[发明专利]一种基于DA-SVM的机器嗅觉模式识别方法

说明书

本发明公开一种基于DA‑SVM的机器嗅觉模式识别方法，该方法包括以下几个步骤：1、获取嗅觉系统的原始数据集S₁，归一化并人工给数据集贴标签；2、构造深度自编码机，剔除数据集S₁的标签列并将剩余的数据作为DA的输入，经迭代训练获得降维后的特征数据集；3、将步骤2中得到的特征数据集再次贴上步骤1中的标签，生成新的数据集S₂；4、将S₂送入一个支持向量机模型进行训练，经多次调参建立SVM分类器；5、利用SVM分类器即可实现嗅觉系统的模式识别。本发明能够解决机器嗅觉系统在大样本、高维特征、多类别、长期漂移等方面的问题，提高机器嗅觉感知的准确度。

技术领域

本发明涉及机器嗅觉系统，具体涉及一种联合深度自编码机和支持向量机的 嗅觉感知分类器。

背景技术

机器嗅觉是一种模拟生物嗅觉工作原理的新颖仿生检测技术，机器嗅觉系统 通常由交叉敏感的化学传感器阵列和适当的计算机模式识别算法组成，可用于检 测、分析和鉴别各种气味。一个完整的机器嗅觉系统一般包含气体传感器阵列硬 件设备和一套面向传感信号和数据处理的模式识别技术。其中，模式识别技术主 要为建立合适的机器学习模型，进而对被测气体的组成成分和浓度信息或对被测 目标的气味进行判断，实现仿生或机器嗅觉的功能。

然而，现有的机器嗅觉系统在实际的气体识别或气味判断应用中表现得仍然 不尽人意，一方面由于嗅觉传感器随着使用时间的增长而发生毒化或退化，而使 得其响应信号逐渐离其应有的数值，这种漂移使得电子鼻的识别精度降低，甚至 变得不可靠；另一方面，嗅觉模式识别常采用大量数据训练一个分类器，引入大 量的噪声干扰，还要面对传感信号之间存在高维、多变量干扰问题，使得真正有 用的特征信号被淹没或难以提取，最终影响机器嗅觉系统的识别效果，

为了改进机器嗅觉系统的性能，ZL201610120715.X公开了一种基于深度信 念网络特征提取的电子鼻模式识别方法，ZL201110340338.8公开了基于多重自组 织神经网络的电子鼻在线漂移抑制方法，ZL201610216768.1公开了目标域迁移 极限学习的电子鼻气体识别方法。然而，这些方法主要是为了建立基于深度神经 网络的分类器模型，它们需要通过大量的神经元来对数据进行分类。直接采用深 度学习方法或神经网络的分类器，尽管精度有所提升，但相对于传统机器学习分 类器还是过于复杂，在诸多的低功耗低计算芯片上的应用上也受限。

发明内容

为了解决上述问题，本发明提供一种联合深度自编码机和支持向量机(DeepAutoencoder-Support Vector Machine，DA-SVM)的机器嗅觉模式识别方法，该 方法所建立的DA-SVM分类器能够利用深度自编码器实现大样本数据的自动降 维和有效特征提取，同时又建立了基于SVM浅层分类器的机器嗅觉模式识别模 型，使得该方法最终能够在大样本(≥10000)、高维特征(≥100)、多类别、长 期漂移问题等方面，提高机器嗅觉感知的准确度。

为实现上述目的，本发明通过以下技术方案实现：

一种基于DA-SVM的机器嗅觉模式识别方法，其特征在于，包括以下步骤：