一种基于改进ransac理论的快速气味指纹检测方法
【专利摘要】本发明公开了一种基于改进RANSAC理论的快速气味指纹检测方法，包括观测数据集的采集、计算临时模型、验证临时模型、计算候选模型支集、验证候选模型、优化目标标模型六个步骤。本发明具有的优点和积极效果是：本发明的基于改进RANSAC理论的快速气味指纹检测方法，能够有效提出观测数据集中的干扰分子，并且能够大大提高运算效率，有效适应目前气味指纹检测的实时性要求。本发明主要应用在固定或者手持式电子鼻内，对于需要实时检测的场合尤其适用。适用本发明的固定或者手持式电子鼻，可以大大提高检测速度和准确性。
【专利说明】—种基于改进RANSAC理论的快速气味指纹检测方法
【技术领域】
[0001]本发明属于环境气体监测【技术领域】，特别是涉及一种基于改进RANSAC理论的快速气味指纹检测方法。
【背景技术】
[0002]随着工业化进程的逐步加快和人民生活水平的提高，各种各样的空气污染源越来越多，存在空气污染的场所也越来越广泛。从化工厂、热电厂、炼钢厂的排出的废气，到垃圾填埋场或者排污沟散发的恶臭气体，还有室内不当装修散发的有害气体，使得对有害气体的监控难度越来越高。由于有害气体的排放的时域不平均性，使得对有害气体的检测的时效性和实时性要求非常高。
[0003]电子鼻近十年来快速兴起一种新的气味指纹检测方法，是利用气味传感器和数据处理分析设备来检测气味指纹图谱。电子鼻模拟人的嗅觉系统，将探测到的气味分子信号转换成图谱数据库空间中的点，然后对这些信号点进行，最后利用模式分类的方法将探测结果显不出来。
[0004]电子鼻内部对传感器阵列探测到的数据进行处理和识别的算法是其关键技术所在。由于大气中存在非常多的干扰分子，因此对特定污染物分子进行探测的关键，就在于如何能从这些干扰分子中快速准确的探测到目标污染分子。这就对气味传感器得到的观测数据集的数据处理算法提出了很高的要求。
[0005]传统的电子鼻的数据预处理方法耗时过长，没有对观测数据中的干扰数据进行剔除的方法，在一些后端管理软件中，应用一些类似PCA的降维方法虽然能够稍微提高一下运算效率，但是也远远不能适应气味检测的实时性要求。
【发明内容】
[0006]本发明为了解决上述现有检测方法中存在的耗时过长，不能有效去除干扰信息等技术问题，而提供了一种基于改进RANSAC理论的快速气味指纹检测方法，该方法应用于电子鼻内，能够有效提出观测数据集中的干扰分子，并且能够大大提高运算效率，有效适应目前气味指纹检测的实时性要求。
[0007]本发明为解决这一问题所采取的技术方案是:
本发明的基于改进RANSAC理论的快速气味指纹检测方法，包括观测数据集的采集、计算临时模型、验证临时模型、计算候选模型支集、验证候选模型、优化目标标模型六个步骤。具体实现方法如下:
第一步，观测数据集的采集
将气味阵列传感器采集的信号，转换成气味图谱数据库空间的观测数据集，将观测数据集均分成n+1个子集；
第二步，计算临时模型
从每个子集中随机选择一个点，得到n+1个点组成的随机样本集S(S1，S2,……，Sn，Sn+1)，由前n个点(S1，S2,……，Sn )，得到临时模型P (Pl，P2，…，Pn);
第三步，验证临时模型
检测第n+1个点是否在P上，否，则返回第二步，重新选n+1个点；是，则此临时模型P为候选模型P1;
第四步:计算候选模型支集
由P及其模型距离阈值L，检测在此候选模型上的点，得到候选模型的支集M，该支集M中包含m个点。
[0008]第五步，验证候选模型
检测m是否大于阈值T，否，则返回第二步重新选n+1个点，继续以上进程；是，则此候选模型P1为目标模型P2;
第六步，优化目标模型
用候选模型支集M对目标模型P2进行优化，优化的核心思想是使支集M中的所有点相对于目标模型P2的距离绝对值最小。经过优化后的模型成为模型P*。
[0009]本发明具有的优点和积极效果是:
本发明的基于改进RANSAC理论的快速气味指纹检测方法，能够有效提出观测数据集中的干扰分子，并且能够大大提高运算效率，有效适应目前气味指纹检测的实时性要求。本发明主要应用在固定或者手持式电子鼻内，对于需要实时检测的场合尤其适用。适用本发明的固定或者手持式电子鼻，可以大大提高检测速度和准确性。
【专利附图】
【附图说明】
[0010]图1是本发明的基于改进RANSAC理论的快速气味指纹检测方法的流程图。【具体实施方式】
[0011]以下参照附图及实施例对本发明的基于改进RANSAC理论的快速气味指纹检测方法进行详细的说明，其中与现有技术相同的部件使用了相同的附图标记。
[0012]图1是本发明的基于改进RANSAC理论的快速气味指纹检测方法的流程图。如图1所示，本发明的基于改进RANSAC理论的快速气味指纹检测方法，包括如下具体步骤:
第一步，观测数据集的采集
将气味阵列传感器采集的信号，转换成气味图谱数据库空间的观测数据集，将观测数据集均分成n+1个子集；
第二步，计算临时模型
从每个子集中随机选择一个点，得到n+1个点组成的随机样本集S(S1，S2,……，Sn，Sn+1)，由前n个点(SI，S2,……，Sn )，得到临时模型P (Pl，P2，…，Pn);
第三步，验证临时模型
检测第n+1个点是否在P上，否，则返回第二步，重新选n+1个点；是，则此临时模型P为候选模型P1;
第四步:计算候选模型支集
由P及其模型距离阈值L，检测在此候选模型上的点，得到候选模型的支集M，该支集M中包含m个点。[0013]第五步，验证候选模型
检测m是否大于阈值T，否，则返回第二步重新选n+1个点，继续以上进程；是，则此候选模型P1为目标模型P2;
第六步，优化目标模型
用候选模型支集M对目标模型P2进行优化，优化的核心思想是使支集M中的所有点相对于目标模型P2的距离绝对值最小。经过优化后的模型成为模型P*。
[0014]对于改进的RANSAC算法，一共有三个参数需确定，
Ctni。fc代表循环次数上限。I:是模型距离阈值，它决定一个数据点是否在模型上。r是一致集元素数量阈值，一个候选模型的支集数量只有大于r，才能被认为是目标模型。这三个参数的具体计算方法为:
计算循环次数上限:k
确定a的方法是:在概率上，经过a次循环可以找出个点，使得这个点确定的模型就是待求的目标模型。
[0015]设V是随机从JT中选一点，此点在目标模型上的概率。贝Uv二ih/JT。得出连续选
取H+1个样本点都在目标模型I的概率为从而推出最大循环次数々的期望值为:
【权利要求】
1.一种基于改进RANSAC理论的快速气味指纹检测方法，其特征在于，该方法包括观测数据集的采集、计算临时模型、验证临时模型、计算候选模型支集、验证候选模型、优化目标标模型六个步骤；具体实现方法如下: 第一步，观测数据集的采集 将气味阵列传感器采集的信号，转换成气味图谱数据库空间的观测数据集，将观测数据集均分成n+1个子集； 第二步，计算临时模型 从每个子集中随机选择一个点，得到n+1个点组成的随机样本集S，由该随机样本集S的前n个点得到临时模型P ； 第三步，验证临时模型 检测随机样本集S的第n+1个点是否在P上，如果否，则返回第二步，重新选n+1个点；如果是，则此临时模型P为候选模型P1 ； 第四步:计算候选模型支集 由P1及其模型距离阈值L，检测在此候选模型上的点，得到候选模型的支集M，该支集M中包含m个点； 第五步，验证候选模型 检测m是否大于阈值T，如果否，则返回第二步重新选n+1个点，继续以上进程；如果是，则此候选模型P1为目标模型P2 ； 第六步，优化目标模型 用候选模型支集M对目标模型P2进行优化，使支集M中的所有点相对于目标模型P2的距离绝对值最小；经过优化后的模型成为模型P*。
2.根据权利要求1所述的基于改进RANSAC理论的快速气味指纹检测方法，其特征在于:计算候选模型支集这一步骤中的模型距离阈值L为支集M中所有数据点距离模型P1的平均距离的1/5。
【文档编号】G01N33/00GK103645284SQ201310675569
【公开日】2014年3月19日 申请日期:2013年12月13日 优先权日:2013年12月13日
【发明者】林丽君, 张瑞庭 申请人:林丽君