CN104102818A - 一种物质气味嗅频提取方法 - Google Patents
一种物质气味嗅频提取方法 Download PDFInfo
- Publication number
- CN104102818A CN104102818A CN201410290577.0A CN201410290577A CN104102818A CN 104102818 A CN104102818 A CN 104102818A CN 201410290577 A CN201410290577 A CN 201410290577A CN 104102818 A CN104102818 A CN 104102818A
- Authority
- CN
- China
- Prior art keywords
- smell
- matrix
- sample
- omega
- sma
- 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
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Fats And Perfumes (AREA)
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
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Rn、成分,记为Lc、比例浓度,记为Pi,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Fs(S1,S2,……SN),并对Fs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OSMA与气味名称成分属性L(Oname,Cn1,Cn2…Cnk)(其中Oname是物质气味种类名称,Cn1是物质气味第1种成分名称,Cn2是物质气味第2种成分名称,Cnk是物质气味第k种成分名称)以R(OSMA,Oname,Cn1,Cn2…Cnk)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OSMA′,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OSMA,则输出R(OSMA,Oname,Cn1,Cn2…Cnk),若找不到与之匹配的OSMA,则返回无此信息;
同时对测量值进行成分比例计算P(Tn1,Tn2…Tnk),Tn1是第1种成分所占比例,Tn2是第2种成分所占比例,Tnk是第k种成分所占比例,其计算公式为
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
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(OSMA,Oname,Cn1,Cn2…Cnk)可以求知物质气味的名称Rn及成分Lc,所得P(Tn1,Tn2……Tnk)可知气味的成分比例及浓度Pi,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 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,ni];则训练样本的均值为
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=PT-μ,T∈Rr×n则T的协方差矩阵为
Q=T×TT(Q∩Rr×r) (4)
其中TT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Pc,Pc∈Ra×n(a≤n-1),并将训练样本矩阵T投影到Pc中,得到第一降维识别矩阵:
Pf=T×Pc T(Pf∈Rr×a) (5)
其中Pc T是Pc的转秩矩阵。
步骤3):将第一降维识别矩阵Pf作为第二降维的输入矩阵,即Pf={V1 m,V2 m,…Vk m}(Pf∈Rr×a,Vk m∈Rt×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=ΣVk m/t,训练的总样本Pf的均值矩阵 并计算Pf类内散布矩阵Sw和类间散布矩阵Sb,即
则根据Fisher准则函数
由式(8)可知,当选取的矢量ω使JF(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
JF(ω)=ωTSbω-λ(ωTSωω-1) (9)
则对式(9)等号两边同时对ω求导,可得
则有Sbω=λSωω (11)
继而得到
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Sω∈Ra×a且Sb∈Ra×a,所以求得Sω -1Sb的特征向量Lc,Lc∈Ra×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=Lc×Pc(C∈Ra×n) (13)
则其训练样本的叠加映射算法识别特征矩阵为:
Cf=T×CT(Cf∈Rr×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OSMA为结点索引号,将R(OSMA,Oname,Cn1,Cn2…Cnk)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=2L-1,PL=PF-DCL,PR=PF-1,DCL=2L-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,PL是左子结点,PR是右子结点,CL为当前级数,DCL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Rn、成分记为Lc、比例浓度记为Pi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Fs(S1,S2,……SN)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OSMA与气味名称成分属性L(Oname,Cn1,Cn2…Cnk),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OSMA′,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OSMA,则输出R(OSMA,Oname,Cn1,Cn2…Cnk),若找不到与之匹配的OSMA,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 其数据如下表1所示:
表1 训练样本矩阵PT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
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=PT-μ,T∈R30×10,则T的协方差矩阵为
Q=T×TT(Q∈R30×30) (2)
其中TT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Pc,Pc∈R4×10,并将训练样本矩阵T投影到Pc中,得到第一降维识别矩阵:
Pf=T×Pc T(Pf∈R30×4) (3)
其中Pc T是Pc的转秩矩阵,其数据如表3所示。
表3 第一降维识别矩阵Pf数据
步骤3):将第一降维特征系数矩阵Pf作为第二降维的输入矩阵,即Pf=V1 m,V2 m,…Vk m}(Pf∈R30×4,Vk m∈R10×4),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 训练的总样本Pc的均值矩阵 并计算Pf类内散布矩阵Sw和类间散布矩阵Sb,即
则根据Fisher准则函数
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
JF(ω)=ωTSbω-λ(ωTSωω-1) (7)
则对式(7)等号两边同时对ω求导,可得
则有Sbω=λSωω (9)
继而得到
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Sω∈R4×4且Sb∈R4×4,所以求得的特征向量Lc,Lc∈R4×4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Lc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=Lc×Pc(C∈R4×10) (11)
则其训练样本的叠加映射算法SMA识别特征矩阵为:
Cf=T×CT(Cf∈R30×4) (12)
表5 SMA识别矩阵Cf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=2L-1,PL=PF-DCL,PR=PF-1,DCL=2L-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,PL是左子结点,PR是右子结点,CL为当前级数,DCL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PL=16383-213=8191,PR=16383-1=16382,显然目标结点在右子树中,第二次查找PL=16382-212=12286,PR=16382-1=16381,显然目标结点在左子树中,第三次查找PL=12286-211=10238,PR=12286-1=12285,显然目标结点在左子树中,第四次查找PL=10238-210=928,PR=10238-1=10237,显然目标结点在右子树中,第五次查找PL=10237-29=9725,PR=10237-1=10236,显然目标结点在右子树中,第六次查找PL=10236-28=9980,PR=10236-1=10235,显然目标结点在右子树中,第七次查找PL=10235-27=10107,PR=10235-1=10234,显然目标结点在左子树中,第八次查找PL=10107-26=10043,PR=10107-1=10106,显然目标结点在左子树中,第九次查找PL=10043-25=10011,PR=10043-1=10042,显然目标结点在左子树中,第十次查找PL=10011-24=9995,PR=10011-1=10010,显然目标结点在右子树中,第十一次查找PL=10010-23=10002,PR=10010-1=10009,显然目标结点在右子树中,第十二次查找PL=10009-22=10005,PR=10009-1=10008,显然目标结点在左子树中,第十三次查找PL=10005-21=10003,PR=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(Tn1,Tn2……Tnk),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Tnk(%)
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
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Rn为油桃、成分Lc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Pi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Rn,成分记为Lc,比例浓度记为Pi,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Fs(S1,S2,……SN),并对Fs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OSMA与气味名称成分属性L(Oname,Cn1,Cn2…Cnk),其中Oname是物质气味种类名称,Cn1是物质气味第1种成分名称,Cn2是物质气味第2种成分名称,Cnk是物质气味第k种成分名称;以R(OSMA,Oname,Cn1,Cn2…Cnk)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OSMA′,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OSMA,则输出R(OSMA,Oname,Cn1,Cn2…Cnk),若找不到与之匹配的OSMA,则返回无此信息;
同时对测量值进行成分比例计算P(Tn1,Tn2…Tnk),Tn1是第1种成分所占比例,Tn2是第2种成分所占比例,Tnk是第k种成分所占比例,其计算公式为
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
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(OSMA,Oname,Cn1,Cn2…Cnk)可以求知物质气味的名称Rn及成分Lc,所得P(Tn1,Tn2……Tnk)可知气味的成分比例及浓度Pi,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 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,ni];则训练样本的均值为
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=PT-μ,T∈Rr×n则T的协方差矩阵为
Q=T×TT(Q∈Rr×r) (4)
其中TT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Pc,Pc∈Ra×n,a≤n-1,并将训练样本矩阵T投影到Pc中,得到第一降维识别矩阵:
Pf=T×Pc T(Pf∈Rr×a) (5)
其中Pc T是Pc的转秩矩阵;
步骤3):将第一降维识别矩阵Pf作为第二降维的输入矩阵,即Pf={V1 m,V2 m,…Vk m},Pf∈Rr×a,Vk m∈Rt×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=ΣVk m/t,训练的总样本Pf的均值矩阵μc∈R1×a,υ∈R1×a,并计算Pf类内散布矩阵Sw和类间散布矩阵Sb,即
则根据Fisher准则函数
由式(8)可知,当选取的矢量ω使JF(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
JF(ω)=ωTSbω-λ(ωTSωω-1) (9)
则对式(9)等号两边同时对ω求导,可得
则有Sbω=λSωω (11)
继而得到
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Sω∈Ra×a且Sb∈Ra×a,所以求得Sω-1Sb的特征向量Lc,Lc∈Ra×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=Lc×Pc(C∈Ra×n) (13)
则其训练样本的叠加映射算法识别特征矩阵为:
Cf=T×CT(Cf∈Rr×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OSMA为结点索引号,将R(OSMA,Oname,Cn1,Cn2…Cnk)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=2L-1,PL=PF-DCL,PR=PF-1,DCL=2L-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,PL是左子结点,PR是右子结点,CL为当前级数,DCL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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410290577.0A CN104102818B (zh) | 2014-06-24 | 2014-06-24 | 一种物质气味嗅频提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410290577.0A CN104102818B (zh) | 2014-06-24 | 2014-06-24 | 一种物质气味嗅频提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104102818A true CN104102818A (zh) | 2014-10-15 |
CN104102818B CN104102818B (zh) | 2017-02-15 |
Family
ID=51670963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410290577.0A Active CN104102818B (zh) | 2014-06-24 | 2014-06-24 | 一种物质气味嗅频提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104102818B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991908A (zh) * | 2015-06-17 | 2015-10-21 | 百度在线网络技术(北京)有限公司 | 一种目标物品的识别处理方法及装置 |
CN106127259A (zh) * | 2016-07-04 | 2016-11-16 | 西南大学 | 基于可分离度和相异度的电子鼻信号特征融合方法 |
CN107478683A (zh) * | 2017-08-30 | 2017-12-15 | 广东工业大学 | 一种基于机器嗅觉的有毒有害气体检测与识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261280A (zh) * | 2007-12-29 | 2008-09-10 | 广东工业大学 | 基于仿生嗅觉的中药材气味鉴别方法及其装置 |
CN101470121A (zh) * | 2007-12-29 | 2009-07-01 | 广东工业大学 | 一种嵌入式仿生嗅觉气味识别方法及装置 |
CN101871898B (zh) * | 2010-07-23 | 2012-05-09 | 华中科技大学 | 一种基于气味蒸发特征谱的嗅觉检测方法及其系统 |
CN103487465B (zh) * | 2013-07-30 | 2016-01-27 | 中国标准化研究院 | 一种基于方差比的表征蜂蜜差异性智能嗅觉图谱特征提取方法 |
-
2014
- 2014-06-24 CN CN201410290577.0A patent/CN104102818B/zh active Active
Non-Patent Citations (2)
Title |
---|
DEHAN LUO ET AL: "A new processing technique for the identification of Chinese Herbal Medicine", 《2013 INTERNATIONAL CONFERENCE ON COMPUTATIONAL AND INFORMATION SCIENCES》 * |
邵雅雯 等: "基于最大散度差准则LDA 的电子鼻中药材鉴别方法", 《仪表技术与传感器》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991908A (zh) * | 2015-06-17 | 2015-10-21 | 百度在线网络技术(北京)有限公司 | 一种目标物品的识别处理方法及装置 |
CN104991908B (zh) * | 2015-06-17 | 2018-11-16 | 百度在线网络技术(北京)有限公司 | 一种目标物品的识别处理方法及装置 |
CN106127259A (zh) * | 2016-07-04 | 2016-11-16 | 西南大学 | 基于可分离度和相异度的电子鼻信号特征融合方法 |
CN106127259B (zh) * | 2016-07-04 | 2019-08-27 | 西南大学 | 基于可分离度和相异度的电子鼻信号特征融合方法 |
CN107478683A (zh) * | 2017-08-30 | 2017-12-15 | 广东工业大学 | 一种基于机器嗅觉的有毒有害气体检测与识别方法 |
WO2019041488A1 (zh) * | 2017-08-30 | 2019-03-07 | 广东工业大学 | 一种基于机器嗅觉的有毒有害气体检测与识别方法 |
US11408875B2 (en) | 2017-08-30 | 2022-08-09 | Guangzhou Dexin Semiconductor Technology Co. Ltd | Method for detecting and identifying toxic and harmful gases based on machine olfaction |
Also Published As
Publication number | Publication date |
---|---|
CN104102818B (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Banerjee et al. | Fractal patterns in nonlinear dynamics and applications | |
CN101692224B (zh) | 融合空间关系语义的高分辨率遥感图像检索方法 | |
CN105653706A (zh) | 一种基于文献内容知识图谱的多层引文推荐方法 | |
CN103020265B (zh) | 图像检索的方法和系统 | |
US20130054638A1 (en) | System for detecting and tracking topic based on opinion and social-influencer for each topic and method thereof | |
CN110189167A (zh) | 一种基于异构图嵌入的移动广告欺诈检测方法 | |
CN104102818A (zh) | 一种物质气味嗅频提取方法 | |
CN108197650A (zh) | 局部相似性保持的高光谱图像极限学习机聚类方法 | |
CN106874950A (zh) | 一种暂态电能质量录波数据的识别分类方法 | |
Wang et al. | Urban perception of commercial activeness from satellite images and streetscapes | |
CN106875278A (zh) | 基于随机森林的社交网络用户画像方法 | |
CN103778262A (zh) | 基于叙词表的信息检索方法及装置 | |
CN103995903A (zh) | 基于同构子空间映射和优化的跨媒体检索方法 | |
CN109168051A (zh) | 一种基于蓝光存储的网络直播平台监管取证系统 | |
CN103957116A (zh) | 一种云故障数据的决策方法及系统 | |
McGovern et al. | Spatiotemporal relational probability trees: An introduction | |
CN105868422B (zh) | 一种基于弹性维特征向量优化抽取的协同过滤推荐方法 | |
CN104572938B (zh) | 一种以查询驱动的Web实体识别方法和系统 | |
Kotzias et al. | Addressing the Sparsity of Location Information on Twitter. | |
CN103823753B (zh) | 一种面向网页内容无障碍检测的网页抽样方法 | |
CN103491074A (zh) | 僵尸网络检测方法及装置 | |
CN104090918B (zh) | 一种基于信息量的句子相似度计算方法 | |
CN105447148A (zh) | 一种Cookie标识关联方法及装置 | |
CN112487991B (zh) | 一种基于特征自学习的高精度负荷辨识方法及系统 | |
CN107766412A (zh) | 一种建立主题地图的方法、系统和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210630 Address after: 510000 2nd floor, building B25, Huachuang Animation Industrial Park, Jinshan Village, Shiji Town, Panyu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Dexin Semiconductor Technology Co.,Ltd. Address before: 510006 No. 100 West Ring Road, Guangzhou University, Guangzhou, Guangdong, Panyu District Patentee before: GUANGDONG University OF TECHNOLOGY |
|
TR01 | Transfer of patent right |