[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

说明书

基于卷积神经网络的多种嗅觉感知预测方法、程序和系统，涉及化学分子信息处理技术领域，本发明在对单分子气味物质的高维化学分子描述符特征进行基于特征取值多样性的特征选择和MinMax归一化处理后，将其作为基于卷积神经网络的IP‑HKHS‑CNN预测模型的输入，针对气味物质化学分子描述符特征之间存在大量冗余且其维度远高于气味物质样本数量这一特点，本发明利用IP‑HKHS‑CNN网络模型中大卷积核和大步长能够更有效地提取特征，并可以弱化全连接层以防止模型出现过拟合。通过高效地特征提取还可以减少单分子气味物质化学分子描述符特征中的冗余信息，从而实现了多种嗅觉感知的准确预测，并大大提高了多种嗅觉感知预测的精度。

技术领域

本发明涉及化学分子信息处理技术领域，特别涉及一种基于卷积神经网络的多种嗅觉感知预测方法、程序和系统。

背景技术

不同于视觉，嗅觉无法使用诸如三基色这样简单的组合进行表示。为了准确的描述嗅觉感知，特别是在香水、红酒等行业和研究领域涌现出了上千种专用的嗅觉感知描述词汇，根据不同的应用场合，会选用不同的嗅觉感知描述。因此，对于气味物质到多种嗅觉感知评分的回归预测研究一直是嗅觉感知领域的研究热点问题之一。

目前用于嗅觉感知预测的气味物质的物化特征包括电子鼻信号、质谱数据、化学分子描述符(Chemical Molecular Descriptors,CMDs)特征等数据。其中，化学分子描述符特征是常用的气味物质物化特征数据，有大量研究集中于化学描述符特征到人类嗅觉感知的映射关系中，这一类问题称为物质结构-嗅觉感知关系研究，当前研究中面临的最大挑战是预测精度不高的问题。由于化学结构分析软件强大的功能，会得到大量的化学分子结构特征，而这些特征之间又存在冗余重复的信息，从而导致难以从中有效提取化学分子描述特征，影响了预测准确度。此外，目前对嗅觉感知的预测主要集中在单个嗅觉感知的预测，如愉悦度和强度等，对多种嗅觉感知进行预测的研究较少。

发明内容

本发明目的是提供一种基于卷积神经网络的多种嗅觉感知预测方法，通过更有效地提取化学分子描述符特征中的信息、更好地解决网络过拟合问题，以解决现有方法中所存在的预测准确度偏低的问题，并且本发明实现了多种嗅觉感知预测。

为了实现上述目的，本发明采用如下技术方案：基于卷积神经网络的多种嗅觉感知预测方法，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，并确定出最终的预测模型；

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。

在步骤1中，首先筛选出在结构和嗅觉感知上都有较大差异的单分子气味物质，利用DRAGON7化学结构分析软件得到高维2D化学分子描述符特征构建输入数据集，其嗅觉感知评分作为标签数据；其中化学分子描述符特征表示为：

x_o＝[x₁,x₂,...,x_c]；

其中，c的取值为n。

以CMDs特征数据为输入，嗅觉感知评分数据为输出对IP-HKHS-CNN模型进行训练并确定最终的模型参数。

在步骤2中，利用DRAGON7软件获取单分子气味物质的CMDs特征数据。