[发明专利]基于双层集成神经网络的电子鼻预测方法

权利要求书

1.一种基于双层集成神经网络的电子鼻预测方法，其特征在于，包括如下步骤：

(1)使用电子鼻获取已知标签的样品的响应曲线；将响应曲线去基线得到样本数据集S₁∈R^m×n×k，然后对S₁进行归一化处理，得到样本数据集S₂∈R^m×n×k，其中，m表示样本数，n表示电子鼻中的传感器数量，k表示检测时间；

(2)将S₂分为训练数据集S₃∈R^a×n×k和测试数据集S₄∈R^b×n×k，a+b＝m；为了符合卷积神经网络标准数据输入格式，进一步将S₃和S₄分别转换为训练集S₃₁∈R^a×n×k×1和测试集S₄₁∈R^b×n×k×1；

(3)构建第一层卷积神经网络，采用网格搜索法得到最佳卷积核大小和数量，然后通过中心点对称法获得f个卷积核大小和数量的组合，构成f个卷积神经网络；将训练集S₃₁和测试集S₄₁输入到f个卷积神经网络中，分别输出数据集O₁和数据集O₂；

步骤(3)具体为：

(3.1)构建第一层卷积神经网络，所述第一层卷积神经网络设置有输入层、卷积层、池化层、全连接层和输出层；

(3.2)采用均匀分布法初始化神经网络权重；

(3.3)设置卷积核大小范围为[[1，1]，[3，3]，[5，5]，...，[2t-1]]，卷积核数量范围为[2，4，8，...，2^t]；采用网格搜索法对卷积层中的卷积核大小和数量进行寻优，具体为将卷积核大小和卷积核数量进行任意组合，得到t*t个卷积神经网络，采用训练集S₃₁训练所述t*t个卷积神经网络，得到t*t个模型；将测试集S₄₁输入到t*t个模型中，得到t*t个预测准确率，以测试集S₄₁的预测准确率作为评价准则，得到最高预测准确率对应的模型，进而得到最佳卷积核大小[x₁，x₁]和数量z₁；

(3.4)以x₁、z₁作为中心对称点，生成X₁＝[[x₁-2i，x₁-2i]，...，[x₁，x₁]，...，[x₁+2i，x₁+2i]]和Z₁＝[z₁/2^j，...，z₁，...，z₁*2^j]，共得到f个卷积核大小和数量的组合，根据所述组合生成f个卷积神经网络；其中i和j是数量参数，f＝(2i+1)*(2j+1)；

(3.5)将训练集S₃₁和测试集S₄₁输入到f个卷积神经网络中，分别输出S₃₁和S₄₁对应的数据集O₁＝[output11，output12，...，output1f]和数据集O₂＝[output21，output22，...，output2f]；

(4)构建第二层卷积神经网络，采用网格搜索法，将数据集O₁输入到第二层卷积神经网络中进行训练，以数据集O₂的预测准确率作为评价准则，得到训练好的第二层卷积神经网络；

(5)第一层卷积神经网络和第二层卷积神经网络构成双层集成卷积神经网络模型；使用电子鼻采集待检测样品的响应曲线，通过步骤(1)中的方法对响应曲线进行预处理，得到待测样本数据集S'∈R^m′×n×k，m′表示待测样本数；将S'转化为S∈R^{m′×n×k×1}并输入到所述的双层集成卷积神经网络模型中，得到待测样本的分类结果。