一种基于气味传感器的香精质量检测方法、系统及介质与流程

1.本发明涉及香精质量检测领域，尤其是一种基于气味传感器的香精质量检测方法系统及介质。


背景技术：

2.食品中的香精香料对于食品生产而言, 是一种十分重要的生产原料, 香料香精的配方自然成为了生产企业的核心技术, 香精香料的质量与品牌的树立息息相关。随着生产工艺的不断进步，人们对产品的质量和风味有着越来越高的要求, 香精香料作为一种能影响食品口感及其风味的一种物品被广泛应用到食品生产行业。近年来, 人们的健康意识逐步增强, 也就使得生产企业需要着力改善食品的安全性, 对于香精香料的使用越来越谨慎, 一旦减少产品中香精香料的含量, 必然使得食物, 影响了食物的口感，也就使得产品丧失了原有的风格, 难以得到广大消费者的认同。因此在减少产品香精香料含量的同时, 优化香料香精配方以保障产品口感与香味。
3.目前对香精香料的检测方法常用的有气相色谱法、红外吸收光谱分析方法、紫外吸收光谱分析方法等，所述方法制备及实验过程复杂，且所需时间较长，无法实现大量的样本的检验，无法实现对香精香料的样品的快速准确的检测。


技术实现要素：

4.为了解决上述技术问题，本发明提供一种基于气味传感器的香精质量检测方法系统及介质。所述方法基于气味传感器，通过对多个气味传感器的数据采集融合，实现对香精质量的自动识别匹配，从而实现了快速准确的香精质量检测。
5.本发明是通过以下技术方案实现的：一种基于气味传感器的香精质量检测方法，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。
6.进一步的，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。
7.进一步的，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。
8.进一步的，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。
9.进一步的，所述相关系数，计算方法如下：；式中的和分别为特征向量和香精质量的均值，为样本量，在这里表示采样次数。
10.进一步的，所述冗余度计算方法如下：对于传感器提取出来的一个特征a与另一特征b组成的矩阵d，最大信息系数法先将d中的数据点分布在二维平面中，并对平面用axb条直线进行网格划分，计算得出数据点落入划定网格的概率分布，即等效于该划分情况下a与b之间的互信息，如下式所示：；其中，、、分别为两个特征的联合分布和边缘分布。
11.进一步计算特征之间的最大信息系数，其过程如下式所示：；其中r为样本容量函数，， 为试验样本数，为调节参数。
12.进一步的，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。
[0013]
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；随着迭代次数的增加，粒子的移动幅度会明显减小。因此，基于自适应突变方法对算法进行改进，同时，突变触发率又随着迭代次数的增加而减小，在算法初期以更高的突变率来提高种群的多样性，增强算法的全局寻优能力，后期减小突变率，防止破坏优良个体，为得到更高精度提供基础。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，为一个较小的常数；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。
[0014]
进一步的，所述步骤s58中、根据如下公式计算：；；其中，g为引力常量，t为当前迭代次数，t为最大迭代次数。
[0015]
本发明还提供一种基于气味传感器的香精质量检测系统，其包括：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；数据预处理模块，其用于基于一维卷积神经网络进行传感器数据的预处理；多传感器数据融合模块，其用于将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；特征识别模块，其用于基于引力搜索算法根据融合后的数据特征进行识别。
[0016]
此外，为实现上述目的，本发明还提供一种计算机可读存储介质, 所述计算机可读存储介质上存储有基于气味传感器的香精质量检测方法的程序指令，所述基于气味传感器的香精质量检测的程序指令可被一个或者多个处理器执行，以实现如上所述的基于气味传感器的香精质量检测方法的步骤。
[0017]
与现有技术相比，本发明的有益效果为：通过结合数据特征的相关度与冗余度进行特征的降维与融合，既保留了重要的特征信息，包括全局信息，又去除了冗余特征，降低了计算难度；基于引力搜索算法根据融合后的数据特征进行识别，实现了对香精质量的自动识别匹配，从而可以快速准确的香精质量检测。
附图说明
[0018]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1是根据本技术实施例的一种基于气味传感器的香精质量检测方法流程示意图；图2是根据本技术实施例的多传感器数据融合方法示意图；图3是根据本技术实施例的基于引力搜索算法的特征识别算法流程示意图。
具体实施方式
[0019]
下面结合附图对本公开实施例进行详细描述。
[0020]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可
以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0021]
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0022]
参见图1，一种基于气味传感器的香精质量检测方法包括以下步骤：s1：设置气味传感器阵列根据香精成分以及常见的香精中的杂质的成分选择气味传感器的类型，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。
[0023]
s2：获取气味传感器阵列数据根据步骤s1中的传感器阵列获取传感器数据。
[0024]
s3：数据预处理由于传感器的敏感物质存在一定的重叠，因此n个传感器之间具有较强的交叉敏感性，为了提升数据的可用性，需对数据进行处理。本发明基于一维卷积神经网络对数据进行处理，具体方法如下：设数据包括n个传感器的响应值，每个传感器的数据量为m，则传感器数据为的矩阵，将数据转换为一维卷积神经网络的n个通道输入，网络输出k个特征向量。
[0025]
可选的，所述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，选择relu作为激活函数；前两个池化层步长为2，滤波器大小为2，最后一个池化层步长为1，滤波器大小为3；最后经过一个展平层将二维的特征矩阵转换为k个特征向量。可选的，所述k为128。
[0026]
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，数据融合方法如图2所示：s41：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p1，p2，
…
pj;s42:对原始输入特征进行降维处理，得到降维处理后的特征向量t；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，包括如下步骤：s421：计算各个特征与香精质量之间的相关系数，计算方法如下：；式中的和分别为特征向量和香精质量的均值，为样本量，在这里表示采样次数。
[0027]
s422：计算各个特征之间的冗余度两个变量之间的相关性越低，说明它们的信息重叠性越少，即冗余度越低。 本发
明基于最大信息系数法计算各个特征两两之间的冗余度，包括如下步骤：对于传感器提取出来的一个特征a与另一特征b组成的矩阵d，最大信息系数法先将d中的数据点分布在二维平面中，并对平面用axb条直线进行网格划分，计算得出数据点落入划定网格的概率分布，即等效于该划分情况下a与b之间的互信息，如下式所示：；其中，、、分别为两个特征的联合分布和边缘分布。
[0028]
进一步计算特征之间的最大信息系数，其过程如下式所示，其中r为样本容量函数，计算特征之间的最大信息系数，， 为试验样本数，的取值会影响最大信息系数法的普适性，可选的，将其取值为0.6。
[0029]
；s423：降维处理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。
[0030]
s43：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。
[0031]
基于上述方法，既保留了重要的特征信息，包括全局信息，又去除了冗余特征，降低了计算难度。
[0032]
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,如图3所示，包括如下步骤：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；可选的，以5折交叉验证准确率作为适应度函数。
[0033]
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。
[0034]
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。
[0035]
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。
[0036]
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。
[0037]
；其中，p为随机参数，表示随机权重。
[0038]
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。
[0039]
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，可选的，、根据如下公式计算：；；其中，g为引力常量，t为当前迭代次数，t为最大迭代次数。
[0040]
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；随着迭代次数的增加，粒子的移动幅度会明显减小。因此，基于自适应突变方法对算法进行改进，同时，突变触发率又随着迭代次数的增加而减小，在算法初期以更高的突变率来提高种群的多样性，增强算法的全局寻优能力，后期减小突变率，防止破坏优良个体，为得到更高精度提供基础。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，为一个较小的常数，可选的。
[0041]
s510：进行位置均匀突变针对满足突变条件的个体，采用均匀突变的方法对算法进行改进，对于满足该条件的粒子能够以一定的幅度为基础，采用更大的幅度继续移动从而接近最优解区域，不满足条件的粒子则保持原有的幅度移动。所述移动方式可以使粒子快速移动至最优解区域附
近，从而提高算法的收敛速度。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。
[0042]
s511：循环迭代，输出全局最优解，即匹配的香精质量等级。
[0043]
在本实施方式中，通过结合数据特征的相关度与冗余度进行特征的降维与融合，既保留了重要的特征信息，包括全局信息，又去除了冗余特征，降低了计算难度；基于引力搜索算法根据融合后的数据特征进行识别，实现了对香精质量的自动识别匹配，从而可以快速准确的香精质量检测。
[0044]
本发明实施例还提出一种基于气味传感器的香精质量检测系统，包括：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；数据预处理模块，其用于基于一维卷积神经网络进行传感器数据的预处理；多传感器数据融合模块，其用于将多个传感器的数据特征进行融合，数据融合方法如下：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p1，p2，
…
pj;通过对原始输入特征进行降维处理，得到降维处理后的特征向量t；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。
[0045]
特征识别模块，其用于基于引力搜索算法根据融合后的数据特征进行识别。
[0046]
此外，本发明实施例还提出一种计算机可读存储介质, 所述计算机可读存储介质上存储有基于气味传感器的香精质量检测方法的程序指令，所述基于气味传感器的香精质量检测程序指令可被一个或者多个处理器执行，以实现如上所述的基于气味传感器的香精质量检测方法的步骤。
[0047]
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

技术特征：
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。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。5.根据权利要求4所述的基于气味传感器的香精质量检测方法，其特征在于，所述相关系数，计算方法如下：；式中的和分别为特征向量和香精质量的均值，为样本量，在这里表示采样次数。6.根据权利要求5所述的基于气味传感器的香精质量检测方法，其特征在于，所述冗余度计算方法如下：对于传感器提取出来的一个特征a与另一特征b组成的矩阵d，最大信息系数法先将d中的数据点分布在二维平面中，并对平面用axb条直线进行网格划分，计算得出数据点落入划定网格的概率分布，即等效于该划分情况下a与b之间的互信息，如下式所示：；其中，、、分别为两个特征的联合分布和边缘分布；计算特征之间的最大信息系数，其过程如下式所示：
；其中r为样本容量函数，， 为试验样本数，为调节参数。7.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，为一个较小的常数；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。8.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s58中、根据如下公式计算：；；其中，g为引力常量，t为当前迭代次数，t为最大迭代次数。9.一种基于如权利要求1-8任意项所述的基于气味传感器的香精质量检测方法的系统，其包括：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；数据预处理模块，其用于基于一维卷积神经网络进行传感器数据的预处理；多传感器数据融合模块，其用于将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；特征识别模块，其用于基于引力搜索算法根据融合后的数据特征进行识别。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于气味传感器的香精质量检测方法的程序指令，所述基于气味传感器的香精质量检测的程序指令可被一个或多个处理器执行，以实现如权利要求1-8之一所述的基于气味传感器的香精质量检测方法的步骤。

技术总结
本发明公开了一种基于气味传感器的香精质量检测方法系统及介质，所述方法包括设置气味传感器阵列，基于一维卷积神经网络对数据进行数据预处理，将类别概率向量与降维处理后的特征向量进行拼接数据融合，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。本发明通过结合数据特征的相关度与冗余度进行特征的降维与融合，既保留了重要的特征信息，包括全局信息，又去除了冗余特征，降低了计算难度；基于引力搜索算法根据融合后的数据特征进行识别，实现了对香精质量的自动识别匹配，从而可以快速准确的香精质量检测。从而可以快速准确的香精质量检测。从而可以快速准确的香精质量检测。


技术研发人员：王子扬 刘敏 刘英 唐小红 郭婷 高欢 袁海
受保护的技术使用者：湖南汇湘轩生物科技股份有限公司
技术研发日：2023.05.29
技术公布日：2023/7/12