一种物质气味嗅频提取方法技术

本发明专利技术公开了一种物质气味嗅频提取方法，给出了物质气味嗅频的定义；提出叠加降维算法(Superposition Mapping Analysis，SMA)对物质气味样品进行判别训练，结合物质气味化学配比表，以后序遍历规则的平衡二叉树为存储结构，建立物质气味样品属性库，对未知物质气味进行识别；构建物质气味成分比例及浓度模型对物质气味实现浓度实时提取。本发明专利技术提供了一种利用仿生嗅觉系统提取物质气味嗅频的方法，具有快速检测、高效准确、性能稳定等优点，为实现物质气味远距离网络传输提供前提基础。

【技术实现步骤摘要】
一种物质气味嗅频提取方法
本专利技术涉及物联网信息领域，尤其涉及一种物质气味嗅频提取方法。技术背景随着计算机技术和通信与信息技术的迅猛发展，虚拟现实技术应运而生，人类的听觉、视觉功能已在时间及空间上获得巨大拓展，使得人们通过网络获取大量信息的愿望成为可能，当前已经出现了诸如网络互动电视和网络视频会议等满足视觉和听觉的应用，但基于网络的有关嗅觉的相关应用甚少，主要是缺乏有效提取嗅觉特征信息的方法。嗅觉传感器阵列是20世纪90年代兴起的对气味物质进行采集识别的器件，目前主要用来对于气味进行判断识别，但由于材料和技术等限制，其应用范围受了极大的限制。对于气味相关属性的判别识别主要有中国专利申请号：201310315482.5,申请公布日：2013年12月15日，专利技术名称：一种嗅觉模拟一起和特定物质气(嗅)味等级现场分析法，该专利技术模拟了一种嗅觉仪器用以对气味进行现场检测并做出等级区分；中国专利申请号:201310323187.4,申请公布日：2014年01月08日，专利技术名称：一种基于核主成分分析的表征蜂蜜差异性智能嗅觉图谱特征提取方法，该专利技术引入核函数对数据高维数据降维并用来识别蜂蜜种类信息；中国专利申请号:201310323359,申请公布日：2013年01月08日，专利技术名称：一种基于独立分析的表征蜂蜜差异性智能图谱特征提取方法，该专利技术引入最大化方差对数据高维数据降维并用来识别蜂蜜种类信息；还有诸如专利技术专利号：201310323188.9,201310323171.3,201310323251.9,201310323337.1等都是关于引入相关算法对物质气味进行判断和分类，均未对气味物质进行诸如种类属性、成分及比例信息的识别研究。
技术实现思路
为了克服现有技术的不足，本专利技术提出一种物质气味嗅频提取方法，该方法利用仿生嗅觉系统并结合叠加映射降维算法(SuperpositionMappingAnalysis)SMA对物质气味进行训练识别，并通过后序遍历规则的平衡二叉树进行存储，可以对未知物质气味进行检测识别，输出物质气味嗅频信息(物质气味名称、成分、比例浓度)，为物质气味实现网络化传输提供一种有效方法。为了实现上述目的，本专利技术的技术方案为：一种物质气味嗅频提取方法，物质气味嗅频是指用于表征物质气味的特征信息，包含物质气味的种类名称，记为Rn、成分，记为Lc、比例浓度，记为Pi，对于嗅频的提取按照以下步骤进行：步骤1：选取物质气味样品备用，样品备份为若干份，固体每份为M克、液体每份为M毫升、气体为M立方毫米，固体物质研磨成粉末或切割成体积小于1立方毫米的块状，气体和液体物质密度均匀；样品置于恒温恒湿的实验箱中静置70分钟；步骤2：应用仿生嗅觉系统对已知物质气味样品进行采集检测，测量时间t为100秒(S)，采集速率为7.749毫升/分钟(ml/min)，保存所测数据Fs(S1，S2，……SN)，并对Fs保存至计算机；步骤3：对步骤2中采集所得到的测量数据信息叠加映射降维算法(SuperpositionMappingAnalysis)SMA进行判断训练，并将所建立的样本序号OSMA与气味名称成分属性L(Oname，Cn1，Cn2…Cnk)(其中Oname是物质气味种类名称，Cn1是物质气味第1种成分名称，Cn2是物质气味第2种成分名称，Cnk是物质气味第k种成分名称)以R(OSMA，Oname，Cn1，Cn2…Cnk)为结点的后序遍历规则的平衡二叉树形式保存至气味成分信息库；步骤4：输入未知物质气味样品，应用仿生嗅觉系统采集气味样品，并采用SMA算法对未知物质气味进行判别分析获得样本序号OSMA′，并在已建立的后序遍历规则的平衡二叉树内进行查找，若找到与之匹配的OSMA，则输出R(OSMA，Oname，Cn1，Cn2…Cnk)，若找不到与之匹配的OSMA，则返回无此信息；同时对测量值进行成分比例计算P(Tn1，Tn2…Tnk)，Tn1是第1种成分所占比例，Tn2是第2种成分所占比例，Tnk是第k种成分所占比例，其计算公式为A(i)是k种成分对应传感器测量平均值，是第1种成分至第k种成分的测量平均值加权和；则物质气味浓度为其中V′是采集预压缩后的气味体积，V是采集的原始气味体积。步骤5：依据步骤4中所得R(OSMA，Oname，Cn1，Cn2…Cnk)可以求知物质气味的名称Rn及成分Lc，所得P(Tn1，Tn2……Tnk)可知气味的成分比例及浓度Pi，则综上所述可得到物质气味嗅频。所述的方法，所述步骤1中选取的物质气味样品具有浓烈且刺激性的物质气味，其中刺激性是指香、臭或刺鼻味。所述的方法，步骤2中应用的仿生嗅觉系统包含基于ARM9(AT91SAM9263)为核心处理器的嗅觉传感器阵列、采集样品烧杯(200毫升)、气味采集针管(直径1毫米)、样品封装膜与扎带、数据存数与分析的计算机。所述的方法，所述步骤3中使用的叠加映射降维方法SMA，具体步骤如下：步骤1)：将采集并测量得到的一个气味样本数据信息矩阵Fs向量化，选取其中达到稳态响应值的测量值，组成训练样本矩阵其中r代表训练样本矩阵的行数，由选取的样本类，样本个数及稳态时间值个数决定，j代表训练样本类别个数j∈[1,c]，i代表第j类训练样本个数i∈[1,ni]；则训练样本的均值为步骤2)：由步骤1)设获取训练样本去均值后形成的样本矩阵为T＝PT-μ，T∈Rr×n则T的协方差矩阵为Q＝T×TT(Q∈Rr×r)(4)其中TT是T的转置矩阵，并计算Q矩阵的特征值及特征向量，按特征值累计贡献率不小于99.5％，从大到小顺序选取前a个特征值所对应的特征向量组成第一降维特征系数矩阵Pc，Pc∈Ra×n(a≤n-1)，并将训练样本矩阵T投影到Pc中，得到第一降维识别矩阵：Pf＝T×PcT(Pf∈Rr×a)(5)其中PcT是Pc的转秩矩阵。步骤3)：将第一降维识别矩阵Pf作为第二降维的输入矩阵，即其中k代表新训练样本矩阵的类别数k∈[1,c′]，m代表每个训练样本的个数m∈[1,a]，则的样本矩阵均值矩阵为训练的总样本Pf的均值矩阵并计算Pf类内散布矩阵Sw和类间散布矩阵Sb，即则根据Fisher准则函数由式(8)可知，当选取的矢量ω使JF(ω)取最大值时具有最优分析，其物理意义为以ω为投影方向，投影后的样本空间具有最大的类间离散度和最小的类内离散度；则可对(8)应用拉格朗日乘法，设其存在特征根λ(λ是最优解即最佳投影矩阵)，则有JF(ω)＝ωTSbω-λ(ωTSωω-1)(9)则对式(9)等号两边同时对ω求导，可得则有Sbω＝λSωω(11)继而得到则对于λ的求解即可转化为求解特征矩阵的特征向量，由于Sω∈Ra×a且Sb∈Ra×a，所以求得Sω-1Sb的特征向量Lc，Lc∈Ra×a，用来构建第二降维特征系数矩阵，最终获得叠加映射特征系数矩阵C＝Lc×Pc(C∈Ra×n)(13)则其训练样本的叠加映射算法识别特征矩阵为：Cf＝T×CT(Cf∈Rr×a)(14)再依据欧式距离判别式来判别n维空间的中样本点间的相似度。所述步骤3中物质气味成分信息存储及过程如下：通过叠加映射降维算法(SuperpositionMappingAnalysis)SMA，对已知的物质气味样品进行训练本文档来自技高网...

【技术保护点】
一种物质气味嗅频提取方法，其特征在于，物质气味嗅频是指用于表征物质气味的特征信息，包含物质气味的种类名称记为Rn，成分记为Lc，比例浓度记为Pi，对于嗅频的提取按照以下步骤进行：步骤1：选取物质气味样品备用，样品备份为若干份，固体每份为M克、液体每份为M毫升、气体为M立方毫米，固体物质研磨成粉末或切割成体积小于1立方毫米的块状，气体和液体物质密度均匀；样品置于恒温恒湿的实验箱中静置70分钟；步骤2：应用仿生嗅觉系统对已知物质气味样品进行采集检测，测量时间t为100秒，采集速率为7.749毫升/分钟，保存所测数据Fs(S1，S2，……SN)，并对Fs保存至计算机；步骤3：对步骤2中采集所得到的测量数据信息采用叠加映射降维算法SMA进行判断训练，并将所建立的样本序号OSMA与气味名称成分属性L(Oname，Cn1，Cn2…Cnk)，其中Oname是物质气味种类名称，Cn1是物质气味第1种成分名称，Cn2是物质气味第2种成分名称，Cnk是物质气味第k种成分名称；以R(OSMA，Oname，Cn1，Cn2…Cnk)为结点的后序遍历规则的平衡二叉树形式保存至气味成分信息库；步骤4：输入未知物质气味样品，应用仿生嗅觉系统采集气味样品，并采用SMA算法对未知物质气味进行判别分析获得样本序号OSMA′，并在已建立的后序遍历规则的平衡二叉树内进行查找，若找到与之匹配的OSMA，则输出R(OSMA，Oname，Cn1，Cn2…Cnk)，若找不到与之匹配的OSMA，则返回无此信息；同时对测量值进行成分比例计算P(Tn1，Tn2…Tnk)，Tn1是第1种成分所占比例，Tn2是第2种成分所占比例，Tnk是第k种成分所占比例，其计算公式为Tni=A(i)Σi=1kA(i)---(1)]]>A(i)是k种成分对应传感器测量平均值，是第1种成分至第k种成分的测量平均值加权和；则物质气味浓度为Pi=Σi=1kA(i)·TniΣi=1kA(i)×V′V---(2)]]>其中V′是采集预压缩后的气味体积，V是采集的原始气味体积。步骤5：依据步骤4中所得R(OSMA，Oname，Cn1，Cn2…Cnk)可以求知物质气味的名称Rn及成分Lc，所得P(Tn1，Tn2……Tnk)可知气味的成分比例及浓度Pi，则综上所述可得到物质气味嗅频。...

【技术特征摘要】
1.一种物质气味嗅频提取方法，其特征在于，物质气味嗅频是指用于表征物质气味的特征信息，包含物质气味的种类名称记为Rn，成分记为Lc，比例浓度记为Pi，对于嗅频的提取按照以下步骤进行：步骤1：选取物质气味样品备用，样品备份为若干份，固体每份为M克、液体每份为M毫升、气体为M立方毫米，固体物质研磨成粉末或切割成体积小于1立方毫米的块状，气体和液体物质密度均匀；样品置于恒温恒湿的实验箱中静置70分钟；步骤2：应用仿生嗅觉系统对已知物质气味样品进行采集检测，测量时间t为100秒，采集速率为7.749毫升/分钟，保存所测数据Fs(S1，S2，…，SN)，并对Fs保存至计算机；步骤3：对步骤2中采集所得到的测量数据信息采用叠加映射降维算法SMA进行判断训练，并将所建立的样本序号OSMA与气味名称成分属性L(Oname，Cn1，Cn2，…，Cnk)，其中Oname是物质气味种类名称，Cn1是物质气味第1种成分名称，Cn2是物质气味第2种成分名称，Cnk是物质气味第k种成分名称；以R(OSMA，Oname，Cn1，Cn2，…，Cnk)为结点的后序遍历规则的平衡二叉树形式保存至气味成分信息库；所述步骤3中使用的叠加映射降维方法，具体步骤如下：步骤1)：将采集并测量得到的一个气味样本数据信息矩阵Fs向量化，选取其中达到稳态响应值的测量值，组成训练样本矩阵PT∈Rr×n，其中r代表训练样本矩阵的行数，由选取的样本类，样本个数及稳态时间值个数决定，j代表训练样本类别个数，j∈[1,c]，i代表第j类训练样本个数，i∈[1,ni]；则训练样本的均值为步骤2)：由步骤1)设获取训练样本去均值后形成的样本矩阵为T＝PT-μ，T∈Rr×n则T的协方差矩阵为Q＝T×TT，Q∈Rr×r(4)其中TT是T的转置矩阵，并计算Q矩阵的特征值及特征向量，按特征值累计贡献率不小于99.5％，从大到小顺序选取前a个特征值所对应的特征向量组成第一降维特征系数矩阵Pc，Pc∈Ra×n，a≤n-1，并将训练样本矩阵T投影到Pc中，得到第一降维识别矩阵：Pf＝T×PcT，Pf∈Rr×a(5)其中PcT是Pc的转置矩阵；步骤3)：将第一降维识别矩阵Pf作为第二降维的输入矩阵，即Pf∈Rr×a，其中k代表新训练样本矩阵的类别数k∈[1,c′]，m代表每个训练样本的个数m∈[1,a]，则的样本矩阵均值矩阵为训练的总样本Pf的均值矩阵μc∈R1×a，υ∈R1×a，并计算Pf类内散布矩阵Sω和类间散布矩阵Sb，即则根据Fisher准则函数由式(8)可知，当选取的矢量ω使JF(ω)取最大值时具有最优分析，其物理意义为以ω为投影方向，...

【专利技术属性】
技术研发人员：骆德汉，孙运龙，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44