確度高、穩定性好、泛化能力強的預測模型。本專利技術提出一種基于集成卷積神經網絡的電子鼻預測方法,該方法融合了卷積神經網絡自動提取數據集中抽象局部、擬合能力強和集成算法能有效提高電子鼻預測模型泛化能力和穩定性等特點,建立具備精確度高、穩定性好、泛化能力強的電子鼻預測模型,進而提高電子鼻的性能。
技術實現思路
本專利技術的目的在于提供基于集成卷積神經網絡的電子鼻預測方法,融合了卷積神經網絡自動提取數據集中抽象局部、擬合能力強和集成算法能有效提高預測模型泛化能力和穩定性等優點。一方面可以提高電子鼻預測模型的準確率,另一方面可以增強電子鼻預測模型的泛化能力。有效地提高了電子鼻的檢測性能。為了實現上述目的,本專利技術采用如下技術方案:一種基于雙層集成神經網絡的電子鼻預測方法,具體包括以下步驟:(1)使用電子鼻獲取已知標簽的樣品的響應曲線;將響應曲線去基線得到樣本數據集S1∈Rm×n×k,然后對S1進行歸一化處理,得到樣本數據集S2∈Rm×n×k,其中,m表示樣本數,n表示電子鼻中的傳感器數量,k表示檢測時間;(2)將S2分為訓練數據集S3∈Ra×n×k和測試數據集S4∈Rb×n×k,a+b=m;為了符合卷積神經網絡標準數據輸入格式,進一步將S3和S4分別轉換為訓練集S31∈Ra×n×k×1和測試集S41∈Rb×n×k×1;(3)構建第一層卷積神經網絡,采用網格搜索法得到最佳卷積核大小和數量,然后通過中心點對稱法獲得f個卷積核大小和數量的組合,構成f個卷積神經網絡;將訓練集S31和測試集S41輸入到f個卷積神經網絡中,分別輸出數據集O1和數據集O2;(4)構建第二層卷積神經網絡,采用網格搜索法,將數據集O1輸入到第二層卷積神經網絡中進行訓練,以數據集O2的預測準確率作為評價準則,得到訓練好的第二層卷積神經網絡;(5)第一層卷積神經網絡和第二層卷積神經網絡構成雙層集成卷積神經網絡模型;使用電子鼻采集待檢測樣品的響應曲線,通過步驟(1)中的方法對響應曲線進行預處理,得到待測樣本數據集S'∈Rm′×n×k,m′表示待測樣本數;將S'轉化為S"∈Rm′×n×k×1并輸入到所述的雙層集成卷積神經網絡模型中,得到待測樣本的分類結果。進一步的,所述步驟(3)具體為:(3.1)構建第一層卷積神經網絡,所述第一卷積神經網絡設置有輸入層、卷積層、池化層、全連接層和輸出層;(3.2)采用均勻分布法初始化神經網絡權重;(3.3)設置卷積核大小范圍為[[1,1],[3,3],[5,5],...,[2t-1]],卷積核數量范圍為[2,4,8,...,2t];采用網格搜索法對卷積層中的卷積核大小和數量進行尋優,具體為將卷積核大小和卷積核數量進行任意組合,得到t*t個卷積神經網絡,采用訓練集S31訓練所述t*t個卷積神經網絡,得到t*t個模型;將測試集S41輸入到t*t個模型中,得到t*t個預測準確率,以測試集S41的預測準確率作為評價準則,得到最高預測準確率對應的模型,進而得到最佳卷積核大小[x1,x1]和數量z1;(3.4)以x1、z1作為中心對稱點,生成X1=[[x1-2i,x1-2i],...,[x1,x1],...,[x1+2i,x1+2i]]和Z1=[z1/2j,...,z1,...,z1*2j],共得到f個卷積核大小和數量的組合,根據所述組合生成f個卷積神經網絡;其中i和j是數量參數,f=(2i+1)*(2j+1);(3.5)將訓練集S31和測試集S41輸入到f個卷積神經網絡中,分別輸出S31和S41對應的數據集O1=[output11,output12,...,output1f]和數據集O2=[output21,output22,...,output2f]。進一步的,所述步驟(4)具體為:(4.1)構建第二層卷積神經網絡,所述第二卷積神經網絡設置有輸入層、卷積層、池化層、全連接層和輸出層;(4.2)采用均勻分布法初始化神經網絡權重;(4.3)設置卷積核大小范圍為[[1,1],[3,3],[5,5],...,[2t-1]],卷積核數量范圍為[2,4,8,...,2t];采用網格搜索法對卷積層中的卷積核大小和數量進行尋優,具體為將卷積核大小和卷積核數量進行任意組合,得到t*t個卷積神經網絡,采用數據集O1訓練所述t*t個卷積神經網絡,得到t*t個模型;將數據集O2輸入到t*t個模型中,得到t*t個預測準確率,以數據集O2的預測準確率作為評價準則,得到最高預測準確率對應的模型作為第二層卷積神經網絡。進一步的,所述的均勻分布法,其計算式為:np=hp*wp*dp其中,Wp是每一層卷積神經網絡中的第p個卷積層的權重矩陣,hp、wp、dp分別是第p個卷積層中卷積核的高、寬和卷積核數量。本專利技術具有以下有益效果:(1)本專利技術在構建第一層卷積神經網絡階段,通過網格搜索法確定卷積神經網絡的參數,并基于最佳參數附近生成有差異性的卷積神經網絡,即保持了預測模型的準確性,又保證了預測模型的差異性。(2)本專利技術在構建第二層卷積神經網絡階段,以第一層f個卷積神經網絡的輸出作為輸入,結合了集成學習的思想,提高了容錯率,進一步提高了預測模型的抗干擾能力。(3)本專利技術設計了雙層集成結構,相比常用的用于電子鼻數據處理中的機器學習算法,本專利技術的集成神經網絡不僅提高了模型的預測能力,還提高了預測模型的泛化能力。附圖說明圖1是電子鼻檢測不同等級火腿樣本傳感器響應信號圖,其中(a)為一級火腿的電子鼻響應曲線,(b)為二級火腿的電子鼻響應曲線,(c)為三級火腿的電子鼻響應曲線;圖2是構建第一層卷積神經網絡的具體流程示意圖;圖3是構建第二層卷積神經網絡的具體流程示意圖。具體實施方式為了便于本領域普通技術人員理解和實施本專利技術,下面結合附圖及實施例對本專利技術作進一步的詳細描述,應當理解,此處所描述的實施示例僅用于說明和解釋本專利技術,并不用于限定本專利技術。步驟一、在本實施例中,采用金華一等級、二等級、三等級火腿本文檔來自技高網...

【技術保護點】
1.一種基于雙層集成神經網絡的電子鼻預測方法,其特征在于,包括如下步驟:/n(1)使用電子鼻獲取已知標簽的樣品的響應曲線;將響應曲線去基線得到樣本數據集S

【技術特征摘要】
1.一種基于雙層集成神經網絡的電子鼻預測方法,其特征在于,包括如下步驟:
(1)使用電子鼻獲取已知標簽的樣品的響應曲線;將響應曲線去基線得到樣本數據集S1∈Rm×n×k,然后對S1進行歸一化處理,得到樣本數據集S2∈Rm×n×k,其中,m表示樣本數,n表示電子鼻中的傳感器數量,k表示檢測時間;
(2)將S2分為訓練數據集S3∈Ra×n×k和測試數據集S4∈Rb×n×k,a+b=m;為了符合卷積神經網絡標準數據輸入格式,進一步將S3和S4分別轉換為訓練集S31∈Ra×n×k×1和測試集S41∈Rb×n×k×1;
(3)構建第一層卷積神經網絡,采用網格搜索法得到最佳卷積核大小和數量,然后通過中心點對稱法獲得f個卷積核大小和數量的組合,構成f個卷積神經網絡;將訓練集S31和測試集S41輸入到f個卷積神經網絡中,分別輸出數據集O1和數據集O2;
(4)構建第二層卷積神經網絡,采用網格搜索法,將數據集O1輸入到第二層卷積神經網絡中進行訓練,以數據集O2的預測準確率作為評價準則,得到訓練好的第二層卷積神經網絡;
(5)第一層卷積神經網絡和第二層卷積神經網絡構成雙層集成卷積神經網絡模型;使用電子鼻采集待檢測樣品的響應曲線,通過步驟(1)中的方法對響應曲線進行預處理,得到待測樣本數據集S'∈Rm′×n×k,m′表示待測樣本數;將S'轉化為S"∈Rm′×n×k×1并輸入到所述的雙層集成卷積神經網絡模型中,得到待測樣本的分類結果。


2.根據權利要求1所述的基于雙層集成神經網絡的電子鼻預測方法,其特征在于,所述步驟(3)具體為:
(3.1)構建第一層卷積神經網絡,所述第一卷積神經網絡設置有輸入層、卷積層、池化層、全連接層和輸出層;
(3.2)采用均勻分布法初始化神經網絡權重;
(3.3)設置卷積核大小范圍為[[1,1],[3,3],[5,5],...,[2t-1]],卷積核數量范圍為[2,4,8,...,2t];采用網格搜索法對卷積層中的卷積核大小和數量進行尋優,具體為將卷積核大小和卷積核數量進行任意組合,得到t*t個卷積神經網絡,采用訓練集S31訓練所述t*t個卷積神經網絡...

【專利技術屬性】
技術研發人員:韋真博,錢康,朱建錫,王俊,程紹明,余桂平,
申請(專利權)人:浙江大學,
類型:發明
國別省市:浙江;33

網友詢問留言 已有0條評論
  • 還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。

1
白小姐心水论坛