[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

说明书

本发明属于电子鼻系统模型优化技术领域，具体为一种基于CGAN判别器和生成器的电子鼻识别模型优化方法，包括步骤一：CGAN网络建立；步骤二：CGAN判别器筛选数据，CGAN生成器增广数据；步骤三：使用CGAN处理后的数据对电子鼻系统模型进行校准。本发明在实际应用于电子鼻系统的模型的识别与优化具有实际意义，不仅去除了实际应用场景中误差较大的数据样本，同时使数据量不足的规范样本得到了增广。实验测试结果显示，在测试集中，误差不超过0.05倍规范数据均值的情况下，数据的筛选率在4％‑8％左右，经过CGAN优化后的数据能使测试网络分类准确率提升1％以上。

技术领域

本发明涉及电子鼻系统模型优化技术领域，具体为一种基于CGAN判别器和生成器的电子鼻识别模型优化方法。

背景技术

电子鼻系统作为近年来传感器领域炙手可热的新兴研究方向，在混合气体识别、高挥发性气体浓度检验等领域发挥着重要作用。然而由于其结构与数据上的复杂性，对于电子鼻系统的模型优化与校准就成为了该领域亟待解决的问题。

本质上讲，电子鼻系统的复杂性体现于两点：一是数据规模大，电子鼻系统往往由十几个或数十个性质各异的气体传感器组成，同时电子鼻系统采样频率高、测量时间长，致使电子鼻系统输出的数据在传感器数量、时间两个维度上均具有较大的规模，因而处理难度较大。电子鼻输出的数据规模相对应的是，可用于模型优化的规范数据往往较少，这同样增加了模型校准的难度。二是电子鼻所处的工作环境复杂、所受干扰因素较多，其数据特征具有高密集性，特征间的高耦合性大大增加了数据特征提取与模型优化的难度。因而寻找一种既具有较大规模数据的筛选、特征提取能力，又能对规范数据进行增广并降低数据特征密集性的方法对于电子鼻系统的模型优化与校准具有重要意义。

深度学习作为稀疏特征领域的重要方法，在信息解离上具有巨大优势，同时深度学习网络亦具有较强的大规模数据处理能力。因而深度学习方法对于解决电子鼻系统的模型优化与校准问题具有天然优势。生成对抗网络(Generative Adversarial Networks，GAN)作为一种新型深度学习方法，其特有的竞争对抗特性使其具有较强的特征提取能力。同时GAN内部特有的生成器结构使得GAN具备了生成虚假数据的能力，这对于数据增广而言具有重要意义。

时至今日，GAN在短短几年间已经成为机器学习生成领域受到广泛关注与应用的算法。它被广泛应用于各种领域，如图像生成、图像风格变换、语音处理等。而其变体条件生成对抗网络CGAN则在GAN的基础上增加了条件项，使其内部的判别器、生成器具备了判别、生成多样化数据的能力。CGAN同时兼有深度学习固有的信息解离优势，这使得CGAN成为了解决电子鼻系统的模型优化与校准的良好工具。

基于电子鼻系统的模型优化与校准的难点与CGAN的特性，本发明提出了CGAN判别器初筛配合CGAN生成器增广的电子鼻系统模型优化方法，即利用CGAN判别器筛选并剔除原始数据集中误差较大的数据样本，解决传感器阵列应用环境复杂、噪声较多的问题；利用CGAN生成器增广原始数据集，解决用于模型校准的规范数据数量少、特征提取不充分的问题。为此，我们提出一种基于CGAN判别器和生成器的电子鼻识别模型优化方法。

发明内容

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

因此，本发明的目的是提供一种基于CGAN判别器和生成器的电子鼻识别模型优化方法，可以针对特定的电子鼻系统与应用场景实现较好的数据筛选，可以对很多深层的数据特征进行提取，提高筛选效率。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种基于CGAN判别器和生成器的电子鼻识别模型优化方法，其包括如下步骤：

步骤一：CGAN网络建立