[发明专利]一种基于自组织图的人工嗅觉系统在线校正样本生成方法

说明书

本发明属于气味分析技术领域，公开了一种基于自组织图的人工嗅觉系统在线校正样本生成方法，包括初始训练阶段和在线更新阶段；初始训练阶段以样本类别数构建自组织组织图神经网络多层结构，以训练样本进行自组织图神经网络神经元权值初始化并将自组织图神经网络神经元权值作为初始训练样本集合；在线更新阶段，根据后续分类器的分类结果，用测试样本对局部区域神经元权值进行调整。将此时的自组织图神经网络神经元权值作为在线训练样本集合对模式识别方法进行在线校正。结果表明本发明能够于在线工作条件下，提高人工嗅觉系统的抗长期漂移能力；可在线工作过程中自动生成校正样本，为人工嗅觉系统实现自动化在线校正提供了保障。

技术领域

本发明属于气味分析技术领域，尤其涉及一种基于自组织图的人工嗅觉系统在线校正样本生成方法。

背景技术

人工嗅觉系统是一种新颖的气味分析手段，具有检测快速、无创、操作简便、低成本等优点。人工嗅觉系统主要分为气体传感器阵列和模式识别方法两部分，其中“气体传感器阵列”采用具有交叉敏感性的低成本气体传感器，以获得气味图谱；“模式识别”则采用人工智能、机器学习等方法对气味进行定性和定量分析。气体传感器“长期漂移”是人工嗅觉系统不可回避的问题，随着使用时间的延长，“气体传感器阵列”的气味图谱会发生缓慢而无规律的变化；使得“模式识别”方法的识别正确率随时间逐步下降，最终将变得不可信赖；通常采取定期对人工嗅觉系统进行特定样本的数据采集，根据采集到的数据进行“模式识别”算法校正，使算法与发生漂移后的气味图谱进行匹配。然而常规校正方法需要停止人工嗅觉系统的正常工作，需要配置和购买专门的测试样本，还需要专业的操作人员进行调控，综合成本较高。对于拆卸移动不变且需要在线监测的系统的而言不具可行性。

综上所述，现有技术存在的问题是：1)对于需要长期在线工作的设备，无法进行常规校正，故系统识别准确率会随工作时间显著下降；2)常规校正方法需要准备特定校正样本且设备校正期间无法正常工作，浪费大量的财力、人力和物力。

发明内容

针对现有技术存在的问题，本发明提供了一种基于自组织图的人工嗅觉系统在线校正样本生成方法。

本发明是这样实现的，一种基于自组织图的人工嗅觉系统在线校正样本生成方法，所述基于自组织图的人工嗅觉系统在线校正样本生成方法包括初始训练阶段和在线更新阶段；

所述初始训练阶段将每一次检测表示为一个p维向量，包含K类样本，则构建K层的自组织图神经网络，每层由神经元组成N×M结构的二维平面，神经网络中共有K×N×M个神经元，令神经网络权值矩阵为其中表示第k层平面坐标为(n,m)的p维权值向量，且k∈{1，…，K}，n∈{1，…，N}，m∈{1，…，M}；当某p维训练样本x^t进入网络后，进行初始化；

所述在线更新阶段完成初始训练以后，进入测试，样本x^p所属类别是未知的，后续分类器依据W中的在线训练样本对x^p进行分类，后续分类器的分类结果为第k类。

进一步，所述初始化具体包括：

1)由训练样本x^t的类别计算第层所有神经元权值与x^t的距离：

以距离最小的神经元为获胜神经元，保存神经元的位置：

其中，和分别为获胜神经元在第层的二维坐标；

2)对第层神经元权值进行如下迭代：

其中α∈(0,1)为学习速率，定义如下：

3)重复1)和2)，直至训练样本全部进入神经网络进行初始训练；