一种气味分析方法及装置与流程

本发明涉及数据分析领域，尤其涉及一种气味分析方法及装置。

背景技术：

传统的气体分析与识别方法通常为将高维的气体数据经过降维、特征提取、特征选择等步骤处理后，通过分类、回归或聚类等方式完成气体识别的任务，并给出被测气体的主要成分。在传统的气体分析中，常用的降维方法有主成分分析、线性判别分析等，常用的分类算法有支持向量机、随机森林等。

天津大学在专利zl201410847791.1中发明了一种基于电子鼻技术的白酒识别便携设备，通过手工设计的特征进行白酒的识别。发明中通过获取白酒汽化后的气体曲线上的10个相关信息作为特征量进行白酒的识别，相关信息包括有达到最大相对电导变化率的时间、相对电导变化率的方均根，算术平均数、几何平均数、调和平均数等。但实际上，这些手工设计的参数特征量的设定，会受传感器、温度等因素的影响，针对于不同的应用需要调整对应的标准。

深圳大学在专利cn201710203312.6中提供了一种基于频域特征提取的快速气体识别算法，采用矩形窗进行传感器数据的截取，将截取到的数据进行傅里叶变换得到频域分布，取频域分布中的前20个数据值作为特征，将映射后的向量及其标签输入支持向量机分类器中进行模型的建立，利用得到模型进行气体种类的识别。然而在发明中，数据曲线获取后并未确定曲线是否已处于平稳状态，便采用傅里叶变换后的前20个数据值作为特征值，以此获得的特征值并不能较完整的表达曲线信息。

中山大学在专利cn201810812710.2中提出了一种基于电子鼻的气味识别方法、装置和电子鼻系统，从电子鼻系统的检测数据中分解出吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵作为提取的特征数据，并基于这些特征数据，生成抽象气味因子图，抽象气味因子图中即包含了气味的特征信息，将抽象气味因子图作为特征谱图，识别两个气味的特征谱图之间的相似度，根据相似度识别两种气味样品是否为相同气味的样品。系统最终主要根据抽象气味因子图来进行判别，因子图的参数主要通过对数据进行简单的信号处理后得到。

上海交通大学在专利zl201210563428.8中提出了一种用于肺癌早期检测的电子鼻系统，其主要通过检测多种肺癌的特异性挥发性有机化合物的水平来进行检测诊断，其主要依据为肿瘤的生长往往伴随着基因或者蛋白质的改变，这可能导致细胞膜发生过氧化反应，进而影响挥发性有机化合物的排放。方法根据所得化合物分析结果，来进行辅助诊断肺癌疾病。

在目前已有的气体识别技术中，传统方法往往只着眼于局部，如根据气体样本的信号波形设计各种手工特征或者由各种信号处理方法提取特征，之后简单地输入支持向量机、k-近邻算法等分类算法中进行识别。例如上述提到的基于电子鼻技术的白酒识别便携设备，其10个特征量均为曲线上的相关数学信息；基于频域特征提取的快速气体识别算法中对曲线的部分数据进行傅里叶变换，取变换后的数据作为特征量；基于电子鼻的气味识别方法、装置和电子鼻系统中通过对数据进行简单信号处理后，得到抽象气味因子图。以上方法中均是通过手工设计得到特征，手工设计的特征只是简单的信号处理，但是波形易受到具体的应用场合的影响而变化。

同样在气味识别的应用领域中，其对应的分析结果均停留在气体化学分子的层面上，例如上述提到的用于肺癌早期检测的电子鼻系统的发明中，通过检测特异性有机化合物来辅助诊断肺癌疾病。使用人员根据所得化合物分析结果进行相关知识的查阅后，再对气味进行解释。对于目前所存在的气味识别分析结果中，能够得到气味分析较为科学性的结果，但在使用方便程度上还可以进一步提高，即在气味分析的化学成分的基础上，有更进一步的分析结果，例如具体的某种气味，香味、臭味等。

技术实现要素：

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是现有技术中的气味分析方法中其峰值可能会受温度、湿度等因素影响产生漂移现象，从而使得特征产生偏差，导致最终的分析结果出现较大偏差，或在中医药识别领域，采用传感器能检测的一些化学成分，根据化学成分表查询对应药品的种类时，操作繁琐麻烦。因此，提供了一种气味分析方法，采用深度学习方法，自动学习特征，在训练网络时，通过神经网络的反向传播机制自动调节网络参数，另外神经网络的特征提取不再局限于手工特征提取的单一性，从而使得特征的种类多样化，而不仅限于一种类似于峰值这类特定的特征，从而能提高分析结果的正确率，其最终分析结果在化学成分表的基础上，可进一步与实际使用背景相结合，得出为具有实际意义的气味分析结果，比如气味属于哪一种花或气味属于哪种典型中医闻诊气味。

为实现上述目的，本发明提供了一种气味分析方法，包括以下步骤：

采集待测气体，使待测气体与所述传感器相互作用采集数据，得到传感器采集的原始气味数据；

根据所述原始的气味数据，输入到训练好的卷积神经网络中进行分析处理，得到分类结果；

根据所述分类结果，将所述分类结果显示在显示设备上。

进一步地，采集待测气体，使待测气体与所述传感器相互作用采集数据，得到传感器采集的原始气味数据，还包括：

将所述原始的气味数据分为训练集和测试集两个部分。

进一步地，得到原始的气味数据后，还包括：将每个原始的气味数据整理为x＝[s1,s2,s3,…,sd]，作为输入数据，其中si为某个气体传感器获取的气味数据，d为传感器的个数，训练集中的输入数据x对应的气味标签为y。

进一步地，根据所述原始的气味数据，输入到训练好的卷积神经网络中进行分析处理，得到分类结果，具体包括：

所述输入数据与对应的卷积核进行一维卷积操作；

对一维卷积操作后的数据进行池化层的池化操作；

通过卷积操作和池化操作后，得到特征图，然后将得到的所述特征图经过全连接层整合特征，最后将全连接层的输出作为最终的分类softmax层的输入；

根据所述分类softmax层的输入，得到softmax层中最大概率的类别，即为预测该样本的所述类别。

本发明公开提供了一种气味分析装置，包括：

采集模块，用于采集待测气体，使所述待测气体进行化学反应，得到原始的气味数据；

分析模块，用于根据所述原始的气味数据，输入到训练好的卷积神经网络中进行分析处理，得到分类结果；

显示模块，用于根据所述分类结果，将所述分类结果显示在显示设备上。

进一步地，还包括

区分模块，用于将所述原始的气味数据分为训练集和测试集两个部分。

进一步地，所述采集模块包括

整理单元，用于将每个原始的气味数据整理为x＝[s1,s2,s3,…,sd]，作为输入数据，其中si为某个气体传感器获取的气味数据，d为传感器的个数，训练集中的输入数据x对应的气味标签为y。

进一步地，所述分析模块包括：

卷积单元，用于所述输入数据与对应的卷积核进行一维卷积操作；

池化单元，用于对一维卷积操作后的数据进行池化层的池化操作；

连接单元，用于通过卷积操作和池化操作后，提取特征图，然后将所述特征图经过全连接层整合特征，最后将全连接层的输出作为最终的分类softmax层的输入；

输出单元，用于根据所述分类softmax层的输入，得到softmax层中最大概率的类别，即为预测该样本的所述类别。

本发明公开又提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述中任一项所述的方法。

本发明公开又提供了一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述中任一项所述的一种气味分析方法。

技术效果

本发明公开的一种气味分析方法采用深度学习方法，通过神经网络的反向传播机制自动调节网络参数，另外神经网络的特征提取不再局限于手工特征提取的单一性，从而使得特征的种类多样化，而不仅限于一种类似于峰值这类特定的特征，从而能提高分析结果的正确率。

本发明的最终分析结果在化学成分表的基础上，可进一步与实际使用背景相结合，得出为具有实际意义的气味分析结果，比如气味属于哪一种花或气味属于哪种典型中医闻诊气味。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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是本发明的一个较佳实施例的一种气味分析方法的流程示意图；

图2是本发明的一个较佳实施例的一种气味分析方法的卷积神经网络(convolutionalneuralnetworks，cnn)模型示意图；

图3是本发明的一个较佳实施例的一种气味分析方法的获得的原始数据示意图；

图4是本发明的一个较佳实施例的一种气味分析方法的随机失活(dropout)操作的神经元前后的示意图；

图5是本发明的一个较佳实施例的一种气味分析方法的随机失活(dropout)在具体神经元上的体现的示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下描述中，为了说明而不是为了限定，提出了诸如特定内部程序、技术之类的具体细节，以便透彻理解本发明实施例。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发明。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发明的描述。

实施例一

如图1所示，一种气味分析方法，包括以下步骤：

步骤100，采集待测气体，使待测气体与所述传感器相互作用采集数据，得到传感器采集的原始气味数据；

步骤200，根据所述原始的气味数据，输入到训练好的卷积神经网络中进行分析处理，得到分类结果；

步骤300，根据所述分类结果，将所述分类结果显示在显示设备上。

本实施例中，待测气体首先通过气体采集设备部分，与采集设备进行反应，当作用结束后，得到一系列离散的响应值，即原始的气味数据，将得到的原始数据作为输入，输入到训练好的cnn网络中，进行分析处理后，得到最终的分类结果。本次发明的气味分析结果为五类，臊臭、焦臭、香臭、腥臭、腐臭。

发明所采用的cnn网络是一种反向传播神经网络的变体，其输入为一维数据，网络中的卷积层采用一维卷积进行处理。被测数据经过卷积层、池化层、全连接层处理后，通过softmax层进行最终的气味分类，分类结果为五类典型气味，臊臭、焦臭、香臭、腥臭、腐臭。

其中，本实施例提出的cnn模型如图2所示，包括1个输入层，4个卷积层，1个池化层，1个完全连接层和1个输出层。其中第一层卷积层的卷积核大小为1×16，第二层、第三层卷积层的卷积核大小为1×64，第四层卷积层的卷积核大小为1×128。

进一步地，步骤100，采集待测气体，使待测气体与所述传感器相互作用采集数据，得到传感器采集的原始气味数据，还包括：

将所述原始的气味数据分为训练集和测试集两个部分。

进一步地，得到原始的气味数据后，还包括：将每个原始的气味数据整理为x＝[s1,s2,s3,…,sd]，作为输入数据，其中si为某个气体传感器获取的气味数据，d为传感器的个数，输入数据x对应的气味标签为y。

进一步地，步骤200，根据所述原始的气味数据，输入到训练好的卷积神经网络中进行分析处理，得到分类结果，具体包括：

步骤201，所述输入数据与对应的卷积核进行一维卷积操作；具体的，

输入数据与对应的卷积核进行一维卷积操作，其中一维卷积操作是指，输入数据x的维数为(1,m)，卷积核g(n)的维数为(1,n)，一维卷积方程表示为：

其中c(n)为卷积结果序列，序列长度与x的长度len(x(n))与卷积核g(n)的长度len(g(n))有关，为len(x(n))+len(g(n))-1。

步骤202，对一维卷积操作后的数据进行池化层的池化操作；具体的，

发明中的卷积神经网络的池化层采用平均池化，滑动窗口选取窗口映射的平均值，对特征映射进行向下采样。即

xi＝ave(hi)(2)

其中i为滑动窗口在图像上移动的次数，hi为第i次移动后对应的滑动窗口中的值。

步骤203，通过卷积操作和池化操作后，提取特征图，然后将所述特征图经过全连接层整合特征，最后将全连接层的输出作为最终的分类softmax层的输入；

步骤204，根据所述分类softmax层的输入，得到softmax层中最大概率的类别，即为预测该样本的所述类别。

softmax分类器又叫softmax回归，是logistics回归在多分类问题上的推广。网络通过softmax层得出判为每一类别的概率，将神经元的输出值转换成范围为(0，1)之间的概率。给定输入x和权值矩阵ω，预测得到的类标为第i类的概率通过下式(3)计算得到：

其中k表示类别数，ω表示权重参数。取概率最大的一类为最终的分析结果。

最后，步骤300，获得气体分析结果显示在显示设备上，显示结果包括将传感器获得的原始数据绘图显示如图3所示，和将cnn分析的结果进行显示，即该气体属于五种气味的某一种。

以下将具体解释该实施例的操作流程：

1.将采集到五种气味数据分为两个部分，训练集与测试集。训练集与测试集中均需包括五种气味，训练集用于模型的训练，测试集用于验证模型的可靠性。

2.数据整理。将每个输入数据整理为x＝[s1,s2,s3,…,sd]，其中si为某个气体传感器获取的气味数据，d为传感器的个数，输入数据x对应的气味标签为y。

3.训练网络。

3.1卷积操作。将各个传感器的数据分别与卷积层的各个卷积核进行卷积，即分别将s1、s2…sm与各个卷积核g(n)进行卷积，为

其中m为si的信号长度，si为输入的第i个传感器的数据，i的大小为0＜i≤d；gj为第j个卷积核，卷积核的大小均为1×16，j的大小为1≤j≤8；cj(n)为卷积后的结果。将第一层卷积层学习到的特征cj(n)进行串接得到集总特征q。

3.2将得到的一维集总特征q作为输入，进行第二层、第三层、第四层的卷积，其中第二层、第三层卷积层均包含64个大小为1×3的卷积核，第四层卷积层包含128个大小为1×3的卷积核。

3.2.1将集总特征q作为输入，进行第二层的卷积，为：

其中m为qi的集总特征的长度，长度为16×8＝128；gj为第j个卷积核，卷积核的大小均为1×3，j的大小为1≤j≤64；qj(n)为卷积后的结果。

3.2.2重复上述3.2.1的操作,进行第三层、第四层的卷积操作，得到最终的卷积结果为q。

3.2.3在第三层与第四层卷积层中插入随机失活(dropout)操作，dropout操作是指在学习过程中通过将隐含层的部分权重或输出随机归零，降低节点间的依赖性从而实现神经网络的正则化，降低其结构风险，避免过度拟合，提高训练阶段的计算效率，dropout操作的神经元前后如图4所示，其中，图4a)是dropout操作前神经元示意图，图4b)是dropout操作后神经元的示意图。

在具体神经元中的体现如图5所示，在第l层神经元的输出为y^(l)，经过dropout操作后，第l层神经元的输出为其具体计算公式为：

其中r^(l)为随机生成的一个0、1向量，为经过dropout操作后y^(l)神经元的输出。

3.3池化操作。进行池化层的池化运算，由于传感器数据是时域相关的，故采用平均池化对特征图不同相邻位置进行处理，即

xi＝ave(hi)(7)

其中ave(x)为计算平均值的函数，hi为池化窗口在特征图上第i次移动后对应的特征数据，xi为池化后的结果。

3.4全连接操作。全连接层算法包括两个部分：前向传播和反向传播。

3.4.1前向传播。池化层处理后的数据输入到全连接层，整合特征，进行分类，计算全连接层的输出y，即通过下式(8)计算：

y＝ω^t·xi+b(8)

其中ω^t为对应神经元的权重，b为神经元的偏置，y为对应神经元的输出。

将全连接层的输出作为softmax层的输入进行类别的预测，即通过下式(9)进行预测：

其中k表示类别数，ω表示权重参数。

分别计算不同输出的softmax值，取计算所得概率最大的值，得到分类结果y。

3.4.2反向传播。损失函数采用平方误差函数进行计算，利用最小化损失函数进行参数调整，损失函数为

j＝∑(yi-yi)²(10)

其中yi是估计输出，yi是期望输出。

对参数进行优化，采用梯度下降算法，使误差最小化。按照学习因子∈的比例缩放来更新权重和差值，通过下式(11)、(12)来计算：

其中t为当前的迭代数,l为当前层数，j为当前层数的第j个节点，∈为学习率，与的主要推导过程如下：

其中

记同理，有即上式可表示为

即有：

3.4.2.1对初始随机定义的权值和偏差进行迭代更新，计算下式(19)、(20)：

将计算所得对下式(21)、(22)进行更新。

3.5重复上述3步骤，通过迭代减小目标函数的值，直到设定的阈值。

4.预测测试样本的所属类别。将气体数据作为输入，进入卷积神经网络的各层进行计算，得出softmax层中最大概率的类别，即为预测该样本的所述类别。

发明提到的显示设备主要用来显示两个部分的内容，一部分为传感器接收到的各个气体的变化曲线，一部分为气体的分析结果，本发明主要将气体分为五类，臊臭、焦臭、香臭、腥臭、腐臭，经过神经网络分析后，给出最终的分析结果。

本实施例，采用深度学习方式自动学习特征，用来进行气味的分析，在一定程度上减少由于传感器导致的漂移现象，提高分析结果的正确率。其分析结果在气味组成成分的基础上，能进一步得出有实际意义的气味分类，例如在对口腔气味进行分析时，能够得出气味属于典型气味臊臭、焦臭、香臭、腥臭、腐臭的哪种，帮助医生提高诊断效率。

实施例二

本发明公开提供了一种气味分析装置，包括：

采集模块，用于采集待测气体，使待测气体与所述传感器相互作用采集数据，得到传感器采集的原始气味数据；

分析模块，用于根据所述原始的气味数据，输入到训练好的卷积神经网络中进行分析处理，得到分类结果；

显示模块，用于根据所述分类结果，将所述分类结果显示在显示设备上。

进一步地，还包括

区分模块，用于将所述原始的气味数据分为训练集和测试集两个部分。

进一步地，所述采集模块包括

整理单元，用于将每个原始的气味数据整理为x＝[s1,s2,s3,…,sd]，其中si为某个气体传感器获取的气味数据，d为传感器的个数，输入数据x对应的气味标签为y。

进一步地，所述分析模块包括：

卷积单元，用于所述原始数据与对应的卷积核进行一维卷积操作；

池化单元，用于对一维卷积操作后的数据进行池化层的池化操作；

连接单元，用于通过卷积操作和池化操作后，提取特征图，然后将所述特征图经过全连接层整合特征，最后将全连接层的输出作为最终的分类softmax层的输入；

输出单元，用于根据所述分类softmax层的输入，得到softmax层中最大概率的类别，即为预测该样本的所述类别。

本实施例是用以实现实施例一的装置，其具体实现方式参见实施例一，此处将不再赘述。

实施例三

本发明实施例三提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述任一项的方法。

该实施例的计算机设备包括：处理器、存储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，例如资源发放程序。所述处理器执行所述计算机程序时实现上述一种气味分析方法实施例中的步骤。或者，所述处理器执行所述计算机程序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中，并由所述处理器执行，以完成本发明。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在所述计算机设备中的执行过程。

所述计算机设备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。所述计算机设备可包括，但不仅限于，处理器、存储器。

所述处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，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。

所述存储器可以是所述计算机设备的内部存储单元，例如计算机设备的硬盘或内存。所述存储器也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器还可以既包括所述计算机设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述计算机设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。

本发明实施例还提供了一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序使计算机执行时实现上述任一项所述的一种气味分析方法。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。