CN105823801A - 一种基于深度信念网络特征提取的电子鼻漂移补偿方法 - Google Patents

Abstract

本发明公开了一种基于深度信念网络特征提取的电子鼻漂移补偿方法，包括以下步骤：通过对电子鼻传感器得到的模拟信号特征进行信号预处理，得到浅度特征；采用逐层贪婪学习算法，训练DBN模型；然后通过这个模型提取浅度特征的深度特征；对得到的深度特征再采取自适应校正方法处理，从而达到电子鼻传感器漂移补偿目的。本发明在已有的电子鼻漂移补偿算法中的自适应校正方法上，提出了采用DBN对电子鼻传感器数据进行深度特征提取的方法，从而在特征层面上抑制了漂移现象的干扰，强化了有效特征间的耦合性；由于DBN的无监督特性，因此自适应校正方法与DBN的结合并没有影响它的自适应特性，这种改良的方法依然具有良好的实用性。

Description

一种基于深度信念网络特征提取的电子鼻漂移补偿方法

技术领域

本发明属于气体传感器领域，涉及一种基于深度信念网络(deepbeliefnetwork,DBN)特征提取的电子鼻漂移补偿方法。

背景技术

电子鼻是一种新兴的传感器设备，由气体传感器阵列和模式识别系统组成，能够对挥发性化学物质进行识别以及定量检测。目前，这种设备因为便于携带、使用简单、能够实时监测，并且与其它气体检测设备相比成本低廉等优势，已经运用到了多个领域，如食物安全，医疗诊断，环境检测等，具有广阔的发展前景。但是电子鼻一直受到气体传感器漂移现象的困扰，严重制约着电子鼻的发展和在实际中的运用。

电子鼻理想的使用情况是，对于待监测挥发性化合物，电子鼻中的传感器始终都会有相同的电阻信号反应；但是在实际的使用中，随着使用时间的增加，传感器会有老化，腐蚀等现象发生，所以相同的被测挥发性化合物不会始终都有相同的电阻信号反应，这造成了传感器基准线发生了漂移变化，这种漂移现象降低电子鼻的检测识别能力。

目前，电子鼻传感器漂移补偿方法可以分为以下四类：

(1)传感器信号预处理方法；

(2)定期校正方法；

(3)协调校正方法；

(4)自适应校正方法。

其中，自适应校正方法不需要参考气体，只需要根据之前得到的测试数据修正模式识别算法各系数值，在实际运用中免去了复杂繁琐的校正过程，极大节约了资源，从而得到广泛的研究与关注。自适应校正方法是一种被动式的漂移补偿方式，它不需要主动去寻找漂移的投影方向，只需要通过对长期漂移信号的缓慢变化进行认知，然后对模式识别算法的各种系数进行自适应修改，进而使算法与当前的传感器输出相匹配即可。常用的自适应校正方法有基于SOM网络方法、集成支持向量机法、基于进化算法的方法等。

但是由于漂移特征的动态性与混沌非线性，仅通过对长期漂移信号进行认知，然后从模式的层面上去进行自适应校正，并不能很好的拟合传感器的漂移方向与大小。因此，自适应校正方法的漂移补偿效果是有限的。

深度学习伴随着大数据时代的到来，而越发的得到重视。其中一个重要的特性就是，深度学习能够自发地挖掘出信息中的深度特征，从而利用这些特征完成搜索、分类等功能。DBN，作为深度学习中的典型结构，能够加强样本中各个特征的耦合性，挖掘出训练样本的深度特征，最后得到可分性更好的训练样本。

把DBN运用到传感器漂移补偿算法中的自适应校正方法中，能够从特征层面帮助自适应校正方法的识别，从而提高它的补偿效果。并且DBN的学习和工作过程都是无监督、自发进行的，不需要对训练数据作额外的处理。这个过程没有增加自适应校正方法的复杂性，也不需要人为地操作，因此并没有改变自适应校正方法的简单与自适应特性。

发明内容

为解决电子鼻存在的上述技术问题，本发明的目的在于提供一种基于DBN特征提取的电子鼻漂移补偿方法。通过对电子鼻传感器得到的模拟信号特征进行信号预处理，得到浅度特征；采用逐层贪婪学习算法，用这些浅度特征训练DBN模型；然后通过这个模型提取浅度特征的深度特征；对得到的深度特征再采取自适应校正方法处理，从而达到电子鼻传感器漂移补偿的目的。

为达到上述目的，本发明提供如下技术方案：

一种基于DBN特征提取的电子鼻传感器漂移补偿方法，包括以下步骤：

步骤一：对电子鼻传感器得到的电阻响应曲线进行去噪、放大等预处理，然后提取响应曲线的上升速率、上升加速度、稳态值、稳态值的负数、下降速率、下降加速度作为浅度特征向量；

步骤二：训练DBN。用步骤一得到的浅度特征向量作为训练样本输入DBN可见层，采用逐层贪婪训练方法，自下而上逐层训练；

步骤三：用训练好的DBN模型，提取步骤一获得的数字信号特征向量的深度特征向量；

步骤四：对步骤三获得的深度特征向量进行自适应校正方法处理，从而得到传感器漂移补偿后的识别结果。

本发明的有益技术效果为：本发明在已有的电子鼻传感器漂移补偿算法中的自适应校正方法方法上，提出了采用DBN对电子鼻传感器数据进行深度特征提取的方法，从而在特征层面上抑制了漂移现象的干扰，强化了有效特征间的耦合性，打破与弥补了自适应校正方法只从模式层面上进行校正补偿的限制与不足；由于DBN的无监督特性，因此自适应校正方法与DBN的结合并没有影响它的自适应特性，这种改良的方法依然具有良好的实用性。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述传感器漂移补偿方法与DBN的结构图

图2为DBN的网络结构

图3为DBN的逐层贪婪学习算法流程图

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明所述电子鼻传感器漂移补偿方法结构图。如图所示，本发明提出的方法包括两个工作过程，即学习过程和工作过程。其中，学习过程如下：

(1)电子鼻的传感器在一个时间跨度内采集到一组传感器数据，并转化为浅度特征向量集；

(2)用这组浅度特征向量集作训练样本集，采用逐层贪婪算法训练DBN模型；

(3)浅度特征集通过DBN模型提取得到样本深度特征集，并用这些深度特征集训练自适应校正方法模块，最终得到基于DBN特征提取的电子鼻传感器漂移补偿的工作模型。

工作过程如下：

(1)被测气体输入电子鼻，并通过预处理得到它的浅度特征；

(2)浅度特征经过训练好的DBN模型得到对应的深度特征；

(3)将深度特征输入自适应校正算法模块中，得到最终的识别结果。

图2为具有一层可见层，三层隐含层，且最后一层有l个节点，其余层各有n个节点的深度信念网络结构。以这个结构为它的逐层贪婪学习方法进行说明。v＝(v₁,v₂,...,v_n)^T∈Rⁿ为可见层输入向量； $h^1={(h_1^1,h_2^1,...,h_n^1)}^T\∈R^n,h^2={(h_1^2,h_2^2,...,h_n^2)}^T\∈R^n,h^1={(h_1^1,h_2^1,...,h_n^1)}^T\∈R^n,$ 为隐含层状态向量；W¹,W²∈R^n×n,W³∈R^l×n为各层间权值矩阵；a＝(a₁,a₂,...,a_n)^T∈Rn， $b^1={(b_1^1,b_2^1,...,b_n^1)}^T\∈R^n,b^2={(b_1^2,b_2^2,...,b_n^2)}^T\∈R^n,$ 为可见层与隐含层偏置向量。训练或诊断时，可见层状态向量v为样本，隐含层状态向量h³为输出。

图3为DBN的逐层贪婪学习流程图，将从传感器提取的数字特征向量集作为训练样本集，输入到深度信念网络中，利用逐层贪婪学习算法方法逐层向上训练，具体做法是：将训练样本集作为单独的受限制波尔兹曼机的可视层训练集，进行训练，训练完成后得到它的权矩阵系数W和偏置向量a,b。然后根据训练好的模型，对它的隐藏层进行采样，得到下一层波尔兹曼机可视层(即之前训练好的隐藏层)的训练样本集，再把这两层作为单独的受限制波尔兹曼机进行训练。这样逐层训完所有层权矩阵系数W和偏置向量a,b。其中隐藏层的采样概率按照公式： $p\left(h\right)=\frac{1}{\underset{v,h}{\mathrm{\Σ}}{e}^{-E_{\mathrm{\θ}}(v,h)}}\underset{v}{\mathrm{\Σ}}{e}^{-E_{\mathrm{\θ}}(v,h)},E_{\mathrm{\θ}}(v,h)=-a^{T}v-b^{T}h-h^{T}Wv.$

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (7)

1.一种基于深度信念网络特征提取的电子鼻漂移补偿方法，其特征在于：包括以下步骤：

步骤一：对电子鼻传感器得到的电阻响应曲线进行去噪、放大等预处理，然后提取响应曲线的上升速率、上升加速度、稳态值、稳态值的负数、下降速率、下降加速度作为浅度特征向量；

步骤二：训练DBN。用步骤一得到的数字特征向量作为训练样本输入DBN可见层，采用逐层贪婪训练方法，自下而上逐层训练；

步骤三：用训练好的DBN模型，提取步骤一获得的数字信号特征向量的深度特征向量；

步骤四：对步骤三获得的深度特征向量进行自适应校正方法处理，从而得到传感器漂移补偿后的识别结果。

2.根据权利要求1所述的基于DBN特征提取的电子鼻漂移补偿方法，其特征在于：步骤一中，电子鼻中的气体传感器对气体产生的模拟信号特征反应，这些模拟信号特征经过浅度特征提取被转化为对应的数字信号特征。

3.根据权利要求1所述的基于DBN特征提取的电子鼻漂移补偿方法，其特征在于：步骤二所述的训练深度信念网络，利用逐层贪婪算法训练得到深层次故障特征，具体步骤为：

1)用数字特征向量作为训练样本训练第一层受限制波尔兹曼机；

2)利用训练好的受限制波尔兹曼机模型，采样得到隐含层数据；

3)将步骤2得到的隐含层数据作为下一层受限制波尔兹曼机的可见层训练样本；

4)逐层训练完所有层。

4.根据权利要求1所述的基于DBN特征提取的电子鼻漂移补偿方法，其特征在于：步骤二所述的用训练样本训练单个受限制波尔兹曼机的具体步骤是：

1)初始化：选取训练样本数n_s，训练周期J，学习率η，偏执向量a，b，权值矩阵w以及CD-K算法的步数k；

2)求得训练样本的似然概率

3)利用K步对比散度算法(CD-K)，得到梯度(Δw，Δa，Δb)；

4)更新参数 $w=w+\mathrm{\η}\left(\frac{1}{n_s}\mathrm{\Δ}w\right),a=a+\mathrm{\η}\left(\frac{1}{n_s}\mathrm{\Δ}a\right),b=b+\mathrm{\η}\left(\frac{1}{n_s}\mathrm{\Δ}b\right);$

5)执行步骤3)J次。

5.根据权利要求1所述的基于DBN特征提取的电子鼻漂移补偿方法，其特征在于：步骤三所述的用DBN提取传感器数据的深度特征的具体过程是将训练得到的DBN可见层的节点作为传感器数据特征的输入节点，最顶层的隐含层节点作为输出节点。

6.根据权利要求1所述的基于DBN特征提取的电子鼻漂移补偿方法，其特征在于：步骤四所述将步骤三产生的深度特征进行自适应校正方法处理是指由步骤三产生的深度特征来进行自适应校正方法所需要的训练，具体的训练方法由所选取的自适应校正方法决定。

7.一种应用权利要求1至5中任一项所述的基于DBN特征提取的电子鼻漂移补偿方法。