CN104102818A - 一种物质气味嗅频提取方法 - Google Patents

Abstract

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。

Description

一种物质气味嗅频提取方法

技术领域

本发明涉及物联网信息领域，尤其涉及一种物质气味嗅频提取方法。

技术背景

随着计算机技术和通信与信息技术的迅猛发展，虚拟现实技术应运而生，人类的听觉、视觉功能已在时间及空间上获得巨大拓展，使得人们通过网络获取大量信息的愿望成为可能，当前已经出现了诸如网络互动电视和网络视频会议等满足视觉和听觉的应用，但基于网络的有关嗅觉的相关应用甚少，主要是缺乏有效提取嗅觉特征信息的方法。

嗅觉传感器阵列是20世纪90年代兴起的对气味物质进行采集识别的器件，目前主要用来对于气味进行判断识别，但由于材料和技术等限制，其应用范围受了极大的限制。

对于气味相关属性的判别识别主要有中国专利申请号：201310315482.5,申请公布日：2013年12月15日，发明名称：一种嗅觉模拟一起和特定物质气(嗅)味等级现场分析法，该发明模拟了一种嗅觉仪器用以对气味进行现场检测并做出等级区分；中国专利申请号:201310323187.4,申请公布日：2014年01月08日，发明名称：一种基于核主成分分析的表征蜂蜜差异性智能嗅觉图谱特征提取方法，该发明引入核函数对数据高维数据降维并用来识别蜂蜜种类信息；中国专利申请号:201310323359,申请公布日：2013年01月08日，发明名称：一种基于独立分析的表征蜂蜜差异性智能图谱特征提取方法，该发明引入最大化方差对数据高维数据降维并用来识别蜂蜜种类信息；还有诸如发明专利号：201310323188.9,201310323171.3,201310323251.9,201310323337.1等都是关于引入相关算法对物质气味进行判断和分类，均未对气味物质进行诸如种类属性、成分及比例信息的识别研究。

发明内容

为了克服现有技术的不足，本发明提出一种物质气味嗅频提取方法，该方法利用仿生嗅觉系统并结合叠加映射降维算法(Superposition MappingAnalysis)SMA对物质气味进行训练识别，并通过后序遍历规则的平衡二叉树进行存储，可以对未知物质气味进行检测识别，输出物质气味嗅频信息(物质气味名称、成分、比例浓度)，为物质气味实现网络化传输提供一种有效方法。

为了实现上述目的，本发明的技术方案为：

一种物质气味嗅频提取方法，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(S)，采集速率为7.749毫升/分钟(ml/min)，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叠加映射降维算法(Superposition Mapping Analysis)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；

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

$T_{\mathrm{ni}}=\frac{A\left(i\right)}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}A\left(i\right)}---\left(1\right)$

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

$P_i=\frac{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}A\left(i\right)\·T_{\mathrm{ni}}}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}A\left(i\right)}\×\frac{V^{\′}}{V}---\left(2\right)$

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，则综上所述可得到物质气味嗅频。

所述的方法，所述步骤1中选取的物质气味样品具有浓烈且刺激性的物质气味，其中刺激性是指香、臭或刺鼻味。

所述的方法，步骤2中应用的仿生嗅觉系统包含基于ARM9(AT91SAM9263)为核心处理器的嗅觉传感器阵列、采集样品烧杯(200毫升)、气味采集针管(直径1毫米)、样品封装膜与扎带、数据存数与分析的计算机。

所述的方法，所述步骤3中使用的叠加映射降维方法SMA，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 $P_T=\{t_1^i,t_2^i,\·\·\·t_j^i\}(P_T\∈R^{r\×n},t_j^i\∈R^{n_i\×n}),$ 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

$\mathrm{\μ}=\mathrm{\Σ}{t}_j^i/\mathrm{\Σ}{n}_i---\left(3\right)$

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的转秩矩阵。

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＝{V₁ ^m，V₂ ^m，…V_k ^m}(P_f∈R^r×a，V_k ^m∈R^t×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μ_c＝ΣV_k ^m/t，训练的总样本P_f的均值矩阵 $\mathrm{\υ}=\underset{n=1}{\overset{a}{\mathrm{\Σ}}}{\mathrm{\μ}}_c/k({\mathrm{\μ}}_c\∈R^{1\×a},\mathrm{\υ}\∈R^{1\×a}),$ 并计算P_f类内散布矩阵S_w和类间散布矩阵S_b，即

$S_{\mathrm{\ω}}=\underset{m=1}{\overset{a}{\mathrm{\Σ}}}\underset{k=1}{\overset{c^{\′}}{\mathrm{\Σ}}}{(V_k^m-{\mathrm{\μ}}_c)}^T\×(V_k^m-{\mathrm{\μ}}_c)(S_{\mathrm{\ω}}\∈R^{a\×a})---\left(\text{6}\right)$

$S_b=\underset{m=1}{\overset{a}{\mathrm{\Σ}}}{({\mathrm{\μ}}_c-\mathrm{\υ})}^T\×({\mathrm{\μ}}_c-\mathrm{\υ})(S_b\∈R^{a\×a})---\left(7\right)$

则根据Fisher准则函数

$J_F\left(\mathrm{\ω}\right)=\frac{{\mathrm{\ω}}^T{S}_b\mathrm{\ω}}{{\mathrm{\ω}}^T{S}_{\mathrm{\ω}}\mathrm{\ω}}---\left(8\right)$

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(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

$\frac{d_{J_F}\left(\mathrm{\ω}\right)}{\mathrm{d\ω}}=2S_b\mathrm{\ω}-2\mathrm{\λ}{S}_{\mathrm{\ω}}\mathrm{\ω}=0---\left(10\right)$

则有S_bω＝λS_ωω   (11)

继而得到 $S_{\mathrm{\ω}}^{-1}{S}_b\mathrm{\ω}={\mathrm{\λ}}_{\mathrm{\ω}}---\left(12\right)$

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。

所述步骤3中物质气味成分信息存储及过程如下：

通过叠加映射降维算法(Superposition Mapping Analysis)SMA，对已知的物质气味样品进行训练识别，结合物质气味化学成分比例信息，训练并识别出物质气味名称和成分信息；

存储过程：

以SMA算法训练并建立的样本序号O_SMA为结点索引号，将R(O_SMA，O_name，C_n1，C_n2…C_nk)按照后序遍历规则进行存储即按子树，右子树，根结点顺序递增生成，其存储和查询公式为：Pr＝2^L-1，P_L＝P_F-D_CL，P_R＝P_F-1，D_CL＝2^L-CL，CL∈[1，L)，其中n为平衡二叉树结点数，其共有L＝log₂ ⁿ级结点，Pr是平衡二叉树根结点，P_L是左子结点，P_R是右子结点，CL为当前级数，D_CL为当前级数结点的层距差，层距差为相邻树层之间的结点值的差。

查询过程：

输入需要查询的结点索引号，判别是否在所建平衡二叉树范围内；若在，则按照其查询公式从根节点向叶节点查询，直到查询到目的结点，否则查询完所有结点输出无此信息；若不在，则直接输出无此信息。

本发明具有以下有益效果：

(1)本方法提出嗅频概念，并基于此概念对物质气味特征属性做描述。本方法首次提出嗅频即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等。为对物质气味进行深入研究提供一种研究思路，并为物质气味实现远距离虚拟传输奠定基础。

(2)本方法提出叠加映射降维算法(Superposition Mapping Analysis)SMA结合物质气味化学配比表对物质气味进行样本分类训练和识别，建立以样本序号为索引的物质气味名称和成分样本库。可以对未知气味进行有效检测识别，输出其索引号继而获取未知气味名称及成分等属性信息。

(3)本方法提出后序遍历规则的平衡二叉树遍历公式，对物质气味名称和成分样本进行存储，并给出后序遍历规则的平衡二叉树的计算公式和规则，可以对建立的物质气味名称和成分库进行快速存储和查询，提高嗅频提取的实时性。

(4)本方法采用利用物质气味测量测动态计算物质气味比例浓度，具有实时性和有效性。本方法利用仿生嗅觉系统对物质气味测量并计算单个成分平均响应值，结合物质气味压缩比公式，可以实时动态对物质气味比例浓度进行计算，保证提取的物质气味嗅频信息实时性和有效性。

附图说明

图1为物质气味嗅频提取总体流程图。

图2为叠加映射降维算法(Superposition Mapping Analysis)SMA判别图。

图3为后序遍历规则的平衡二叉树查找过程。

图4为气味浓度信息获取。

具体实施方式

下面结合附图对本发明内容做进一步的阐述。

1.以香蕉、苹果、油桃等为嗅频提取对象，对于其嗅频的提取照参照附图1，按以下步骤进行：

步骤1：选取香蕉、苹果、油桃样品各300克，各备份为15份，每份为20克(g)，切割成体积小于1立方毫米的块状，放置在采集样品烧杯(200毫升)置于恒温(60℃)恒湿(75％)的实验箱中静置70分钟。

步骤2：选取15份中的10份样品(另5份作为未知样品待检测)应用仿生嗅觉系统对已知香蕉、苹果、油桃气味样品进行采集检测，测量时间t为100秒(S),采集速率为7.749毫升/分钟(ml/min)，并将所测数据F_s(S₁，S₂，……S_N)保存至计算机。

步骤3：对步骤2中采集所得到的测量数据采用叠加映射降维算法SMA进行识别判断训练，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)，以R₁(10001，香蕉，乙酸戊酯，苯乙醇，香兰素，丁酸戊酯，甜橙油，乙酸丁酯，芳樟醇)，R₂(10002，苹果，苹果酯，松油醇，乙酸苄酯，戊酸戊酯，玫瑰醇，乙酸戊酯，乙酸丁酯)，R₃(10003，油桃，十四醛，戊酸戊酯，丁酸戊酯，乙酸乙酯，苯甲酸苄纸，素凝香，二甲苯麝香，甜橙油，芳樟醇，乙酸戊酯)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；

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；

2.所述步骤3及步骤4中使用的叠加映射降维方法SMA，具体步骤如下：

步骤1)：将采集并测量得到的10份香蕉、苹果、油桃样本数据信息矩阵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 $P_T=\{t_1^i,t_2^i,\·\·\·t_j^i\}(P_T\∈R^{30\×10},t_j^i\∈R^{10\×10}),$ 其数据如下表1所示：

表1 训练样本矩阵P_T数据

其中r＝30代表训练样本矩阵的行数(其中r＝30＝3×10×1，选取的样本类别数j＝3，每个类中样本个数i＝10，每个样本稳态时间值个数为1)，则训练样本的均值为

$\mathrm{\μ}=\mathrm{\Σ}{t}_j^c/\mathrm{\Σ}{n}_i---\left(1\right)$

步骤2)：由步骤1)可得到训练样本去均值后形成的样本矩阵T＝P_T-μ，T∈R^30×10，则T的协方差矩阵为

Q＝T×T^T(Q∈R^30×30)   (2)

其中T^T是T的转置矩阵，并计算Q矩阵的特征值及累计贡献率如表2所示，

表2 Q矩阵的特征值及累计贡献率

序号	特征值	累计贡献率(％)
			主成分1	3.2193	89.4000
主成分2	0.2824	97.2430
			主成分3	0.0723	99.2515
主成分4	0.0102	99.5337
			主成分5	0.0086	99.7738
主成分6	0.0047	99.9040
			主成分7	0.0024	99.9399
主成分8	7.047e-04	99.9594
			主成分9	5.221e-04	99.9739
主成分10	3.709e-04	99.9842
			……	……	……

按特征值累计贡献率不小于99.5％，从大到小顺序选取前4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^4×10，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^30×4)   (3)

其中P_c ^T是P_c的转秩矩阵，其数据如表3所示。

表3 第一降维识别矩阵P_f数据

步骤3)：将第一降维特征系数矩阵P_f作为第二降维的输入矩阵，即P_f＝V₁ ^m，V₂ ^m，…V_k ^m}(P_f∈R^30×4，V_k ^m∈R^10×4)，其中k＝3代表新样本矩阵的类别数，m＝4代表每个类中样本的个数，则的样本均值矩阵为 ${\mathrm{\μ}}_c=\underset{t=1}{\overset{10}{\mathrm{\Σ}}}{V}_k^m/t,$ 训练的总样本P_c的均值矩阵 $\mathrm{\υ}=\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\μ}}_c/k({\mathrm{\μ}}_c\∈R^{1\×4},$ $\mathrm{\υ}\∈R^{1\×4}),$ 并计算P_f类内散布矩阵S_w和类间散布矩阵S_b，即

$S_{\mathrm{\ω}}=\underset{m=1}{\overset{4}{\mathrm{\Σ}}}\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{(V_k^m-{\mathrm{\μ}}_c)}^T\×(V_k^m-{\mathrm{\μ}}_c)(S_{\mathrm{\ω}}\∈R^{4\×4})---\left(4\right)$

$S_b=\underset{k=1}{\overset{3}{\mathrm{\Σ}}}{({\mathrm{\μ}}_c-\mathrm{\υ})}^T\×({\mathrm{\μ}}_c-\mathrm{\υ})(S_b\∈R^{4\×4})---\left(5\right)$

则根据Fisher准则函数

$J_F\left(\mathrm{\ω}\right)=\frac{{\mathrm{\ω}}^T{S}_b\mathrm{\ω}}{{\mathrm{\ω}}^T{S}_{\mathrm{\ω}}\mathrm{\ω}}---\left(6\right)$

则可对(6)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)   (7)

则对式(7)等号两边同时对ω求导，可得

$\frac{d_{J_F}\left(\mathrm{\ω}\right)}{\mathrm{d\ω}}=2S_b\mathrm{\ω}-2\mathrm{\λ}{S}_{\mathrm{\ω}}\mathrm{\ω}=0---\left(8\right)$

则有S_bω＝λS_ωω   (9)

继而得到 $S_{\mathrm{\ω}}^{-1}{S}_b\mathrm{\ω}={\mathrm{\λ}}_{\mathrm{\ω}}---\left(10\right)$

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^4×4且S_b∈R^4×4，所以求得的特征向量L_c，L_c∈R^4×4用来构建第二降维特征系数矩阵。

表4 第二降维特征系数矩阵L_c数据

序号	1	2	3	4
					1	-0.6806	-0.01566	-0.01367	0.005396
2	-0.47465	0.158808	0.801372	0.0086
					3	-0.63049	0.470783	-0.5889	-0.24385
4	0.010662	0.867697	0.10399	0.969796

最终获得叠加映射特征系数矩阵为：

C＝L_c×P_c(C∈R^4×10)   (11)

则其训练样本的叠加映射算法SMA识别特征矩阵为：

C_f＝T×C^T(C_f∈R^30×4)   (12)

表5 SMA识别矩阵C_f数据

未知样品识别：

从3类样品的剩余待测样品中任意选取5组作为未知样品，重复步骤2的操作，并利用SMA算法结合欧式距离判别式来对5组样品进行判别检测，判别检测结果如图2所示，均能准确识别并输出未知样品序号及名称。

3.所述步骤3及步骤4中物质气味成分信息存储及查询过程如下：

存储过程：

将所识别的物质气味名称和成分信息按后序遍历规则进行存储即按左子树，右子树，根结点顺序递增生成，其存储、查询的遍历公式为：Pr＝2^L-1，P_L＝P_F-D_CL，P_R＝P_F-1，D_CL＝2^L-CL，CL∈[1，L)，其中n为平衡二叉树结点数，其共有L＝log₂ ⁿ级结点，Pr是平衡二叉树根结点，P_L是左子结点，P_R是右子结点，CL为当前级数，D_CL为当前级数结点的层距差，层距差为相邻树层之间的结点值的差。

查询过程：

参照附图3，设利用SMA算法输出的样本序号为10003，则当后序遍历规则的平衡二叉树结点数为30000即n＝30000，则其共有L＝log₂ ³⁰⁰⁰⁰<log₂ ³²⁷⁶⁸＝15级结点，需要寻找结点序号为10003，则由2¹³-1<10003<log₂ ⁸-1＝16383可知，目标结点在根结点的右子树中，第一次查找P_L＝16383-2¹³＝8191，P_R＝16383-1＝16382，显然目标结点在右子树中，第二次查找P_L＝16382-2¹²＝12286，P_R＝16382-1＝16381，显然目标结点在左子树中，第三次查找P_L＝12286-2¹¹＝10238，P_R＝12286-1＝12285，显然目标结点在左子树中，第四次查找P_L＝10238-2¹⁰＝928，P_R＝10238-1＝10237，显然目标结点在右子树中，第五次查找P_L＝10237-2⁹＝9725，P_R＝10237-1＝10236，显然目标结点在右子树中，第六次查找P_L＝10236-2⁸＝9980，P_R＝10236-1＝10235，显然目标结点在右子树中，第七次查找P_L＝10235-2⁷＝10107，P_R＝10235-1＝10234，显然目标结点在左子树中，第八次查找P_L＝10107-2⁶＝10043，P_R＝10107-1＝10106，显然目标结点在左子树中，第九次查找P_L＝10043-2⁵＝10011，P_R＝10043-1＝10042，显然目标结点在左子树中，第十次查找P_L＝10011-2⁴＝9995，P_R＝10011-1＝10010，显然目标结点在右子树中，第十一次查找P_L＝10010-2³＝10002，P_R＝10010-1＝10009，显然目标结点在右子树中，第十二次查找P_L＝10009-2²＝10005，P_R＝10009-1＝10008，显然目标结点在左子树中，第十三次查找P_L＝10005-2¹＝10003，P_R＝10005-1＝10004；此时查找到所需目标结点。则输出10003对应R₃(10003，油桃，十四醛，戊酸戊酯，丁酸戊酯，乙酸乙酯，苯甲酸苄纸，素凝香，二甲苯麝香，甜橙油，芳樟醇，乙酸戊酯)。

4.物质气味成分比例及浓度计算如下：

参照附图4，此处以油桃测量值为例，进行成分比例计算P(T_n1，T_n2……T_nk)，对于其10组的测量平均值及成分比例计算值如表6所示：

表6 油桃测量平均值A(i)及成分比例T_nk(％)

名称	1	2	3	4	5	6	7	8	9	10
											第1组	0.4805	12.4172	0.3773	1.3036	0.3953	3.918	0.9049	2.9645	1.0271	1.1893
第2组	0.5156	12.2729	0.4072	1.1757	0.4479	3.6584	0.853	2.3588	0.8662	1.1845
											第3组	0.5836	9.7495	0.5699	1.218	0.5605	2.6505	0.9858	2.7087	1.0872	1.1025

第4组	0.4711	12.9356	0.3761	1.313	0.3894	3.8244	0.9315	3.2262	1.0893	1.176
											第5组	0.4762	9.7913	0.3901	1.2906	0.4348	3.6066	0.9186	3.1676	0.9773	1.183
第6组	0.5183	8.9628	0.4269	1.3488	0.4492	3.1961	0.9317	2.8077	1.0333	1.1783
											第7组	0.5383	9.1628	0.4269	1.3488	0.4492	3.1961	0.9317	2.7077	1.0333	1.1783
第8组	0.5186	12.2729	0.4072	1.1757	0.4479	3.6384	0.853	2.3588	0.8662	1.1845
											第9组	0.5272	8.6987	0.4431	1.2322	0.4859	2.6372	0.9137	2.1127	0.9699	1.1883
第10组	0.5272	8.6687	0.4431	1.2322	0.4859	2.7072	0.9137	2.1027	0.9699	1.1883
											A(i)	0.5157	10.493	0.4267	1.2638	0.4151	3.3033	0.9138	2.6515	0.9919	1.1753
Tnk(％)	2.33	47.37	1.93	5.71	1.85	8.91	4.13	11.97	4.48	5.06

对于物质气味采集压缩后体积V′为200ml，原始体积V为采集中抽取的体积(采集速率7.749ml/min×时间(100S＝1.67min)＝12.91ml)+V′等于212.91ml。

则油桃的气味浓度为

$P_{10003}=\frac{\underset{i=1}{\overset{10}{\mathrm{\&Sigma;}}}A\left(i\right)\&CenterDot;T_{\mathrm{ni}}}{\underset{i=1}{\overset{10}{\mathrm{\&Sigma;}}}A\left(i\right)}\&times;\frac{V^{\&prime;}}{V}=25.53\%$

依据上述1-4所得R₃(10003，油桃，十四醛，戊酸戊酯，丁酸戊酯，乙酸乙酯，苯甲酸苄纸，素凝香，二甲苯麝香，甜橙油，芳樟醇，乙酸戊酯)及P₁₀₀₀₃可知样品气味的名称R_n为油桃、成分L_c为(十四醛，戊酸戊酯，丁酸戊酯，乙酸乙酯，苯甲酸苄纸，素凝香，二甲苯麝香，甜橙油，芳樟醇，乙酸戊酯)，以及浓度P_i为25.53％，则综上所述可得到油桃气味的嗅频。

以上所述的本发明的实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (4)

1.一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；

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

$T_{\mathrm{ni}}=\frac{A\left(i\right)}{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}A\left(i\right)}---\left(1\right)$

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

$P_i=\frac{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}A\left(i\right)\&CenterDot;T_{\mathrm{ni}}}{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}A\left(i\right)}\&times;\frac{V^{\&prime;}}{V}---\left(2\right)$

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，则综上所述可得到物质气味嗅频。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中选取的物质气味样品具有浓烈且刺激性的物质气味，其中刺激性是指香、臭或刺鼻味。

3.根据权利要求1所述的方法，其特征在于，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Fs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 $P_T=\{t_1^i,t_2^i,\&CenterDot;\&CenterDot;\&CenterDot;t_j^i\}(P_T\&Element;R^{r\&times;n},t_j^i\&Element;R^{n_i\&times;n}),$ 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

$\mathrm{\&mu;}=\mathrm{\&Sigma;}{t}_j^i/\mathrm{\&Sigma;}{n}_i---\left(3\right)$

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的转秩矩阵；

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＝{V₁ ^m，V₂ ^m，…V_k ^m}，P_f∈R^r×a，V_k ^m∈R^t×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μc＝ΣV_k ^m/t，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_w和类间散布矩阵S_b，即

$S_{\mathrm{\&omega;}}=\underset{m=1}{\overset{a}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{c^{\&prime;}}{\mathrm{\&Sigma;}}}{(V_k^m-{\mathrm{\&mu;}}_c)}^T\&times;(V_k^m-{\mathrm{\&mu;}}_c)(S_{\mathrm{\&omega;}}\&Element;R^{a\&times;a})---\left(\text{6}\right)$

$S_b=\underset{m=1}{\overset{a}{\mathrm{\&Sigma;}}}{({\mathrm{\&mu;}}_c-\mathrm{\&upsi;})}^T\&times;({\mathrm{\&mu;}}_c-\mathrm{\&upsi;})(S_b\&Element;R^{a\&times;a})---\left(7\right)$

则根据Fisher准则函数

$J_F\left(\mathrm{\&omega;}\right)=\frac{{\mathrm{\&omega;}}^T{S}_b\mathrm{\&omega;}}{{\mathrm{\&omega;}}^T{S}_{\mathrm{\&omega;}}\mathrm{\&omega;}}---\left(8\right)$

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

$\frac{d_{J_F}\left(\mathrm{\&omega;}\right)}{\mathrm{d\&omega;}}=2S_b\mathrm{\&omega;}-2\mathrm{\&lambda;}{S}_{\mathrm{\&omega;}}\mathrm{\&omega;}=0---\left(10\right)$

则有S_bω＝λS_ωω   (11)

继而得到 $S_{\mathrm{\&omega;}}^{-1}{S}_b\mathrm{\&omega;}={\mathrm{\&lambda;}}_{\mathrm{\&omega;}}---\left(12\right)$

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Sω^-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。

4.根据权利要求1所述的方法，其特征在于，所述步骤3中物质气味成分信息识别存储过程如下：

通过叠加映射降维算法SMA，对已知的物质气味样品进行训练识别，结合物质气味化学成分比例信息，训练并识别出物质气味名称和成分信息；

存储过程：

以SMA算法训练并建立的样本序号O_SMA为结点索引号，将R(O_SMA，O_name，C_n1，C_n2…C_nk)按照后序遍历规进行存储即按子树，右子树，根结点顺序递增生成，其存储和查询公式为：Pr＝2^L-1，P_L＝P_F-D_CL，P_R＝P_F-1，D_CL＝2^L-CL，CL∈[1，L)，其中n为平衡二叉树结点数，其共有L＝log₂ ⁿ级结点，Pr是平衡二叉树根结点，P_L是左子结点，P_R是右子结点，CL为当前级数，D_CL为当前级数结点的层距差，层距差为相邻树层之间的结点值的差。

查询过程：

输入需要查询的结点索引号，判别是否在所建平衡二叉树范围内；若在，则按照其查询公式从根节点向叶节点查询，直到查询到目的结点，否则查询完所有结点输出无此信息；若不在，则直接输出无此信息。