一种基于AIF-1DCNN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AIF

【技术实现步骤摘要】
一种基于AIF
‑
1DCNN的电子舌白酒检测方法


[0001]本专利技术涉及电子舌领域，特别涉及一种基于AIF
‑
1DCNN的电子舌白酒检测方法。

技术介绍

[0002]电子舌作为一种实时、准确、高效、非侵入性、便携的现代智能感应仪器，在食品检测领域具有很大的潜力。模式识别是电子舌系统的关键部分，常用的模式识别技术可分为两大类：机器学习和深度学习。机器学习需通过手动提取特征,过程复杂耗费时间，且很少用到电子舌测得的全时域信息，准确率高度依赖前期特征提取的好坏，不能得到很好的分类效果；在深度学习领域中，卷积神经网络(CNN)在对高维数据的特征选择与提取上具有强大的功能，目前已有应用到电子舌识别的深度学习算法只对样本数据整体进行简单的卷积特征提取分析，忽略每个电极以及不同脉冲方波电压对数据的深层次影响，因此需要提高效率以及正确率，以克服现有的不足。

技术实现思路

[0003]针对现有技术的不足，本专利技术提出了一种基于AIF
‑
1DCNN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AIF
‑
1DCNN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：
[0005]一种基于AIF
‑
1DCNN的电子舌白酒检测方法，包括以下步骤：
[0006]S1：利用集成电极获得白酒的原始响应数据矩阵X进行预处理形成样本集E
[0007]将集成电极的6个电极测量白酒的单次数据点进行横向拼接，将所述单次数据点根据测量次数进行竖向拼接形成原始响应数据矩阵X，如公式(1)所示
[0008][0009]其中，[x
i,1
,x
i,2
,
…
,x
i,j
]为多个电极测量白酒的单次数据点进行横向拼接构成的一个样本数据，i为多个电极测量样本的数量，j为采样点数；
[0010]进一步的将原始响应数据矩阵X进行零均值化处理采用如下公式(2)：
[0011][0012]E为归一化处理后数据，X
max
为原始响应数据矩阵每列的最大值，X
min
为原始响应数据矩阵每列的最小值，X为原始响应数据矩阵。
[0013]S2：样本集E进行卷积核尺寸为n电极注意力特征提取得到长度为k向量
[0014]先使用核大小为n的k个卷积核对原始信号进行卷积得到特征F，进一步的对F进行全局平均池化得到F
GP
，然后两次1*1卷积激活提取得到长度为k电极通道注意力特征注意力提取如下公式(3)、(4)、(5)
[0015][0016]i,j代表输入信号e的维度，e∈E，e
i,j
代表e中第i行第j列的数，代表第l个卷积核第i行第j列的数，b
l
代表第l个卷积核的偏置
[0017][0018]其中，H,W是特征U的维度大小，F
c
是特征F通道数，i,j是第c个通道上的所属位置为(i,j)的值
[0019][0020]其中f(
·
)为sigmoid激活函数。
[0021]S3：对样本集E进行卷积核尺寸为u方波注意力特征提取得到长度为w向量Ψ
[0022]核大小为u的w个卷积核对原始信号进行卷积，然后进行全局平均池化和两次1*1卷积激活得到长度为w的脉冲方波通道注意力特征Ψ，操作原理同步骤S2，
[0023]其中k，n，w,u之间的关系满足公式(6)、(7)
[0024]w＝k
×
v
ꢀꢀꢀ
(6)
[0025]k
×
n＝w
×
u
ꢀꢀꢀ
(7)
[0026]其中v为单个电极的脉冲方波数，k为电极的数量，n为每个电极采集的数据长度，u为单个电极在单个方波持续时间内采集到的数据长度。
[0027]S4：将向量向量Ψ进行加权融合得到向量Τ
[0028]进一步的将Ψ进行加权融合得到Τ，考虑到ψ中每个电极对应的脉冲方波，先对ψ进行维度变换得到Φ、Ψ，Φ的维度大小为(k,1)，Ψ的维度大小为(k,v)，如公式(8)、(9)所示，进一步的将Φ与Ψ利用广播机制进行乘法运算得到加权融合注意力Τ，Τ的维度大小为(k,v)
[0029][0030][0031]Τ＝Φ
×
Ψ
ꢀꢀꢀ
(10)
[0032]S5：将向量Τ对原始输入进行融合得到λ
[0033]先将加权融合注意力Τ对原始输入e进行融合得到λ。先将加权融合注意力Τ和输入信号e进行维度变换，Τ的维度大小由(k,v)变为(w,1)得到Τ'，输入信号e的维度大小由(1,k
×
n)变为(w,u)得到e，进一步的将注意力与输入信号利用广播机制进行融合得到Λ，如下公式(11)、(12)所示，最后将Λ重新进行维度变换得到λ，λ维度为(k
×
n,1)
[0034][0035]Λ＝Γ
×
e
ꢀꢀꢀ
(12)
[0036]S6：采用自适应动量随机优化方法对输入λ训练AIF
‑
1DCNN神经网络，利用训练好的AIF
‑
1DCNN神经网络模型对测试集进行分类检测
[0037]其中，AIF
‑
1DCNN中的1DCNN卷积神经网络模块包括五个卷积层，其中卷积核使用1维卷积核，大小分别为(1*32*16，1*32*8，1*64*4，1*64*2，1*64*2)；卷积过程中将padding设置为“SAME”，步幅都为1，并选用Relu激活函数增加网络的非线性，其中，AIF
‑
1DCNN神经网络模型中倒数第一个池化层后进行Flatten，最后通过Softmax分类器产生最终标签，模型选用交叉熵作为损失函数，使用Adam自适应动量随机优化算法，确保损失函数迅速收敛至全局最小，最后利用训练好的AIF
‑
1DCNN神经网络模型对测试集进行分类检测。
[0038]有益效果：
[0039]与现有技术相比，本专利技术一种基于E
‑
CPAF
‑
1DCNN的电子舌白酒检测方法，采用电子舌中的集成电极采集白酒样品信息，在上位机中利用AIF
‑
1DCNN神经网络算法对白酒样本进行分析，解决了机器学习算法手工提取特征过程复杂、耗费时间，且很少用到电子舌测得的全时域信息以及简单1DCNN网络准确率不高的技术问题。
附图说明
[0040]图1为本专利技术基于AIF
‑
1DCNN的电子舌白酒检测方法流程图；
[0041]图2为一实施例中基于AIF
‑
...

【技术保护点】

【技术特征摘要】
1.一种基于AIF
‑
1DCNN的电子舌白酒检测方法，其特征在于，包括以下步骤：S1：利用集成电极获得白酒的原始响应数据矩阵X进行预处理形成样本集E；S2：对样本集E进行卷积核尺寸为n电极注意力特征提取得到长度为k向量S3：对样本集E进行卷积核尺寸为u方波注意力特征提取得到长度为w向量ψ；S4：将向量向量ψ进行加权融合得到向量T；S5：将向量T对原始输入进行融合得到λ；S6：采用自适应动量随机优化方法对输入λ训练AIF
‑
1DCNN神经网络，利用训练好的AIF
‑
1DCNN神经网络模型对测试集进行分类检测；其中，AIF
‑
1DCNN神经网络模型中倒数第一个池化层后进行Flatten，最后通过Softmax分类器产生最终标签，模型选用交叉熵作为损失函数，使用Adam梯度下降优化算法，确保损失函数迅速收敛至全局最小。2.根据权利要求1中的一种基于AIF
‑
1DCNN的电子舌白酒检测方法，其特征在于，步骤S1具体为：将集成电极的6个电极测量白酒的单次数据点进行横向拼接，将所述单次数据点根据测量次数进行竖向拼接形成原始响应数据矩阵X，如公式(1)所示其中，[x
1，1
，x
1，2
，...，x
1，j
]为多个电极测量白酒的单次数据点进行横向拼接构成的一个样本数据，i为多个电极测量样本的数量，j为采样点数；进一步的将原始响应数据矩阵X进行零均值化处理采用如下公式(2)：E为归一化处理后数据，X
max
为原始响应数据矩阵每列的最大值，X
min
为原始响应数据矩阵每列的最小值，X为原始响应数据矩阵。3.根据权利要求1中的一种基于AIF
‑
1DCNN的电子舌白酒检测方法，其特征在于，步骤S2中先使用核大小为n的k个卷积核对原始信号进行卷积得到特征F，进一步的对F进行全局平均池化得到F
GP
，然后两次1*1卷积激活提取得到长度为k电极通道注意力特征注意力提取如下公式(3)、(4)、(5)i,j代表输入信号e的维度，e∈E，e
i,j
代表e中第i行第j列的数，代表第l个卷积核第i行第j列的数，b
l
代表第l个卷积核的偏置其中，H,W是特征U的维度大小，F
c
是特征F通道数，i,j是第c个通道上的所属位置为(i,j)的值
其中f(
·
)为sigmoid激活函数。4.根据权利要求1中的一种基于AIF
‑
1DCNN的电子舌白酒检测方法，其特征在于，步骤S3中使用核大小为u的w个卷积核对原始信号进行卷积，然...

【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：滁州怡然传感技术研究院有限公司，
类型：发明
国别省市：