一种基于流形学习的电子舌信号特征提取方法
【专利摘要】本发明提供一种基于流形学习的电子舌信号特征提取方法,所述方法包括：利用电子舌对茶叶样品进行检测，得到传感器响应时序信号；根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除；对流形学习算法的参数进行优化,以龙井茶品质等级正确识别率为依据选择流形学习算法的参数；采用流形学习算法对传感器响应信号进行非线性特征提取,得到表征茶叶样品的滋味信息的特征；将茶叶样品的滋味特征输入分类器,进行龙井茶品质等级判定。能够对茶叶样品进行异常值剔除，利用优化参数后的流形学习算法可以更好的表征不同等级茶叶样品的非线性特征，提升经过非线性映射后的样本在高维特征空间中的信号差异性。
【专利说明】
一种基于流形学习的电子舌信号特征提取方法
技术领域
[0001] 本发明涉及茶叶检测技术领域，特别是指一种基于流形学习的电子舌信号特征提 取方法。
【背景技术】
[0002] 近年来，茶叶品质检测是一项很有难度的工作，因为茶叶包含很多成分且它们对 茶叶品质的影响非常不同。西湖龙井茶是中国绿茶中的典型代表。有些商贩为了谋取自身 利益，将其他绿茶炒制成扁平状冒充龙井茶，或者用浙江其他产地的龙井冒充西湖龙井，扰 乱了龙井茶市场，损坏了消费者利益，因此，对西湖龙井茶品质的科学检测和评价具有重要 意义。
[0003] 长期以来感官品评是评价茶叶品质优劣的重要方法，但该方法需要有丰富的茶学 知识和审评经验，并且专业品茶师的感觉器官灵敏度也容易受到外界因素的干扰而改变。 许多分析型工具也因此被用于分析茶叶的化学物质，例如高效液相色谱、气质仪等。但是现 有的分析工具无法对不同等级的茶叶进行非特征性提取。
【发明内容】
[0004] 本发明要解决的技术问题是提供一种基于流形学习的电子舌信号特征提取方法， 能够有效表征不同等级茶叶样品的非线性特征。
[0005] 为解决上述技术问题，本发明的实施例提供一种基于流形学习的电子舌信号特征 提取方法，所述基于流形学习的电子舌信号特征提取方法包括：
[0006] 利用电子舌对茶叶样品进行检测，得到传感器响应时序信号；
[0007] 根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔 除；
[0008] 对流形学习算法的参数进行优化，以龙井茶品质等级正确识别率为依据选择流形 学习算法的参数；
[0009] 采用流形学习算法对传感器响应信号进行非线性特征提取，得到茶叶样品的滋味 特征；
[0010] 将茶叶样品的滋味特征输入分类器，进行茶叶品质等级判定。
[0011] 优选的，所述传感器响应时序信号包括:ZA传感器响应时序信号、BB传感器响应时 序信号、JE传感器响应时序信号、GA传感器响应时序信号、HA传感器响应时序信号、JB传感 器响应时序信号、CA传感器响应时序信号和Ag/AgCl参比电极传感器响应时序信号中的至 少一种。
[0012] 优选的，所述利用电子舌对茶叶样品进行检测，包括：
[0013] 按照顺序将样品和清洗溶液放置在电子舌的自动进样器上；
[0014] 每个样品重复采集，每次采集按照"茶汤样品-清洗液1-清洗液2"的流程进行。
[0015] 优选的，所述根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进 行分析和剔除，包括：
[0016] 对数据集X=[xi，x2，"_，xN]eRmXN进行中心化，^χ,.-ιη ;
[0017] 计算中心化数据的协方差矩阵
[0018] 计算协方差矩阵的特征值和特征向量:0 = λν;
[0019] 将协方差矩阵的特征值\按由大到小的顺序进行排序，特征值所对应的特征向量 按由大到小的顺序排序；
[0020] 利用yi=v、将数据样本投影到0 = λν中得到的特征向量上；
[0021] 利用Α = ";计算样本估计值，主成分残差即为样本真实值与估计值之差，即 ^=%-%。
[0022]其中，m = (1/Λ/)^ηχ,为均值向量，v为特征值所对应的特征向量；
[0023]样本点之间的马氏距离为：cU产[(Xl-Xj)T[C 0v(X)]-Ηχ,-χ」）]1，2;
[0024]以主成分残差值及样本点与同类样本均值之间的马氏距离为依据，将远离同类样 本点总体分布的样本点判断为异常样本剔除。
[0025]优选的，所述对流形学习算法的参数进行优化，以茶叶品质等级正确识别率为依 据选择流形学习算法的参数，包括：
[0026] 以热核法构造权重矩阵对热核函数中的参数t进行优化选择；
[0027] 对高斯核函数k(x，y)=exp(_| |x_y | |2/2〇2)中的参数σ2进行优化选择；
[0028] 参数选择时以茶叶品质等级判定的正确识别率为依据选择参数值。
[0029] 优选的，所述以热核法构造权重矩阵，包括：
[0030]若样本点i和样本点j是近邻点，贝lj权重系数为Wij = exp(-| |xi-Xj| |2/t);
[0031] 若样本点i和样本点j不是近邻点，则权重系数为Wij = 0。
[0032] 优选的，所述采用流形学习算法对传感器响应信号进行非线性特征提取，得到茶 叶样品的滋味特征，包括：
[0033] 通过一个非线性变换Φ :ΙΓ A，把输入数据映射到高维特征空间，非线性变换 后的数据点为 Φ(Χ1)，Φ(Χ2)，···，Φ(ΧΝ);
[0034] 在高维特征空间中，将最小化目标函数问题可以转化成广义的特征值求解问题；
[0035] 对传感器响应信号进行非线性特征提取，得到茶叶样品的滋味特征。
[0036] 优选的，所述通过一个非线性变换? B .F把输入数据映射到高维特征空间， 非线性变换后的数据点为φ (XI)，φ (X2)，···，Φ (XN)包括： min￡|Ζ? -Zj f 5? = minΣ[Ρ^Φ(x,)- ΡφΓφ(^· )|f S；
[0037] ? ? =min 2P,：>(X)(D - W)Φ(Χ)Γ Ρφ
[0038] 对于线性映射Ρφ，存在系数cti e R，使得Ρφ = α,.Φ^χ,. ；) = Φα。带回上式，加上尺 度归一条件aTKDKa = l;
[0039] 所述在高维特征空间中，将最小化目标函数问题可以转化成广义的特征值求解问 题，包括：
[0040] K(D-ff)Ka = AKDKa
[0041] 其中，1^」=1^(叉1，叉」）=4)(叉〇1'4 )(叉」)为核矩阵。
[0042] 优选的，所述对传感器响应信号进行非线性特征提取，得到茶叶样品的滋味特征， 包括： ,,.,_ . . " exp(-||x,--χ,『/?)如果χ;·χ,互为对方的近邻 0 其它
[0044] 计算拉普拉斯矩阵：D为对角矩阵，对角线元素为S按行（或列）求和（S是对称矩 阵），即A = Σ & °L = D_S是近邻图上的拉普拉斯矩阵； j
[0045] 计算训练样本集的核矩阵K=[Kij]，其中Kij = k(xi，xj) = Φ (χ〇τΦ (Xj);
[0046] 求解K(D-W)Ka = AKDKa的特征值和对应的特征向量a = [αι，a2，…，aN]τ，并按照特 征值从大到小的顺序进行排序；
[0047]将训练样本Φ(Χι)投影到第k个特征向量上最为样本的非线性特征： ，N N N
[0048] Φ?χ,Υ νΛ =Φ(χ,)? Σ0，!：Φ?χ/):=Σα/ Φ(χ/)/ i-i ' /-1 ' i-i
[0049] 计算测试样本S;:与训练集样本之间的核矩阵Κ'，将测试样本投影到特征向量上 ,;~1·
[0050] 优选的，所述将茶叶样品的滋味特征输入分类器，进行茶叶品质等级判定，包括：
[0051] 对于待测样本g和训练图像样本^，计算待测图像样本与训练图像样本之间的相 似度-
[0053] = mini/(S;.，x,.)，样本&属于类别k，则测试样本被决策为类别k。
[0054] 本发明的上述技术方案的有益效果如下：
[0055] 上述方案中，能够对茶叶样品进行异常值剔除，利用优化参数后的流形学习算法 可以更好的表征不同等级茶叶样品的非线性特征，提升经过非线性映射后的样本在高维特 征空间中的信号差异性。
【附图说明】
[0056] 图1是本发明实施例的基于流形学习的电子舌信号特征提取方法流程图；
[0057] 图2是本发明实施例的茶叶样本电子舌响应图谱；
[0058]图3a_3d是本发明实施例的主成分残差值和马氏距离分布图；
[0059] 图4是本发明实施例的茶叶样品正确识别率与权重矩阵参数t选择关系图；
[0060] 图5是本发明实施例的茶叶样品正确识别率与参数〇2选择关系图；
[0061] 图6a-6d是本发明实施例的线性降维方法随降维维数变化的正确识别率曲线比较 结果；
[0062] 图7a_7d是本发明实施例的流形学习降维方法随降维维数变化的正确识别率曲线 比较结果。
【具体实施方式】
[0063] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具 体实施例进行详细描述。
[0064]如图1所示，本发明实施例的一种基于流形学习的电子舌信号特征提取方法，所述 基于流形学习的电子舌信号特征提取方法包括：
[0065]步骤101:利用电子舌对茶叶样品进行检测，得到传感器响应时序信号；
[0066]步骤102:根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行 分析和剔除；
[0067]步骤103:对流形学习算法的参数进行优化，以龙井茶品质等级正确识别率为依据 选择流形学习算法的参数；
[0068]步骤104:采用流形学习算法对传感器响应信号进行非线性特征提取，得到茶叶样 品的滋味特征；
[0069 ]步骤105:将茶叶样品的滋味特征输入分类器，进行茶叶品质等级判定。
[0070] 优选的，茶叶样品可以为龙井茶茶叶样品。
[0071] 本发明实施例的基于流形学习的电子舌信号特征提取方法，能够对茶叶样品进行 异常值剔除，利用优化参数后的流形学习算法可以更好的表征不同等级茶叶样品的非线性 特征，提升经过非线性映射后的样本在高维特征空间中的信号差异性。
[0072] 优选的，所述传感器响应时序信号包括:ZA传感器响应时序信号、BB传感器响应时 序信号、JE传感器响应时序信号、GA传感器响应时序信号、HA传感器响应时序信号、JB传感 器响应时序信号、CA传感器响应时序信号和Ag/AgCl参比电极传感器响应时序信号中的至 少一种。
[0073] 优选的，所述利用电子舌对茶叶样品进行检测，包括：
[0074] 按照顺序将样品和清洗溶液放置在电子舌的自动进样器上；
[0075] 每个样品重复采集，每次采集按照"茶汤样品-清洗液1-清洗液2"的流程进行。
[0076] 其中，本发明可以采用法国Alpha M0S公司的ASTREE电子舌系统对龙井茶样品进 行检测，此传感器阵列可以含有七个化学传感器(ZA、BB、JE、GA、HA、JB、CA)和一个Ag/AgCl 参比电极，专门针对味觉分析技术而设计。
[0077] 数据采集前，电子舌系统可以经过自检、活化、训练、校准和诊断等步骤，以确保采 集到的数据具有可靠性和稳定性。将电子舌参数进行设置后，按照顺序将样品和清洗溶液 放置在电子舌的自动进样器上，每个样品重复采集七次，每次采集按照"茶汤样品-清洗液 1-清洗液2"的流程进行。采集完毕后每个茶样得到七条电子舌响应指纹图谱，如图2所示。 横轴为测量时间，纵轴为采集到的感应电压值。曲线上的点代表茶汤呈味物质通过传感器 通道时，电势差随时间的改变情况。在测量过程中，每次检测时间为120s，电子舌每0.5s获 取一组数据，每个样品经检测最终可获得7条随时间变化的时序信号，如附图2所示的电子 舌传感器响应信号。因此，对于每次样品测试，所获得的数据为7X240维的矩阵。可以选择 传感器响应第120s的稳定值作为后续茶叶品质模型建立的特征点。
[0078] 优选的，所述根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进 行分析和剔除，包括：
[0079] 对数据集XKxuv'xderxN进行中心化，i,' = x厂m ;
[0080] 计算中心化数据的协方差矩阵：
[0081 ]计算协方差矩阵的特征值和特征向量:0 = λν;
[0082] 将协方差矩阵的特征值\按由大到小的顺序进行排序，特征值所对应的特征向量 按由大到小的顺序排序；
[0083] 利用y, = V%将数据样本投影到〇 = λν中得到的特征向量上；
[0084] 利用象=~％计算样本估计值，主成分残差即为样本真实值与估计值之差，即 Xres = % ~ % 0
[0085] 其中，m ：= (1/.V) ^ X,.为均值向量，v为特征值所对应的特征向量；
[0086]样本点之间的马氏距离为：cU产[(Xl-Xj)T[C 0v(X)]-Ηχ,-χ」）]1，2;
[0087] 以主成分残差值及样本点与同类样本均值之间的马氏距离为依据，将远离同类样 本点总体分布的样本点判断为异常样本剔除。
[0088] 其中，可以分别对精品样本集、特级样本集、一级样本集和二级样本集进行主成分 分析和马氏距离值计算，如附图3a_3d所示。图中标注的点即为异常样本点。将剔除异常样 本点后的茶样数据进行后续数据处理。
[0089]优选的，所述对流形学习算法的参数进行优化，以茶叶品质等级正确识别率为依 据选择流形学习算法的参数，包括：
[0090] 以热核法构造权重矩阵对热核函数中的参数t进行优化选择；
[0091] 对高斯核函数k(x，y)=exp(_| |x_y | |2/2〇2)中的参数σ2进行优化选择；
[0092] 参数选择时以茶叶品质等级判定的正确识别率为依据选择参数值。
[0093] 优选的，所述以热核法构造权重矩阵，包括：
[0094]若样本点i和样本点j是近邻点，贝lj权重系数为Wij = exp(-| |xi-Xj| |2/t);
[0095] 若样本点i和样本点j不是近邻点，则权重系数为Wij = 0。
[0096] 其中，参数选择是影响算法判别效果的重要因素，选取合适的参数会增强算法的 有效性，而不切当的参数会大大削弱算法的功能，甚至使算法实效。对于流形学习算法KLPP (核局部保留映射)来说，权重矩阵的构造及核函数的构造是算法的核心。
[0097] 热核法可以增加权重系数的数值范围选择，需要对权重系数计算公式中的参数t (t e R)进行选择。本发明通过一组实验来确定参数的最佳取值。分别取t = 10，50，100，500， 1000,参数共取五个特定的值，特征维数以一定步长不断增大。从而得到不断增加特征维数 的过程中，正确识别率的变化。
[0098]具体的，从附图4可以看出，对于算法KLPP，当t = 10时，样品的正确识别率比较低， 在特征维数不断变化的整个过程中都低于其他参数取值的情况。t = 1000时，样品的正确识 别率比较高，t = 100,500时正确识别率具有相似的情况，且优于t = 50时的情况。在特征维 数不断增大的过程中，总体性能没有太大的差距。因此本发明选择1000作为KLPP算法中参 数t的取值。
[0099] 采用应用最广泛的高斯径向基核函数，该核函数中需对参数〇2进行优化选择，通 过一组实验来确定参数的最佳取值。分别取σ 2 = 0.5，5，50，500，5000，50000，参数共取六个 特定的值，特征维数以一定步长不断增大。从而得到不断增加特征维数的过程中，正确识别 率的变化。
[0100] 从附图5可以看出，当σ2 = 0.5和5时，样品的正确识别率比较低，在特征维数不断 变化的整个过程中都低于其他参数取值的情况。σ2 = 50,5000,50000时正确识别率具有相 似的情况，σ2 = 500时，样品的正确识别率高于其他参数取值结果。在特征维数不断增大的 过程中，总体性能没有太大的差距。因此本法明选择500作为KLPP算法中参数σ 2的取值。 [0101]优选的，所述采用流形学习算法对传感器响应信号进行非线性特征提取，得到茶 叶样品的滋味特征，包括：
[0102] 通过一个非线性变换Φ : IT .厂把输入数据映射到高维特征空间，非线性变换后 的数据点为 Φ (XI)，Φ (Χ2)，…，Φ (ΧΝ);
[0103] 在高维特征空间中，将最小化目标函数问题可以转化成广义的特征值求解问题；
[0104] 对传感器响应信号进行非线性特征提取，得到茶叶样品的滋味特征。
[0105] 优选的，所述通过一个非线性变换Φ : ΙΓ Μ，把输入数据映射到高维特征空间， 非线性变换后的数据点为φ (XI)，φ (Χ2)，···，φ (ΧΝ)包括： min幻|ζ;. - &『咬=mill:|ρ|Φ(Χ? )-扣少('.)| - <
[0106] V V =miη 2 P,；Φ (X) (D - W) Φ (X)7 Ρφ
[0107] 对于线性映射Ρφ，存在系数ai e R，使得<V= (χ,) = Φα带回上式，加上尺 Ο 度归一条件aTKDKa = l;
[0108] 所述在高维特征空间中，将最小化目标函数问题可以转化成广义的特征值求解问 题，包括：
[0109] K(D-ff)Ka = AKDKa
[0110] 其中，1^」=1^(叉1山）=4>(叉01'4>(叉」)为核矩阵。
[0111]优选的，所述对传感器响应信号进行非线性特征提取，得到茶叶样品的滋味特征， 包括： ,,.,_ . ^ " expf-||七-xj/ij.如果X,.和X,互为对方的近邻
[0112] 构造权重矩阵1 l J,1 7 / J ； 、0 其它
[0113] 计算拉普拉斯矩阵：D为对角矩阵，对角线元素为S按行（或列）求和（S是对称矩 阵），即D,/ = Σ °L = D_S是近邻图上的拉普拉斯矩阵； J
[0114] 计算训练样本集的核矩阵K=[Kij]，其中Kij = k(xi,xj) = Φ (Xi)TC> (Xj);
[0115] 求解K(D_W)Ka = AKDKa的特征值和对应的特征向量a = [αι，a2，…，aN]T，并按照特 征值从大到小的顺序进行排序；
[0116]将训练样本Φ(Χι)投影到第k个特征向量上最为样本的非线性特征：
[0117] Φ(χ )( ν' =Φ(χ/)< Σα·Φ(χ/) = Σ?·Φ(χ/)/ φ(χ/) = Σα/^// 户 ? />1 /=1
[0118] 计算测试样本Α与训练集样本之间的核矩阵Κ'，将测试样本投影到特征向量上 Μ
[0119] 优选的，所述将茶叶样品的滋味特征输入分类器，进行茶叶品质等级判定，包括：
[0120] 对于待测样本^和训练图像样本^，计算待测图像样本与训练图像样本之间的相 似度(/(5,，*,:)::
[0122] 若g(t) = niirW(5,，x,_)，样本私属于类别k，则测试样本七被决策为类别k。
[0123] 本发明实施例的基于流形学习的电子舌信号特征提取方法，比较流形学习算法和 传统线性降维方法对不同等级茶叶的分类效果，分别采用KLPP(核局部线性保留映射）、 KLDA(核线性保留映射）、KPCA(核主成分分析）、LLE(局部线性嵌入）、Isomap、LPP(局部线性 保留映射）、LDA(线性保留映射）、PCA(主成分分析)对电子舌智能感官仪器数据进行降维。 本发明对不同算法随降维维数变化而得到的正确识别率进行比较。八种算法可以分为线性 方法(PCA、LDA、LPP)和非线性方法(KPCA、KLDA、KLPP、I somap、LEE)两类，附图5和附图6分别 显示线性方法和非线性方法在不同降维维数下对四类茶叶分类的正确识别率曲线。
[0124] 从附图6a-6d可以看出，PCA算法的正确识别率整体低于LDA和LPP。LDA和LPP算法 都采用监督型计算方法，从图中可以看到，当特征维数较低时，LPP的正确识别率优于LDA正 确识别率，随着特征维数的增加，两者的差距逐渐缩小。
[0125] 从附图7a_7d可以看出，监督型算法KLDA和KLPP的正确识别率高于非监督型算法 (KPCA，I somap，LLE)。KLDA和KLPP算法具有类似的识别率曲线，KLPP的正确识别率在四种实 验情况下的实验结果高于KLDA算法或是相同。对于非监督型方法，KPCA算法和LLE算法得到 的正确识别率明显高于Isomap算法。总体看来，线性方法对应的核方法一般均优于原线性 算法的识别效果。
[0126] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员 来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也 应视为本发明的保护范围。
【主权项】
1. 一种基于流形学习的电子舌信号特征提取方法，其特征在于，所述基于流形学习的 电子舌信号特征提取方法包括： 利用电子舌对茶叶样品进行检测，得到传感器响应时序信号； 根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除； 对流形学习算法的参数进行优化，以龙井茶品质等级正确识别率为依据选择流形学习 算法的参数； 采用流形学习算法对传感器响应信号进行非线性特征提取，得到茶叶样品的滋味特 征； 将茶叶样品的滋味特征输入分类器，进行茶叶品质等级判定。2. 根据权利要求1所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述 传感器响应时序信号包括:ZA传感器响应时序信号、BB传感器响应时序信号、JE传感器响应 时序信号、GA传感器响应时序信号、HA传感器响应时序信号、JB传感器响应时序信号、CA传 感器响应时序信号和Ag/AgCl参比电极传感器响应时序信号中的至少一种。3. 根据权利要求1或2任意一项所述的基于流形学习的电子舌信号特征提取方法，其特 征在于，所述利用电子舌对茶叶样品进行检测，包括： 按照顺序将样品和清洗溶液放置在电子舌的自动进样器上； 每个样品重复采集，每次采集按照"茶汤样品-清洗液1-清洗液2"的流程进行。4. 根据权利要求1所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述 根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除，包括： 对数据集X = [ Xi，X2，…，Xn] e RmXN进行中心化，Si = X, - m:; 计算中心化数据的协方差矩罔计算协方差矩阵的特征值和特征向量:Cv = λν; 将协方差矩阵的特征值11按由大到小的顺序进行排序，特征值所对应的特征向量按由 大到小的顺序排序； 利用y;=V'.将数据样本投影到〇 = λν中得到的特征向量上； 利用夫=vy,.计算样本估计值，主成分残差即为样本真实值与估计值之差，即为均值向量，V为特征值所对应的特征向量； 样本点之间的马氏距离为:Cl1尸[(Xl-Xj)T[c 〇v(x)]-1U1-Xj)]172; 以主成分残差值及样本点与同类样本均值之间的马氏距离为依据，将远离同类样本点 总体分布的样本点判断为异常样本剔除。5. 根据权利要求1或4任意一项所述的基于流形学习的电子舌信号特征提取方法，其特 征在于，所述对流形学习算法的参数进行优化，以茶叶品质等级正确识别率为依据选择流 形学习算法的参数，包括： 以热核法构造权重矩阵对热核函数中的参数t进行优化选择； 对高斯核函数k(x，y) = exp(_| |x_y| |2/2〇2)中的参数σ2进行优化选择； 参数选择时以茶叶品质等级判定的正确识别率为依据选择参数值。6. 根据权利要求5所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述 以热核法构造权重矩阵，包括： 若样本点i和样本点j是近邻点，贝1J权重系数为Wij = exp(_| |xi_xj| |2/t); 若样本点i和样本点j不是近邻点，则权重系数为Wij = O。7. 根据权利要求5所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述 采用流形学习算法对传感器响应信号进行非线性特征提取，得到茶叶样品的滋味特征，包 括： 通过一个非线性变换φ =ITbjz-把输入数据映射到高维特征空间，非线性变换后的 数据点为φ (Xi)，φ (X2)，…，φ (XN); 在高维特征空间中，将最小化目标函数问题可以转化成广义的特征值求解问题； 对传感器响应信号进行非线性特征提取，得到茶叶样品的滋味特征。8. 根据权利要求7所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述 通过一个非线性变换Φ : Rw 把输入数据映射到高维特征空间，非线性变换后的数据 点为 φ (Xl)，φ (X2)，···，φ (XN)包括：对于线性映射Ρφ，存在系数,带回上式，加上尺度归 一条件 aTKDKa = l; 所述在高维特征空间中，将最小化目标函数问题可以转化成广义的特征值求解问题， 包括： K(D-W)Ka = AKDKa 其中，Kij = k(xi，xj) = Φ (Xi)TC> (Xj)为核矩阵。9. 根据权利要求8所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述 对传感器响应信号进行非线性特征提取，得到茶叶样品的滋味特征，包括：如果XiSlx7Si为对方的近邻 构造权重矩P ] ； ^ 其它 计算拉普拉斯矩阵:D为对角矩阵，对角线元素为S按行(或列）求和（S是对称矩阵），即= D-S是近邻图上的拉普拉斯矩阵； 计算训练样本集的核矩阵1(=[1(^]，其中1(^ = 1^(11，1」）=4>(1〇1'4>(1」）； 求解K(D-W)Ka = AKDKa的特征值和对应的特征向量a = [Q1，a2，…，αΝ]τ，并按照特征值从 大到小的顺序进彳丁排序； 将训练样本Φ (X1)投影到第k个特征向量上最为样本的非线性特征：计算测试样本A与训练集样本之间的核矩阵K'，将测试样本投影到特征向量上10.根据权利要求1所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所 述将茶叶样品的滋味特征输入分类器，进行茶叶品质等级判定，包括： 对于待测样本S,和训练图像样本^，计算待测图像样本与训练图像样本之间的相似度 (/(Χ.-,Χ·)：耘Xi属于类别k，则测试样本^被决策为类别k。
【文档编号】G01N27/27GK106018515SQ201610403910
【公开日】2016年10月12日
【申请日】2016年6月8日
【发明人】支瑞聪, 张德政
【申请人】北京科技大学