[发明专利]基于卷积神经网络的多种嗅觉感知预测方法、程序和系统

权利要求书

1.基于卷积神经网络的多种嗅觉感知预测方法，其特征在于，包括以下步骤：

1.构建包含多个IP-HKHS-CNN网络模型的嗅觉感知预测模型，以单分子气味物质的CMDs特征为输入，嗅觉感知评分为标签来训练模型并优化模型参数；

2.获取待测单分子气味物质的CMDs特征数据；

3.对获取的CMDs特征数据进行特征选择和MinMax归一化处理，将处理后的数据输入嗅觉感知预测模型，每个IP-HKHS-CNN网络模型对一种嗅觉感知进行回归预测；

4.利用模型中大卷积核和大步长弱化全连接层的功能有效提取CMDs特征，防止模型出现过拟合，同时减少单分子气味物质CMDs特征中的冗余信息，从而对多种嗅觉感知进行准确预测并输出预测结果。

2.根据权利要求1所述的多种嗅觉感知预测方法，其特征在于：步骤2中，利用DRAGON7化学结构分析软件得到待测单分子气味物质的高维2D化学分子描述符特征并表示为：

x_o＝[x₁,x₂,...,x_c]；

其中，c的取值为n。

3.根据权利要求1所述的多种嗅觉感知预测方法，其特征在于，步骤3中，经特征选择后的CMDs特征维度为k，表示为：

x＝[x₁,x₂,...,x_k]；

对经特征选择后的CMDs特征数据进行MinMax归一化处理，表示为：

其中，x_min和x_max分别为对应CMDs特征中的最小值和最大值。

4.根据权利要求1所述的多种嗅觉感知预测方法，其特征在于：步骤1中，每个IP-HKHS-CNN模型中构建有两个卷积层和两个全连接层，其中由卷积操作、批量归一化操作、ReLU激活、最大池化构成一个完整的卷积层，全连接层采用线性激活函数。

5.根据权利要求4所述的多种嗅觉感知预测方法，其特征在于：在卷积层中，首先对输入的数据进行大卷积核长度的1D卷积运算：

其中，m为卷积核的长度，w_i是卷积核的第i个权值，b为偏置。

之后对1D卷积后得到的特征进行批量归一化操作：

其中，x_i批输入数据中某一个特征的取值，ε是为防止分母为零而添加的数，μ_β为批数据的均值，为批数据的方差；

再将进行平移和缩放：

其中，γ为可学习的比例参数，β为可学习的偏差参数；

之后将经过批量归一化处理的数据送入ReLU激活函数，具体为：

f(x)＝max(0,x)；

再将经过激活函数处理后的数据进行1D最大池化操作，具体为：

其中，p为最大池化操作的步长，l为1D最大池化的滑动窗口大小。

6.根据权利要求5所述的多种嗅觉感知预测方法，其特征在于：通过将卷积层提取得到的特征数据拉平，构建全连接层：

f_l(x)＝W_lx+b；

其中，x为输入，b为偏置，W_l为l层全连接层的权值矩阵；

其中，w_mn表示l层的第m个神经元与l-1层第n个神经元之间的权值。

f_l(x)作为最终的嗅觉感知预测评分输出。

7.根据权利要求1-6中任意一项所述的多种嗅觉感知预测方法，其特征在于：在步骤4中利用决定系数和皮尔逊相关系数对模型的回归预测性能进行定量评估；其中决定系数为：

其中，N为样本数量，f(x_i)是对第i个样本数据的预测值，y_i为某一嗅觉感知的真实标签值，是所有输出标签值的平均值；

皮尔逊相关系数为：

其中，和分别表示所有输出值的平均值和所有预测值的平均值。