[发明专利]基于忆阻细胞神经网络的电子鼻气体分类方法

权利要求书

1.基于忆阻细胞神经网络的电子鼻气体分类方法，其特征在于，包括步骤：

S1.在硬件层面上构建嗅觉传感器阵列和基于忆阻细胞神经网络的特征提取模块，在软件层面上构建分类器；所述忆阻细胞神经网络的模板表示为：

其中，在反馈模板A和控制模板B中，参数a,x₁,x₂,x₃,b≥0分别代表能够自适应变化的所述忆阻细胞神经网络中神经元的权值，其约束条件为：2(x₂+x₃)+4x₁≤b,b≤8，I代表偏置电流；

S2.基于所述嗅觉传感器阵列制作离散型数据集；

S3.采用所述离散型数据集对所述忆阻细胞神经网络和所述分类器进行训练，训练过程中采用结合增量式量化的启发式权值优化算法进行优化，在训练精度收敛的情况下，得到所述忆阻细胞神经网络的最优模板参数和所述分类器的最终结构以用于实际应用。

2.如权利要求1所述的基于忆阻细胞神经网络的电子鼻气体分类方法，其特征在于：在所述步骤S1中，所述忆阻细胞神经网络由M行×N列个局部互联的神经元组成，每一个神经元在预定义的邻域范围r内与邻域细胞直接互联，其中邻域尺寸为：(2r+1)²。

3.如权利要求2所述的基于忆阻细胞神经网络的电子鼻气体分类方法，其特征在于，每个所述神经元的电路结构包括电容、状态忆阻器、两个压控电流源，所述压控电流源的权值设置以及加权操作通过基于忆阻桥电路的人工突触结构实现，分别表示邻域细胞输入、输出对当前细胞造成的影响。

4.如权利要求3所述的基于忆阻细胞神经网络的电子鼻气体分类方法，其特征在于，所述步骤S3具体包括步骤：

S31.初始化所述分类器，与此同时，将所述忆阻细胞神经网络的模板中的参数切分为差分进化算法的空间搜索矩阵；

S32.设定所述差分进化算法的超参数；

S33.初始化所述空间搜索矩阵；

S34.开始迭代，在每一次迭代过程中，通过评估适应度函数来依次执行变异、交叉、选择操作，并使用当前模板特征提取的结果和分类器训练的结果参与到分类器的精度评估中以获得新的适应度，当适应度函数趋于收敛且达到结束条件以后，输出全局最优解，经过矩阵重构，将全局最优解转化为其对应的自适应特征提取模板；

S35.引入神经网络的量化策略对优化后的权值完成符合忆阻器精度需求的量化。

5.如权利要求4所述的基于忆阻细胞神经网络的电子鼻气体分类方法，其特征在于，所述步骤S35具体为：

在模板权值的精度限制范围内，将优化后的模板权值量化为整型数据，其量化公式为：

其中，X和分别代表由差分优化算法生成的模板权值和量化后的模板权值，代表对模板权值X向上取整后再取绝对值，sgn(X)代表阶跃函数，模板权值X的取值范围在[2^a,2^b]和[-2^b,-2^a]之间，b和a分别代表量化的上界和下界，b-a为量化位宽；

模板权值损失度的评估公式为：基于贪心策略，在每一轮量化完毕后评估剩余权值的量化损失，并按照量化损失的升序进行量化优先级由高到低的排序，优先级高的权值参与本轮的量化流程，经过权值共享后，剩余的权值被纳入再训练的过程，用以补偿由量化造成的精度损失，经过多次迭代后，所有的网络权值均被量化完毕，从而得到最终的忆阻细胞神经网络低精度模型。

6.如权利要求 1～5任意一项所述的基于忆阻细胞神经网络的电子鼻气体分类方法，其特征在于，所述步骤S2具体包括步骤：

S21.基于不同类型的嗅觉传感器对不同化学元素的气味敏感程度不同，将所述嗅觉传感器阵列中的V个不同的嗅觉传感器视为V个独立属性，将某一时刻的V个所述嗅觉传感器所获取的电压值视为一个样本，即一个样本拥有V个属性，分别对应当前时刻下V个所述嗅觉传感器检测到的电压特征值；

S22.分别对每一个阶段的电压曲线均匀切分W次，获得W个离散的数据样本，即数据集尺寸为W×V；

S23.对P组实验的Q个阶段执行数据集重构，获得尺寸为P×Q×W×V的离散型数据集。