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
一种基于深度信念网络特征提取的电子鼻漂移补偿方法 Download PDFInfo
- Publication number
- CN105823801A CN105823801A CN201610120715.XA CN201610120715A CN105823801A CN 105823801 A CN105823801 A CN 105823801A CN 201610120715 A CN201610120715 A CN 201610120715A CN 105823801 A CN105823801 A CN 105823801A
- Authority
- CN
- China
- Prior art keywords
- dbn
- electronic nose
- training
- drift compensation
- depth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
- G01D3/028—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups mitigating undesired influences, e.g. temperature, pressure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
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
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,...,vn)T∈Rn为可见层输入向量; 为隐含层状态向量;W1,W2∈Rn×n,W3∈Rl×n为各层间权值矩阵;a=(a1,a2,...,an)T∈Rn, 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:
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ns,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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610120715.XA CN105823801B (zh) | 2016-03-03 | 2016-03-03 | 一种基于深度信念网络特征提取的电子鼻漂移补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610120715.XA CN105823801B (zh) | 2016-03-03 | 2016-03-03 | 一种基于深度信念网络特征提取的电子鼻漂移补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105823801A true CN105823801A (zh) | 2016-08-03 |
CN105823801B CN105823801B (zh) | 2019-01-18 |
Family
ID=56988077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610120715.XA Expired - Fee Related CN105823801B (zh) | 2016-03-03 | 2016-03-03 | 一种基于深度信念网络特征提取的电子鼻漂移补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105823801B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220671A (zh) * | 2017-05-27 | 2017-09-29 | 重庆大学 | 一种基于自组织图的人工嗅觉系统在线校正样本生成方法 |
CN107229914A (zh) * | 2017-05-26 | 2017-10-03 | 北京工业大学 | 一种基于深度q学习策略的手写数字识别方法 |
CN111103325A (zh) * | 2019-12-19 | 2020-05-05 | 南京益得冠电子科技有限公司 | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 |
CN112363099A (zh) * | 2020-10-30 | 2021-02-12 | 天津大学 | 一种tmr电流传感器温漂与地磁场校正装置及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833338A (zh) * | 2010-05-17 | 2010-09-15 | 哈尔滨工程大学 | 无人潜航器垂直面欠驱动运动控制方法 |
CN104506838A (zh) * | 2014-12-23 | 2015-04-08 | 宁波盈芯信息科技有限公司 | 一种符号阵列面结构光的深度感知方法、装置及系统 |
-
2016
- 2016-03-03 CN CN201610120715.XA patent/CN105823801B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833338A (zh) * | 2010-05-17 | 2010-09-15 | 哈尔滨工程大学 | 无人潜航器垂直面欠驱动运动控制方法 |
CN104506838A (zh) * | 2014-12-23 | 2015-04-08 | 宁波盈芯信息科技有限公司 | 一种符号阵列面结构光的深度感知方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
韦国勋: "利用CPSO_RBF神经网络的电流互感器自动测试校正研究", 《测控技术》 * |
高强: "基于空间信息的DBN图像分类快速训练模型", 《系统仿真学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229914A (zh) * | 2017-05-26 | 2017-10-03 | 北京工业大学 | 一种基于深度q学习策略的手写数字识别方法 |
CN107229914B (zh) * | 2017-05-26 | 2020-07-03 | 北京工业大学 | 一种基于深度q学习策略的手写数字识别方法 |
CN107220671A (zh) * | 2017-05-27 | 2017-09-29 | 重庆大学 | 一种基于自组织图的人工嗅觉系统在线校正样本生成方法 |
CN107220671B (zh) * | 2017-05-27 | 2020-07-14 | 重庆大学 | 一种基于自组织图的人工嗅觉系统在线校正样本生成方法 |
CN111103325A (zh) * | 2019-12-19 | 2020-05-05 | 南京益得冠电子科技有限公司 | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 |
CN111103325B (zh) * | 2019-12-19 | 2022-03-29 | 南京益得冠电子科技有限公司 | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 |
CN112363099A (zh) * | 2020-10-30 | 2021-02-12 | 天津大学 | 一种tmr电流传感器温漂与地磁场校正装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105823801B (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
CN109612708B (zh) | 基于改进卷积神经网络的电力变压器在线检测系统及方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN108510153B (zh) | 一种多工况旋转机械故障诊断方法 | |
CN106920007B (zh) | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 | |
CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
CN105823801A (zh) | 一种基于深度信念网络特征提取的电子鼻漂移补偿方法 | |
CN102495919B (zh) | 一种生态系统碳交换影响因素提取方法及系统 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN111538076A (zh) | 基于深度学习特征融合的地震震级快速估算方法 | |
CN109992872B (zh) | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 | |
Roy et al. | A stacked autoencoder neural network based automated feature extraction method for anomaly detection in on-line condition monitoring | |
CN110261109A (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
CN112765908B (zh) | 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法 | |
CN116229380B (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
CN115758290A (zh) | 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法 | |
CN111397901A (zh) | 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 | |
Chen et al. | UAV fault detection based on GA-BP neural network | |
CN109783629A (zh) | 一种融合全局事件关系信息的微博客事件谣言检测方法 | |
CN115600136A (zh) | 一种基于多传感器的高压套管故障诊断方法、系统及介质 | |
CN113112039B (zh) | 基于时频记忆递归神经网络的主动配电系统初期故障识别方法 | |
CN113269041B (zh) | 一种应用于同期装置的信号异常检测方法 | |
CN112052551A (zh) | 一种风机喘振运行故障识别方法及系统 | |
CN113657023A (zh) | 基于机器学习和深度学习结合的近地面臭氧浓度反演方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190118 Termination date: 20200303 |
|
CF01 | Termination of patent right due to non-payment of annual fee |