本發(fā)明屬于氣相化學(xué)分析技術(shù)領(lǐng)域，尤其涉及一種基于離散小波變換的有監(jiān)督式人工味覺系統(tǒng)特征提取方法。

背景技術(shù)：

人工味覺系統(tǒng)是一種新興的氣相化學(xué)分析手段，具有檢測快速、無創(chuàng)、操作簡便、低成本等優(yōu)點。人工味覺系統(tǒng)主要分為電極陣列和模式識別方法兩部分，其中“電極陣列”多采用具有交叉敏感性的惰性金屬電極構(gòu)成“三電極系統(tǒng)”，三電極系統(tǒng)中的電極依據(jù)自身功能的不同可分為：參比電極、輔助電極和工作電極。系統(tǒng)通過參比電極在溶液中形式電場，輔助電極和工作電極則在電場作用下形成回路，“模式識別”方法根據(jù)回路電流響應(yīng)的不同對物質(zhì)進行區(qū)分和鑒別。由于不同頻率和強度的電場，會使工作電極電流產(chǎn)生豐富的瞬態(tài)響應(yīng)，因此當(dāng)前人工味覺系統(tǒng)多采用“多頻脈沖”對參比電極進行電場調(diào)制，在工作電極上就會獲得具有豐富頻率成分的響應(yīng)，而原始信號通常是以時域形式表示的，需要通過頻域分析方法，如離散小波變換，對原始信號進行特征提取，以便于“模式識別”部分進行判別。傳統(tǒng)的離散小波變換隨著分解層數(shù)的增加，會產(chǎn)生大量的小波系數(shù)，選取過多小波系數(shù)作為特征會增大“模式識別”的復(fù)雜度，選取量過少又存在漏選最佳小波系數(shù)的可能。

綜上所述，現(xiàn)有技術(shù)存在的問題是：傳統(tǒng)的離散小波變換存在選取過多小波系數(shù)作為特征會增大模式識別的復(fù)雜度，選取量過少又存在漏選最佳小波系數(shù)。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于離散小波變換的有監(jiān)督式人工味覺系統(tǒng)特征提取方法。

本發(fā)明是這樣實現(xiàn)的，一種基于離散小波變換的有監(jiān)督式人工味覺系統(tǒng)特征提取方法，所述基于離散小波變換的有監(jiān)督式人工味覺系統(tǒng)特征提取方法包括：對于人工味覺系統(tǒng)電極陣列中的任意工作電極，將其時域原始響應(yīng)看作一時間序列并進行離散小波變化，得到一系列小波系數(shù)，將小波系數(shù)轉(zhuǎn)換為能量比率；人工味覺系統(tǒng)電極陣列中有工作電極，計算第t類樣本均值和所有樣本均值；求類內(nèi)平均距離和類間平均距離；求區(qū)分度系數(shù)；計算總區(qū)分度系數(shù)和所有小波系數(shù)對應(yīng)的區(qū)分度系數(shù)，得到最優(yōu)能量比率。

進一步，所述基于離散小波變換的有監(jiān)督式人工味覺系統(tǒng)特征提取方法包括小波系數(shù)轉(zhuǎn)換階段和最優(yōu)能量比率搜索階段。

進一步，所述小波系數(shù)轉(zhuǎn)換階段包括：

得到小波系數(shù)其中i為離散小波變換分解層數(shù)，j為第i層分解后的第j個小波系數(shù)，j∈n且j≤2ⁱ；小波系數(shù)按照如下方式轉(zhuǎn)換為能量比率

進一步，所述最優(yōu)能量比率搜索階段包括：

1)令計算第t類樣本均值和所有樣本均值

其中表示第m個訓(xùn)練樣本的特征值，m^t個表示第t類樣本個數(shù)；

2)求類內(nèi)平均距離dw和類間平均距離db：

3)求第i層第j個小波系數(shù)對于第t類樣本的區(qū)分度系數(shù)

4)重復(fù)步驟1)-步驟3)，求解所有t類樣本對應(yīng)的計算第i層第j個小波系數(shù)的總區(qū)分度系數(shù)θi,j：

5)重復(fù)步驟1)-步驟4)，計算所有小波系數(shù)對應(yīng)的總區(qū)分度系數(shù)θi,j；

6)求最優(yōu)能量比率δ^*：

(i^*,j^*)＝argminθi,j；

其中，(i^*,j^*)表示總區(qū)分度系數(shù)最小的小波系數(shù)為第i^*層第j^*個，δ^*為最終的特征提取結(jié)果，作為后續(xù)模式識別方法的輸入。

本發(fā)明的另一目的在于提供一種應(yīng)用所述于離散小波變換的有監(jiān)督式人工味覺系統(tǒng)特征提取方法的人工味覺系統(tǒng)。

本發(fā)明的優(yōu)點及積極效果為：降低了數(shù)據(jù)復(fù)雜度，將原始數(shù)據(jù)維度由228000(＝30000*6+1500*32)降低為6，降低了后續(xù)模式識別方法復(fù)雜度和計算開銷；當(dāng)采用最近鄰(knn)方法作為后續(xù)模式識別方法時，對于多類樣本識別系統(tǒng)平均識別正確率可由57.14％上升到83.33％。

附圖說明

圖1是本發(fā)明實施例提供的基于離散小波變換的有監(jiān)督式人工味覺系統(tǒng)特征提取方法流程圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

下面結(jié)合附圖對本發(fā)明的應(yīng)用原理作詳細的描述。

如圖1所示，本發(fā)明實施例提供的基于離散小波變換的有監(jiān)督式人工味覺系統(tǒng)特征提取方法包括以下步驟：

s101：對于人工味覺系統(tǒng)電極陣列中的任意工作電極，將其時域原始響應(yīng)看作一時間序列并進行離散小波變化，得到一系列小波系數(shù)，將小波系數(shù)轉(zhuǎn)換為能量比率；

s102：人工味覺系統(tǒng)電極陣列中有工作電極，計算第t類樣本均值和所有樣本均值；求類內(nèi)平均距離和類間平均距離；求區(qū)分度系數(shù)；計算總區(qū)分度系數(shù)和所有小波系數(shù)對應(yīng)的區(qū)分度系數(shù)，得到最優(yōu)能量比率。

本發(fā)明實施例提供的基于離散小波變換的有監(jiān)督式人工味覺系統(tǒng)特征提取方法分為“小波系數(shù)轉(zhuǎn)換”和“最優(yōu)能量比率搜索”兩個階段。

1、小波系數(shù)轉(zhuǎn)換階段

對于人工味覺系統(tǒng)電極陣列中的任意工作電極k，將其時域原始響應(yīng)看作一時間序列并進行離散小波變化，得到一系列小波系數(shù)其中i為離散小波變換分解層數(shù)，j為第i層分解后的第j個小波系數(shù)，j∈n且j≤2ⁱ。將小波系數(shù)按照如下方式轉(zhuǎn)換為能量比率

2、最優(yōu)能量比率搜索階段

假設(shè)人工味覺系統(tǒng)電極陣列中有k個工作電極，令有t類訓(xùn)練樣本m個，其中第t類樣本m^t個，則:

1)計算第t類樣本均值和所有樣本均值：

其中表示第m個訓(xùn)練樣本。

2)求類內(nèi)平均距離dw和類間平均距離db：

3)求區(qū)分度系數(shù)

4)重復(fù)步驟1)-步驟3)，求解所有的t個計算總區(qū)分度系數(shù)θi,j：

5)重復(fù)步驟1)-步驟4)，計算所有小波系數(shù)對應(yīng)的區(qū)分度系數(shù)θi,j。

6)求最優(yōu)能量比率δ^*：

(i^*,j^*)＝argminθi,j；

最終將δ^*作為特征提取結(jié)果，作為后續(xù)“模式識別”方法的輸入。

下面結(jié)合具體實施例對本發(fā)明的應(yīng)用原理作進一步描述。

本發(fā)明的具體實施例使用人工嗅覺系統(tǒng)對紅茶、綠茶、普洱茶、烏龍茶、紅酒、白酒和啤酒等7種物質(zhì)進行分析。每種物質(zhì)在不同濃度下分別進行9次數(shù)據(jù)采集。每次數(shù)據(jù)采集過程中，工作電極個數(shù)k＝6，系統(tǒng)采樣速率為20hz，采集時長為25min.，每個電極共采集數(shù)據(jù)30000個，電極陣列激勵脈沖長度為150。為驗證所涉數(shù)據(jù)融合方法效果，每種物質(zhì)中隨機選取6次數(shù)據(jù)采集結(jié)果進行訓(xùn)練，剩余3次作為測試樣本，采用最近鄰算法knn作為分類器進行識別。小波分解層數(shù)為10層，共進行4次實驗。為進行比對，表1中采用了兩種特征提取方法：“方法1”為提出方法,方法2為直接將原始數(shù)據(jù)作為knn輸入數(shù)據(jù)的方法，從表中結(jié)果可以看出，所提方法降低了數(shù)據(jù)復(fù)雜度，將原始數(shù)據(jù)維度由228000(＝30000*6+1500*32)降低為6；此外knn方法的識別正確率也得到了較大提升。

表1識別正確率對比表

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。