一种基于IG-HSIC-SVM的电子舌白酒检测方法技术

本发明专利技术公开了一种基于IG

【技术实现步骤摘要】
一种基于IG
‑
HSIC
‑
SVM的电子舌白酒检测方法


[0001]本专利技术属于电子舌领域，具体涉及一种基于IG
‑
HSIC
‑
SVM的电子舌白酒检测方法。

技术介绍

[0002]电子舌现代智能感应仪器，工作原理为电极响应样品并输出时序信息，结合算法进行分类。由于待测样品成分的自然复杂性和可变性以及阵列中传感器的交叉敏感性，不可避免地会产生冗余信息，从而极大地影响计算复杂度和时间的消耗。为了减少冗余信息并提高识别的效率，须对其进行优化，因此，选择最佳的特征组合对于电子舌的成功应用非常重要。

技术实现思路

[0003]本专利技术针对现有技术的不足，提出了一种基于IG
‑
HSIC
‑
SVM的电子舌白酒检测方法，利用电子舌中的集成电极采集白酒样品信息，结合IG
‑
HSIC
‑
SVM的检测方法对数据进行分析，达到对白酒样本检测的目的，提高了白酒成份分析的效率及正确率。
[0004]为解决现有技术问题，本专利技术采取的技术方案为：一种基于IG
‑
HSIC
‑
SVM的电子舌白酒检测方法，基于包括有集成电极的电子舌，针对已知不同年份的各白酒样本，执行以下步骤，得到电子舌的最优白酒年份分类模型实现对白酒年份的分类检测：步骤S1：利用集成电极获得各白酒样本的原始响应数据并进行面积值特征提取形成特征样本矩阵A；步骤S2：对特征样本矩阵A进行归一化预处理得到特征矩阵D；步骤S3：针对特征矩阵D，结合SVM模型迭代进行各列面积值特征的信息增益计算并剔除预设列数面积值特征，得到以剔除后的特征矩阵为输入、各白酒样本的年份分类为输出的初步白酒年份分类模型，以及初步白酒年份分类模型对应的初步特征矩阵F
IG
；上述步骤S3中针对特征矩阵D，迭代执行步骤S3.1至步骤S3.2，直到分类准确率连续三次低于未剔除面积值特征的特征矩阵D对应的分类准确率，选择分类准确率最高的SVM模型作为初步白酒年份分类模型，并得到初步白酒年份分类模型对应的输入特征矩阵，即初步特征矩阵F
IG
：步骤S3.1：以特征矩阵D为输入,各白酒样本的年份分类为输出，训练SVM模型，并得到该SVM模型对应的白酒年份分类准确率；步骤S3.2：基于特征矩阵D，进行各列面积值特征的信息增益计算，并基于各列面积值特征的信息增益，得到特征矩阵D内各列面积值特征贡献度排名，将特征矩阵D中预设列数的面积值特征进行低贡献度剔除，更新特征矩阵D，返回步骤S3.1；步骤S4：针对初步特征矩阵F
IG
，结合初步白酒年份分类模型迭代进行各列面积值特征的希尔伯特施密特经验估计值计算并剔除预设列数面积值特征，得到以剔除后的特征矩阵为输入、各白酒样本的年份分类为输出的最优白酒年份分类模型对白酒年份进行分类
检测，并得到最优白酒年份分类模型对应的最优特征矩阵F
IG
‑
HSIC
。
[0005]作为本专利技术的一种优选技术方案，所述步骤S1具体过程为：基于集成电极包括的预设个数电极获得各白酒样本的原始响应数据，针对各电极分别对应的原始响应数据的每个向上响应峰的后预设个数数据点进行面积值特征提取形成特征样本矩阵A，如下公式所示其中，为预设个数的电极测量白酒一个样本的原始响应数据进行特征提取后横向拼接构成的一个特征样本数据；为各白酒测量样本的总数量；为预设个数的电极测量白酒一个样本的原始响应数据进行特征提取后的总点数。
[0006]作为本专利技术的一种优选技术方案，所述面积值特征提取采用积分面积法进行提取。
[0007]作为本专利技术的一种优选技术方案，所述步骤S2中对特征样本矩阵A进行归一化预处理得到特征矩阵D的过程如下；将特征样本矩阵A采用如下公式进行归一化处理，得到特征矩阵D：其中，D为归一化处理后的特征矩阵，为特征样本矩阵每列的最大值，为特征样本矩阵每列的最小值，为特征样本矩阵。
[0008]作为本专利技术的一种优选技术方案，所述步骤S3.2中各列面积值特征的信息增益计算，执行以下步骤：步骤S3.2.1：计算特征矩阵D的经验熵步骤S3.2.1：计算特征矩阵D的经验熵其中，D为特征矩阵，表示特征矩阵D的白酒样本个数，表示第k类白酒，K表示共有K类白酒年份，为属于类的白酒样本个数，；步骤S3.2.2：计算第X列面积值特征对特征矩阵D的经验条件熵步骤S3.2.2：计算第X列面积值特征对特征矩阵D的经验条件熵其中，第X列面积值特征包含n个不同的取值，基于第X列面积值特征的取值将D横向划分为n个子集D1，D2，
···
，D
n
，为第a个子集的白酒样本个数,1≤a≤
n，，为的经验熵；步骤S3.2.3：计算第X列面积值特征的信息增益步骤S3.2.3：计算第X列面积值特征的信息增益
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
。
[0009]作为本专利技术的一种优选技术方案，所述步骤S4中针对初步特征矩阵F
IG
、以及初步白酒年份分类模型，迭代执行步骤S4.1至步骤S4.2，直到分类准确率连续三次低于未剔除面积值特征的特征矩阵D对应的分类准确率，选择分类准确率最高的初步白酒年份分类模型作为最优白酒年份分类模型对白酒年份进行分类检测，并得到最优白酒年份分类模型对应的输入初步特征矩阵，即最优特征矩阵F
IG
‑
HSIC
：步骤S4.1：以初步特征矩阵F
IG
为输入,各白酒样本的年份分类为输出，训练初步白酒年份分类模型，并得到该初步白酒年份分类模型对应的白酒年份分类准确率；步骤S4.2：基于初步特征矩阵F
IG
，进行各列面积值特征的希尔伯特施密特经验估计值计算，并基于各列面积值特征的希尔伯特施密特经验估计值，得到初步特征矩阵F
IG
内各列面积值特征独立性排名，将初步特征矩阵F
IG
中预设列数的面积值特征进行低独立性剔除，更新初步特征矩阵F
IG
，返回步骤S4.1。
[0010]作为本专利技术的一种优选技术方案，所述步骤S4.2中各列面积值特征的希尔伯特施密特经验估计值计算，执行以下步骤：步骤S4.2.1：计算再生希尔伯特空间其中，，Y、Z分别表示初步特征矩阵F
IG
中的两列面积值特征，r表示Y对应的核函数，l表示Z对应的核函数，是Y到再生希尔伯特空间F的映射，是Z到再生希尔伯特空间G的映射，映射关系均为高斯核函数，表示内积；步骤S4.2.2：计算希尔伯特施密特经验估计值其中，R为Y的核矩阵，L为Z的核矩阵，核矩阵R、L的第一个维度均为m，即，H为中心矩阵，，I为单位矩阵，e为元素值全为1的列向量。
[0011]本专利技术的有益效果：本专利技术提出了一种基于IG
‑
HSIC
‑
SVM的电子舌白酒检测方法，采用电子舌本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于IG
‑
HSIC
‑
SVM的电子舌白酒检测方法，其特征在于，基于包括有集成电极的电子舌，针对已知不同年份的各白酒样本，执行以下步骤，得到电子舌的最优白酒年份分类模型实现对白酒年份的分类检测：步骤S1：利用集成电极获得各白酒样本的原始响应数据并进行面积值特征提取形成特征样本矩阵A；步骤S2：对特征样本矩阵A进行归一化预处理得到特征矩阵D；步骤S3：针对特征矩阵D，结合SVM模型迭代进行各列面积值特征的信息增益计算并剔除预设列数面积值特征，得到以剔除后的特征矩阵为输入、各白酒样本的年份分类为输出的初步白酒年份分类模型，以及初步白酒年份分类模型对应的初步特征矩阵F
IG
；上述步骤S3中针对特征矩阵D，迭代执行步骤S3.1至步骤S3.2，直到分类准确率连续三次低于未剔除面积值特征的特征矩阵D对应的分类准确率，选择分类准确率最高的SVM模型作为初步白酒年份分类模型，并得到初步白酒年份分类模型对应的输入特征矩阵，即初步特征矩阵F
IG
：步骤S3.1：以特征矩阵D为输入,各白酒样本的年份分类为输出，训练SVM模型，并得到该SVM模型对应的白酒年份分类准确率；步骤S3.2：基于特征矩阵D，进行各列面积值特征的信息增益计算，并基于各列面积值特征的信息增益，得到特征矩阵D内各列面积值特征贡献度排名，将特征矩阵D中预设列数的面积值特征进行低贡献度剔除，更新特征矩阵D，返回步骤S3.1；步骤S4：针对初步特征矩阵F
IG
，结合初步白酒年份分类模型迭代进行各列面积值特征的希尔伯特施密特经验估计值计算并剔除预设列数面积值特征，得到以剔除后的特征矩阵为输入、各白酒样本的年份分类为输出的最优白酒年份分类模型对白酒年份进行分类检测，并得到最优白酒年份分类模型对应的最优特征矩阵F
IG
‑
HSIC
。2.根据权利要求1所述的一种基于IG
‑
HSIC
‑
SVM的电子舌白酒检测方法，其特征在于，所述步骤S1具体过程为：基于集成电极包括的预设个数电极获得各白酒样本的原始响应数据，针对各电极分别对应的原始响应数据的每个向上响应峰的后预设个数数据点进行面积值特征提取形成特征样本矩阵A，如下公式所示其中，为预设个数的电极测量白酒一个样本的原始响应数据进行特征提取后横向拼接构成的一个特征样本数据；为各白酒测量样本的总数量；为预设个数的电极测量白酒一个样本的原始响应数据进行特征提取后的总点数。3.根据权利要求2所述的一种基于IG
‑
HSIC
‑
SVM的电子舌白酒检测方法，其特征在于，所述面积值特征提取采用积分面积法进行提取。4.根据权利要求1所述的一种基于IG
‑
HSIC
‑
SVM的电子舌白酒检测方法，其特征在于，所述步骤S2中对特征样本矩阵A进行归一化预处理得到特征矩阵D的过程如下；
将特征样本矩阵A采用如下公式进行归一化处理，得到特征矩阵D：其中，D为归一化处理后的特征矩阵，为特征样本矩阵...

【专利技术属性】
技术研发人员：章伟，朱亚龙，刘嘉明，朱晓龙，胡雪峰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：