[发明专利]基于双层集成神经网络的电子鼻预测方法

说明书

本发明公开了一种基于双层集成神经网络的电子鼻预测方法。包括：1、使用电子鼻采集已知标签的样本的气味数据，去基线处理后构成样本数据集，归一化处理，并将得到的数据集分为训练集和测试集；2、将训练集和测试集转化为神经网络的输入格式；3、在第一层网络中集成多个具有差异性的卷积神经网络，单个卷积神经网络作为第二层网络，将双层卷积神经网络进行集成，使用网格搜索法对超参数进行寻优，进而构建基于归一化处理后数据集的预测模型，完成对待测样品的分类。本发明结合了卷积神经网络自动提取数据集中抽象局部、拟合能力强和集成算法能有效提高预测模型泛化能力和稳定性等特点，提高了电子鼻的检测性能。

技术领域

本发明涉及农产品电子鼻检测领域，特别涉及一种基于双层集成神经网络的电子鼻预测方法。

背景技术

目前为止，常用于电子鼻中气味信号的数据学习方法有支持向量机、逻辑斯蒂回归、决策树、随机森林、k-近邻、人工神经网络等算法。但由于电子鼻数据具有明显的非线性特性且易受环境、未知类别气味和采集装置的干扰影响，尽管相比较其它数据学习方法，人工神经网络能够更有效的学习并解释复杂的现实世界中的非线性传感器数据。但是随着研究的深入，神经网络暴露了一些不足，如缺乏严密的理论体系，使用者的经验对应用效果影响过大，神经网络模型的选择及其参数的设置，需要通过研究人员的经验和实验测试来完成，没有完整的知识体系结构能够对神经网络的使用及其输出结果做出严密的定量分析，训练过程会遇到局部最小、过拟合导致泛化性能下降等问题。导致其难以建立同时具备精确度高、稳定性好、泛化能力强的预测模型。

本发明提出一种基于集成卷积神经网络的电子鼻预测方法，该方法融合了卷积神经网络自动提取数据集中抽象局部、拟合能力强和集成算法能有效提高电子鼻预测模型泛化能力和稳定性等特点，建立具备精确度高、稳定性好、泛化能力强的电子鼻预测模型，进而提高电子鼻的性能。

发明内容

本发明的目的在于提供基于集成卷积神经网络的电子鼻预测方法，融合了卷积神经网络自动提取数据集中抽象局部、拟合能力强和集成算法能有效提高预测模型泛化能力和稳定性等优点。一方面可以提高电子鼻预测模型的准确率，另一方面可以增强电子鼻预测模型的泛化能力。有效地提高了电子鼻的检测性能。

为了实现上述目的，本发明采用如下技术方案：

一种基于双层集成神经网络的电子鼻预测方法，具体包括以下步骤：

(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；

(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；