CN107121530B - 一种局部和全局特征相结合的电子鼻响应谱特征提取方法 - Google Patents

一种局部和全局特征相结合的电子鼻响应谱特征提取方法 Download PDF

Info

Publication number
CN107121530B
CN107121530B CN201710370023.5A CN201710370023A CN107121530B CN 107121530 B CN107121530 B CN 107121530B CN 201710370023 A CN201710370023 A CN 201710370023A CN 107121530 B CN107121530 B CN 107121530B
Authority
CN
China
Prior art keywords
data
electronic nose
queue
global characteristics
response spectra
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.)
Active
Application number
CN201710370023.5A
Other languages
English (en)
Other versions
CN107121530A (zh
Inventor
林伟
伍玲蒙
伍毅
文强
刘瑶
陈文�
周静
刘曰利
金伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201710370023.5A priority Critical patent/CN107121530B/zh
Publication of CN107121530A publication Critical patent/CN107121530A/zh
Application granted granted Critical
Publication of CN107121530B publication Critical patent/CN107121530B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0032—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array using two or more different physical functioning modes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Combustion & Propulsion (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)

Abstract

本发明公开了一种局部和全局特征相结合的电子鼻响应谱特征提取方法，包括如下步骤：根据待测气体的种类选择合适型号的M个气敏传感器，组成电子鼻的传感器阵列；向气体室内通入待测样本气体，采集卡将实时采集到的数据写入电子鼻的上位机；上位机程序读取数据并进行滑动平均值滤波；滑动直线距离最小法提取滤波后数据的局部特征；快速傅里叶变换提取全局特征；将局部特征和全局特征组合为电子鼻响应谱的特征矩阵，归一化后用于后续识别。本发明的优点在于：本方法可以提高数据的准确性，能更加全面地反映电子鼻响应谱的特征。

Description

一种局部和全局特征相结合的电子鼻响应谱特征提取方法
技术领域
本发明涉及测试技术应用领域，具体涉及一种局部和全局特征相结合的电子鼻响应谱特征提取方法。
背景技术
目前对电子鼻的特征提取方法主要有曲线拟合法和提取曲线局部特征法如提取曲线峰值、一阶拐点、二阶拐点、曲线的面积等这两大类。
这两类方法或者只提取了全局特征，或者只提取了局部特征，没有将两者综合起来全面地反映电子鼻响应谱的特征。
发明内容
本发明的目的就是要针对现有装置的不足，提供一种局部和全局特征相结合的电子鼻响应谱特征提取方法，其能更准确地提取电子鼻响应谱的特征。
为实现上述目的，本发明所涉及的一种局部和全局特征相结合的电子鼻响应谱特征提取方法，包括如下步骤：
步骤1：根据待测气体的种类选择合适型号的M个气敏传感器，组成电子鼻的传感器阵列；
步骤2：向气体室内通入待测样本气体，采集卡将实时采集到的数据写入电子鼻的上位机；
步骤3：上位机程序读取数据并进行滑动平均值滤波；
步骤4：滑动直线距离最小法提取局部特征即稳态响应数据的平均值，保存目前距离滑动直线距离之和最小的数据及其平均值；
步骤5：快速傅里叶变换提取全局特征，将已滤波的样本点变换到频域并保存目前频域上最大的幅值；
步骤6：采集结束后将步骤4中M个传感器的数据平均值和步骤5中数据最大幅值组成的Mx2二维矩阵作为电子鼻的特征矩阵，归一化后用于后续识别。
进一步地，所述步骤3中，所述滑动平均值滤波是将X个采样数据看成一个队列，每进行一次新的采样，把采样结果放入队尾，而舍弃原来队首的数据，这样在队列中始终有X个“最新”的数据。计算队列中的X个数据的平均值，即可得到新的滤波值。
更进一步地，所述步骤4中，所述滑动直线距离最小法用于提取电子鼻响应谱的局部特征即稳态响应数据及其平均值，将滤波后的Y个数据放入队列中，队列的长度固定为Y，利用队首和队尾两个点确定一条直线，计算队列中的点到直线的距离之和，更新数据，保存距离之和最小的队列中的数据及其平均值。
作为优选项，所述步骤5中，所述快速傅里叶变换用于提取电子鼻响应谱的全局特征，快速傅里叶变换将滤波后的样本数据变换到频域上，频域上最大的幅值是由所有样本点的直流分量累加得到，即频域上的最大幅值可反映电子鼻响应谱的全局特征。
作为优选项，所述步骤6中，所述归一化是采用对数函数转换法、线性函数转换法、反余切函数转换法等方法把电子鼻响应谱的特征矩阵中的元素归一化到[0，1]之间。这样，可以避免局部特征与全局特征不在同一数量级，不仅减少识别中的计算误差，且为后续的识别算法提供合适的数据。
本发明的优点在于：本方法可以提高数据的准确性，先对采样数据进行滑动平均值滤波。利用滑动直线距离最小法和快速傅里叶变换分别提取电子鼻响应谱的局部特征和全局特征，以更加全面地反映电子鼻响应谱的特征。
附图说明
图1为滤波前电子鼻的响应谱；
图2为滤波后电子鼻的响应谱；
图3为滑动直线距离最小法提取局部特征结果图；
图4为快速傅里叶变换提取全局特征结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述：
一种局部和全局特征相结合的电子鼻响应谱特征提取方法，包括如下步骤：
步骤1：根据待测气体的种类选择合适型号的M个气敏传感器，组成电子鼻的传感器阵列；
步骤2：向气体室内通入待测样本气体，采集卡将实时采集到的数据写入电子鼻的上位机；
步骤3：上位机程序读取数据并进行滑动平均值滤波；所述滑动平均值滤波是将X个采样数据看成一个队列，每进行一次新的采样，把采样结果放入队尾，而舍弃原来队首的数据，这样在队列中始终有X个“最新”的数据。计算队列中的X个数据的平均值，即可得到新的滤波值。
步骤4：滑动直线距离最小法提取局部特征即稳态响应数据的平均值，保存目前距离滑动直线距离之和最小的数据及其平均值；所述滑动直线距离最小法用于提取电子鼻响应谱的局部特征即稳态响应数据及其平均值，将滤波后的Y个数据放入队列中，队列的长度固定为Y，利用队首和队尾两个点确定一条直线，计算队列中的点到直线的距离之和，更新数据，保存距离之和最小的队列中的数据及其平均值。
步骤5：快速傅里叶变换提取全局特征，将已滤波的样本点变换到频域并保存目前频域上最大的幅值；所述快速傅里叶变换用于提取电子鼻响应谱的全局特征，快速傅里叶变换将滤波后的样本数据变换到频域上，频域上最大的幅值是由所有样本点的直流分量累加得到，即频域上的最大幅值可反映电子鼻响应谱的全局特征。
步骤6：采集结束后将步骤4中M个传感器的数据平均值和步骤5中数据最大幅值组成的Mx2二维矩阵作为电子鼻的特征矩阵，归一化后用于后续识别。所述归一化是采用对数函数转换法、线性函数转换法、反余切函数转换法等方法把电子鼻响应谱的特征矩阵中的元素归一化到[0，1]之间。
为了更好地理解上述方法，结合具体实施例和说明书附图对上述技术方案进行详细的说明。
实施例：
现有气体样本：50ppm C2H5OH、100ppm C2H5OH、150ppm C2H5OH、200ppm C2H5OH、50ppm NH3、100ppm NH3、150ppm NH3、200ppm NH3
据上述气体样本，确定5个气敏传感器，组成电子鼻的传感器阵列。电子鼻的气敏传感器的种类及其性能参数如表1：
表1：电子鼻的气敏传感器的种类及其性能参数
将一种气体样本通入气体室，利用采集卡边采集电子鼻的各个气敏传感器的响应数据，边送到电子鼻的上位机进行处理。
由于气敏传感器易受环境干扰且本身性能不稳定，为了保证数据的准确性，需要先对原始数据进行滤波处理。滤波前电子鼻的响应谱如图1所示。
滑动平均值滤波能消除随机干扰信号。此处采用的是5点滑动平均值滤波，先固定一个队列的长度为5，然后将新采样点放入队尾，舍弃队头的数据。每一次更新数据后取队列中数据的平均值作为本时刻气敏传感器的真实响应值。滤波后电子鼻的响应谱如图2所示。
接着就可以对滤波后的数据提取局部特征和全局特征。局部特征的提取方法过程是将滤波后的Y个数据放入队列中，队列的长度固定为Y，利用队首和队尾的两个点确定一条直线，计算队列中的点到直线的距离之和，更新数据，保存距离之和最小的队列中的数据及其平均值。5个气敏传感器响应谱的局部特征用得到的平均值Zi(i＝1,2,3,4,5)表示。滑动直线距离最小法提取局部特征结果图如图3所示。
全局特征的提取是利用快速傅里叶变换将时域的样本数据变换到频域上。快速傅里叶变换的基本表达式为：
其中：
将滤波后的时域上的样本数据变换到频域上的数据，频域上最大的幅值是由所有样本点的直流分量累加得到的。所以频域上的最大幅值可反映电子鼻的全局特征。5个气敏传感器的全局特征用频域对应的最大幅值Wi(i＝1，2，3，4，5)表示。快速傅里叶变换提取全局特征结果图如图4所示。
将上述8种气体样本50ppm C2H5OH、100ppm C2H5OH、150ppm C2H5OH、200ppm C2H5OH、50ppm NH3、100ppm NH3、150ppm NH3、200ppm NH3标记为1至8，对每种样本各进行12次测试，获取共96个样本数据。用上述特征提取方法(记为提取局部特征+全局特征法)，提取曲线局部特征法(记为提取局部特征法，这里包括提取曲线峰值、一阶拐点、二阶拐点和曲线的面积)和曲线拟合法(记为提取全局特征法)提取电子鼻响应谱的特征，各获得共96个特征矩阵。将三种方法的特征矩阵归一化后作为输入样本，与其对应的样本种类作为输出样本。各取50％的样本数据(对应样本数为48个)训练支持向量机算法(即SVM算法)，剩下的50％的样本数据(对应样本数为48个)进行验证。在最优参数下，三种特征提取方法下待识别的样本的识别结果如表2所示：
表2：待识别的样本的识别结果
在48个验证SVM的样本中，提取局部特征+全局特征法的识别率明显高于提取局部特征法和提取全局特征法的识别率。实验结果表明本文提出的特征提取方法能更准确地反映电子鼻响应谱的特征，提高了识别率。
最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明不限于上述实施例，还可以有许多变形。凡依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应认为属于本发明的保护范围。

Claims (4)

1.一种局部和全局特征相结合的电子鼻响应谱特征提取方法，其特征在于：包括如下步骤：
步骤1：根据待测气体的种类选择合适型号的M个气敏传感器，组成电子鼻的传感器阵列；
步骤2：向气体室内通入待测样本气体，采集卡将实时采集到的数据写入电子鼻的上位机；
步骤3：上位机程序读取数据并进行滑动平均值滤波；
步骤4：滑动直线距离最小法提取局部特征即稳态响应数据的平均值，保存目前距离滑动直线距离之和最小的数据及其平均值：
所述步骤4中，所述滑动直线距离最小法用于提取电子鼻响应谱的局部特征即稳态响应数据及其平均值，将滤波后的Y个数据放入队列中，队列的长度固定为Y，利用队首和队尾两个点确定一条直线，计算队列中的点到直线的距离之和，更新数据，保存距离之和最小的队列中的数据及其平均值；
步骤5：快速傅里叶变换提取全局特征，将已滤波的样本点变换到频域并保存目前频域上最大的幅值；
步骤6：采集结束后将步骤4中M个传感器的数据平均值和步骤5中数据最大幅值组成的Mx2二维矩阵作为电子鼻的特征矩阵，归一化后用于后续识别。
2.根据权利要求1所述的一种局部和全局特征相结合的电子鼻响应谱特征提取方法，其特征在于：所述步骤3中，所述滑动平均值滤波是将X个采样数据看成一个队列，每进行一次新的采样，把采样结果放入队尾，而舍弃原来队首的数据，这样在队列中始终有X个“最新”的数据，计算队列中的X个数据的平均值，即可得到新的滤波值。
3.根据权利要求1~2中任意一项所述的一种局部和全局特征相结合的电子鼻响应谱特征提取方法，其特征在于：所述步骤5中，所述快速傅里叶变换用于提取电子鼻响应谱的全局特征，快速傅里叶变换将滤波后的样本数据变换到频域上，频域上最大的幅值是由所有样本点的直流分量累加得到，即频域上的最大幅值可反映电子鼻响应谱的全局特征。
4.根据权利要求3所述的一种局部和全局特征相结合的电子鼻响应谱特征提取方法，其特征在于：所述步骤6中，所述归一化是采用对数函数转换法、线性函数转换法或反余切函数转换法方法把电子鼻响应谱的特征矩阵中的元素归一化到[0，1]之间。
CN201710370023.5A 2017-05-23 2017-05-23 一种局部和全局特征相结合的电子鼻响应谱特征提取方法 Active CN107121530B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710370023.5A CN107121530B (zh) 2017-05-23 2017-05-23 一种局部和全局特征相结合的电子鼻响应谱特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710370023.5A CN107121530B (zh) 2017-05-23 2017-05-23 一种局部和全局特征相结合的电子鼻响应谱特征提取方法

Publications (2)

Publication Number Publication Date
CN107121530A CN107121530A (zh) 2017-09-01
CN107121530B true CN107121530B (zh) 2019-08-23

Family

ID=59728815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710370023.5A Active CN107121530B (zh) 2017-05-23 2017-05-23 一种局部和全局特征相结合的电子鼻响应谱特征提取方法

Country Status (1)

Country Link
CN (1) CN107121530B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107991373B (zh) * 2017-11-28 2019-05-03 中国水稻研究所 大米食味的区分表征方法
CN110146652B (zh) * 2019-05-17 2021-08-24 西南大学 基于全局和局部特征提取的电子鼻低浓度样本检测方法
CN110940773A (zh) * 2019-11-22 2020-03-31 苏州慧闻纳米科技有限公司 检测冰箱中气味的响应及恢复曲线的处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226166A (zh) * 2008-01-31 2008-07-23 浙江大学 用于现场检测的低功耗手持式电子鼻系统
CN104268575A (zh) * 2014-09-29 2015-01-07 西南大学 基于混合特征矩阵的电子鼻信号处理方法
CN104792826A (zh) * 2015-03-23 2015-07-22 中国农业大学 一种基于电子鼻的牛奶新鲜度检测系统及方法
CN105548490A (zh) * 2016-01-11 2016-05-04 浙江大学 一种基于电子鼻的快速预测茶树受害虫取食时间的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226166A (zh) * 2008-01-31 2008-07-23 浙江大学 用于现场检测的低功耗手持式电子鼻系统
CN104268575A (zh) * 2014-09-29 2015-01-07 西南大学 基于混合特征矩阵的电子鼻信号处理方法
CN104792826A (zh) * 2015-03-23 2015-07-22 中国农业大学 一种基于电子鼻的牛奶新鲜度检测系统及方法
CN105548490A (zh) * 2016-01-11 2016-05-04 浙江大学 一种基于电子鼻的快速预测茶树受害虫取食时间的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Electronic Nose Feature Extraction Methods: A Review;Jia Yan等;《Sensors》;20151102;全文
一种全局和局部相结合的二值化方法研究;孟立娜等;《计算机技术与发展》;20121130;第22卷(第11期);全文
电子鼻系统中的特征提取研究;范超群;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090515(第5期);全文

Also Published As

Publication number Publication date
CN107121530A (zh) 2017-09-01

Similar Documents

Publication Publication Date Title
CN109376574B (zh) 基于cnn的可拒判雷达hrrp目标识别方法
CN107121530B (zh) 一种局部和全局特征相结合的电子鼻响应谱特征提取方法
CN107092829B (zh) 一种基于图像匹配的恶意代码检测方法
WO2019100606A1 (zh) 电子装置、基于声纹的身份验证方法、系统及存储介质
CN105678273B (zh) 射频指纹识别技术瞬态信号的起始点检测算法
KR102284096B1 (ko) 중요도 맵을 이용한 지능형 주관적 화질 평가 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
CN104239856B (zh) 基于Gabor特征和自适应线性回归的人脸识别方法
CN111175718B (zh) 联合时频域的地面雷达自动目标识别方法及系统
CN107392123B (zh) 一种基于相参积累消噪的射频指纹特征提取和识别方法
CN104732231B (zh) 一种有价票据的识别方法
CN106778837B (zh) 基于多线性主成分分析和张量分析的sar图像目标识别方法
CN104346628B (zh) 基于多尺度多方向Gabor特征的车牌汉字识别方法
CN103839042A (zh) 人脸识别方法和人脸识别系统
CN107132311A (zh) 一种基于频域特征提取的快速气体识别算法
CN110764152A (zh) 一种无人机快速检测与识别的装置及方法
CN103136546A (zh) 线上签名的多维度验证方法、装置
Li et al. Multi-scale ships detection in high-resolution remote sensing image via saliency-based region convolutional neural network
CN106326827B (zh) 掌静脉识别系统
CN109598245B (zh) 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法
CN111464468A (zh) 信号调制模式识别方法、装置、设备和可读存储介质
CN107341519B (zh) 一种基于多分辨率分析的支持向量机识别优化方法
Guest et al. Enhancing static biometric signature verification using Speeded-Up Robust Features
CN112560629B (zh) 一种基于1d-cnn的智能手机按键检测方法
CN115100733A (zh) Rfid手势识别方法、计算机装置、产品及存储介质
CN109447954B (zh) 一种基于核密度估计的伪装效果评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant