基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法的制作方法

本发明涉及果汁贮藏期检测技术领域，具体的说是一种基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法。

背景技术：

现代电子鼻系统通常具有包含数十个气体传感器的传感器阵列，在一次气体样本采集中会获得相当庞大的样本数据，并且因为电子鼻传感器阵列的交叉敏感性，不同传感器对相同的气体都会做出响应，直接将它们输入模式识别算法得到的结果非常不理想。

特征提取是传感器信号处理的第一步，它在随后的模式识别中起着重要作用：从电子鼻原始响应中提取更重要的特征，有助于提升模式识别精度。最基本的特征提取方法是直接处理原始响应曲线，如取最大值，最小值，斜率，最大值最小值对应的时间坐标，积分等。将这些取值组成原始特征矩阵用于模式识别。其中最大值代表传感器响应的最终状态，它是最常用的用于区分气体应的稳态特征。在这些方法的基础上，为了得到更好的效果，一些经典的算法被用于再次处理原始特征矩阵。例如，主成分分析是一种旨在找出几个综合指标来代表原来众多特征，这些综合指标尽可能地反映原来变量的信息，而且彼此之间互不相关的方法。然而，稳态响应用于复杂的模式识别中效果不够好，因为它往往忽略了许多重要信息。因此，特征提取也需要动态特征。

在对水果贮藏期时，水果汁的含量检测时，由于水果一般不同的地区，而远销世界各地，由于各地区气候、环境不同，水果商户需要实时对水果的品质进行检测和评估，从而指定存储计划和销售计划，然而在现有技术中，还没有对水果汁进行智能化检测的方法，还停留在人为抽检的方式进行检测，抽检过程复杂，且需要长期存在个体差异，得到的结论精确度低，不能满足需求。

技术实现要素：

针对上述问题，本发明提供了一种基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法，对水果储藏期间的果汁进行实时检测，一番发生质变或病变，提高水果保存可靠性。

为达到上述目的，本发明采用的具体技术方案如下：

一种基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法，其关键在于：

s1：获取果汁气体样本；

s2：构建果汁气体电子鼻监测系统，并对果汁气体样本进行气味检测，得到果汁气体原始响应数据集；

s3：筛选传感器；采用x位二进制参数筛选传感器，得到被标记的传感器群，该传感器群采集到的数据为标记响应数据集，并排列成响应矩阵m×n；

s4：选择带未知参数的细胞神经网络模板，根据排列成响应矩阵，建立带未知参数的果汁气体细胞神经网络；将步骤s3的标记响应数据集输入到带未知参数的果汁气体细胞神经网络中进行特征点标记，得到传感器特征点；

s5：采用增强型磷虾群优化算法，对所有未知参数寻求最优值，并对所有传感器特征点进行特征提取，得出对应的细胞神经网络模板，以及对应的细胞神经网络；

s6：根据传感器特征点得到的分类效果，对细胞神经网络的特征提取能力进行验证。

再进一步的，在步骤s1中获取果汁气体样本设置在散发器中，该散发器包括果汁容器，该果汁容器设置有出气孔与输气管的一端连接，所述输气管的另一端伸入所述电子鼻监测系统的监测腔室内。

其中，制作果汁时，任意抽取xkg的同类同成熟度的水果；采用冷压技术榨汁，经过滤、灭菌后装入散发器内；每n分钟搅拌一次。水果气体从输气管送入电子鼻监测系统的监测腔室内。

再进一步的，在步骤s2中的果汁气体电子鼻监测系统中的传感器需要预处理：

s21：将所有传感器暴露于清洁空气q分钟，以获得检测基线；

s22：将果汁气体样本引入所述电子鼻监测系统的监测腔室内，持续时间为p分钟；返回步骤s21。q、p根据实际需求进行设定。

在每次取样试验前，对果汁气体电子鼻监测系统进行自检，对传感器阵列的功率预热一段时间，然后进行正常的气味检测。在检测过程中，利用气味采集软件实时显示传感器阵列对橙汁气味的响应曲线。

其中，还需设定果汁气体电子鼻监测系统中的环境因素。其中至少包括环境温度、湿度。

再进一步的，在筛选传感器时，设定对应序列位数的二进制数为1时，则标记为选中该传感器；标记为0，则标记为未选中。

再进一步的，步骤s4中带未知参数的果汁气体细胞神经网络为：

i＝1,2,...,m,j＝1,2,...,n；

xij(t)是细胞神经网络任一单元格c(i,j)的状态值，初始条件xij(0)＝0；

uij是细胞神经网络任一单元格c(i,j)输入，其中静态输入|uij|≤1；

yij(t)是细胞神经网络任一单元格c(i,j)的输出；

a(i,j；k,l)、b(i,j；k,l)、i是细胞神经网络单元格c(k,l)c(i,j)的模板；

a是一个反馈模板，b是一个控制克隆模板，i为阈值，为阈值未知参数；

每个单元的状态和输出与连接到它的单元相关，对于每个单元格c(i,j)，下面的集合nr(i,j)可以被定义为命名r邻域；

nr(i,j)

＝{c(k.l):＝max(|(k-i)|,|l-j|)≤r,1≤k≤m,1≤l≤n},

其中，邻域半径r为正整数，对(i,j)和(k,l)是表示单元位置的索引，即通用单元及其相邻单元在网格中的行和列。

因此，细胞排列在c(i,j)的r邻域中，其大小为(2r+1)×(2r+1)网格。

再进一步的，步骤s4中，细胞神经网络类型包括单模板细胞神经网络和多模板细胞神经网络；

当为单模板细胞神经网络时：

当多模板细胞神经网络时：

其中i是传感器的序列号，j为第i个传感器的第j个采样点；i＝1,2,…m；m≤x；j＝1,2,…1024；x为筛选传感器时，二进制数的位数；m为模板数，与筛选的传感器数相等；

'+'和'-'是用于标记时间顺序；

x1、x2、x3、b为控制克隆模板未知控制参数；a为反馈模板的未知控制参数。

再进一步的，步骤s4中，反馈模板a中的未知控制参数a、控制克隆模板b中的未知控制参数x1、x2、x3、b、阈值i之间存在约束条件：

再进一步的，在步骤s5中，采用增强型磷虾群优化算法对未知参数进行选择，其中，未知参数包括反馈模板a中的未知控制参数a、控制克隆模板b中的未知控制参数x1、x2、x3、b、阈值i；

步骤s5的具体步骤为：

步骤(a)：使用由增强型磷虾群优化算法生成的x位二进制数对传感器代表进行过滤；

步骤(b)：将传感器获得的响应值排列到细胞神经网络输入的响应矩阵m×n中；

步骤(c)：若选择多模板细胞神经网络，则响应矩阵m×n输入细胞神经网络，使响应矩阵m×n的任一传感器对应一个模板；

若选择单模板，则使用同一个模板用于所有传感器；该同一模板的参数由增强型磷虾群优化算法进行优化；

步骤(d)：处理细胞神经网络的传感器特征点，以获得特征提取结果；

步骤(e)：将特征提取结果输入到分类器中以获得识别率，并使用增强型磷虾群优化算法来优化分类器的参数；

步骤(f)：重复上述步骤以获得总体最佳参数；获得最适合每个传感器特征提取的细胞神经网络模板。

再进一步的，增强型磷虾群优化算法步骤为：

第1步：初始化，初始化迭代次数，令i＝1；并初始化np磷虾种群p，设定觅食速度vf，最大扩散速度dmax、最大诱导速度nmax、最大迭代次数mi；

第2步：适应度计算；根据每个磷虾磷虾种群的初始位置计算其适合度；

第3步：当i<mi时，根据适合度对所有的磷虾种群进行排序；并对磷虾种群执行以下运动计算：

采用其他个体诱导的磷虾种群运动觅食，实现运动物理扩散；

根据公式计算计算决策权重因子dxi/dt；

ni，fi和di表示觅食运动，受到其他磷虾种群和磷虾种群i的物理扩散的影响；第一个动作fi包括两个部分：当前食物位置和有关先前位置的信息；实现交叉运算符；

更新搜索空间中的磷虾种群的位置；并根据磷虾种群的新位置计算其新的适合度；令i＝i+1，返回第1步。

本发明的有益效果：实验证明电子鼻传感器响应的动态特征更具区分性，输入到分类器中的效果比传统特征提取方法更好。细胞神经网络设计了应用于电子鼻系统的模板与数据预处理方法，解决了时间序列的电子鼻传感器响应无法使用细胞神经网络的问题。该方法可以应用于各种水果和果汁，除了存储期的检测，它还可以用于检测不同的加工类型，果汁浓度和其他信息，这有利于未来的水果分类果汁加工行业质量。它也可以为监管机构的质量检验提供参考。

附图说明

图1本发明基于细胞神经网络(cnn)的特征提取流程图；

图2实验系统示意图；

图3本发明传感器阵列的响应；

图4二维cnn结构图；

图5cnn系统结构；

图6cnn输出功能；

图7提议模板的处理示意图；

图8cnn处理后不同特征点的识别精度(％)；

图9不同特征提取技术的识别准确度(％)；

图10单模板和多模板cnn的识别准确度(％)。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

一种基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法，结合图1可以看出，其关键步骤为：

s1：获取果汁气体样本；在本实施例中，以柑橘汁为例，进行分析。

在步骤s1中获取果汁气体样本设置在散发器中，该散发器包括果汁容器，该果汁容器设置有出气孔与输气管的一端连接，所述输气管的另一端伸入所述电子鼻监测系统的监测腔室内。

其中，制作果汁时，任意抽取5kg的同类同成熟度的水果；采用冷压技术榨汁，经过滤、灭菌后装入散发器内；每15分钟搅拌一次。水果气体从输气管送入电子鼻监测系统的监测腔室内。

从表1可以看出，对柑橘汁香气成分的分析如表1所示。

表1柑橘汁香气成分分析表

s2：构建果汁气体电子鼻监测系统，并对果汁气体样本进行气味检测，得到果汁气体原始响应数据集；

在步骤s2中的果汁气体电子鼻监测系统中的传感器需要预处理：

s21：将所有传感器暴露于清洁空气5分钟，以获得检测基线；

s22：将果汁气体样本引入所述电子鼻监测系统的监测腔室内，持续时间为7分钟；返回步骤s21。

其中，果汁气体电子鼻监测系统中，各气体传感器的敏感特征分布详见表2。

表2气体传感器的主要敏感特性

注：这些传感器的响应是非特异性的。除了表2中的主要敏感气体外，它们可能还对其他气体敏感。

其中，首先将气体电子鼻监测系统检测腔室的温度和湿度设定为25℃和40％。

再进一步的，在筛选传感器时，设定对应序列位数的二进制数为1时，则标记为选中该传感器；标记为0，则标记为未选中。

s3：筛选传感器；采用15位二进制参数筛选传感器，得到被标记的传感器群，该传感器群采集到的数据为标记响应数据集，并排列成响应矩阵m×n；详见图3.

s4：选择带未知参数的细胞神经网络模板，根据排列成响应矩阵，建立带未知参数的果汁气体细胞神经网络；将步骤s3的标记响应数据集输入到带未知参数的果汁气体细胞神经网络中进行特征点标记，得到传感器特征点；

图4显示了一个简单的二维cnn结构，正方形表示单元元素，单元之间的线表示单元之间的相互作用。据我们所知，每个单元只连接到网络中的最近邻居，并且相邻的小区直接交互。由于cnn的持续时间动态传输，没有直接连接的细胞之间有间接的影响。任意选取一个有代表性的单元格，该单元格连接到其上、下、左、右、左上、左下、右上和右下方向的单元格。4个角的细胞将连接到3个相邻的细胞，剩下的外周细胞将连接到5个细胞。每个细胞是一个非线性动态系统，其状态与输入、输出和动力学规则有关。

再进一步的，步骤s4中带未知参数的果汁气体细胞神经网络为：

i＝1,2,...,m,j＝1,2,...,n；

xij(t)是细胞神经网络任一单元格c(i,j)的状态值，初始条件xij(0)＝0；

uij是细胞神经网络任一单元格c(i,j)输入，其中静态输入|uij|≤1；

yij(t)是细胞神经网络任一单元格c(i,j)的输出；

a(i,j；k,l)、b(i,j；k,l)、i是细胞神经网络单元格c(k,l)c(i,j)的模板；

a是一个反馈模板，b是一个控制克隆模板，i为阈值，为阈值未知参数；

每个单元的状态和输出与连接到它的单元相关，对于每个单元格c(i,j)，下面的集合nr(i,j)可以被定义为命名r邻域；

nr(i,j)

＝{c(k.l):＝max(|(k-i)|,|l-j|)≤r,1≤k≤m,1≤l≤n},

其中，邻域半径r为正整数，对(i,j)和(k,l)是表示单元位置的索引，即通用单元及其相邻单元在网格中的行和列。

因此，细胞排列在c(i,j)的r邻域中，其大小为(2r+1)×(2r+1)网格。细胞神经网络的工作原理如图5所示，输出函数如图6所示。

步骤s4中，细胞神经网络类型包括单模板细胞神经网络和多模板细胞神经网络；

当为单模板(single-template)细胞神经网络时：

当多模板(multi-template)细胞神经网络时：

其中i是传感器的序列号，如图7所示，j为第i个传感器的第j个采样点；

i＝1,2,…m；m≤x；j＝1,2,…1024；x为筛选传感器时，二进制数的位数；m为模板数，与筛选的传感器数相等；

'+'和'-'是用于标记时间顺序；

x1、x2、x3、b为控制克隆模板未知控制参数；a为反馈模板的未知控制参数。

结合表3，步骤s4中，反馈模板a中的未知控制参数a、控制克隆模板b中的未知控制参数x1、x2、x3、b、阈值i之间存在约束条件：

再进一步的，在步骤s5中，采用增强型磷虾群优化算法对未知参数进行选择，其中，未知参数包括反馈模板a中的未知控制参数a、控制克隆模板b中的未知控制参数x1、x2、x3、b、阈值i；

表3需要优化的参数的详细信息

s5：采用增强型磷虾群优化算法，对所有未知参数寻求最优值，并对所有传感器特征点进行特征提取，得出对应的细胞神经网络模板，以及对应的细胞神经网络；步骤s5的具体步骤为：

步骤(a)：使用由增强型磷虾群优化算法生成的x位二进制数对传感器代表进行过滤；

步骤(b)：将传感器获得的响应值排列到细胞神经网络输入的响应矩阵m×n中；

步骤(c)：若选择多模板细胞神经网络，则响应矩阵m×n输入细胞神经网络，使响应矩阵m×n的任一传感器对应一个模板；

若选择单模板，则使用同一个模板用于所有传感器；该同一模板的参数由增强型磷虾群优化算法进行优化；

步骤(d)：处理细胞神经网络的传感器特征点，以获得特征提取结果；

结合图7可以看出，标记特征点时会有多个特征点被标记，例如图7中黑色标记的点即为被标记的特征点，但是理想状态下，是用一个值代表这些被标记的特征点，结合图8，采用计算所有特征点的的最大值，最小值，平均值和差，最大值，最小值、平均值和差就是特征提取结果。

步骤(e)：将特征提取结果输入到分类器中以获得识别率，并使用增强型磷虾群优化算法来优化分类器的参数；

在本实施例中采用的柑橘汁有4种贮藏期，所以每个样本对应着4种不同的标签1234.这些样本数据，无论是训练数据和测试数据，输入分类器之后，分类器会判断出他们的标签，将分类器判断出的标签和真实标签对比，就能得出识别率。并使用增强型磷虾群优化算法来优化分类器的参数。

步骤(f)：重复上述步骤以获得总体最佳参数；获得最适合每个传感器特征提取的细胞神经网络模板。

再进一步的，增强型磷虾群优化算法步骤为：

第1步：初始化，初始化迭代次数，令i＝1；并初始化np磷虾种群p，设定觅食速度vf，最大扩散速度dmax、最大诱导速度nmax、最大迭代次数mi；

第2步：适应度计算；根据每个磷虾磷虾种群的初始位置计算其适合度；

第3步：当i<mi时，根据适合度对所有的磷虾种群进行排序；并对磷虾种群执行以下运动计算：

采用其他个体诱导的磷虾种群运动觅食，实现运动物理扩散；

根据公式计算计算决策权重因子dxi/dt；

ni，fi和di表示觅食运动，受到其他磷虾种群和磷虾种群i的物理扩散的影响；第一个动作fi包括两个部分：当前食物位置和有关先前位置的信息；实现交叉运算符；

更新搜索空间中的磷虾种群的位置；并根据磷虾种群的新位置计算其新的适合度；令i＝i+1，返回第1步。

s6：根据传感器特征点得到的分类效果，对细胞神经网络的特征提取能力进行验证。

cnn的特征提取结果与支持向量机(svm)，径向基函数(rbf)，核线性判别分析(klda)三种经典分类器相结合。增强型磷虾群优化算法(ekh)用于参数优化。每个程序重复10次，其中最佳结果是每个分类器的最终结果，结果如表4所示，介绍了测试数据(acc_test)和训练数据(acc_train)，很明显，当用cnn标记时，特征点具有良好的动态特性以区分柑橘汁的储存期。图8显示了测试数据集中不同值的识别准确度。平均值比其他处理方法更全面，可以代表传感器响应的动态特性和最佳性能。

因此，与其他特征提取方法相比，平均值取自特征作为传感器响应特征。如前所述，它们是响应最大值(max)，积分(integral)，曲线拟合(curvefitting)，主成分分析(pca)和核主成分分析(kpca)。然后我们使用支持向量机(svm)，径向基函数神经网络(rbfnn)，核线性判别分析(klda)作为分类器来比较这些特征提取的效果。结果如表5所示。可以看出，cnn特征提取效果明显优于其他算法，如图9所示。

表4细胞神经网络处理后不同特征点的分类精度显示表(％)

表5不同特征提取的分类准确度(％)

上面显示的结果是从多模板cnn获得的。此外，单模板cnn的性能测试如下。单模板和多模板cnn的识别效果如表6所示。

我们可以看到cnn的单模板版本会稍差一些，但与图10所示的其他方案相比，它仍具有良好的特征提取能力。

结果表明，cnn可以应用于电子鼻特征提取领域，本发明提出的具有良好的识别精度。此外，很明显，cnn优秀的图像处理能力可以应用于电子鼻特征提取领域，基于cnn的特征提取算法有助于提高电子鼻识别的准确性。

表6单模板和多模板cnn的分类准确度(％)

应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。