[发明专利]一种基于气味传感器的香精质量检测方法、系统及介质

权利要求书

1.一种基于气味传感器的香精质量检测方法，其特征在于，包括如下步骤：

S1：设置气味传感器阵列，包括用于感知芳香族化合物的W1C传感器、感知氮氧化物的W5S传感器，感知氨和芳香族化合物的W3C传感器，感知氢的W6S传感器，感知硫化物的W1W传感器，感知乙醇的W2S传感器，感知烷烃的W3S传感器；

S2：获取气味传感器阵列数据；

S3：基于一维卷积神经网络对数据进行数据预处理；

S4：多传感器数据融合，将步骤S3提取到的多个传感器的数据特征进行融合；

融合方法为将类别概率向量与降维处理后的特征向量进行拼接融合，得到融合后的特征；

所述类别概率向量为利用原始输入特征分别基于不同的分类器进行特征训练得到类别概率向量；

S5：基于引力搜索算法根据融合后的数据特征进行识别，得到匹配的香精质量等级；

所述基于引力搜索算法根据融合后的数据特征进行识别包括：

S51：算法参数初始化，包括设定种群规模为N，解的范围[up,down]，解的维度dim，最大迭代次数T，初始引力常量G₀；在[up,down]范围内随机生成初始种群；

S52： 根据适应度函数计算适应度值；

S53： 找到最优的适应度值F_best以及其对应的位置信息L_best；

S54： 根据下式更新个体质量矩阵m，经过归一化得到种群质量矩阵M；

；

其中，为粒子i的适应度，为第t次迭代时的最佳值，为第t次迭代时的最差值；为归一化后的粒子质量；

S55： 根据下式更新引力常量G；

；

其中，为初始引力常量，为常量，T为最大迭代次数；

S56： 计算粒子i和j之间的欧氏距离，根据下式计算第t次迭代时粒子i和j之间在第k维上的引力F_ij；

；

其中，为引力常量，为粒子i和粒子j之间的欧氏距离；

S57： 根据下式更新粒子i所受合力F和粒子加速度a；

粒子i在第k维上受到的总作用力等于其他粒子对其作用力的随机加权和：

；

其中，p为随机参数，表示随机权重；

粒子的加速度根据下式计算得到：

；

S58： 根据下式更新粒子速度和位置

；

其中，为粒子i的位置的k维分量，为粒子i的速度的k维分量,、、为[0,1]内的随机参数，、为学习因子，为第k维个体当前最优位置，为第k维全局最优位置；

通过调节、的值可以调整粒子运动过程中受到个体和群体的影响程度；

S59：计算突变触发函数值，并判断突变触发函数值是否满足突变条件；

基于自适应突变方法对算法进行改进，突变触发函数值计算方法如下：

；

其中，为第t次迭代中第i个粒子的突变触发值，当大于设定阈值时，触发突变；p为随机参数，dim为解的维度，为一个常数；

S510：进行位置均匀突变

均匀突变更新粒子位置公式如下：

；

其中，p为随机参数，其范围在[0,1]之间；

S511：循环迭代，输出全局最优解，即匹配的香精质量等级。

2.根据权利要求1所述的基于气味传感器的香精质量检测方法，其特征在于，所述步骤S3中的一维卷积神经网络包括4个卷积层和3个池化层以及一个展平层组成，卷积层的卷积核大小为3。

3.根据权利要求2所述的基于气味传感器的香精质量检测方法，其特征在于，所述步骤S4中类别概率向量通过下述方法得到：

利用原始输入特征分别基于不同的分类器进行特征训练，所述分类器包括随机森林、XGBoost、GBDT，通过训练得到类别概率向量。

4.根据权利要求3所述的基于气味传感器的香精质量检测方法，其特征在于，所述步骤S4中降维处理包括计算相关系数和冗余度，并根据相关系数和冗余度进行降维处理，所述降维处理包括删除相关性低于设定阈值的特征以及在冗余度大于设定阈值的特征中随机选择其中一个特征，从而得到降维处理后的特征。