[发明专利]一种基于深度信念网络特征提取的电子鼻漂移补偿方法

摘要

本发明公开了一种基于深度信念网络特征提取的电子鼻漂移补偿方法，包括以下步骤：通过对电子鼻传感器得到的模拟信号特征进行信号预处理，得到浅度特征；采用逐层贪婪学习算法，训练DBN模型；然后通过这个模型提取浅度特征的深度特征；对得到的深度特征再采取自适应校正方法处理，从而达到电子鼻传感器漂移补偿目的。本发明在已有的电子鼻漂移补偿算法中的自适应校正方法上，提出了采用DBN对电子鼻传感器数据进行深度特征提取的方法，从而在特征层面上抑制了漂移现象的干扰，强化了有效特征间的耦合性；由于DBN的无监督特性，因此自适应校正方法与DBN的结合并没有影响它的自适应特性，这种改良的方法依然具有良好的实用性。

主权项

1.一种基于深度信念网络特征提取的电子鼻漂移补偿方法，其特征在于：包括以下步骤：步骤一：对电子鼻传感器得到的电阻响应曲线进行去噪、放大预处理，然后提取响应曲线的上升速率、上升加速度、稳态值、稳态值的负数、下降速率、下降加速度作为浅度特征向量；步骤二：训练深度信念网络，用步骤一得到的浅度特征向量作为训练样本输入深度信念网络可见层，采用逐层贪婪训练方法，自下而上逐层训练；步骤三：用训练好的深度信念网络模型，提取步骤一获得的浅度信号特征向量的深度特征向量；步骤四：对步骤三获得的深度特征向量进行自适应校正方法处理，从而得到传感器漂移补偿后的识别结果；步骤二所述的训练深度信念网络，利用逐层贪婪算法训练得到深层次故障特征，具体步骤为：1)用浅度特征向量作为训练样本训练第一层受限制波尔兹曼机；2)利用训练好的受限制波尔兹曼机模型，采样得到隐含层数据；3)将步骤2得到的隐含层数据作为下一层受限制波尔兹曼机的可见层训练样本；4)逐层训练完所有层；利用步骤一的训练样本数据训练单个受限制波尔兹曼机的具体步骤是：1)初始化：选取训练样本数ns，训练周期J，学习率η，偏执向量a，b，权值矩阵w以及K步对比散度算法的步数k；2)求得训练样本的似然概率P(vⁱ)表示第i个训练样本的概率，vⁱ表示第i个训练样本；3)利用K步对比散度算法，得到梯度(Δw，Δa，Δb)；4)更新参数5)执行步骤3)J次。