[发明专利]一种基于CGAN判别器和生成器的电子鼻识别模型优化方法

权利要求书

1.一种基于CGAN判别器和生成器的电子鼻识别模型优化方法，其特征在于，包括如下步骤：

步骤一：CGAN网络建立

根据数据特点建立对应的条件生成对抗网络(Conditional Generative AdversarialNetworks，CGAN)结构，生成器接受一个来自外部的随机向量与一个标签值，生成器根据给定的标签值与随机向量生成一个与标签类别相对应的、满足给定目标数据集分布的虚假数据；对判别器输入一个与规范数据集数据形状一致的数据以及一个同该数据相对应的标签项；由判别器判断该数据是否满足标签所对应类别数据的规范分布，并给出一个判别结果；

步骤二：CGAN判别器筛选数据，CGAN生成器增广数据

首先使用规范数据集训练CGAN网络，在对网络的训练中使用BatchNorm方法；BatchNorm方法即对训练网络输入数据时每个数据批次只提供真实数据或虚假数据，而不将真实数据与虚假数据掺杂提供给网络；具体训练流程为：准备网络训练数据，每次网络训练迭代所用的数据批由1/2批从规范数据集提取出的真实数据和1/2批CGAN生成器生成的虚假数据组成。分别使用数据批中的真实数据与虚假数据训练判别器，在判别器得到参数更新后训练CGAN网络的生成器；

在完成对CGAN网络的训练后，将实际应用场景中待筛选数据输入CGAN判别器，判别器会给出对输入数据的判定结果；判定结果越接近1认为该值越接近于真实分布；在这里设置一个判定阈值，若判别器给出的判定结果低于阈值，则认为该数据样本与真实值偏离过大，应当剔除；

根据实际应用场景下校准模型对数据量的要求，生成相应规模的随机向量，将其输入到CGAN生成器中，即实现了对规范数据集的增广；

步骤三：使用CGAN处理后的数据对电子鼻系统模型进行校准。

2.根据权利要求1所述的一种基于CGAN判别器和生成器的电子鼻识别模型优化方法，其特征在于：电子鼻系统输出数据属于较长的时间序列，在网络搭建中引入LSTM层以保证数据特征提取效果。

3.根据权利要求1所述的一种基于CGAN判别器和生成器的电子鼻识别模型优化方法，其特征在于：一次完整的训练迭代流程如下：

第一轮训练将规模为1/2批的真实数据送入判别器，用作判别器的参数更新，使判别器判断真实数据的能力得以提升；

第二轮训练使用生成器生成规模为1/2批的虚假数据，同样用作判别器的参数更新，使判别器判断虚假数据的能力得以提升；

第三轮训练生成器，应使判别器的参数保持恒定，即将判别器设定为不可训练模式。在完成本轮对生成器的训练后，再将判别器设定为可训练模式，以等待下一次迭代。