【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
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。