一種物質(zhì)氣味嗅頻提取方法
【專利摘要】本發(fā)明公開了一種物質(zhì)氣味嗅頻提取方法,給出了物質(zhì)氣味嗅頻的定義;提出疊加降維算法(Superposition?Mapping?Analysis,SMA)對物質(zhì)氣味樣品進行判別訓練,結(jié)合物質(zhì)氣味化學配比表,以后序遍歷規(guī)則的平衡二叉樹為存儲結(jié)構(gòu),建立物質(zhì)氣味樣品屬性庫,對未知物質(zhì)氣味進行識別;構(gòu)建物質(zhì)氣味成分比例及濃度模型對物質(zhì)氣味實現(xiàn)濃度實時提取。本發(fā)明提供了一種利用仿生嗅覺系統(tǒng)提取物質(zhì)氣味嗅頻的方法,具有快速檢測、高效準確、性能穩(wěn)定等優(yōu)點,為實現(xiàn)物質(zhì)氣味遠距離網(wǎng)絡(luò)傳輸提供前提基礎(chǔ)。
【專利說明】一種物質(zhì)氣味嗅頻提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及物聯(lián)網(wǎng)信息領(lǐng)域,尤其涉及一種物質(zhì)氣味嗅頻提取方法。 技術(shù)背景
[0002] 隨著計算機技術(shù)和通信與信息技術(shù)的迅猛發(fā)展,虛擬現(xiàn)實技術(shù)應運而生,人類的 聽覺、視覺功能已在時間及空間上獲得巨大拓展,使得人們通過網(wǎng)絡(luò)獲取大量信息的愿望 成為可能,當前已經(jīng)出現(xiàn)了諸如網(wǎng)絡(luò)互動電視和網(wǎng)絡(luò)視頻會議等滿足視覺和聽覺的應用, 但基于網(wǎng)絡(luò)的有關(guān)嗅覺的相關(guān)應用甚少,主要是缺乏有效提取嗅覺特征?目息的方法。
[0003] 嗅覺傳感器陣列是20世紀90年代興起的對氣味物質(zhì)進行采集識別的器件,目前 主要用來對于氣味進行判斷識別,但由于材料和技術(shù)等限制,其應用范圍受了極大的限制。
[0004] 對于氣味相關(guān)屬性的判別識別主要有中國專利申請?zhí)枺?01310315482. 5,申請公 布日:2013年12月15日,發(fā)明名稱:一種嗅覺模擬一起和特定物質(zhì)氣(嗅)味等級現(xiàn)場分 析法,該發(fā)明模擬了一種嗅覺儀器用以對氣味進行現(xiàn)場檢測并做出等級區(qū)分;中國專利申 請?zhí)枺?01310323187. 4,申請公布日:2014年01月08日,發(fā)明名稱:一種基于核主成分分 析的表征蜂蜜差異性智能嗅覺圖譜特征提取方法,該發(fā)明引入核函數(shù)對數(shù)據(jù)高維數(shù)據(jù)降維 并用來識別蜂蜜種類信息;中國專利申請?zhí)枺?01310323359,申請公布日:2013年01月08 日,發(fā)明名稱:一種基于獨立分析的表征蜂蜜差異性智能圖譜特征提取方法,該發(fā)明引入最 大化方差對數(shù)據(jù)高維數(shù)據(jù)降維并用來識別蜂蜜種類信息;還有諸如發(fā)明專利號:20131032 3188. 9, 201310323171. 3, 201310323251. 9, 201310323337. 1 等都是關(guān)于引入相關(guān)算法對物 質(zhì)氣味進行判斷和分類,均未對氣味物質(zhì)進行諸如種類屬性、成分及比例信息的識別研究。
【發(fā)明內(nèi)容】
[0005] 為了克服現(xiàn)有技術(shù)的不足,本發(fā)明提出一種物質(zhì)氣味嗅頻提取方法,該方法利用 仿生嗅覺系統(tǒng)并結(jié)合疊加映射降維算法(Superposition Mapping Analysis) SMA對物質(zhì)氣 味進行訓練識別,并通過后序遍歷規(guī)則的平衡二叉樹進行存儲,可以對未知物質(zhì)氣味進行 檢測識別,輸出物質(zhì)氣味嗅頻信息(物質(zhì)氣味名稱、成分、比例濃度),為物質(zhì)氣味實現(xiàn)網(wǎng)絡(luò) 化傳輸提供一種有效方法。
[0006] 為了實現(xiàn)上述目的,本發(fā)明的技術(shù)方案為:
[0007] -種物質(zhì)氣味嗅頻提取方法,物質(zhì)氣味嗅頻是指用于表征物質(zhì)氣味的特征信息, 包含物質(zhì)氣味的種類名稱,記為R n、成分,記為L。、比例濃度,記為Pi,對于嗅頻的提取按照 以下步驟進行:
[0008] 步驟1 :選取物質(zhì)氣味樣品備用,樣品備份為若干份,固體每份為Μ克、液體每份為 Μ毫升、氣體為Μ立方毫米,固體物質(zhì)研磨成粉末或切割成體積小于1立方毫米的塊狀,氣體 和液體物質(zhì)密度均勻;樣品置于恒溫恒濕的實驗箱中靜置70分鐘;
[0009] 步驟2 :應用仿生嗅覺系統(tǒng)對已知物質(zhì)氣味樣品進行采集檢測,測量時間t為100 秒(S),采集速率為7. 749毫升/分鐘(ml/min),保存所測數(shù)據(jù)Fs (Sp S2,……SN),并對Fs 保存至計算機;
[0010] 步驟3 :對步驟2中采集所得到的測量數(shù)據(jù)信息疊加映射降維算法 (Superposition Mapping Analysis) SMA進行判斷訓練,并將所建立的樣本序號0SMA與氣味 名稱成分屬性L(0n_,C nl,Q…Cnk)(其中0n_是物質(zhì)氣味種類名稱,Cnl是物質(zhì)氣味第1種 成分名稱,是物質(zhì)氣味第2種成分名稱,C nk是物質(zhì)氣味第k種成分名稱)以R(0SMA,0n_, Cnl,Cn2…CJ為結(jié)點的后序遍歷規(guī)則的平衡二叉樹形式保存至氣味成分信息庫;
[0011] 步驟4 :輸入未知物質(zhì)氣味樣品,應用仿生嗅覺系統(tǒng)采集氣味樣品,并采用SMA算 法對未知物質(zhì)氣味進行判別分析獲得樣本序號〇s"/,并在已建立的后序遍歷規(guī)則的平衡 二叉樹內(nèi)進行查找,若找到與之匹配的〇 SMA,則輸出r(〇sma,〇name,cnl,c n2…cnk),若找不到與之 匹配的〇SMA,則返回無此信息;
[0012] 同時對測量值進行成分比例計算Ρ(τη1,Tn2…TJ,Tnl是第1種成分所占比例,τ η2 是第2種成分所占比例,Tnk是第k種成分所占比例,其計算公式為
[0013]
【權(quán)利要求】
1. 一種物質(zhì)氣味嗅頻提取方法,其特征在于,物質(zhì)氣味嗅頻是指用于表征物質(zhì)氣味的 特征信息,包含物質(zhì)氣味的種類名稱記為R n,成分記為L。,比例濃度記為Pi,對于嗅頻的提 取按照以下步驟進行: 步驟1 :選取物質(zhì)氣味樣品備用,樣品備份為若干份,固體每份為Μ克、液體每份為Μ毫 升、氣體為Μ立方毫米,固體物質(zhì)研磨成粉末或切割成體積小于1立方毫米的塊狀,氣體和 液體物質(zhì)密度均勻;樣品置于恒溫恒濕的實驗箱中靜置70分鐘; 步驟2 :應用仿生嗅覺系統(tǒng)對已知物質(zhì)氣味樣品進行采集檢測,測量時間t為100秒, 采集速率為7. 749毫升/分鐘,保存所測數(shù)據(jù)Fs (Sp S2,……SN),并對Fs保存至計算機; 步驟3 :對步驟2中采集所得到的測量數(shù)據(jù)信息采用疊加映射降維算法SMA進行判斷 訓練,并將所建立的樣本序號〇SMA與氣味名稱成分屬性U〇_,C nl,Cy Cnk),其中0_是物 質(zhì)氣味種類名稱,Cnl是物質(zhì)氣味第1種成分名稱,是物質(zhì)氣味第2種成分名稱,是物 質(zhì)氣味第k種成分名稱;以R(0 SMA,On_,Cnl,Cn2··· Cnk)為結(jié)點的后序遍歷規(guī)則的平衡二叉樹 形式保存至氣味成分信息庫; 步驟4 :輸入未知物質(zhì)氣味樣品,應用仿生嗅覺系統(tǒng)采集氣味樣品,并采用SMA算法對 未知物質(zhì)氣味進行判別分析獲得樣本序號〇s"/,并在已建立的后序遍歷規(guī)則的平衡二叉 樹內(nèi)進行查找,若找到與之匹配的〇 SMA,則輸出R(〇SMA,〇name,Cnl,C n2…Cnk),若找不到與之匹配 的〇SMA,則返回無此信息; 同時對測量值進行成分比例計算P(Tnl,Tn2…TJ,Tnl是第1種成分所占比例,L是第 2種成分所占比例,是第k種成分所占比例,其計算公式為
(1) A (i)是k種成分對應傳感器測量平均值,
第1種成分至第k種成分的測量 平均值加權(quán)和; 則物質(zhì)氣味濃度為 (2) i -丄
其中V'是采集預壓縮后的氣味體積,V是采集的原始氣味體積。 步驟5:依據(jù)步驟4中所得1?(〇1,0_,(;1,(;2?(^)可以求知物質(zhì)氣味的名稱1^及成 分L。,所得P (Tnl,Tn2……Tnk)可知氣味的成分比例及濃度Ρρ則綜上所述可得到物質(zhì)氣味嗅 頻。
2. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述步驟1中選取的物質(zhì)氣味樣品具有濃 烈且刺激性的物質(zhì)氣味,其中刺激性是指香、臭或刺鼻味。
3. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述步驟3中使用的疊加映射降維方法, 具體步驟如下: 步驟1):將采集并測量得到的一個氣味樣本數(shù)據(jù)信息矩陣Fs向量化,選取其中達到穩(wěn) 態(tài)響應值的測量值,組成訓練樣本矩陣乓=·[<,€/··<.}
代表訓練樣本矩陣的行數(shù),由選取的樣本類,樣本個數(shù)及穩(wěn)態(tài)時間值個數(shù)決定,j代表訓練 樣本類別個數(shù)」e [1,c],i代表第j類訓練樣本個數(shù)i e [1,ni];則訓練樣本的均值為
C3) 步驟2):由步驟1)設(shè)獲取訓練樣本去均值后形成的樣本矩陣為T = Ρτ-μ,T e lfxn 則T的協(xié)方差矩陣為 Q = TXTt(Q e RrXr) (4) 其中Ττ是T的轉(zhuǎn)置矩陣,并計算Q矩陣的特征值及特征向量,按特征值累計貢獻率不 小于99. 5%,從大到小順序選取前a個特征值所對應的特征向量組成第一降維特征系數(shù)矩 陣P。,P。e RaXn,a彡η-l,并將訓練樣本矩陣T投影到P。中,得到第一降維識別矩陣: Pf = TXPcT(Pf e RrXa) (5) 其中Ρ。1是P。的轉(zhuǎn)秩矩陣; 步驟3):將第一降維識別矩陣Pf作為第二降維的輸入矩陣,即Pf= {V,V2m,…Vkm}, 匕£礦^£1^%其中1^代表新訓練樣本矩陣的類別數(shù)1^£[1,(^],111代表每個訓練 樣本的個數(shù)me [l,a],則f的樣本矩陣均值矩陣為yc= 2Vkm/t,訓練的總樣本Pf的均 值矩陣
1。e R1Xa,u e R1Xa,并計算pf類內(nèi)散布矩陣sw和類間散布矩 陣Sb,即
則根據(jù)Fisher準則函數(shù)
由式(8)可知,當選取的矢量ω使1(?)取最大值時具有最優(yōu)分析,其物理意義為以 ω為投影方向,投影后的樣本空間具有最大的類間離散度和最小的類內(nèi)離散度; 則可對式(8)應用拉格朗日乘法,設(shè)其存在特征根λ,λ是最優(yōu)解即最佳投影矩陣,則 有 ·]ρ(ω) = wTSb?-X (coTSu ω-l) (9) 則對式(9)等號兩邊同時對ω求導,可得
則對于λ的求解即可轉(zhuǎn)化為求解特征矩陣的特征向量,由于eRaXa且 Sb e RaXa,所以求得S〇^Sb的特征向量L。,L。e RaXa,用來構(gòu)建第二降維特征系數(shù)矩陣,最 終獲得疊加映射特征系數(shù)矩陣 C = LcXPc(C e RaXn) (13) 則其訓練樣本的疊加映射算法識別特征矩陣為: Cf = TXCT(Cf e RrXa) (14) 再依據(jù)歐式距離判別式e
?判別η維空間的中樣本點間的相似度。
4.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述步驟3中物質(zhì)氣味成分信息識別存儲 過程如下: 通過疊加映射降維算法SMA,對已知的物質(zhì)氣味樣品進行訓練識別,結(jié)合物質(zhì)氣味化學 成分比例信息,訓練并識別出物質(zhì)氣味名稱和成分信息; 存儲過程: 以SMA算法訓練并建立的樣本序號0SMA為結(jié)點索引號,將R(0SMA,0_,Cnl,CyCj按 照后序遍歷規(guī)進行存儲即按子樹,右子樹,根結(jié)點順序遞增生成,其存儲和查詢公式為:Pr =2L-1,= PF-Da,PK = PF-1,Da = 2L_a,CL e [1,L),其中 η 為平衡二叉樹結(jié)點數(shù),其共 有L = log2n級結(jié)點,Pr是平衡二叉樹根結(jié)點義是左子結(jié)點,Ρκ是右子結(jié)點,CL為當前級 數(shù),D a為當前級數(shù)結(jié)點的層距差,層距差為相鄰樹層之間的結(jié)點值的差。 查詢過程: 輸入需要查詢的結(jié)點索引號,判別是否在所建平衡二叉樹范圍內(nèi);若在,則按照其查詢 公式從根節(jié)點向葉節(jié)點查詢,直到查詢到目的結(jié)點,否則查詢完所有結(jié)點輸出無此信息;若 不在,則直接輸出無此信息。
【文檔編號】G06F19/00GK104102818SQ201410290577
【公開日】2014年10月15日 申請日期:2014年6月24日 優(yōu)先權(quán)日:2014年6月24日
【發(fā)明者】駱德漢, 孫運龍 申請人:廣東工業(yè)大學