[发明专利]机器嗅觉气味类别与强度同时确定方法

摘要

本发明涉及一种机器嗅觉同时确定气味类别与强度的方法，所述的方法由n个函数逼近模型集合体来代表n种气味，一一对应；其中：每一个函数逼近模型集合体，由一个多元对数线性回归模型、一个多元对数二次回归模型、一个单输出感知器和一个支持向量机4个专家所组成，代表着一种特定的气味。一个函数逼近模型集合体内各个专家的结构和参数通过学习来自所代表气味的训练样本集所确定。一个气味样本的最终类别与强度由预测相对标准差最小的函数逼近模型集合体所确定。利用本发明，机器嗅觉装置解决了高维多类别海量样本集的学习问题，具有对成千上万种气味类别与强度的同时确定能力。

主权项

1.一种机器嗅觉同时确定气味类别与强度的方法，其特征在于，所述的方法由n个函数逼近模型集合体来代表n种气味，一一对应；其中：每一个函数逼近模型集合体，由一个多元对数线性回归模型、一个多元对数二次回归模型、一个单输出感知器和一个支持向量机4个专家所组成；代表一种特定的气味，模仿气敏传感器阵列对所代表气味的响应；所述的函数逼近模型集合体通过以下步骤同时确定气味的类别与强度：a、将一个复杂的n种气味类别与强度同时确定问题转化为n个多输入单输出函数逼近问题，这里，多输入是指气敏传感器阵列对一个气味样品的响应向量，维数等于传感器个数，单输出是指对应于该气味样本的强度值；b、设来自气味j的训练样本数为Nj，第p个气味样本xp，函数逼近模型k的实际输出为ypk(j)，目标输出为dpk(j)，则模块k对类别j所有训练样本的均方根误差为：${ϵ}_k^{\left(j\right)}=\sqrt{\frac{1}{2N_j}{(d_{\mathrm{pk}}^{\left(j\right)}-y_{\mathrm{pk}}^{\left(j\right)})}^2}---\left(1\right);$ c、将一个函数逼近模型集合体j内4个专家的实际输出通过比例变换和指数变换转化为各自的气味强度预测值cpk(j)，并在此基础上求强度预测平均值cp(j)，cp(j)作为专家组j的一个实际输出。专家组j对xp的强度预测平均值为：${\bar{c}}_p^{\left(j\right)}=\frac{1}{4}\underset{k=1}{\overset{4}{\Sigma }}{c}_{\mathrm{pk}}^{\left(j\right)}---\left(2\right);$ d、计算一个专家组j中4个专家对xp的强度预测值的标准差，然后除以强度预测平均值cp(j)，得到相对标准差ζp(j)，相对标准差ζp(j)作为专家组的另一个实际输出，函数逼近模型集合体j对xp的强度预测相对标准差为：${\zeta }_p^{\left(j\right)}=\frac{1}{{\bar{c}}_p^{\left(j\right)}}\sqrt{\frac{1}{4-1}\underset{k=1}{\overset{4}{\Sigma }}{(c_{\mathrm{pk}}^{\left(j\right)}-{\bar{c}}_p^{\left(j\right)})}^2}\times 100\%---\left(3\right);$ 因此，函数逼近模型集合体j的两个实际输出为强度预测平均值cp(j)和相对标准差ζp(j)；e、比较所有函数逼近模型集合体的强度预测相对标准差的大小。一个待定样本xp的类别由强度预测相对标准差最小的函数逼近模型集合体所确定，其强度为该函数逼近模型集合体的预测平均值，即xp∈ωj且$c_p={\bar{c}}_p^{\left(j\right)},$ 如果${\zeta }_p^{\left(j\right)}=\underset{1\le k\le n}{\min }\left({\zeta }_p^{\left(k\right)}\right),$ j＝1，2，...，n (4)。