一种基于自组织图的人工嗅觉系统在线校正样本生成方法与流程

本发明属于气味分析
技术领域：
，尤其涉及一种基于自组织图的人工嗅觉系统在线校正样本生成方法。
背景技术：
：人工嗅觉系统是一种新颖的气味分析手段，具有检测快速、无创、操作简便、低成本等优点。人工嗅觉系统主要分为气体传感器阵列和模式识别方法两部分，其中“气体传感器阵列”采用具有交叉敏感性的低成本气体传感器，以获得气味图谱；“模式识别”则采用人工智能、机器学习等方法对气味进行定性和定量分析。气体传感器“长期漂移”是人工嗅觉系统不可回避的问题，随着使用时间的延长，“气体传感器阵列”的气味图谱会发生缓慢而无规律的变化；使得“模式识别”方法的识别正确率随时间逐步下降，最终将变得不可信赖；通常采取定期对人工嗅觉系统进行特定样本的数据采集，根据采集到的数据进行“模式识别”算法校正，使算法与发生漂移后的气味图谱进行匹配。然而常规校正方法需要停止人工嗅觉系统的正常工作，需要配置和购买专门的测试样本，还需要专业的操作人员进行调控，综合成本较高。对于拆卸移动不变且需要在线监测的系统的而言不具可行性。综上所述，现有技术存在的问题是：1)对于需要长期在线工作的设备，无法进行常规校正，故系统识别准确率会随工作时间显著下降；2)常规校正方法需要准备特定校正样本且设备校正期间无法正常工作，浪费大量的财力、人力和物力。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自组织图的人工嗅觉系统在线校正样本生成方法。本发明是这样实现的，一种基于自组织图的人工嗅觉系统在线校正样本生成方法，所述基于自组织图的人工嗅觉系统在线校正样本生成方法包括初始训练阶段和在线更新阶段；所述初始训练阶段将每一次检测表示为一个p维向量，包含k类样本，则构建k层的自组织图神经网络，每层由神经元组成n×m结构的二维平面，神经网络中共有k×n×m个神经元，令神经网络权值矩阵为其中表示第k层平面坐标为(n,m)的p维权值向量，且k∈{1，…，k}，n∈{1，…，n}，m∈{1，…，m}；当某p维训练样本xt进入网络后，进行初始化；所述在线更新阶段完成初始训练以后，进入测试，样本xp所属类别是未知的，后续分类器依据w中的在线训练样本对xp进行分类，后续分类器的分类结果为第k类。进一步，所述初始化具体包括：1)由训练样本xt的类别计算第层所有神经元权值与xt的距离：以距离最小的神经元为获胜神经元，保存神经元的位置：其中，和分别为获胜神经元在第层的二维坐标；2)对第层神经元权值进行如下迭代：其中α∈(0,1)为学习速率，定义如下：3)重复1)和2)，直至训练样本全部进入神经网络进行初始训练；4)重复1)-3)，使自组织图神经网络权值分布与训练样本接近。进一步，所述在线更新阶段具体包括：1)计算所有神经元权值与xp的距离：以距离最小的神经元为获胜神经元，保存该神经元的位置：其中为获胜神经元所在层的序号，和分别为获胜神经元在第层的二维坐标；2)对第k层神经元权值进行如下迭代：其中α∈(0,1)为学习速率，定义如下：3)利用神经网络权值矩阵w对分类器进行训练或利用w中的“在线训练样本”进行下一次分类。本发明的另一目的在于提供一种应用所述基于自组织图的人工嗅觉系统在线校正样本生成方法的人工嗅觉系统。本发明的另一目的在于提供一种应用所述基于自组织图的人工嗅觉系统在线校正样本生成方法的气体传感器。本发明的优点及积极效果为：表2中的结果表明使用本发明能够使人工嗅觉系统在未进行传统校正的情况下完成模式识别方法的修正，与未进行校正的情况比较，在多类别分类应用中，系统识别准确率由42.56％上升至48.51％。附图说明图1是本发明实施例提供的基于自组织图的人工嗅觉系统在线校正样本生成方法流程图。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自组织图的人工嗅觉系统在线校正样本生成方法包括以下步骤：s101：每一次检测表示为一个向量，构建自组织图神经网络，训练样本进入神经网络，进行初始化；s102：完成初始训练以后，进入测试，后续分类器依据在线训练样本对进行分类。本发明实施例提供的基于自组织组织图的人工嗅觉系统在线校正样本生成方法包括初始训练和在线更新两个阶段。1、初始训练将每一次检测表示为一个p维向量，假设包含k类样本，则构建一个k层的自组织图(self-organizedmap)神经网络，每层由神经元组成n×m结构的二维平面，故神经网络中共有k×n×m个神经元，令神经网络权值矩阵为其中表示第k层平面坐标为(n,m)的p维权值向量，且k∈{1，…，k}，n∈{1，…，n}，m∈{1，…，m}。当某p维训练样本xt进入网络后，初始化：1)由训练样本xt的类别计算第层所有神经元权值与xt的距离：以距离最小的神经元为获胜神经元，保存该神经元的位置：其中，和分别为获胜神经元在第层的二维坐标。2)对第层神经元权值进行如下迭代：其中α∈(0,1)为学习速率，定义如下：3)重复步骤1)和步骤2)，直至训练样本全部进入神经网络进行初始训练。4)重复步骤1)-步骤3)，满足一定的循环次数后停止。此时的神经网络权值矩阵w即为初始化的“在线训练样本”集，第k层的n×m个神经元权值即为第k类样本的“在线训练样本”集。2、在线更新完成初始训练以后，进入测试，样本xp所属类别是未知的，后续分类器依据w中的“在线训练样本”对xp进行分类，设后续分类器的分类结果为第k类，步骤如下：1)计算所有神经元权值与xp的距离：以距离最小的神经元为获胜神经元，保存该神经元的位置：其中为获胜神经元所在层的序号，和分别为获胜神经元在第层的二维坐标。2)对第k层神经元权值进行如下迭代：其中α∈(0,1)为学习速率，定义如下：3)利用神经网络权值矩阵w对分类器进行训练或利用w中的“在线训练样本”进行下一次分类。在线更新使神经元权值(即“在线训练样本”集)与当前样本变化保持同步，可以为后续分类器的实时更新提供支持，使分类器与产生漂移后的人工嗅觉系统响应相匹配。下面结合检测对本发明的应用效果作详细的描述。使用包含16个金属氧化物气体传感器的人工嗅觉系统，分别对氨气、乙醛、丙酮、乙烯、乙醇和甲苯等六种(即k＝6)气体进行检测。每次检测中从每个传感器响应曲线上提取2个稳态特征和6个动态特征，将每次检测特征化为一个128维(p＝128)的矢量。漂移抑制，检测时间跨度为36个月并将所有检测数据整理到10个数据集中，每个数据集所包含数据与检测时间对应关系见表1。取n＝m＝10，将数据集1中的数据作为初始训练样本，将数据集2-10中的数据作为测试样本，分类方法采用最近邻法(knn)，选取采用本发明方法和未采用本发明方法两种情况进行对比，结果如表2所示。表2中的结果表明本发明能够于在线工作条件下，提高人工嗅觉系统的抗长期漂移能力。表1数据集与检测时间数据集编号检测时间数据集1第1-2月数据集2第3-10月数据集3第11-13月数据集4第14-15月数据集5第16月数据集6第17-20月数据集7第21月数据集8第22-23月数据集9第24-35月数据集10第36月表2检测结果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12