买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西南大学

摘要：本发明涉及一种基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其特征在于：步骤如下：S1、采用电子鼻系统采集柑橘汁香气特征数据；S2、使用随机二进制数对柑橘汁香气特征数据过滤，形成柑橘汁香气特征字典；S3、利用核函数将非线性数据映射为线性数据；S4、对LKSVD目标函数进行初始化；S5、对LKSVD目标函数进行加权系数标准化；S6、将标准化后的LKSVD目标函数进行更新优化；S7、结合优化后的LKSVD目标函数，利用线性分类器得到柑橘汁香气特征字典的类标签；S8、根据柑橘汁香气特征字典的类标签对柑橘汁香气特征数据进行分类。本发明引入核函数，使LKSVD算法对数据的处理更为理想；使用EQPSO算法对LKSVD目标函数的加权参数进行优化，达到良好的分类效果。

主权项：1.一种基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其特征在于：步骤如下：S1、采用电子鼻系统采集柑橘汁香气特征数据，得到电子鼻特征矩阵；S2、使用随机二进制数对柑橘汁香气特征数据进行过滤，选择电子鼻中传感器的最佳组合，将最佳组合采集的所有数据形成柑橘汁香气特征字典；S3、利用核函数，将柑橘汁香气特征字典中的非线性数据映射为线性数据；S4、对LKSVD目标函数进行初始化；S5、对LKSVD目标函数进行加权系数标准化；S6、将步骤S5中标准化后的LKSVD目标函数进行更新优化；S7、结合步骤S6中优化后的LKSVD目标函数，利用线性分类器得到柑橘汁香气特征字典的类标签；S8、根据柑橘汁香气特征字典的类标签对柑橘汁香气特征数据进行分类。

全文数据：基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法技术领域本发明涉及气体特征检测技术领域，具体是一种基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法。背景技术柑橘加工产品的香气特征可以作为食品安全检验的标准，因此研究柑橘加工产品的香气特征具有重要意义。有些过期的果汁饮料被企业非法回收再销售，通过分析果汁的香气特征来判断是否过时，不仅对消费者有帮助，还使监管部门的工作变得更加容易。风味是决定柑橘品质和营养价值的关键因素。目前，检测柑橘品质的主要方法是感官分析和精密仪器。感官分析在大量的传统加工中得到广泛应用。虽然这种测试方法对消费者极为友好，但在该过程中存在的主观因素太多，会导致检测结果不准确。而分析较为客观、科学的精密仪器分析方法成为了科学研究的主要分析测试方法。但是采用高精密仪器的成本高，现实生产和生活中很难应用，并且精密仪器分析的前置处理步骤复杂，操作极其不便，对操作人员的技术要求也比较高，所以很难广泛应用。目前出现了一种类似生物嗅觉装置设计用来分析气体气味的装置-电子鼻E-nose，电子鼻系统结合了一系列传感器和LKSVD算法，首先提取传感器的相应曲线，利用LKSVD算法处理各传感器提取的特征数据。但目前的电子鼻系统存在以下缺陷：1对非线性数据的处理不够理想；2多个传感器的交叉响应性使采集的数据存在冗余；3LKSVD算法中目标函数的加权系数权值相对大小会影响最终分类结果的准确性，而目前未得到最佳权重。发明内容针对上述电子鼻系统存在的缺陷，本发明提供了一种基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，该方法能够得到准确的电子鼻特征分类标签，从而使电子鼻系统采集的气体特征分类结果更理想。为了达到上述目的，本发明的技术方案如下：一种基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其关键在于：步骤如下：S1、采用电子鼻系统采集柑橘汁香气特征数据，得到电子鼻特征矩阵；S2、使用随机二进制数对柑橘汁香气特征数据进行过滤，选择电子鼻中传感器的最佳组合，将最佳组合采集的所有数据形成柑橘汁香气特征字典；S3、利用核函数，将柑橘汁香气特征字典中的非线性数据映射为线性数据；S4、对LKSVD目标函数进行初始化；S5、对LKSVD目标函数进行加权系数标准化；S6、将步骤S5中标准化后的LKSVD目标函数进行更新优化；S7、结合步骤S6中优化后的LKSVD目标函数，利用线性分类器得到柑橘汁香气特征字典的类标签；S8、根据柑橘汁香气特征字典的类标签对柑橘汁香气特征数据进行分类。采用上述方案，由于电子鼻数据的分布是非线性的，因此LKSVD算法用于直接处理数据效果不理想，而将核函数引入与LKSVD算法结合，可以将非线性数据映射成线性数据，从而使LKSVD算法更好地处理电子鼻数据；而对于电子鼻采集数据存在的冗余，使用随机二进制数对特征数据进行过滤，可以很好地去除冗余；然后对LKSVD目标函数的加权系数进行标准化，得到精准的权重值，从而使分类效果变得非常理想。选择合适的字典是基于分类的稀疏表示的第一步，也是最重要的一步。字典学习的目标是学习一个过完备的字典矩阵D：D∈Rn×K，nK，在包含K个向量的字典中寻找一个线性表示来表示出当前这个n维的向量。信号矢量yy∈Rn可由原子的线性组合来稀疏表示，记为x,x∈RK满足y＝Dx或y≈Dx，x可以再通过||y-Dx||p≤ε的一些小值ε和一些Lp范数eg：L1，L2或L∞范数来精确化。如果D是一个满秩矩阵，则稀疏表示有无限个解。为了确保稀疏性，最好选择含非零系数个数最少的解，再通过最小化重构误差和满足稀疏约束来实现D。进一步地描述，步骤S2中，所述随机二进制数由EQPSO算法得到。采用上述方案，利用随机二进制数来过滤适当的字典初始化原子，其中二进制数中的1表示选择这个传感器，0表示不选择该传感器，从而达到去除冗余信息并过滤特征代表数据的效果。通过识别率作为适应度函数，只有相应的适应度函数达到最大，才能选择一组参数，决定使用哪些传感器。进一步地描述，步骤S3中，所述核函数为RBF核函数，其表达式为：其中，Zi,Zj为任意两个输入的柑橘汁香气特征数据，σ为函数的宽度参数，控制函数的径向作用范围。上述方案中，RBF核函数为高斯核函数，σ决定映射到高维空间的数据分布，是一个非常重要的参数，采用EQPSO优化算法来确定其最优值。进一步地描述，步骤S4中，所述LKSVD目标函数表达式为：其中，表示重构误差，表示判别式稀疏编码误差，表示分类误差，ε为判别式稀疏编码误差的加权系数，ω为分类误差的加权系数；Y＝[y1...yN]∈Rn×N是N个n维的输入信号，X为Y的稀疏表示，X＝[x1,...xN]∈RK×N，D＝[d1...dK]∈Rn×K是学习的字典，K表示字典项的个数，||xi||0是xi向量中非零项的个数，T是稀疏约束因子；Q为用来进行分类的输入信号Y的判别式稀疏表示，H是输入信号Y的类标签，[h1...hN]∈Rm×N，hi＝[0,0...1...0,0]t∈Rm是与输入信号相对应的标签向量，A是线性变换矩阵，W是分类器参数。上述方案中，LKSVD算法一种学习稀疏编码鉴别字典的标签一致性KSVD算法,该算法联合学习单个过完备字典和最优线性分类产生字典，因此具有相同类标签的特征点将具有相似的稀疏代码。如果qi的非零值出现在输入信号和字典项dk共享相同标签的索引处，则称qi为对应于输入信号Y的判别式稀疏编码；hi中的非零位置指示了输入信号的类别。更进一步地描述，所述LKSVD目标函数的初始化方法为：基于稀疏表示计算得到参数D0和X0；利用计算出A0，用计算出W0。上述方案中，初始化D0即在每个类中采用几次KSVD迭代，再组合每个KSVD的所有输出，然后根据每个字典项dk对应的类来初始化其标签，并在整个字典学习过程中保持固定，进一步地描述，步骤S5中，所述LKSVD目标函数的加权系数标准化方法为：S51、对LKSVD目标函数进行重新加权，得到表达式：其中，α，β和γ为权重因子，α+β+γ＝1，α，β，γ∈0,1；S52、采用EQPSO算法确定α，β和γ的最优值。粒子群算法PSO是一种基于群体智能理论的进化算法。这种用于连续搜索空间问题的群智能算法由于编程简单、收敛速度快而得到广泛应用。其表达式为：且其中t是算法的当前迭代数，r1和r2是[0，1]中的随机数。Pid是粒子的当前最优位置，Pgd是粒子群的全局最优位置。然而，在经典粒子群算法中，粒子搜索过程是以轨道形式实现的，并且粒子的飞行速度是有限的。因此，在搜索过程中，粒子搜索空间有限不能覆盖整个可行搜索空间。一般的PSO算法不能保证收敛到概率为1的全局最优解。为了解决粒子群算法的这一缺点，量子行为粒子群算法QPSO被提出。QPSO将粒子群优化算法与量子力学相结合。QPSO算法在搜索能力、收敛速度、精度和求解鲁棒性等方面具有很大的优势。与其它算法相比，QPSO的最大特点之一是计算简单，控制参数少。该算法不仅在搜索能力上优于一般的粒子群优化算法，而且在精度上也优于一般的粒子群优化算法。利用波函数来确定各粒子的状态以及确定各粒子最佳位置的中心平均最佳位置。对于粒子的位置，得到一个更新的方程：uijt～U0,1其中α为压缩膨胀因子，用来调节粒子的收敛速度。然而，当迭代次数不是无穷大时，QPSO不能保证找到全局最优值。增强型QPSOEQPSO是一种改进的QPSO算法，它能够保证在有限的迭代次数下找到最接近最优值的值。该算法在迭代初期具有较强的粒子多样性，在迭代后期具有较好的局部搜索能力。同时，EQPSO算法的收敛速度比PSO、QPSO算法都快。所述EQPSO算法表达式为：其中，U0,1是分布在0和1之间的随机数，Pid是局部吸引子，即粒子i个体最好位置pbest的第d维分量，Pgd是全局吸引子，即群体最好位置mbest的第d分量，Lc是迭代总次数，Cc是当前迭代次数。上述方案中，EQPSO算法是改进的量子行为粒子群算法，EQPSO算法的优化α1，β1和γ1的过程可以描述为以下步骤：首先初始化粒子，使Xid＝Pid，Xid迭代粒子i位置矢量的第d维分量,然后根据适应度函数更新pid且在每个粒子的最佳位置更新pgd，再计算mbest、Pid、Xid，重复步骤直到算法满足结束条件为止，最终可以获得较准确的优化得到的系数α,β,γ；其中mbest是所有粒子的平均最佳位置，计算方法为：更进一步地描述，步骤S6中，所述字典的更新优化方法为：S61、设其中t为当前迭代次数，Ynew为当前迭代次数的Y值，Dnew为当前迭代次数的D值，则：S62、判断当前迭代次数中，Dnew是否小于阈值，是则进入步骤S63，否则t的值加1，并返回步骤S61；S63、通过上式得到更新后的D、A和W。上述方案中，阈值为经验值，可由工作人员根据实际情况设置。由于初始的字典往往不是最优的，稀疏表示的数据和原数据存在较大误差，因此需要在满足稀疏性的条件下逐行逐列更新优化，减小整体误差，逼近可用字典。步骤S7中，所述类标签的计算方法为：计算yi的稀疏表示利用线性分类器fx；W＝Wx来计算yi的类标签l为类标签向量；其中由于算法中L2范数正规化，将D、A和W改为形式，应用于线性分类器。有益效果：1使用随机二进制数对电子鼻系统采集的数据进行过滤，选择最佳传感器组合，去除了因多个传感器交叉响应产生的冗余信息；2引入核函数，将电子鼻系统采集的非线性数据映射为线性数据，从而使LKSVD算法对数据的处理更为理想；3使用EQPSO算法对LKSVD目标函数的加权参数进行优化，取得最佳权值，达到良好的分类效果。附图说明图1为本发明的流程框图；图2为本发明算法的具体流程图。具体实施方式下面结合实施例及附图对本发明作进一步说明：实施例：本实施例中，设置实验室温25℃、湿度环境40％，使得电子鼻系统的各传感器能够正常工作。将瓦伦西亚橙汁放入电子鼻系统中，对气体数据采样分三个阶段，首先，将所有传感器暴露于清洁空气中5分钟以获得基线；其次，将目标气体引入室内7分钟；第三，传感器阵列再次暴露于清洁空气中5分钟以清洁t他检测并恢复基线。最后提取传感器稳态响应的最大值，建立电子鼻的特征矩阵。进入数据处理步骤：如图1、图2所示，一种基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其关键在于：步骤如下：S1、采用电子鼻系统采集柑橘汁香气特征数据，得到电子鼻特征矩阵；S2、使用随机二进制数对柑橘汁香气特征数据进行过滤，选择电子鼻中传感器的最佳组合，将最佳组合采集的所有数据形成柑橘汁香气特征字典；所述随机二进制数由EQPSO算法得到；S3、利用核函数，将柑橘汁香气特征字典中的非线性数据映射为线性数据；所述核函数为RBF核函数，其表达式为：其中，Zi,Zj为任意两个输入的柑橘汁香气特征数据，σ为函数的宽度参数，控制函数的径向作用范围；S4、对LKSVD目标函数进行初始化；所述LKSVD目标函数表达式为：其中，表示重构误差，表示判别式稀疏编码误差，表示分类误差，ε为判别式稀疏编码误差的加权系数，ω为分类误差的加权系数；Y＝[y1…yN]∈Rn×N是N个n维的输入信号，X为Y的稀疏表示，X＝[x1,...xN]∈RK×N，D＝[d1...dK]∈Rn×K是学习的字典，K表示字典项的个数，||xi||0是xi向量中非零项的个数，T是稀疏约束因子；Q为用来进行分类的输入信号Y的判别式稀疏表示，H是输入信号Y的类标签，[h1...hN]∈Rm×N，hi＝[0,0...1...0,0]t∈Rm是与输入信号相对应的标签向量，A是线性变换矩阵，W是分类器参数；所述LKSVD目标函数的初始化方法为：基于稀疏表示计算得到参数D0和X0；利用计算出A0，用计算出W0S5、对LKSVD目标函数进行加权系数标准化；所述LKSVD目标函数的加权系数标准化方法为：S51、对LKSVD目标函数进行重新加权，得到表达式：其中，α，β和γ为权重因子，α+β+γ＝1，α，β，γ∈0,1；S52、采用EQPSO算法确定α，β和γ的最优值。本实施例中，α＝0.1988，β＝0.7661,γ＝0.0351所述EQPSO算法表达式为：其中，U0,1是分布在0和1之间的随机数，Pid是局部吸引子，即粒子i个体最好位置pbest的第d维分量，Pgd是全局吸引子，即群体最好位置mbest的第d分量，Lc是迭代总次数，Cc是当前迭代次数。S6、将步骤S5中标准化后的LKSVD目标函数进行更新优化；所述字典的更新优化方法为：S61、设其中t为更新迭代次数，Ynew为当前迭代次数的Y值，Dnew为当前迭代次数的D值，则：S62、判断当前迭代次数中，Dnew是否小于阈值，是则进入步骤S63，否则t的值加1，并返回步骤S61；S63、通过上式得到更新后的D、A和W。S7、结合步骤S6中优化后的LKSVD目标函数，利用线性分类器得到柑橘汁香气特征字典的类标签；所述类标签的计算方法为：计算yi的稀疏表示利用线性分类器fx；W＝Wx来计算yi的类标签l为类标签向量；其中由于算法中L2范数正规化，将D、A和W改为形式，应用于线性分类器。S8、根据柑橘汁香气特征字典的类标签对柑橘汁香气特征数据进行分类。本实施例中，对比了几种不同的KSVD技术且结果如下表：证明了LKSVD算法的分类精度可以在核函数的引入下得到提高。柑橘汁香气特征字典过小可能导致信息丢失，从而识别率低；字典过大时，过程会很复杂且识别率不一定高。当选择不同的传感器来初始化柑橘汁香气特征字典时，结果也不同。对不同柑橘汁香气特征字典初始化技术的结果比较如下表：

权利要求：1.一种基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其特征在于：步骤如下：S1、采用电子鼻系统采集柑橘汁香气特征数据，得到电子鼻特征矩阵；S2、使用随机二进制数对柑橘汁香气特征数据进行过滤，选择电子鼻中传感器的最佳组合，将最佳组合采集的所有数据形成柑橘汁香气特征字典；S3、利用核函数，将柑橘汁香气特征字典中的非线性数据映射为线性数据；S4、对LKSVD目标函数进行初始化；S5、对LKSVD目标函数进行加权系数标准化；S6、将步骤S5中标准化后的LKSVD目标函数进行更新优化；S7、结合步骤S6中优化后的LKSVD目标函数，利用线性分类器得到柑橘汁香气特征字典的类标签；S8、根据柑橘汁香气特征字典的类标签对柑橘汁香气特征数据进行分类。2.根据权利要求1所述的基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其特征在于：步骤S2中，所述随机二进制数由EQPSO算法得到。3.根据权利要求1所述的基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其特征在于：步骤S3中，所述核函数为RBF核函数，其表达式为：其中，Zi,Zj为任意两个输入的柑橘汁香气特征数据，σ为函数的宽度参数，控制函数的径向作用范围。4.根据权利要求1所述的基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其特征在于：步骤S4中，所述LKSVD目标函数表达式为：其中，表示重构误差，表示判别式稀疏编码误差，表示分类误差，ε为判别式稀疏编码误差的加权系数，ω为分类误差的加权系数；Y＝[y1...yN]∈Rn×N是N个n维的输入信号，X为Y的稀疏表示，X＝[x1,...xN]∈RK×N，D＝[d1...dK]∈Rn×K是学习的字典，K表示字典项的个数，||xi||0是xi向量中非零项的个数，其中i∈[1,N]，T是稀疏约束因子；Q为用来进行分类的输入信号Y的判别式稀疏表示，H是输入信号Y的类标签，[h1...hN]∈Rm×N，hi＝[0,0...1...0,0]t∈Rm是与输入信号相对应的标签向量，A是线性变换矩阵，W是分类器参数。5.根据权利要求4所述的基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其特征在于：所述LKSVD目标函数的初始化方法为：基于稀疏表示计算得到参数D0和X0；利用计算出A0，用计算出W0。6.根据权利要求5所述的基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其特征在于：步骤S5中，所述LKSVD目标函数的加权系数标准化方法为：S51、对LKSVD目标函数进行重新加权，得到表达式：其中，α，β和γ为权重因子，α+β+γ＝1，α，β，γ∈0,1；S52、采用EQPSO算法确定α，β和γ的最优值。7.根据权利要求2或6所述的基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其特征在于：所述EQPSO算法表达式为：其中，U0,1是分布在0和1之间的随机数，Pid是局部吸引子，即粒子i个体最好位置pbest的第d维分量，Pgd是全局吸引子，即群体最好位置mbest的第d维分量，Lc是迭代总次数，Cc是当前迭代次数。8.根据权利要求6所述的基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其特征在于：步骤S6中，所述字典的更新优化方法为：S61、设其中t为更新迭代次数，Ynew为当前迭代次数的Y值，Dnew为当前迭代次数的D值，则：S62、判断当前迭代次数中，Dnew是否小于阈值，是则进入步骤S63，否则t的值加1，并返回步骤S61；S63、通过上式得到更新后的D、A和W。9.根据权利要求8所述的基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法，其特征在于：所述类标签的计算方法为：计算yi的稀疏表示利用线性分类器fx；W＝Wx来计算yi的类标签l为类标签向量；其中由于算法中L2范数正规化，将D、A和W改为形式，应用于线性分类器。

百度查询： 西南大学 基于LKSVD的面向柑橘汁香气检测的电子鼻特征提取与分类方法