CN113962380A - 嗅味阈值预测方法、装置和家电设备 - Google Patents

嗅味阈值预测方法、装置和家电设备 Download PDF

Info

Publication number
CN113962380A
CN113962380A CN202010697094.8A CN202010697094A CN113962380A CN 113962380 A CN113962380 A CN 113962380A CN 202010697094 A CN202010697094 A CN 202010697094A CN 113962380 A CN113962380 A CN 113962380A
Authority
CN
China
Prior art keywords
odor
threshold
smell
prediction model
sample data
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
Application number
CN202010697094.8A
Other languages
English (en)
Inventor
刘芳
朱健豪
董美仙
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.)
Midea Group Co Ltd
Guangdong Midea White Goods Technology Innovation Center Co Ltd
Original Assignee
Midea Group Co Ltd
Guangdong Midea White Goods Technology Innovation Center Co Ltd
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 Midea Group Co Ltd, Guangdong Midea White Goods Technology Innovation Center Co Ltd filed Critical Midea Group Co Ltd
Priority to CN202010697094.8A priority Critical patent/CN113962380A/zh
Publication of CN113962380A publication Critical patent/CN113962380A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Abstract

本申请属于数据处理领域，公开了一种嗅味阈值预测方法，包括：获取待预测的异味物质的化学特征信息；将所述化学特征信息输入至已训练的嗅味阈值预测模型中处理，输出所述待预测的异味物质对应的嗅味阈值，其中，所述嗅味阈值预测模型根据确定了化学特征信息和嗅味阈值的样本数据训练得到。通过将异味物质的化学特征信息输入已训练的嗅味阈值预测模型，有利于提高嗅味阈值的获取效率，并且不受试验条件和个体差异的影响，有利于提高嗅味阈值的精度。

Description

嗅味阈值预测方法、装置和家电设备
技术领域
本申请属于数据处理领域，尤其涉及嗅味阈值预测方法、装置和家电设备。
背景技术
随着人们生活水平的提高，人们对室内环境的空气质量要求也越来越高。比如，对于室内环境中的由装修装饰材料、家具制品、日常使用的化学制剂、人为活动、以及宠物活动等产生的异味需要控制在散发物质的嗅味阈值以下，从而避免由于异味使人产生不快和厌恶感，给人们身体健康带来威胁。
为了避免由于异味物质给人们带来不快，通常需要知道哪些异味物质引起的不快感，并将异味物质净化至对应嗅味阈值之下，即确定嗅感物质被感知的最低浓度值。在对嗅味阈值进行测定时，通常是由专业的嗅辨员对不同浓度的异味物质的感知结果的方式获得，测定效率较低，受嗅辨员的心情及压力的影响较大。并且，由于测定过程会受实验条件的限制，并且参加试验人员的嗅觉分辨能力不同，测定的结果有时相差很大，准确度不高。
发明内容
有鉴于此，本申请实施例提供了一种嗅味阈值预测方法、装置和家电设备，以解决现有技术中对嗅味阈值进行测定时，测定效率较低，测定精度不高的问题。
本申请实施例的第一方面提供了一种嗅味阈值预测模型训练方法，所述方法包括：
获取样本数据，所述样本数据包括多个确定了化学特征信息和嗅味阈值的异味物质；
将所述样本数据中的异味物质的化学特征信息输入嗅味阈值预测模型，输出嗅味阈值的计算结果；
将所述计算结果与该异味物质在样本数据中嗅味阈值进行比较，根据比较结果调整所述嗅味阈值预测模型的参数，直到所述比较结果符合预设的要求。
结合第一方面，在第一方面的第一种可能实现方式中，将所述样本数据中的化学特征信息输入嗅味阈值预测模型，包括：
获取所述样本数据中的异味物质对应的官能团信息；
将所述异味物质的官能团信息输入至嗅味阈值预测模型。
结合第一方面，在第一方面的第二种可能实现方式中，获取所述样本数据中的异味物质对应的官能团信息，包括：
根据预先设定的官能团解析顺序，对所述样本数据中的异味物质的化学式进行解析，获得所述待预测的异味物质的官能团信息。
结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述预先设定的官能团解析顺序为根据官能团从大到小顺序所确定的解析顺序。
结合第一方面、第一方面的第一种可能实现方式，在第一方面的第四种可能实现方式中，将所述样本数据中的化学特征信息输入嗅味阈值预测模型，还包括：
将所述样本数据中的异味物质的沸点、分子量、分子结构信息、异味物质的种类中的一种或者多种输入嗅味阈值预测模型。
本申请实施例的第二方面提供了一种嗅味阈值预测模型训练装置，其特征在于，所述装置包括：
样本数据获取单元，用于获取样本数据，所述样本数据包括多个确定了化学特征信息和嗅味阈值的异味物质；
样本数据计算单元，用于将所述样本数据中的异味物质的化学特征信息输入嗅味阈值预测模型，输出嗅味阈值的计算结果；
参数调整单元，用于将所述计算结果与该异味物质在样本数据中嗅味阈值进行比较，根据比较结果调整所述嗅味阈值预测模型的参数，直到所述比较结果符合预设的要求。
第三方面，本申请实施例提供了一种嗅味阈值预测方法，所述方法包括：
获取待预测的异味物质的化学特征信息；
将所述化学特征信息输入至已训练的嗅味阈值预测模型中处理，输出所述待预测的异味物质对应的嗅味阈值，其中，所述嗅味阈值预测模型根据确定了化学特征信息和嗅味阈值的样本数据训练得到。
结合第三方面，在第三方面的第一种可能实现方式中，将所述化学特征信息输入至已训练的嗅味阈值预测模型中处理，包括：
获取所述待预测的异味物质所属的种类；
将异味物质的化学式对应的官能团信息和所述种类输入所述阈值预测模型。
结合第三方面的第一种可能实现方式，在第三方面的第二种可能实现方式中，获取所述待预测的异味物质所属的种类，包括：
根据预先设定的官能团解析顺序，对所述待预测的异味物质的化学式进行解析，获得所述待预测的异味物质的官能团信息。
结合第三方面或第三方面的第一种可能实现方式，在第三方面的第三种可能实现方式中，将所述化学特征信息输入至已训练的嗅味阈值预测模型中处理，还包括：
获取所述待预测的异味物质的沸点、分子量和分子结构信息中的一种或者多种；
将所获取的所述待预测的异味物质的沸点、分子量、分子结构信息中的一种或者多种输入嗅味阈值预测模型。
结合第一方面，在第一方面的第四种可能实现方式中，所述方法还包括：
采集待判断的气体；
获取所述待判断的气体中包括的待预测的异味物质的浓度；
当所述浓度大于所述嗅味阈值，生成去除异味物质的提示信息。
第四方面，本申请实施例提供了一种嗅味阈值预测装置，所述装置包括：
信息获取单元，用于获取待预测的异味物质的化学特征信息；
嗅味阈值计算单元，用于将所述化学特征信息输入至已训练的嗅味阈值预测模型中处理，输出所述待预测的异味物质对应的嗅味阈值，其中，所述嗅味阈值预测模型根据确定了化学特征信息和嗅味阈值的样本数据训练得到。
本申请实施例的第五方面提供了一种空气净化方法，所述空气净化方法包括：
获取空气中包含的异味物质以及异味物质的浓度；
根据第三方面任一项所述的嗅味阈值预测方法获得所述异味物质的嗅味阈值；
当所述异味物质的浓度大于所述异味物质的嗅味阈值时，对所述异味物质进行净化。
本申请实施例的第六方面提供了一种家电设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现第一方面、第三方面和第五方面任一项所述方法的步骤。
本申请实施例的第七方面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存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如第一方面、第三方面或第五方面任一项所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：通过获取异味物质的化学特征信息作为已训练的嗅味阈值预测模型的输入信息，输出所预测的嗅味阈值，即通过获取异味物质的化学特征信息，即可快速的通过嗅味阈值预测模型预测得到嗅味阈值，有利于提高嗅味阈值的获取效率，并且不受试验条件和个体差异的影响，有利于提高嗅味阈值的精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种嗅味阈值预测模型训练方法的实现流程示意图；
图2是本申请实施例提供的一种嗅味阈值预测方法的实现流程示意图；
图3是本申请实施例提供的一种嗅味阈值预测模型训练装置的示意图；
图4是本申请实施例提供的一种嗅味阈值预测装置的示意图；
图5是本申请实施例提供的家电设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
在目前的嗅味阈值的获取过程中，可能会受到实验条件的影响，比如所获取的包括不同浓度的异味物质的空气的准确度、不同实验人员对异味物质浓度的敏感程度的区别等，均会导致得到的嗅味阈值的精度下降，并且测定过程较为复杂，测定效率较低。
为了解决上述问题，本申请实施例提供了一种嗅味阈值预测模型训练方法。基于该训练方法所得到的嗅味阈值预测模型，可以用于对未知嗅味阈值的异味物质进行嗅味阈值的预测。如图1所示，所述嗅味阈值预测模型训练方法包括：
在步骤S101中，获取样本数据，所述样本数据包括多个确定了化学特征信息和嗅味阈值的异味物质。
所述样本数据包括多个不同的异味物质。在可能的实现方式中，可以根据异味物质的种类，确定所需要的样本数据。
在可能的实现方式中，可以根据异味物质的种类，在各个种类中选择数量大于预定数值的异味物质的样本数据。比如，假设异味物质的种类为N，可以在N个种类中分别获取样本数据，且每个种类的样本数据的数量大于预定数值M。
比如，在一种种类划分方式中，所述异味物质的种类可以包括烷烃类、烯烃类、炔烃类、醇类、酚类、醛类、酮类、羧酸类、酯类、卤化物类及杂环类等。可以在每个种类中获取大于预定数值的样本数据，以满足对所述嗅味阈值预测模型的训练要求。
所述化学特征信息，可以包括异味物质对应的官能团信息。所述官能团信息可以包括总共包含的官能团的个数，重复的官能团个数，官能团种类等。
不同的划分方式，可以得到不同的官能团种类。比如，根据有机化合物的分子构成，官能团种类可以包括碳碳双键C＝C、碳碳三键C≡C、苯环、羟基-OH、巯基-SH、胺基-NH2、硝基-NO2、碳氮双键C＝N、碳氮三键C≡N、羰基C＝O、碳硫双键C＝S、醛基-CHO、羧基-COOH、酯基-COO-等。根据有机化合物的性质的分类，可以包括烷烃、烯烃、炔烃、芳香烃、醇、酚、胺、酮、醛、酯、羧酸、卤化物、杂环等种类。
对于样本数据中的化学特征信息中的官能团信息，可以通过人工预先划分得到，也可以通过系统自动获取。
在系统自动获取样本数据中的化学特征信息中的官能团信息时，可以按照预先设定的官能团的解析顺序，解析异味物质所对应的化学式，得到化学式中包括的官能团、分子量等信息。
在可能的实现方式中，预先设定的官能团的解析顺序，可以按照官能团的大小所确定的顺序。比如，可以按照从大到小的顺序，确定官能团的解析顺序。比如，所述官能团的大小比较信息可以包括：杂环类>羧酸类、酯类>醛、酮类>醇类、酚类>苯系物>烯烃、炔烃类>烷烃类等比较信息中的一种或者多种。
在本申请可能的实现方式中，所述异味物质的化学特征信息，还可以包括异味物质的沸点、分子量、分子结构信息、异味物质的种类中的一种或者多种。
当然，在可能的实现方式中，可以根据不同种类的训练样本数据，分别对嗅味阈值预测模型进行训练，得到不同种类的异味物质所对应的嗅味阈值预测模型。当需要对嗅味阈值进行预测时，可以先确定所述异味物质所对应的种类。根据异味物质的种类，查找该异味物质所对应的嗅味阈值预测模型。再根据所查找的嗅味阈值预测模型，在该模型中输入异味物质的化学特征信息，由该嗅味阈值预测模型输出该异味物质所对应的嗅味阈值。
比如，当前待预测的异味物质属于酯类，可以根据待预测的异味物质所属的种类对应的嗅味阈值预测模型，计算待预测的异味物质的化学特征信息，输出该嗅味阈值。
在可能的实现方式中，所述异味物质的种类可以直接作为输入参数，与异味物质的化学特征信息中的官能团信息一起输入至嗅味阈值预测模型。根据训练后的嗅味阈值预测模型，可直接对不同种类的嗅味阈值进行预测。
所述异味物质的沸点，可以根据预先设定的异味物质的特征信息库中查找得到。或者，对于新发出的异味物质，或者罕见的异味物质，当无法查找到对应的沸点时，可以接收用户所输入通过实验所测定的沸点。
所述异味物质的分量，可以通过获取异味物质的化学式的方式，计算化学式所对应的分子量。
所述异味物质的分子结构信息，可以包括异味物质的顺位、反位、左旋、右旋等分子结构信息。
在步骤S102中，将所述样本数据中的异味物质的化学特征信息输入嗅味阈值预测模型，输出嗅味阈值的计算结果。
在本申请中，所述嗅味阈值预测模型，可以为多元线性回归预测模型、神经网络模型、随机森林模型或决策树模型中的任意一种。在对所选定的嗅味阈值预测模型进行训练时，可以将所选定的嗅味阈值预测模型中的参数初始化，根据初始化后的参数，计算所输入的样本数据中的化学特征信息，根据所输入的化学特征信息，计算得到样本数据的嗅味阈值的计算结果。
在步骤S103中，将所述计算结果与该异味物质在样本数据中嗅味阈值进行比较，根据比较结果调整所述嗅味阈值预测模型的参数，直到所述比较结果符合预设的要求。
可以在每次计算后，将样本数据的嗅味阈值与计算结果进行比较，判断比较结果是否符合预设要求。其中，预设要求可以为计算结果与样本数据中嗅味阈值之间的差值小于预设的误差容忍值。当计算结果与样本数据中嗅味阈值之间的差值小于或等于预设的误差容忍值，则可以认为比较结果符合预设要求。如果计算结果与样本数据中嗅味阈值之间的差值大于或等于预设的误差容忍值，则可认为比较结果不符合预设要求。
如果比较结果不符合预设要求，则根据比较结果更新所述嗅味阈值预测模型中的参数，使得嗅味阈值预测模型计算的结果与样本数据中的嗅味阈值更为接近。如果比较结果符合预设要求，则可以停止参数更新，完成嗅味阈值预测模型的训练。
比如，样本数据中包括样本A、样本B和样本C，预先确定的样本数据的嗅味阈值分别a1、b1、c1。通过嗅味阈值预测模型计算得到样本A的化学特征信息所对应的计算结果为a2。如果a2与a1的差值不符合预设要求，则根据a1和a2的比较结果，更新所述嗅味阈值预测模型的参数。并在更新参数后，计算样本B所对应的嗅味阈值的计算结果b2。如果b2与b1的比较结果仍然不符合预设要求，则可以进一步比较将样本C的化学特征信息输入至嗅味阈值预测模型，计算得到嗅味阈值c2，比较c2与c1的差值，如果满足预设要求，则停止对所述嗅味阈值预测模型的参数更新，如果不满预设要求，则进一步根据所述比较结果更新模型的参数，直到所更新的参数可以同时满足样本数据的预测计算的要求。
当所述嗅味阈值预测模型按照不同种类进行训练时，可以得到不同种类所对应的嗅味阈值预测模型。比如，在本申请实施过程中，通过多元线性回归模型进行训练后，得到烷烃种类的嗅味阈值预测模型可以为：Y烷烃＝4573.4809-14.67291*X1-13.8950*X2-1993.318*X3，其中X1为异味物质的沸点，X2为异味物质的分子量，X3为异味物质含有的环个数。该模型尤其可用于含碳数为C4-C11的烷烃化合物。
再比如，对于醛类的多元线性回归预测模型可以为：
Y醛＝-2.1996-0.0342*X1+0.0432*X2-1.5033*X3+0.9514*X4-0.2732*X5+
1.3114*X6+5.8396*X7+1.3805*X8-1.7490*X9+299.5846*X10-0.4031*X11-3.0383*X12+1.7393*X13-0.1679*X14-0.3095*X15，
其中X1为异味物质的沸点，X2为异味物质的分子量，X3为异味物质含有的羟基-OH个数，X4为异味物质含有的巯基-SH个数，X5为异味物质含有的硝基-NO2个数，X6为异味物质含有的碳碳双键C＝C个数，X7为异味物质含有的苯环个数，X8为异味物质含有的羰基C＝O个数，X9为异味物质含有的醚键-COC-个数，X10为异味物质含有的仲/叔胺-CNC-个数，X11为异味物质含有的氯原子-Cl的个数，X12为异味物质含有的溴原子-Br的个数，X13为异味物质含有的环个数，X14为异味物质含有的顺式结构(E)个数，X15为异味物质含有的反式结构(Z)个数。
基于图1所示的嗅味阈值预测模型的训练方法所得到的嗅味阈值预测模型，可以根据图2所示的方法对异味物质的中嗅味阈值进行预测。如图2所示，预测过程可以包括：
在步骤S201中，获取待预测的异味物质的化学特征信息。
与图1所示的嗅味阈值预测模型的训练方法对应的，所述化学特征信息可以包括异味物质包括的官能团，还可以包括异味物质的沸点、分子量、分子结构信息中的一种或者多种。
在对所述异味物质的官能团进行解析时，可以按照预设的解析顺序进行解析。比如，解析顺序可以根据官能团的大小，从大到小的顺序依次进行解析。
在步骤S202中，将所述化学特征信息输入至已训练的嗅味阈值预测模型中处理，输出所述待预测的异味物质对应的嗅味阈值。
其中，所述嗅味阈值预测模型根据确定了化学特征信息和嗅味阈值的样本数据训练得到。
在可能的实现方式中，本申请还提供了一种空气净化方法，可以通过气味检测设备获取空气中包括的异味物质，以及异味物质的浓度。比如，可以通过色谱-质谱联用的分析设备，获取空气中包括的异味物质和异味物质的浓度。可以通过图2所示的预测方法确定该异味物质的嗅味阈值，将所获取的异味物质的浓度与所确定的异味物质的浓度进行比较，判断异味物质的浓度是否超过该异味物体的嗅味阈值。如果检测到的异味物质的浓度大于预测得到的该异味物质的嗅味阈值，则表示当前的异味物质会使人闻到，可对异味物质进行净化，或者发出相应的提示信息。比如，可以提示当前的待判断的气体中的哪一种异味物质的浓度超过嗅味阈值，哪种异味物质引起人的不快和厌恶感以及协同开启相应的新风、空调、净化器等异味物质去除设备。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图3为本申请实施例提供的一种嗅味阈值预测模型训练装置，所述装置包括：
样本数据获取单元301，用于获取样本数据，所述样本数据包括多个确定了化学特征信息和嗅味阈值的异味物质；
样本数据计算单元302，用于将样本数据获取单元所获取的样本数据中的异味物质的化学特征信息输入嗅味阈值预测模型，输出嗅味阈值的计算结果；
参数调整单元303，用于将样本数据计算单元所计算得到的计算结果与该异味物质在样本数据中嗅味阈值进行比较，根据比较结果调整所述嗅味阈值预测模型的参数，直到所述比较结果符合预设的要求。
图3所示的嗅味阈值预测模型训练装置，与图1所示的嗅味阈值预测模型训练方法对应。
另外，本申请还提供了一种嗅味阈值预测装置，如图4所示，所述装置包括：
信息获取单元401，用于获取待预测的异味物质的化学特征信息；
嗅味阈值计算单元402，用于将信息获取单元所获取的化学特征信息输入至已训练的嗅味阈值预测模型中处理，输出所述待预测的异味物质对应的嗅味阈值，其中，所述嗅味阈值预测模型根据确定了化学特征信息和嗅味阈值的样本数据训练得到。
图4所示的嗅味阈值预测装置，与图1所示的嗅味阈值预测方法对应。
图5是本申请一实施例提供的家电设备的示意图。如图5所示，该实施例的家电设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，例如嗅味阈值预测程序或嗅味阈值预测模型训练程序。所述处理器50执行所述计算机程序52时实现上述各个嗅味阈值预测方法或嗅味阈值预测模型训练程序方法实施例中的步骤。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述家电设备5中的执行过程。
所述家电设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述家电设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是家电设备5的示例，并不构成对家电设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述家电设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述家电设备5的内部存储单元，例如家电设备5的硬盘或内存。所述存储器51也可以是所述家电设备5的外部存储设备，例如所述家电设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述家电设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述家电设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (14)

1.一种嗅味阈值预测模型训练方法，其特征在于，所述方法包括：
获取样本数据，所述样本数据包括多个确定了化学特征信息和嗅味阈值的异味物质；
将所述样本数据中的异味物质的化学特征信息输入嗅味阈值预测模型，输出嗅味阈值的计算结果；
将所述计算结果与该异味物质在样本数据中嗅味阈值进行比较，根据比较结果调整所述嗅味阈值预测模型的参数，直到所述比较结果符合预设的要求。
2.根据权利要求1所述的方法，其特征在于，将所述样本数据中的化学特征信息输入嗅味阈值预测模型，包括：
获取所述样本数据中的异味物质对应的官能团信息；
将所述异味物质的官能团信息输入至嗅味阈值预测模型。
3.根据权利要求2所述的方法，其特征在于，获取所述样本数据中的异味物质对应的官能团信息，包括：
根据预先设定的官能团解析顺序，对所述样本数据中的异味物质的化学式进行解析，获得所述待预测的异味物质的官能团信息。
4.根据权利要求3所述的方法，其特征在于，所述预先设定的官能团解析顺序为根据官能团从大到小顺序所确定的解析顺序。
5.根据权利要求1或2所述的方法，其特征在于，将所述样本数据中的化学特征信息输入嗅味阈值预测模型，还包括：
将所述样本数据中的异味物质的沸点、分子量、分子结构信息、异味物质的种类中的一种或者多种输入嗅味阈值预测模型。
6.一种嗅味阈值预测模型训练装置，其特征在于，所述装置包括：
样本数据获取单元，用于获取样本数据，所述样本数据包括多个确定了化学特征信息和嗅味阈值的异味物质；
样本数据计算单元，用于将所述样本数据中的异味物质的化学特征信息输入嗅味阈值预测模型，输出嗅味阈值的计算结果；
参数调整单元，用于将所述计算结果与该异味物质在样本数据中嗅味阈值进行比较，根据比较结果调整所述嗅味阈值预测模型的参数，直到所述比较结果符合预设的要求。
7.一种嗅味阈值预测方法，其特征在于，所述方法包括：
获取待预测的异味物质的化学特征信息；
将所述化学特征信息输入至已训练的嗅味阈值预测模型中处理，输出所述待预测的异味物质对应的嗅味阈值，其中，所述嗅味阈值预测模型根据确定了化学特征信息和嗅味阈值的样本数据训练得到。
8.根据权利要求7所述的方法，其特征在于，将所述化学特征信息输入至已训练的嗅味阈值预测模型中处理，包括：
获取所述待预测的异味物质所属的种类；
将异味物质的化学式对应的官能团信息和所述种类输入所述阈值预测模型。
9.根据权利要求8所述的方法，其特征在于，获取所述待预测的异味物质所属的种类，包括：
根据预先设定的官能团解析顺序，对所述待预测的异味物质的化学式进行解析，获得所述待预测的异味物质的官能团信息。
10.根据权利要求7或8所述的方法，其特征在于，将所述化学特征信息输入至已训练的嗅味阈值预测模型中处理，还包括：
获取所述待预测的异味物质的沸点、分量和分结构信息中的一种或者多种；
将所获取的所述待预测的异味物质的沸点、分子量、分子结构信息中的一种或者多种输入嗅味阈值预测模型。
11.根据权利要求7所述的方法，其特征在于，所述方法还包括：
采集待判断的气体；
获取所述待判断的气体中包括的待预测的异味物质的浓度；
当所述浓度大于所述嗅味阈值，生成去除异味物质的提示信息。
12.一种嗅味阈值预测装置，其特征在于，所述装置包括：
信息获取单元，用于获取待预测的异味物质的化学特征信息；
嗅味阈值计算单元，用于将所述化学特征信息输入至已训练的嗅味阈值预测模型中处理，输出所述待预测的异味物质对应的嗅味阈值，其中，所述嗅味阈值预测模型根据确定了化学特征信息和嗅味阈值的样本数据训练得到。
13.一种空气净化方法，其特征在于，所述空气净化方法包括：
获取空气中包含的异味物质以及异味物质的浓度；
根据权利要求7-11任一项所述的嗅味阈值预测方法获得所述异味物质的嗅味阈值；
当所述异味物质的浓度大于所述异味物质的嗅味阈值时，对所述异味物质进行净化。
14.一种家电设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，使家电设备实现如权利要求1至5任一项所述的嗅味阈值预测模型训练方法，或者实现权利要求7-11任一项所述的嗅味阈值预测方法，或者实现权利要求13所述的空气净化方法的步骤。
CN202010697094.8A 2020-07-20 2020-07-20 嗅味阈值预测方法、装置和家电设备 Pending CN113962380A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010697094.8A CN113962380A (zh) 2020-07-20 2020-07-20 嗅味阈值预测方法、装置和家电设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010697094.8A CN113962380A (zh) 2020-07-20 2020-07-20 嗅味阈值预测方法、装置和家电设备

Publications (1)

Publication Number Publication Date
CN113962380A true CN113962380A (zh) 2022-01-21

Family

ID=79459422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010697094.8A Pending CN113962380A (zh) 2020-07-20 2020-07-20 嗅味阈值预测方法、装置和家电设备

Country Status (1)

Country Link
CN (1) CN113962380A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114324781A (zh) * 2022-03-11 2022-04-12 中汽研汽车零部件检验中心(宁波)有限公司 一种智能嗅辨方法和系统
CN116502130A (zh) * 2023-06-26 2023-07-28 湖南大学 一种藻源嗅味特征识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114324781A (zh) * 2022-03-11 2022-04-12 中汽研汽车零部件检验中心(宁波)有限公司 一种智能嗅辨方法和系统
CN116502130A (zh) * 2023-06-26 2023-07-28 湖南大学 一种藻源嗅味特征识别方法
CN116502130B (zh) * 2023-06-26 2023-09-15 湖南大学 一种藻源嗅味特征识别方法

Similar Documents

Publication Publication Date Title
Andersen et al. ampvis2: an R package to analyse and visualise 16S rRNA amplicon data
JP7365339B2 (ja) 電子ノーズに基づく臭気物質の分析の利用
CN106951925B (zh) 数据处理方法、装置、服务器及系统
CN113962380A (zh) 嗅味阈值预测方法、装置和家电设备
JPWO2008126209A1 (ja) 重回帰分析による予測モデルの作成方法、作成装置、作成プログラム
CN111798932B (zh) 一种污染物监测数据的处理方法、装置、存储介质及终端
Goolsby Phylogenetic comparative methods for evaluating the evolutionary history of function-valued traits
CN110910982A (zh) 自编码模型训练方法、装置、设备及存储介质
CN107944213B (zh) Pmf在线源解析方法、系统、终端设备及计算机可读存储介质
CN112151118B (zh) 一种多时间序列肠道菌群数据分析流程控制方法
Swift et al. A review of normalization and differential abundance methods for microbiome counts data
Kong et al. Weighted summation: feature extraction of farm pigsty data for electronic nose
CN112562794B (zh) 污染源解析方法、装置及终端设备
US9773090B2 (en) Method computer program and system to analyze mass spectra
CN115994742B (zh) 湿拌砂浆塑化剂的全生命周期管理方法及装置
CN110751400B (zh) 一种风险评估方法及装置
CN113570070B (zh) 流式数据采样与模型更新方法、装置、系统与存储介质
Hassan et al. Gas identification with spike codes in wireless electronic nose: A potential application for smart green buildings
Guz et al. Assessment of batch bioreactor odour nuisance using an e-nose
JP2004093447A (ja) におい測定装置
Feilberg et al. Relevance of n-butanol as a reference gas for odorants and complex odors
CN114446410A (zh) 基于XGBoost的无机砷含量预测方法、装置及介质
Zhang et al. SymSim: simulating multi-faceted variability in single cell RNA sequencing
JP2020161044A (ja) データ管理システム、データ管理方法、およびデータ管理プログラム
CN111104584A (zh) 信息价值度的确定方法、装置、存储介质和处理器

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