CN108760829A - 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 - Google Patents

Abstract

本发明涉及一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法，包括：利用电子鼻平台对待识别对象进行采样，得到电子鼻样本数据集S；构建仿生嗅球模型：仿生嗅球模型由多个嗅小球模型连接构成，仿生嗅球模型的中嗅小球模型的数量和电子鼻的传感器数量保持一致,每个嗅小球模型由四个基本神经元模型连接而成，分别为1个嗅觉感受器，1个僧帽细胞，1个颗粒细胞和1个球周细胞；将样本数据集S通过嗅觉感受器输入仿生嗅球模型处理后，得到新的多元脉冲时间序列数据集S’；进行数据规范化处理；得到相应的灰度图数据集M；确定卷积神经网络模型；训练。本发明能够实现自动特征提取及端到端学习，并提高了电子鼻识别算法的通用性。

Description

一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法

技术领域

本发明属于仪器与测量领域，具体涉及一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法。

背景技术

电子鼻，是一种现代仿生检测仪器，它能够模拟人类及哺乳动物嗅觉系统的结构与功能，实现对简单或复杂的气味的检测识别。电子鼻对气味的识别是一类典型的模式识别问题，目前所采用的识别方法都是经典的模式识别方法。电子鼻采样信号通常需要经过数据预处理、特征提取、特征降维和分类器识别这些数据分析步骤，最终得到对不同气味的识别结果。这种按照经典模式识别思路的识别方法具有成熟的算法框架，也取得了良好的识别结果：专利ZL201410848582.9提出一种基于电子鼻技术的白酒识别方法；专利ZL201310549570.1提出一种基于电子鼻技术的葡萄酒分类方法；专利ZL201610003819.2提出一种基于电子鼻的数据空间转换的猪肉风味自动分类方法；专利ZL201710547486.4提出一种用于在线白酒识别的手持电子鼻。

但是该思路也存在着不足之处：1)数据预处理、特征提取、特征降维及分类器设计，每一步骤都有许多可选算法/方法，而针对不同的电子鼻系统及应用，往往需要尝试大量的不同算法组合以获得“最优”的识别效果，尤其是电子鼻特征提取步骤，且这一算法组合尝试过程并没有可供参考的准则，因此非常耗时；2)不同电子鼻系统及应用往往需要不同的算法组合才能得到较好的识别结果，也就是说该算法缺乏通用性，不利于电子鼻技术在不同应用中的推广。

发明内容

针对现有技术方法的不足，本发明的目的是提供一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法，该方法大大简化了现有电子鼻数据分析的步骤，能够实现自动特征提取及端到端学习，并提高了电子鼻识别算法的通用性。为达到上述目的，本发明的技术方案如下：

一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法，包括下列步骤：

1)首先利用电子鼻平台对待识别对象进行采样，得到电子鼻样本数据集S，样本类别数目为n；

2)构建仿生嗅球模型：仿生嗅球模型由多个嗅小球模型连接构成，仿生嗅球模型的中嗅小球模型的数量和电子鼻的传感器数量保持一致,每个嗅小球模型由四个基本神经元模型连接而成，分别为1个嗅觉感受器，1个僧帽细胞，1个颗粒细胞和1个球周细胞；所有基本神经元模型均采用Izhikevich神经元模型进行模拟，通过选取不同的模型参数来代表不同的神经元种类；不同嗅小球模型之间通过僧帽细胞连接，嗅觉感受器是仿生嗅球模型的输入端，僧帽细胞的输出作为仿生嗅球模型的输出；

3)将样本数据集S通过嗅觉感受器输入仿生嗅球模型处理后，得到新的多元脉冲时间序列数据集S’；

4)将得到的多元脉冲时间序列数据集S’进行数据规范化处理，规范方法为：其中，x为被转化的数据，y为转化之后的数据，y_min＝0，y_max＝255，规范化后的数据被视为灰度像素值数据；

5)将步骤4)规范化后的灰度像素数据按行进行排练得到相应的灰度图数据集M；

6)确定卷积神经网络模型：卷积层的层数和各层卷积核个数、尺寸，池化层的层数和池化窗口尺寸及步长，全连接层分类器种类，神经元激活函数等参数，构建卷积神经网络模型；

7)将步骤6)中得到的灰度图数据集M输入到步骤6构建的卷积神经网络模型中，采用随机梯度下降法进行网络训练，并采用k-倍交叉验证对卷积神经网络模型进行验证，卷积神经网络模型能够自动进行特征提取，并输出识别结果，实现端到端学习；

10)利用仿生嗅球模型和训练好的卷积神经网络模型对待识别对象进行识别，得到电子鼻的识别结果。

与现有技术相比，本发明技术特点与效果：

(1)自动特征提取，与现有电子鼻识别方法中需要经验丰富人员参与特征提取过程相比，所提方法可实现自动特征提取，不需要人工参与。

(2)简化分析步骤，与现有电子鼻数据分析方法相比，所提方法不需要对电子鼻采样信号进行数据预处理、人工特征提取、特征降维等操作，大大简化了电子鼻的数据分析步骤，并且得益于卷积神经网络的自动特征提取和分类识别能力，可实现电子鼻应用的端到端学习。

(3)提升了算法的通用性，由于简化了电子鼻数据分析步骤，所提方法不需要进行大量的算法组合尝试即可获得良好的识别效果；因此相比于现有电子鼻识别方法，所提方法具有更好的算法通用性。

附图说明

图1为本发明所采用电子鼻结构框图和工作流程图

图2为本发明所采用电子鼻传感器阵列采样曲线图

图3为本发明所提仿生嗅球模型结构框图

图4为本发明所述仿生嗅球模型(左侧)结合卷积神经网络模型(右侧)结构框图

图5为本发明所述电子鼻识别算法(下侧)与经典电子鼻算法框架(上侧)对比框图

具体实施方式

下面结合附图和实施例对本发明进行说明。

本发明所采用的电子鼻结构如图1所示，该电子鼻不仅可直接检测气体样本，还可用于检测白酒等液体样本。该电子鼻主要包括蒸发及采样装置，传感器气室反应装置，以及控制和数据采集预处理系统三大部分。

本发明涉及的识别方法以检测七种白酒样本为例。

表1七种白酒品牌、原料、产地等信息

电子鼻的主要工作流程如图1所示，首先由硅加热带加热使蒸发气室中的白酒样本充分蒸发，然后通过可调速泵打入洁净空气为载气，并调节电磁阀控制气路，使白酒样本气体以一定规律进入传感器气室与其中的传感器阵列进行反应，充分反应采样后，通过AD(模拟-数字转换控制器)采集电路及信号调理将采集信号上传保存并进一步分析，整个工作过程由主控制器控制完成，用户也可通过触摸屏界面完成交互控制。

本发明所采用电子鼻的传感器阵列由10个金属氧化物半导体气体传感器构成，对白酒样本气体的一次采样曲线如图2所示。采样方法为动态采样，一次采样时间为364s，每种白酒样本重复测试30次，7种白酒共得到210个样本数据。

本发明根据嗅觉系统的结构及特性建立了一种简化的仿生嗅球模型，模型包含了嗅球中最主要的神经元，能够体现嗅觉系统的基本结构，其基本结构如图3所示。图3中2仿生嗅球模型是由1嗅小球模型连接构成，每个嗅小球模型包含4种基本的神经元，分别为嗅觉感受器(Olfactory receptorneurons,ORN)，僧帽细胞(Mitral cell,MC)，颗粒细胞(Granule cell,GC)以及球周细胞(Periglomerular cell,PG)，图中的“+”表示兴奋性突触，“-”表示抑制性突触。仿生嗅球模型中只包含10个嗅小球模型，和电子鼻的传感器数量保持一致，并且每一个嗅小球模型中只包含一个僧帽细胞。仿生嗅球模型中僧帽细胞为主要神经元，颗粒细胞和球周细胞为中间神经元，主要负责信息的加工及传输等工作。如图3所示，嗅觉感受器是仿生嗅球模型的输入神经元，僧帽细胞的输出为仿生嗅球模型的输出。

仿生嗅球模型中的不同类型神经元均用Izhikevich神经元模型来进行模拟，不同的参数代表不同的神经元类型。Izhikevich神经元模型是一种简化的Hodgkin-Huxley(HH)神经元模型，这种神经元模型只包含两个微分方程，但是它既有HH模型丰富的动力学特性，符合生理依据，又有很高的计算效率。神经元模型的基本形式为：其中神经元的膜电位v满足：ifv≥v_peak,u为细胞膜恢复变量，对膜电位v有抑制反馈作用，C为膜电容，v_r为静息态时的膜电位，v_t为瞬时阈值电位，I(t)为输入至神经元的外部刺激，a表示恢复变量u的时间尺度，它的值越小表示恢复时间越慢，b体现了恢复变量u对细胞膜电位阈下波动的敏感程度，b的值越大，u和v的耦合程度越强，c为快变K离子通道的电导引起的细胞膜电位放电后重置值，d为慢变Na离子和K离子通道电导引起的放电后恢复变量的值，v_peak为放电尖峰的电压值。

本发明中仿生嗅球模型中的各类神经元的参数取值如表2所示。

表2仿生嗅球模型(图3)中各类神经元的参数值

电子鼻响应曲线(如图2所示)经过仿生嗅球模型处理后，被变换为多元脉冲时间序列。然后该多元脉冲时间序列将被变换为灰度图，并输入到卷积神经网络(Convolutionneural networks，CNN)中进行进一步数据分析。CNN能够完成自动特征提取及分类识别，最终输出白酒样本的识别结果。

将多元脉冲时间序列转换为灰度图的方法如下。首先将数据进行规范化：其中，x为被转化的数据，y为转化之后的数据，y_min＝0，y_max＝255。规范化后的像素数据按行排列可以得到相应的灰度图。

本发明提出的电子鼻识别算法结构框图如图4所示，其中图4右侧为卷积神经网络模型。该CNN模型包含2个卷积层(如图3中C₁和C₂所示)，两个池化层(如图中S₁和S₂所示)，3个全连接层(如图中N₁、N₂和O所示)。卷积层C₁有6个5×5尺寸的卷积核，卷积层C₂有12个5×5尺寸的卷积核。池化层均采用最大池化函数进行降采样操作，池化窗口尺寸为2×2，步长也为2。经过卷积和池化层完成了对特征的自动提取，通过光栅化展开得到特征向量输入全连接层进行分类识别。全连接层包含7类别SoftMax分类器，用于识别白酒种类。CNN中的神经元均采用ReLU激活函数进行激活，其数学表达式为：f(x)＝max(0,x)，很显然函数在输入信号﹤0时输出为0，当输入信号﹥0时输出等于输入。

CNN采用随机梯度下降法进行网络训练。CNN训练过程和传统BP(back-propagation)神经网络类似，可以划分为两个阶段：第一阶段是信号前向传播过程，第二阶段是误差反向传播过程。本发明中对分类器均采用10倍交叉验证的方法进行训练测试，并用交叉验证结果作为分类器的识别准确率。10倍交叉验证是指将样本集随机划分为10等份，每次选取其中9份对分类器进行训练，剩余的1份用于对分类器测试，依次轮换，一共进行10次训练测试并取平均得到交叉验证结果。

为了进一步证明本发明的技术效果，下面分别采用本发明识别方法及参考文献[Jing,Y.Q.,Meng,Q.H.,Qi,P.F.,et al.,Signal Processing Inspired from theOlfactory Bulb for Electronic Nose,Measurement Science and Technology,2017,28(1):015105.]中所提出的三种传统识别方法对七种白酒进行分类识别，识别结果如表3所示。

表3仿生嗅球模型(图3)中各类神经元的参数值

表3中的传统识别方法均指包含数据预处理、特征提取、特征降维和分类器识别这些步骤的识别方法，三种方法在数据预处理、特征提取和特征降维阶段的处理过程相同，区别在于分类器算法部分，其中传统识别方法1采用线性判别分析算法，传统识别方法2采用支持向量机算法，传统识别方法3采用BP神经网络算法。表3中识别准确率均采用10倍交叉验证方法得到。

从表3的对比结果可以看出，本发明识别方法能够显著提高电子鼻对不同种类白酒的识别准确率。

图5中对比了本发明电子鼻识别方法与经典电子鼻识别方法的数据分析步骤，可以看到本发明识别方法大大简化了电子鼻数据分析的步骤。

本发明识别方法不需要进行数据预处理、特征提取和特征降维操作，可以实现自动的特征提取，并能够实现电子鼻应用的端到端学习。并且由于简化了电子鼻数据分析步骤，所提方法不需要进行大量的算法组合尝试即可获得良好的识别效果，因此相比于现有经典电子鼻识别方法，所提方法具有更好的算法通用性。

本发明所述电子鼻识别方法除了上述应用实例外，还可广泛应用于其他多种电子鼻识别应用中，比如用于环境气体、危险化学气体、奶制品等饮料、其他食品、农作物等多种样本的电子鼻识别应用。本发明所述仿生嗅球模型中神经元的个数可根据电子鼻传感器的个数相应变化。本发明所述卷积神经网络中卷积层、池化层的层数及卷积核个数、尺寸等可根据具体应用适当调整，全连接层的分类器也不局限于SoftMax方法。

根据本发明所提仿生嗅球模型和卷积神经网络相结合的电子鼻识别方法，可进一步根据不同电子鼻应用特点，灵活调整各参数，得到适当的识别方法。

Claims (1)

1.一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法，包括下列步骤：

1)首先利用电子鼻平台对待识别对象进行采样，得到电子鼻样本数据集S，样本类别数目为n；

2)构建仿生嗅球模型：仿生嗅球模型由多个嗅小球模型连接构成，仿生嗅球模型的中嗅小球模型的数量和电子鼻的传感器数量保持一致,每个嗅小球模型由四个基本神经元模型连接而成，分别为1个嗅觉感受器，1个僧帽细胞，1个颗粒细胞和1个球周细胞；所有基本神经元模型均采用Izhikevich神经元模型进行模拟，通过选取不同的模型参数来代表不同的神经元种类；不同嗅小球模型之间通过僧帽细胞连接，嗅觉感受器是仿生嗅球模型的输入端，僧帽细胞的输出作为仿生嗅球模型的输出；

3)将样本数据集S通过嗅觉感受器输入仿生嗅球模型处理后，得到新的多元脉冲时间序列数据集S’；

4)将得到的多元脉冲时间序列数据集S’进行数据规范化处理，规范方法为：其中，x为被转化的数据，y为转化之后的数据，y_min＝0，y_max＝255，规范化后的数据被视为灰度像素值数据；

5)将步骤4)规范化后的灰度像素数据按行进行排练得到相应的灰度图数据集M；

6)确定卷积神经网络模型：卷积层的层数和各层卷积核个数、尺寸，池化层的层数和池化窗口尺寸及步长，全连接层分类器种类，神经元激活函数等参数，构建卷积神经网络模型；

7)将步骤6)中得到的灰度图数据集M输入到步骤6构建的卷积神经网络模型中，采用随机梯度下降法进行网络训练，并采用k-倍交叉验证对卷积神经网络模型进行验证，卷积神经网络模型能够自动进行特征提取，并输出识别结果，实现端到端学习；

10)利用仿生嗅球模型和训练好的卷积神经网络模型对待识别对象进行识别，得到电子鼻的识别结果。