[发明专利]一种基于DA-SVM的机器嗅觉模式识别方法在审
申请号: | 202010161893.3 | 申请日: | 2020-03-10 |
公开(公告)号: | CN111340132A | 公开(公告)日: | 2020-06-26 |
发明(设计)人: | 冯李航;陈铭;陈伟 | 申请(专利权)人: | 南京工业大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04;G06N3/08;G01N33/00 |
代理公司: | 宿迁市永泰睿博知识产权代理事务所(普通合伙) 32264 | 代理人: | 丁雪 |
地址: | 220000 *** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 da svm 机器 嗅觉 模式识别 方法 | ||
1.一种基于DA-SVM的机器嗅觉模式识别方法,其特征在于,包括以下几个步骤:
步骤一、获取嗅觉系统的原始数据集S1,归一化并给数据集贴标签;
步骤二、构造深度自动编码机,剔除步骤一中原始数据集S1的标签列并将剩余的数据作为该网络的输入,经过多次迭代训练后可输出新的特征数据集;
步骤三、将步骤二中得到的新的特征数据集再次贴上步骤一中的标签,生成新的数据集S2;
步骤四、将步骤三的新数据集S2送入一个支持向量机模型进行训练,经多次调参直至模型误差降至合理的区间,求得SVM分类器模型的参数;
步骤五、利用步骤四的SVM模型参数即可实现嗅觉系统的模式识别。
2.根据权利要求1所述的一种基于DA-SVM的机器嗅觉模式识别方法,其特征在于,所述步骤一中采用Min-Max函数进行归一化,将原始值映射成在区间[0,1]中的标准值。
3.根据权利要求1所述的一种基于DA-SVM的机器嗅觉模式识别方法,其特征在于,所述步骤一中的标签采用独热编码形式。
4.根据权利要求1所述的一种基于DA-SVM的机器嗅觉模式识别方法,其特征在于,所述步骤二中深度自动编码机算法框架按照如下形式进行构建,具体如下:
首先,构建含有一个输入层、一个输出层,n个隐含层的深度自动编码机网络,2≤n≤20,初始化改网络结构,并确定节点数[128,6,64],即输入层上有128个神经元,输出层包含6个神经元,隐藏层64个神经元;
其次,编码降维:将输入层和第一隐含层的神经元节点连接,按照公式f(x)=f(wixi+bi)将输入层和第一隐含层进行编码,wi为权重矩阵,bi为偏置项,f为编码的映射函数,xi为样本原始数据的特征,重复该编码步骤直至连接最中间的隐含层;
最后,解码重构:将最中间的隐藏层与后续隐含层的神经元连接,按照公式进行层层重构,直至连接到最后的输出层,g为解码的映射函数,上标T表示向量的转置,重构过程依据函数g将解码出一个与原来尺寸大小一样的向量。
5.根据权利要求1所述的一种基于DA-SVM的机器嗅觉模式识别方法,其特征在于,所述步骤二中迭代训练过程利用损失函数来衡量迭代计算的误差,最终获取最优参数;所述损失函数选用的交叉熵损失函数为其中,为标签真值标签y的预测值;按照损失最小化准则来不断优化参数Q,最终达到最优解的QNew,符号Q表示所有权值wi和偏置bi构成的参数集,QNew表示更新后的参数集,argminQ表示求解关于参数Q的最小寻优算法缩写。
6.根据权利要求5所述的一种基于DA-SVM的机器嗅觉模式识别方法,其特征在于,所述参数QNew按照Adam自适应学习率梯度下降法进行优化,Adam算法通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率,进而实现梯度下降的参数更新,具体按照如下公式进行:
其中,和分别代表第一时刻平均值和第二时刻方差值,mt和vt分别为一阶矩梯度动量和二阶矩梯度动量,α1和α2为各自的衰减系数,分别取值0.9和0.999,QNew-1为相对于QNew的上一次更新参数,γ为自定义的学习率,上下标t表示第t次迭代计算,θ为防止分母为0而取的极小值,通常取10e-8。
7.根据权利要求1或4所述的一种基于DA-SVM的机器嗅觉模式识别方法,其特征在于,所述步骤三中的新特征集直接选用自动编码器最中间隐藏层输出的数据作为最终选取的特征,用这些具有代表性的特征构成新数据集S2。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京工业大学,未经南京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010161893.3/1.html,转载请声明来源钻瓜专利网。