基于离散小波变换的有监督式人工味觉系统特征提取方法与流程

文档序号:11200264阅读:877来源:国知局
基于离散小波变换的有监督式人工味觉系统特征提取方法与流程

本发明属于气相化学分析技术领域,尤其涉及一种基于离散小波变换的有监督式人工味觉系统特征提取方法。



背景技术:

人工味觉系统是一种新兴的气相化学分析手段,具有检测快速、无创、操作简便、低成本等优点。人工味觉系统主要分为电极阵列和模式识别方法两部分,其中“电极阵列”多采用具有交叉敏感性的惰性金属电极构成“三电极系统”,三电极系统中的电极依据自身功能的不同可分为:参比电极、辅助电极和工作电极。系统通过参比电极在溶液中形式电场,辅助电极和工作电极则在电场作用下形成回路,“模式识别”方法根据回路电流响应的不同对物质进行区分和鉴别。由于不同频率和强度的电场,会使工作电极电流产生丰富的瞬态响应,因此当前人工味觉系统多采用“多频脉冲”对参比电极进行电场调制,在工作电极上就会获得具有丰富频率成分的响应,而原始信号通常是以时域形式表示的,需要通过频域分析方法,如离散小波变换,对原始信号进行特征提取,以便于“模式识别”部分进行判别。传统的离散小波变换随着分解层数的增加,会产生大量的小波系数,选取过多小波系数作为特征会增大“模式识别”的复杂度,选取量过少又存在漏选最佳小波系数的可能。

综上所述,现有技术存在的问题是:传统的离散小波变换存在选取过多小波系数作为特征会增大模式识别的复杂度,选取量过少又存在漏选最佳小波系数。



技术实现要素:

针对现有技术存在的问题,本发明提供了一种基于离散小波变换的有监督式人工味觉系统特征提取方法。

本发明是这样实现的,一种基于离散小波变换的有监督式人工味觉系统特征提取方法,所述基于离散小波变换的有监督式人工味觉系统特征提取方法包括:对于人工味觉系统电极阵列中的任意工作电极,将其时域原始响应看作一时间序列并进行离散小波变化,得到一系列小波系数,将小波系数转换为能量比率;人工味觉系统电极阵列中有工作电极,计算第t类样本均值和所有样本均值;求类内平均距离和类间平均距离;求区分度系数;计算总区分度系数和所有小波系数对应的区分度系数,得到最优能量比率。

进一步,所述基于离散小波变换的有监督式人工味觉系统特征提取方法包括小波系数转换阶段和最优能量比率搜索阶段。

进一步,所述小波系数转换阶段包括:

得到小波系数其中i为离散小波变换分解层数,j为第i层分解后的第j个小波系数,j∈n且j≤2i;小波系数按照如下方式转换为能量比率

进一步,所述最优能量比率搜索阶段包括:

1)令计算第t类样本均值和所有样本均值

其中表示第m个训练样本的特征值,mt个表示第t类样本个数;

2)求类内平均距离dw和类间平均距离db:

3)求第i层第j个小波系数对于第t类样本的区分度系数

4)重复步骤1)-步骤3),求解所有t类样本对应的计算第i层第j个小波系数的总区分度系数θi,j:

5)重复步骤1)-步骤4),计算所有小波系数对应的总区分度系数θi,j;

6)求最优能量比率δ*

(i*,j*)=argminθi,j;

其中,(i*,j*)表示总区分度系数最小的小波系数为第i*层第j*个,δ*为最终的特征提取结果,作为后续模式识别方法的输入。

本发明的另一目的在于提供一种应用所述于离散小波变换的有监督式人工味觉系统特征提取方法的人工味觉系统。

本发明的优点及积极效果为:降低了数据复杂度,将原始数据维度由228000(=30000*6+1500*32)降低为6,降低了后续模式识别方法复杂度和计算开销;当采用最近邻(knn)方法作为后续模式识别方法时,对于多类样本识别系统平均识别正确率可由57.14%上升到83.33%。

附图说明

图1是本发明实施例提供的基于离散小波变换的有监督式人工味觉系统特征提取方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,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。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示,本发明实施例提供的基于离散小波变换的有监督式人工味觉系统特征提取方法包括以下步骤:

s101:对于人工味觉系统电极阵列中的任意工作电极,将其时域原始响应看作一时间序列并进行离散小波变化,得到一系列小波系数,将小波系数转换为能量比率;

s102:人工味觉系统电极阵列中有工作电极,计算第t类样本均值和所有样本均值;求类内平均距离和类间平均距离;求区分度系数;计算总区分度系数和所有小波系数对应的区分度系数,得到最优能量比率。

本发明实施例提供的基于离散小波变换的有监督式人工味觉系统特征提取方法分为“小波系数转换”和“最优能量比率搜索”两个阶段。

1、小波系数转换阶段

对于人工味觉系统电极阵列中的任意工作电极k,将其时域原始响应看作一时间序列并进行离散小波变化,得到一系列小波系数其中i为离散小波变换分解层数,j为第i层分解后的第j个小波系数,j∈n且j≤2i。将小波系数按照如下方式转换为能量比率

2、最优能量比率搜索阶段

假设人工味觉系统电极阵列中有k个工作电极,令有t类训练样本m个,其中第t类样本mt个,则:

1)计算第t类样本均值和所有样本均值:

其中表示第m个训练样本。

2)求类内平均距离dw和类间平均距离db:

3)求区分度系数

4)重复步骤1)-步骤3),求解所有的t个计算总区分度系数θi,j:

5)重复步骤1)-步骤4),计算所有小波系数对应的区分度系数θi,j。

6)求最优能量比率δ*

(i*,j*)=argminθi,j;

最终将δ*作为特征提取结果,作为后续“模式识别”方法的输入。

下面结合具体实施例对本发明的应用原理作进一步描述。

本发明的具体实施例使用人工嗅觉系统对红茶、绿茶、普洱茶、乌龙茶、红酒、白酒和啤酒等7种物质进行分析。每种物质在不同浓度下分别进行9次数据采集。每次数据采集过程中,工作电极个数k=6,系统采样速率为20hz,采集时长为25min.,每个电极共采集数据30000个,电极阵列激励脉冲长度为150。为验证所涉数据融合方法效果,每种物质中随机选取6次数据采集结果进行训练,剩余3次作为测试样本,采用最近邻算法knn作为分类器进行识别。小波分解层数为10层,共进行4次实验。为进行比对,表1中采用了两种特征提取方法:“方法1”为提出方法,方法2为直接将原始数据作为knn输入数据的方法,从表中结果可以看出,所提方法降低了数据复杂度,将原始数据维度由228000(=30000*6+1500*32)降低为6;此外knn方法的识别正确率也得到了较大提升。

表1识别正确率对比表

以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1