CN108132333A - 一种红酒气味识别方法及相关装置 - Google Patents
一种红酒气味识别方法及相关装置 Download PDFInfo
- Publication number
- CN108132333A CN108132333A CN201711396428.2A CN201711396428A CN108132333A CN 108132333 A CN108132333 A CN 108132333A CN 201711396428 A CN201711396428 A CN 201711396428A CN 108132333 A CN108132333 A CN 108132333A
- Authority
- CN
- China
- Prior art keywords
- red wine
- data
- chemical molecular
- theme
- odor
- 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.)
- Pending
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
-
- 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
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种红酒气味识别方法,可以通过LDA生成模型生成对应不同原始红酒气味数据以及不同原始化学分子数据的主题,并通过预设的关联算法根据上述主题计算出化学分子数据与红酒气味数据之间的关联规则。上述化学分子数据为红酒挥发出的分子的数据,而红酒气味数据为人工对红酒气味的感性评价,通过LDA生成模型以及关联算法可以将化学分子数据与人们对气味的感性评价相结合,进而对红酒气味进行识别。本发明还公开了一种红酒气味识别装置、一种红酒气味识别设备及一种计算机可读存储介质,同样具有上述有益效果。
Description
技术领域
本发明涉及数据分析领域,特别是涉及一种红酒气味识别方法、一种红酒气味识别装置、一种红酒气味识别设备及一种计算机可读存储介质。
背景技术
随着近年来科技不断的进步,数据分析的应用越来越广泛。但是在红酒气味识别领域,现阶段通常还是通过人工识别的方法对红酒的气味进行判断。
传统的气味检测方法主要是气相色谱-嗅觉测量法。但是气相色谱-嗅觉测量法只适用于有机化合物的定量分析,对于食品气味的定性描述能力较差,不能把实验结果与人们对气味的感性评价相结合。
所以如何建立出一种可以将化学分子数据与人们对气味的感性评价相结合的方法是现阶段急需解决的问题。
发明内容
本发明的目的是提供一种红酒气味识别方法、一种红酒气味识别装置、一种红酒气味识别设备及一种计算机可读存储介质,可以将化学分子数据与人们对气味的感性评价相结合。
为解决上述技术问题,本发明提供一种红酒气味识别方法,所述方法包括:
获取待检测红酒的化学分子数据;
根据所述化学分子数据通过预先建立的红酒气味关联规则查询对应所述化学分子数据的红酒气味数据;其中,所述红酒气味关联规则为根据预先获取的原始红酒气味数据,以及对应所述原始红酒气味数据的原始化学分子数据,通过LDA生成模型建立主题,并根据所述主题通过预设关联算法计算得到的关联规则。
可选的,所述红酒气味关联规则为根据所述主题通过Apriori算法计算得到的关联规则。
可选的,建立所述红酒气味关联规则的步骤包括:
计算多个所述主题之间的JS距离参数;
从多个所述主题中选取小于预设阈值的JS距离参数所对应的主题,以构成关联主题集;
根据所述关联主题集通过预设关联算法计算得到所述红酒气味关联规则。
可选的,建立所述红酒气味关联规则的步骤包括:
将所述原始红酒气味数据与所述原始化学分子数据分别进行二值化以得到初始红酒气味数据以及对应所述初始红酒气味数据的初始化学分子数据;
根据所述初始红酒气味数据与所述初始化学分子数据,通过所述LDA生成模型建立所述主题。
本发明还提供了一种红酒气味识别装置,所述装置包括:
获取模块:用于获取待检测红酒的化学分子数据;
查询模块:用于根据所述化学分子数据通过预先建立的红酒气味关联规则查询对应所述化学分子数据的红酒气味数据;
建立模块:用于根据预先获取的原始红酒气味数据,以及对应所述原始红酒气味数据的原始化学分子数据,通过LDA生成模型建立主题,并根据所述主题通过预设关联算法计算得到的关联规则。
可选的,所述查询模块具体用于:
根据所述化学分子数据通过预先建立的红酒气味关联规则查询对应所述化学分子数据的红酒气味数据;其中,所述红酒气味关联规则为根据所述主题通过Apriori算法计算得到的关联规则。
可选的,所述建立模块包括:
JS计算单元:用于计算多个所述主题之间的JS距离参数;
重构单元:用于从多个所述主题中选取对应大于预设阈值的JS距离参数的主题,以构成关联主题集;
关联规则计算单元:用于根据所述关联主题集通过预设关联算法计算得到所述红酒气味关联规则。
可选的,所述建立模块包括:
二值化单元:用于将所述原始红酒气味数据与所述原始化学分子数据分别进行二值化以得到初始红酒气味数据以及对应所述初始红酒气味数据的初始化学分子数据;
LDA单元:用于根据所述初始红酒气味数据与所述初始化学分子数据,通过所述LDA生成模型建立所述主题。
本发明还提供了一种红酒气味识别设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序时实现如上述任一项所述红酒气味识别方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述红酒气味识别方法的步骤。
本发明所提供的一种红酒气味识别方法,可以通过LDA生成模型生成对应不同原始红酒气味数据以及不同原始化学分子数据的主题,并通过预设的关联算法根据上述主题计算出化学分子数据与红酒气味数据之间的关联规则。上述化学分子数据为红酒挥发出的分子的数据,而红酒气味数据为人工对红酒气味的感性评价,通过LDA生成模型以及关联算法可以将化学分子数据与人们对气味的感性评价相结合,进而对红酒气味进行识别。
本发明还提供了一种红酒气味识别装置、一种红酒气味识别设备及一种计算机可读存储介质,同样具有上述有益效果,在此不再进行赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种红酒气味识别方法的流程图;
图2为本发明实施例所提供的LDA生成模型原理图;
图3为本发明实施例所提供的一种具体的红酒气味识别方法的流程图;
图4为本发明实施例所提供的一种红酒气味识别装置的结构框图;
图5为本发明实施例所提供的一种红酒气味识别设备的结构框图。
具体实施方式
本发明的核心是提供一种红酒气味识别方法。在现有技术中,通常是通过气相色谱-嗅觉测量法对红酒挥发的气体中的分子进行鉴定。但是气相色谱-嗅觉测量法只适用于有机化合物的定量分析,即气相色谱-嗅觉测量法只能检测出红酒挥发的气体中有哪些化学分子,但是并不能将检测出的化学分子的数据与人们对气味的感性评价相结合。
而本发明所提供的一种红酒气味识别方法,可以通过LDA生成模型生成对应不同原始红酒气味数据以及不同原始化学分子数据的主题,并通过预设的关联算法根据上述主题计算出化学分子数据与红酒气味数据之间的关联规则。上述化学分子数据为红酒挥发出的分子的数据,而红酒气味数据为人工对红酒气味的感性评价,通过LDA生成模型以及关联算法可以将化学分子数据与人们对气味的感性评价相结合,进而对红酒气味进行识别。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1与图2,图1为本发明实施例所提供的一种红酒气味识别方法的流程图;图2为本发明实施例所提供的LDA生成模型原理图。
参见图1,所述红酒气味识别方法包括:
S101:获取待检测红酒的化学分子数据。
在本步骤中,可以通过常规化学分子检测的方法获取所述化学分子数据。例如可以通过光谱仪来检测红酒挥发的气体中的化学分子数据,也可以通过火焰离子化检测仪来检测红酒挥发的气体中的离子种类,还可以通过其他的方式或检测仪来检测所述化学分子数据。有关化学分子数据的具体检测方法在本发明实施例中不做具体限定,视具体的情况而定。
在本步骤中检测的化学分子数据是指包括有化学分子的标识信息的数据,所述标识信息通常是指化学分子的名称或编号。
S102:根据化学分子数据通过预先建立的红酒气味关联规则查询对应化学分子数据的红酒气味数据。
在本发明实施例中,所述红酒气味关联规则为根据预先获取的原始红酒气味数据,以及对应所述原始红酒气味数据的原始化学分子数据,通过LDA生成模型建立主题,并根据所述主题通过预设关联算法计算得到的关联规则。
上述原始化学分子数据与原始红酒气味数据在本质上与化学分子数据和红酒气味数据并没有区别,所述原始化学分子数据与原始红酒气味数据只是在建立红酒气味关联规则之前预先获取的数据。
上述红酒气味关联规则是预先建立的关联规则,所述红酒气味关联规则为所述化学分子数据与所述红酒气味数据之间的关联规则。根据S101中获取的化学分子数据通过所述红酒气味关联规则可以查询到对应的红酒气味数据。
红酒气味是指通过人工分辨的方法预先分辨出的多种气味,例如香草味,皮革香味等等。所述红酒气味数据是指包括有红酒气味的标识信息的数据,所述标识信息通常是指红酒气味的名称或编号。
LDA生成模型是一种文档主题生成模型,包括有词语、主题、文档三层结构。所谓生成模型,就是说认为一篇文章的每个词都是通过“以一定概率选择了某个主题,并从这个主题中以一定概率选择某个词语”这样一个过程得到。文档到主题服从多项式分布,主题到词服从多项式分布。
在本发明实施例中,会预先收集多种红酒的红酒气味数据以及对应该红酒气味数据的化学分子数据,并以红酒的种类作为文档,以红酒气味数据和化学分子数据作为词语,通过LDA生成模型来生成相应的主题。其中每一个红酒的种类通常会对应多种主题,而每一个主题通常会对应多个红酒气味数据和化学分子数据。
参见图2,q表示任一个上述红酒气味数据或化学分子数据所代表的词语;P是红酒种类的总数,M是红酒气味数据和化学分子数据的总数,K为主题的总数;h是主题上的红酒气味数据和化学分子数据的分布;f是红酒产品中主题的分布,f表示红酒中每个隐含主题所占的比重,是一个K维变量;s是每次生成红酒中红酒气味数据和化学分子数据q时被选择的主题。由于存在一款红酒中包含多种红酒气味数据以及化学分子数据q的情况,图中的q是一个可观测变量。上述a和b是两个超参数,作为Dirichlet(狄利克雷)分布的先验因子,其中,a表示每款红酒的潜在隐含主题在文档中的Dirichlet分布,b表示潜在隐含主题在每款红酒的气味和化学分子中的Dirichlet分布。
在本发明实施例中,生成一种红酒的过程是重复进行M次选择主题s及其相关的气味数据和化学分子数据q过程。在红酒层,即文档层中,红酒的集合P={p1,p2,...,pn},其中每一种红酒pi都可以由该红酒中包括的红酒气味数据以及化学分子数据得到一个词频向量。从主题层来看,红酒可以被表示成向量θpi={pp,i1,pp,i2,...,pp,im},其中,ppi,m表示主题s在红酒pi中的生成概率,即ppi,m可以表示某种主题在一款红酒中存在的概率。从而在本发明实施例中,红酒-主题矩阵可以表示为:
上述红酒-主题矩阵代表着文档-主题矩阵。
在本发明实施例中,除了上述红酒-主题矩阵之外,还会有主题-红酒气味数据/化学分子数据矩阵,即主题-词语矩阵。所述主题-红酒气味数据/化学分子数据矩阵与上述红酒-主题矩阵相类似,只是将矩阵中的红酒集合P={p1,p2,...,pn}更改为红酒气味数据与化学分子数据共同的集合即可。有关主题-红酒气味数据/化学分子数据矩阵的详细内容在此不再进行赘述。
在本发明实施例中,上述根据LDA生成模型所生成的红酒气味模型的生成过程如下:
对于每个主题s∈[1,K],根据上述狄利克雷先验因子b,得到概率多项分布h,其计算公式如下:
其中,K为主题的种类数,是指构成第K个主题s的词项数向量;
对于每款红酒p∈[1,P],根据上述狄利克雷先验因子a,得到概率多项分布f,其计算公式如下:
其中,P为红酒种类数,是指构成红酒p的主题数向量;
根据概率多项分布f,得到产品p中对应第q个红酒气味数据或化学分子数据的主题s;
根据概率多项分布h,得到产品p中第q个红酒气味数据或化学分子数据。
在本发明实施例中,在得到上述主题之后,会根据所述主题通过预设关联算法计算得到红酒气味关联规则。所述预设关联算法通常选用Apriori算法。上述预先获取的原始红酒气味数据和化学分子数据会构成原始数据库,上述通过LDA生成模型所建立的主题s即为在下述步骤中所需要的事务t,即下述内容是在上述建立的主题的基础上进一步生成频繁项集、候选项集等,并进一步建立红酒气味数据与化学分子数据之间的关联规则。
所述Apriori算法是一种挖掘关联规则的频繁项集算法,其核心思想是通过候选集生成和情节的向下封闭检测这两个阶段来挖掘频繁项集。其中,所有支持度大于预设最小支持度的项集称为频繁项集。
在本发明实施例中,关联规则的形式为A→B,其中A为红酒气味数据,B为化学分子数据。对于红酒气味数据A的支持度定义为:Support_count(A)=P(A),表示包含项集A的事务数,即在上述生成的主题s中任取一个红酒气味数据A的概率;上述红酒气味关联规则的支持度定义为:Support_count(A∩B)=P(A∩B),表示包含项集A∩B的事务数,即红酒气味数据A与化学分子数据B同时出现的概率;置信度定义为:confidence(A→B)=P(A|B),表示在化学分子数据B出现时,同时出现红酒气味数据A的概率。
在本发明实施例中,通过下述程序频繁项集,具体内容如下:
在本发明实施例中,产生候选项集的操作包括候选项集的生成和候选项集的剪枝,其中候选项集的剪枝操作采用基于置信度的剪枝策略,详细内容请参照现有技术,在此不再进行赘述。在本发明实施例中,置信度的计算方法如下:
在本发明实施例中,在计算完上述置信度之后,可以根据上述置信度得到红酒气味关联规则,通常为选出置信度大于预设最小置信度的关联规则。
在本步骤中,可以通过上述红酒气味关联规则,根据上述化学分子数据查询到对应的红酒气味数据。
本发明实施例所提供的一种红酒气味识别方法,可以通过LDA生成模型生成对应不同原始红酒气味数据以及不同原始化学分子数据的主题,并通过预设的关联算法根据上述主题计算出化学分子数据与红酒气味数据之间的关联规则。上述化学分子数据为红酒挥发出的分子的数据,而红酒气味数据为人工对红酒气味的感性评价,通过LDA生成模型以及关联算法可以将化学分子数据与人们对气味的感性评价相结合,进而对红酒气味进行识别。
在本发明实施例中,在建立上述红酒气味关联规则时,可以进一步的对预先获取的原始红酒气味数据和原始化学分子数据进行处理,以及通过计算多个主题之间的差异性来选出关联度更高的关联主题集。详细内容将在下述发明实施例中进行详细介绍。
请参考图3,图3为本发明实施例所提供的一种具体的红酒气味识别方法的流程图。
区别于上述发明实施例,本发明实施例是在建立红酒气味关联规则时进一步的对预先获取的原始红酒气味数据和原始化学分子数据进行处理,以及通过计算多个主题之间的差异性来选出关联度更高的关联主题集。其余内容已在上述发明实施例中进行了详细介绍,在此不再进行赘述。
参见图3,在本发明实施例中,建立所述红酒气味关联规则的步骤包括:
S201:将原始红酒气味数据与原始化学分子数据分别进行二值化以得到初始红酒气味数据以及对应初始红酒气味数据的初始化学分子数据。
在本步骤中,再将预先获取的原始红酒气味数据与原始化学分子数据进行二值化之前,通常还需要对上述数据进行过滤。具体的过滤方法通常为对同一款红酒重复获取其原始红酒气味数据以及原始化学分子数据,并剔除重复出现的次数小于预设阈值的原始红酒气味数据或原始化学分子数据。
在本步骤中,二值化是指对于不同款式的红酒,通过0跟1表示该款红酒中存在哪些原始红酒气味数据以及原始化学分子数据。通常情况下,0表示不存在,1表示存在。经过二值化后的原始红酒气味数据在本发明实施例中称为初始红酒气味数据,相应的经过二值化后的原始化学分子数据称为初始红酒气味数据。
在经过二值化之后,通常还需要对初始红酒气味数据以及初始化学分子数据进行处理,具体的处理步骤包括分词、转换大小写、词性过滤等等。处理过后的数据如表1所示:
表1
S202:根据初始红酒气味数据与初始化学分子数据,通过LDA生成模型建立主题。
本步骤已在上述发明实施例中进行了详细介绍,在此不再进行赘述。
上述S201与S202具体为建立主题时可以执行的步骤。
S203:计算多个主题之间的JS距离参数。
在建立多个主题之后,本步骤会计算多个主题之间的JS距离参数。所述JS距离参数可以表示不同矩阵之间的差异性。由于在本发明实施例中,同样是通过矩阵来表示某一种主题中红酒气味数据或化学分子数据出现的概率,所以在本步骤中可以通过JS距离参数可表示不同主题之间的差异性。
有关JS距离D(JS)的计算公式如下:
D1=D(P||Q);
D2=D(Q||P);
其中P,Q分别代表着不同的主题。
S204:从多个主题中选取小于预设阈值的JS距离参数所对应的主题,以构成关联主题集。
当两个主题之间的JS距离参数为0时,代表着这两个主题相同,关联程度最高;相反,当两个主题之间的JS距离参数为1时,代表着这两个主题不同,关联程度最低。在本步骤中,会选取小于预设阈值的JS距离参数所对应的主题,以构成关联主题集。在后续极端关联规则时,会将关联主题集中的主题作为事务t,并最终计算得到红酒气味关联规则。
S205:根据关联主题集通过预设关联算法计算得到红酒气味关联规则。
本步骤已在上述发明实施例中进行了详细介绍,在此不再进行赘述。
上述S203至S205具体为建立红酒气味关联规则时可以执行的步骤。
本发明实施例所提供的一种红酒气味识别方法,可以通过在建立红酒气味关联规则时进一步的对预先获取的原始红酒气味数据和原始化学分子数据进行处理,以及通过计算多个主题之间的差异性来选出关联度更高的关联主题集,从而增加最终得到的红酒气味关联规则的准确性,同时减少建立红酒气味关联规则的时间。
下面对本发明实施例提供的一种红酒气味识别装置进行介绍,下文描述的红酒气味识别装置与上文描述的红酒气味识别方法可相互对应参照。
请参考图4,图4为本发明实施例所提供的一种红酒气味识别装置的结构框图。
参照图4,所述红酒气味识别装置可以包括:
获取模块100:用于获取待检测红酒的化学分子数据。
查询模块200:用于根据所述化学分子数据通过预先建立的红酒气味关联规则查询对应所述化学分子数据的红酒气味数据。
建立模块300:用于根据预先获取的原始红酒气味数据,以及对应所述原始红酒气味数据的原始化学分子数据,通过LDA生成模型建立主题,并根据所述主题通过预设关联算法计算得到的关联规则。
在本发明实施例中,所述查询模块200可以具体用于:
根据所述化学分子数据通过预先建立的红酒气味关联规则查询对应所述化学分子数据的红酒气味数据;其中,所述红酒气味关联规则为根据所述主题通过Apriori算法计算得到的关联规则。
在本发明实施例中,所述建立模块300可以包括:
二值化单元301:用于将所述原始红酒气味数据与所述原始化学分子数据分别进行二值化以得到初始红酒气味数据以及对应所述初始红酒气味数据的初始化学分子数据。
LDA单元302:用于根据所述初始红酒气味数据与所述初始化学分子数据,通过所述LDA生成模型建立所述主题。
在本发明实施例中,所述建立模块300可以包括:
JS计算单元303:用于计算多个所述主题之间的JS距离参数。
重构单元304:用于从多个所述主题中选取对应大于预设阈值的JS距离参数的主题,以构成关联主题集。
关联规则计算单元305:用于根据所述关联主题集通过预设关联算法计算得到所述红酒气味关联规则。
本实施例的红酒气味识别装置用于实现前述的红酒气味识别方法,因此红酒气味识别装置中的具体实施方式可见前文中的红酒气味识别方法的实施例部分,例如,获取模块100,查询模块200,分别用于实现上述红酒气味识别方法中步骤S 101和S102所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
下面对本发明实施例提供的一种红酒气味识别设备进行介绍,下文描述的红酒气味识别设备与上文描述的红酒气味识别方法以及红酒气味识别装置可相互对应参照。
请参考图5,图5为本发明实施例所提供的一种红酒气味识别设备的结构框图。
参照图5,该红酒气味识别设备可以包括处理器400和存储器500。
所述存储器500用于存储计算机程序;所述处理器400用于执行所述计算机程序时实现上述发明实施例中所述的红酒气味识别方法。
本实施例的红酒气味识别设备中处理器400用于安装上述发明实施例中所述的红酒气味识别装置,同时处理器400与存储器500相结合可以实现上述发明实施例中所述的红酒气味识别方法。因此控制设备中的具体实施方式可见前文中的控制方法的实施例部分,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明实施例所提供的红酒气味识别设备可以应用在电子鼻当中,以实现对红酒气味进行识别。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述发明实施例中所介绍的红酒气味识别方法。其余内容可以参照现有技术,在此不再进行展开描述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种红酒气味识别方法、一种红酒气味识别装置、一种红酒气味识别设备及一种计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种红酒气味识别方法,其特征在于,所述方法包括:
获取待检测红酒的化学分子数据;
根据所述化学分子数据通过预先建立的红酒气味关联规则查询对应所述化学分子数据的红酒气味数据;其中,所述红酒气味关联规则为根据预先获取的原始红酒气味数据,以及对应所述原始红酒气味数据的原始化学分子数据,通过LDA生成模型建立主题,并根据所述主题通过预设关联算法计算得到的关联规则。
2.根据权利要求1所述的方法,其特征在于,所述红酒气味关联规则为根据所述主题通过Apriori算法计算得到的关联规则。
3.根据权利要求2所述的方法,其特征在于,建立所述红酒气味关联规则的步骤包括:
计算多个所述主题之间的JS距离参数;
从多个所述主题中选取小于预设阈值的JS距离参数所对应的主题,以构成关联主题集;
根据所述关联主题集通过预设关联算法计算得到所述红酒气味关联规则。
4.根据权利要求1所述的方法,其特征在于,建立所述红酒气味关联规则的步骤包括:
将所述原始红酒气味数据与所述原始化学分子数据分别进行二值化以得到初始红酒气味数据以及对应所述初始红酒气味数据的初始化学分子数据;
根据所述初始红酒气味数据与所述初始化学分子数据,通过所述LDA生成模型建立所述主题。
5.一种红酒气味识别装置,其特征在于,所述装置包括:
获取模块:用于获取待检测红酒的化学分子数据;
查询模块:用于根据所述化学分子数据通过预先建立的红酒气味关联规则查询对应所述化学分子数据的红酒气味数据;
建立模块:用于根据预先获取的原始红酒气味数据,以及对应所述原始红酒气味数据的原始化学分子数据,通过LDA生成模型建立主题,并根据所述主题通过预设关联算法计算得到的关联规则。
6.根据权利要求5所述的装置,其特征在于,所述查询模块具体用于:
根据所述化学分子数据通过预先建立的红酒气味关联规则查询对应所述化学分子数据的红酒气味数据;其中,所述红酒气味关联规则为根据所述主题通过Apriori算法计算得到的关联规则。
7.根据权利要求6所述的装置,其特征在于,所述建立模块包括:
JS计算单元:用于计算多个所述主题之间的JS距离参数;
重构单元:用于从多个所述主题中选取对应大于预设阈值的JS距离参数的主题,以构成关联主题集;
关联规则计算单元:用于根据所述关联主题集通过预设关联算法计算得到所述红酒气味关联规则。
8.根据权利要求5所述的装置,其特征在于,所述建立模块包括:
二值化单元:用于将所述原始红酒气味数据与所述原始化学分子数据分别进行二值化以得到初始红酒气味数据以及对应所述初始红酒气味数据的初始化学分子数据;
LDA单元:用于根据所述初始红酒气味数据与所述初始化学分子数据,通过所述LDA生成模型建立所述主题。
9.一种红酒气味识别设备,其特征在于,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序时实现如权利要求1至4任一项所述红酒气味识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述红酒气味识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396428.2A CN108132333A (zh) | 2017-12-21 | 2017-12-21 | 一种红酒气味识别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396428.2A CN108132333A (zh) | 2017-12-21 | 2017-12-21 | 一种红酒气味识别方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108132333A true CN108132333A (zh) | 2018-06-08 |
Family
ID=62391271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711396428.2A Pending CN108132333A (zh) | 2017-12-21 | 2017-12-21 | 一种红酒气味识别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108132333A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101299A (zh) * | 2007-06-25 | 2008-01-09 | 华东理工大学 | 一种并-串联模式识别方法及其在机器嗅觉中的应用 |
CN101487826A (zh) * | 2009-03-03 | 2009-07-22 | 中国农业大学 | 一种识别白酒香型和/或等级的方法 |
CN102222164A (zh) * | 2011-05-30 | 2011-10-19 | 中国标准化研究院 | 一种食品感官质量评价方法及系统 |
CN103308650A (zh) * | 2012-03-15 | 2013-09-18 | 森斯瑞股份公司 | 气味和/或气体识别系统 |
WO2017096294A1 (en) * | 2015-12-02 | 2017-06-08 | Seminis Vegetable Seeds, Inc. | Novel peppers with unique aroma and taste |
CN207036597U (zh) * | 2017-06-01 | 2018-02-23 | 嘉兴市食品药品检验检测院 | 一种红葡萄酿酒葡萄品种和产地快速判别装置 |
-
2017
- 2017-12-21 CN CN201711396428.2A patent/CN108132333A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101299A (zh) * | 2007-06-25 | 2008-01-09 | 华东理工大学 | 一种并-串联模式识别方法及其在机器嗅觉中的应用 |
CN101487826A (zh) * | 2009-03-03 | 2009-07-22 | 中国农业大学 | 一种识别白酒香型和/或等级的方法 |
CN102222164A (zh) * | 2011-05-30 | 2011-10-19 | 中国标准化研究院 | 一种食品感官质量评价方法及系统 |
CN103308650A (zh) * | 2012-03-15 | 2013-09-18 | 森斯瑞股份公司 | 气味和/或气体识别系统 |
WO2017096294A1 (en) * | 2015-12-02 | 2017-06-08 | Seminis Vegetable Seeds, Inc. | Novel peppers with unique aroma and taste |
CN207036597U (zh) * | 2017-06-01 | 2018-02-23 | 嘉兴市食品药品检验检测院 | 一种红葡萄酿酒葡萄品种和产地快速判别装置 |
Non-Patent Citations (8)
Title |
---|
DAVID M.BLEI,ET AL: "Latent Dirichlet Allocation", 《JOURNAL OF MACHINE LEARING RESEARCH》 * |
EVA CAMPO,ET AL: "Prediction of the Wine Sensory Properties Related to Grape Variety from Dynamic-Headspace Gas Chromatography-Olfactometry Data", 《JOURNAL OF AGRICULTURAL AND FOOD CHEMISTRY》 * |
IRIS HENDRICKX等: "Very quaffable and great fun: Applying NLP to wine reviews", 《PROCEEDINGS OF THE 54TH ANNUAL MEETING OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS》 * |
RITESH KUMAR等: "The Smell Network", 《INTERNATIONAL CONFERENCE ON MULTIDISCIPLINARY SOCIAL NETWORKS RESEARCH》 * |
ZHANG JUN,ET AL: "Food sensory evaluation employing artificial neural networks", 《SENSOR REVIEW》 * |
武凤震等: "基于LDA主题模型与关联规则的岭南骨伤用药规律", 《中国实验方剂学杂志》 * |
王振振等: "基于LDA主题模型的文本相似度计算", 《计算机科学》 * |
胡佳: "几种典型关联规则算法的分析与比较", 《现代计算机(专业版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056407A (zh) | 基于用户行为分析的网银用户画像方法及设备 | |
CN107423339A (zh) | 基于极端梯度推进和随机森林的热门微博预测方法 | |
CN102929894A (zh) | 一种文本在线聚类可视化方法 | |
CN110032990A (zh) | 一种发票文本识别方法、系统及相关组件 | |
CN109325639A (zh) | 一种用于信用预测评估的信用评分卡自动化分箱方法 | |
CN104268572B (zh) | 面向后台多源数据的特征提取和特征选择方法 | |
CN106547915A (zh) | 基于模型库的智能数据提取方法 | |
US8970593B2 (en) | Visualization and representation of data clusters and relations | |
CN115203311B (zh) | 一种基于数据大脑的行业数据分析挖掘方法及系统 | |
CN106776695A (zh) | 实现文书档案价值自动鉴定的方法 | |
KR102025605B1 (ko) | 상인의 상업지역 정보의 표시 | |
CN109754290A (zh) | 一种游戏数据的处理方法和装置 | |
CN106264545A (zh) | 步伐识别方法及装置 | |
CN106600044A (zh) | 一种车辆销售量预测模型确定的方法及装置 | |
CN108153818B (zh) | 一种基于大数据的聚类方法 | |
CN108363709A (zh) | 一种基于用户使用主成分的图表推荐系统及方法 | |
CN106682871A (zh) | 确定简历级别的方法及装置 | |
CN103761520B (zh) | 基于笔划宽度的文档图像无参二值化方法 | |
Wenhong et al. | Application of support vector machine (SVM) on serial number identification of RMB | |
CN108132333A (zh) | 一种红酒气味识别方法及相关装置 | |
CN111680973B (zh) | 一种催收系统的催收任务优先级智能编排方法 | |
CN116186331B (zh) | 图表解读方法及系统 | |
CN115907278B (zh) | 一种基于数字孪生的智慧加工制造方法、系统及介质 | |
CN112801784A (zh) | 一种数字货币交易所的比特币地址挖掘方法及装置 | |
CN115660608B (zh) | 一种一站式的创新创业孵化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180608 |