一种基于流形学习的电子舌信号特征提取方法技术

本发明专利技术提供一种基于流形学习的电子舌信号特征提取方法,所述方法包括：利用电子舌对茶叶样品进行检测，得到传感器响应时序信号；根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除；对流形学习算法的参数进行优化,以龙井茶品质等级正确识别率为依据选择流形学习算法的参数；采用流形学习算法对传感器响应信号进行非线性特征提取,得到表征茶叶样品的滋味信息的特征；将茶叶样品的滋味特征输入分类器,进行龙井茶品质等级判定。能够对茶叶样品进行异常值剔除，利用优化参数后的流形学习算法可以更好的表征不同等级茶叶样品的非线性特征，提升经过非线性映射后的样本在高维特征空间中的信号差异性。

【技术实现步骤摘要】

本专利技术涉及茶叶检测
，特别是指一种基于流形学习的电子舌信号特征提取方法。
技术介绍
近年来，茶叶品质检测是一项很有难度的工作，因为茶叶包含很多成分且它们对茶叶品质的影响非常不同。西湖龙井茶是中国绿茶中的典型代表。有些商贩为了谋取自身利益，将其他绿茶炒制成扁平状冒充龙井茶，或者用浙江其他产地的龙井冒充西湖龙井，扰乱了龙井茶市场，损坏了消费者利益，因此，对西湖龙井茶品质的科学检测和评价具有重要意义。长期以来感官品评是评价茶叶品质优劣的重要方法，但该方法需要有丰富的茶学知识和审评经验，并且专业品茶师的感觉器官灵敏度也容易受到外界因素的干扰而改变。许多分析型工具也因此被用于分析茶叶的化学物质，例如高效液相色谱、气质仪等。但是现有的分析工具无法对不同等级的茶叶进行非特征性提取。
技术实现思路
本专利技术要解决的技术问题是提供一种基于流形学习的电子舌信号特征提取方法，能够有效表征不同等级茶叶样品的非线性特征。为解决上述技术问题，本专利技术的实施例提供一种基于流形学习的电子舌信号特征提取方法，所述基于流形学习的电子舌信号特征提取方法包括：利用电子舌对茶叶样品进行检测，得到传感器响应时序信号；根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除；对流形学习算法的参数进行优化,以龙井茶品质等级正确识别率为依据选择流形学习算法的参数；采用流形学习算法对传感器响应信号进行非线性特征提取,得到茶叶样品的滋味特征；将茶叶样品的滋味特征输入分类器,进行茶叶品质等级判定。优选的，所述传感器响应时序信号包括：ZA传感器响应时序信号、BB传感器响应时序信号、JE传感器响应时序信号、GA传感器响应时序信号、HA传感器响应时序信号、JB传感器响应时序信号、CA传感器响应时序信号和Ag/AgCl参比电极传感器响应时序信号中的至少一种。优选的，所述利用电子舌对茶叶样品进行检测，包括：按照顺序将样品和清洗溶液放置在电子舌的自动进样器上；每个样品重复采集，每次采集按照“茶汤样品→清洗液1→清洗液2”的流程进行。优选的，所述根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除，包括：对数据集X＝[x1,x2,…,xN]∈Rm×N进行中心化，计算中心化数据的协方差矩阵：计算协方差矩阵的特征值和特征向量：Cv＝λv；将协方差矩阵的特征值λi按由大到小的顺序进行排序，特征值所对应的特征向量按由大到小的顺序排序；利用将数据样本投影到Cv＝λv中得到的特征向量上；利用计算样本估计值，主成分残差即为样本真实值与估计值之差，即其中，为均值向量，v为特征值所对应的特征向量；样本点之间的马氏距离为：dij＝[(xi-xj)T[Cov(X)]-1(xi-xj)]1/2；以主成分残差值及样本点与同类样本均值之间的马氏距离为依据，将远离同类样本点总体分布的样本点判断为异常样本剔除。优选的，所述对流形学习算法的参数进行优化,以茶叶品质等级正确识别率为依据选择流形学习算法的参数，包括：以热核法构造权重矩阵对热核函数中的参数t进行优化选择；对高斯核函数k(x,y)＝exp(-||x-y||2/2σ2)中的参数σ2进行优化选择；参数选择时以茶叶品质等级判定的正确识别率为依据选择参数值。优选的，所述以热核法构造权重矩阵，包括：若样本点i和样本点j是近邻点，则权重系数为Wij＝exp(-||xi-xj||2/t)；若样本点i和样本点j不是近邻点，则权重系数为Wij＝0。优选的，所述采用流形学习算法对传感器响应信号进行非线性特征提取,得到茶叶样品的滋味特征，包括：通过一个非线性变换把输入数据映射到高维特征空间，非线性变换后的数据点为Φ(x1),Φ(x2),…,Φ(xN)；在高维特征空间中，将最小化目标函数问题可以转化成广义的特征值求解问题；对传感器响应信号进行非线性特征提取,得到茶叶样品的滋味特征。优选的，所述通过一个非线性变换把输入数据映射到高维特征空间，非线性变换后的数据点为Φ(x1),Φ(x2),…,Φ(xN)包括： min Σ i j || z i - z j || 2 S i j Φ = min Σ i j || P Φ T Φ ( x i ) - P Φ T Φ ( x j ) || 本文档来自技高网...

【技术保护点】
一种基于流形学习的电子舌信号特征提取方法，其特征在于，所述基于流形学习的电子舌信号特征提取方法包括：利用电子舌对茶叶样品进行检测，得到传感器响应时序信号；根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除；对流形学习算法的参数进行优化,以龙井茶品质等级正确识别率为依据选择流形学习算法的参数；采用流形学习算法对传感器响应信号进行非线性特征提取,得到茶叶样品的滋味特征；将茶叶样品的滋味特征输入分类器,进行茶叶品质等级判定。

【技术特征摘要】
1.一种基于流形学习的电子舌信号特征提取方法，其特征在于，所述基于流形学习的电子舌信号特征提取方法包括：利用电子舌对茶叶样品进行检测，得到传感器响应时序信号；根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除；对流形学习算法的参数进行优化,以龙井茶品质等级正确识别率为依据选择流形学习算法的参数；采用流形学习算法对传感器响应信号进行非线性特征提取,得到茶叶样品的滋味特征；将茶叶样品的滋味特征输入分类器,进行茶叶品质等级判定。2.根据权利要求1所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述传感器响应时序信号包括：ZA传感器响应时序信号、BB传感器响应时序信号、JE传感器响应时序信号、GA传感器响应时序信号、HA传感器响应时序信号、JB传感器响应时序信号、CA传感器响应时序信号和Ag/AgCl参比电极传感器响应时序信号中的至少一种。3.根据权利要求1或2任意一项所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述利用电子舌对茶叶样品进行检测，包括：按照顺序将样品和清洗溶液放置在电子舌的自动进样器上；每个样品重复采集，每次采集按照“茶汤样品→清洗液1→清洗液2”的流程进行。4.根据权利要求1所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述根据所述响应时序信号采用主成分残差和马氏距离法对异常样本进行分析和剔除，包括：对数据集X＝[x1,x2,…,xN]∈Rm×N进行中心化，计算中心化数据的协方差矩阵：计算协方差矩阵的特征值和特征向量：Cv＝λv；将协方差矩阵的特征值λi按由大到小的顺序进行排序，特征值所对应的特征向量按由大到小的顺序排序；利用将数据样本投影到Cv＝λv中得到的特征向量上；利用计算样本估计值，主成分残差即为样本真实值与估计值之差，即其中，为均值向量，v为特征值所对应的特征向量；样本点之间的马氏距离为：dij＝[(xi-xj)T[Cov(X)]-1(xi-xj)]1/2；以主成分残差值及样本点与同类样本均值之间的马氏距离为依据，将远离同类样本点总体分布的样本点判断为异常样本剔除。5.根据权利要求1或4任意一项所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述对流形学习算法的参数进行优化,以茶叶品质等级正确识别率为依据选择流形学习算法的参数，包括：以热核法构造权重矩阵对热核函数中的参数t进行优化选择；对高斯核函数k(x,y)＝exp(-||x-y||2/2σ2)中的参数σ2进行优化选择；参数选择时以茶叶品质等级判定的正确识别率为依据选择参数值。6.根据权利要求5所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述以热核法构造权重矩阵，包括：若样本点i和样本点j是近邻点，则权重系数为Wij＝exp(-||xi-xj||2/t)；若样本点i和样本点j不是近邻点，则权重系数为Wij＝0。7.根据权利要求5所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述采用流形学习算法对传感器响应信号进行非线性特征提取,得到茶叶样品的滋味特征，包括：通过一个非线性变换Φ:把输入数据映射到高维特征空间，非线性变换后的数据点为Φ(x1),Φ(x2),…,Φ(xN)；在高维特征空间中，将最小化目标函数问题可以转化成广义的特征值求解问题；对传感器响应信号进行非线性特征提取,得到茶叶样品的滋味特征。8.根据权利要求7所述的基于流形学习的电子舌信号特征提取方法，其特征在于，所述通过一个非线性变换Φ:把输入数据映射到高维特征空间，非线性变换后的数据点为Φ(x1),Φ(x2),…,Φ(xN)包括： min Σ i j || z i - z j || 2 S i j Φ = min Σ i j || P Φ T Φ ( x i ) - P Φ T Φ ( ...

【专利技术属性】
技术研发人员：支瑞聪，张德政，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11