一種基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法
【專利摘要】本發(fā)明提供一種基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法,所述方法包括：利用電子舌對(duì)茶葉樣品進(jìn)行檢測(cè)，得到傳感器響應(yīng)時(shí)序信號(hào)；根據(jù)所述響應(yīng)時(shí)序信號(hào)采用主成分殘差和馬氏距離法對(duì)異常樣本進(jìn)行分析和剔除；對(duì)流形學(xué)習(xí)算法的參數(shù)進(jìn)行優(yōu)化,以龍井茶品質(zhì)等級(jí)正確識(shí)別率為依據(jù)選擇流形學(xué)習(xí)算法的參數(shù)；采用流形學(xué)習(xí)算法對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取,得到表征茶葉樣品的滋味信息的特征；將茶葉樣品的滋味特征輸入分類器,進(jìn)行龍井茶品質(zhì)等級(jí)判定。能夠?qū)Σ枞~樣品進(jìn)行異常值剔除，利用優(yōu)化參數(shù)后的流形學(xué)習(xí)算法可以更好的表征不同等級(jí)茶葉樣品的非線性特征，提升經(jīng)過非線性映射后的樣本在高維特征空間中的信號(hào)差異性。
【專利說明】
一種基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及茶葉檢測(cè)技術(shù)領(lǐng)域，特別是指一種基于流形學(xué)習(xí)的電子舌信號(hào)特征提 取方法。
【背景技術(shù)】
[0002] 近年來，茶葉品質(zhì)檢測(cè)是一項(xiàng)很有難度的工作，因?yàn)椴枞~包含很多成分且它們對(duì) 茶葉品質(zhì)的影響非常不同。西湖龍井茶是中國(guó)綠茶中的典型代表。有些商販為了謀取自身 利益，將其他綠茶炒制成扁平狀冒充龍井茶，或者用浙江其他產(chǎn)地的龍井冒充西湖龍井，擾 亂了龍井茶市場(chǎng)，損壞了消費(fèi)者利益，因此，對(duì)西湖龍井茶品質(zhì)的科學(xué)檢測(cè)和評(píng)價(jià)具有重要 意義。
[0003] 長(zhǎng)期以來感官品評(píng)是評(píng)價(jià)茶葉品質(zhì)優(yōu)劣的重要方法，但該方法需要有豐富的茶學(xué) 知識(shí)和審評(píng)經(jīng)驗(yàn)，并且專業(yè)品茶師的感覺器官靈敏度也容易受到外界因素的干擾而改變。 許多分析型工具也因此被用于分析茶葉的化學(xué)物質(zhì)，例如高效液相色譜、氣質(zhì)儀等。但是現(xiàn) 有的分析工具無法對(duì)不同等級(jí)的茶葉進(jìn)行非特征性提取。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明要解決的技術(shù)問題是提供一種基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法， 能夠有效表征不同等級(jí)茶葉樣品的非線性特征。
[0005] 為解決上述技術(shù)問題，本發(fā)明的實(shí)施例提供一種基于流形學(xué)習(xí)的電子舌信號(hào)特征 提取方法，所述基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法包括：
[0006] 利用電子舌對(duì)茶葉樣品進(jìn)行檢測(cè)，得到傳感器響應(yīng)時(shí)序信號(hào)；
[0007] 根據(jù)所述響應(yīng)時(shí)序信號(hào)采用主成分殘差和馬氏距離法對(duì)異常樣本進(jìn)行分析和剔 除；
[0008] 對(duì)流形學(xué)習(xí)算法的參數(shù)進(jìn)行優(yōu)化，以龍井茶品質(zhì)等級(jí)正確識(shí)別率為依據(jù)選擇流形 學(xué)習(xí)算法的參數(shù)；
[0009] 采用流形學(xué)習(xí)算法對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶葉樣品的滋味 特征；
[0010] 將茶葉樣品的滋味特征輸入分類器，進(jìn)行茶葉品質(zhì)等級(jí)判定。
[0011] 優(yōu)選的，所述傳感器響應(yīng)時(shí)序信號(hào)包括:ZA傳感器響應(yīng)時(shí)序信號(hào)、BB傳感器響應(yīng)時(shí) 序信號(hào)、JE傳感器響應(yīng)時(shí)序信號(hào)、GA傳感器響應(yīng)時(shí)序信號(hào)、HA傳感器響應(yīng)時(shí)序信號(hào)、JB傳感 器響應(yīng)時(shí)序信號(hào)、CA傳感器響應(yīng)時(shí)序信號(hào)和Ag/AgCl參比電極傳感器響應(yīng)時(shí)序信號(hào)中的至 少一種。
[0012] 優(yōu)選的，所述利用電子舌對(duì)茶葉樣品進(jìn)行檢測(cè)，包括：
[0013] 按照順序?qū)悠泛颓逑慈芤悍胖迷陔娮由嗟淖詣?dòng)進(jìn)樣器上；
[0014] 每個(gè)樣品重復(fù)采集，每次采集按照"茶湯樣品-清洗液1-清洗液2"的流程進(jìn)行。
[0015] 優(yōu)選的，所述根據(jù)所述響應(yīng)時(shí)序信號(hào)采用主成分殘差和馬氏距離法對(duì)異常樣本進(jìn) 行分析和剔除，包括：
[0016] 對(duì)數(shù)據(jù)集X=[xi，x2，"_，xN]eRmXN進(jìn)行中心化，^χ,.-ιη ;
[0017] 計(jì)算中心化數(shù)據(jù)的協(xié)方差矩陣
[0018] 計(jì)算協(xié)方差矩陣的特征值和特征向量:0 = λν;
[0019] 將協(xié)方差矩陣的特征值\按由大到小的順序進(jìn)行排序，特征值所對(duì)應(yīng)的特征向量 按由大到小的順序排序；
[0020] 利用yi=v、將數(shù)據(jù)樣本投影到0 = λν中得到的特征向量上；
[0021] 利用Α = ";計(jì)算樣本估計(jì)值，主成分殘差即為樣本真實(shí)值與估計(jì)值之差，即 ^=%-%。
[0022]其中，m = (1/Λ/)^ηχ,為均值向量，v為特征值所對(duì)應(yīng)的特征向量；
[0023]樣本點(diǎn)之間的馬氏距離為：cU產(chǎn)[(Xl-Xj)T[C 0v(X)]-Ηχ,-χ」）]1，2;
[0024]以主成分殘差值及樣本點(diǎn)與同類樣本均值之間的馬氏距離為依據(jù)，將遠(yuǎn)離同類樣 本點(diǎn)總體分布的樣本點(diǎn)判斷為異常樣本剔除。
[0025]優(yōu)選的，所述對(duì)流形學(xué)習(xí)算法的參數(shù)進(jìn)行優(yōu)化，以茶葉品質(zhì)等級(jí)正確識(shí)別率為依 據(jù)選擇流形學(xué)習(xí)算法的參數(shù)，包括：
[0026] 以熱核法構(gòu)造權(quán)重矩陣對(duì)熱核函數(shù)中的參數(shù)t進(jìn)行優(yōu)化選擇；
[0027] 對(duì)高斯核函數(shù)k(x，y)=exp(_| |x_y | |2/2〇2)中的參數(shù)σ2進(jìn)行優(yōu)化選擇；
[0028] 參數(shù)選擇時(shí)以茶葉品質(zhì)等級(jí)判定的正確識(shí)別率為依據(jù)選擇參數(shù)值。
[0029] 優(yōu)選的，所述以熱核法構(gòu)造權(quán)重矩陣，包括：
[0030]若樣本點(diǎn)i和樣本點(diǎn)j是近鄰點(diǎn)，貝lj權(quán)重系數(shù)為Wij = exp(-| |xi-Xj| |2/t);
[0031] 若樣本點(diǎn)i和樣本點(diǎn)j不是近鄰點(diǎn)，則權(quán)重系數(shù)為Wij = 0。
[0032] 優(yōu)選的，所述采用流形學(xué)習(xí)算法對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶 葉樣品的滋味特征，包括：
[0033] 通過一個(gè)非線性變換Φ :ΙΓ A，把輸入數(shù)據(jù)映射到高維特征空間，非線性變換 后的數(shù)據(jù)點(diǎn)為 Φ(Χ1)，Φ(Χ2)，···，Φ(ΧΝ);
[0034] 在高維特征空間中，將最小化目標(biāo)函數(shù)問題可以轉(zhuǎn)化成廣義的特征值求解問題；
[0035] 對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶葉樣品的滋味特征。
[0036] 優(yōu)選的，所述通過一個(gè)非線性變換? B .F把輸入數(shù)據(jù)映射到高維特征空間， 非線性變換后的數(shù)據(jù)點(diǎn)為φ (XI)，φ (X2)，···，Φ (XN)包括： min￡|Ζ? -Zj f 5? = minΣ[Ρ^Φ(x,)- ΡφΓφ(^· )|f S；
[0037] ? ? =min 2P,：>(X)(D - W)Φ(Χ)Γ Ρφ
[0038] 對(duì)于線性映射Ρφ，存在系數(shù)cti e R，使得Ρφ = α,.Φ^χ,. ；) = Φα。帶回上式，加上尺 度歸一條件aTKDKa = l;
[0039] 所述在高維特征空間中，將最小化目標(biāo)函數(shù)問題可以轉(zhuǎn)化成廣義的特征值求解問 題，包括：
[0040] K(D-ff)Ka = AKDKa
[0041] 其中，1^」=1^(叉1，叉」）=4)(叉〇1'4 )(叉」)為核矩陣。
[0042] 優(yōu)選的，所述對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶葉樣品的滋味特征， 包括： ,,.,_ . . " exp(-||x,--χ,『/?)如果χ;·χ,互為對(duì)方的近鄰 0 其它
[0044] 計(jì)算拉普拉斯矩陣：D為對(duì)角矩陣，對(duì)角線元素為S按行（或列）求和（S是對(duì)稱矩 陣），即A = Σ & °L = D_S是近鄰圖上的拉普拉斯矩陣； j
[0045] 計(jì)算訓(xùn)練樣本集的核矩陣K=[Kij]，其中Kij = k(xi，xj) = Φ (χ〇τΦ (Xj);
[0046] 求解K(D-W)Ka = AKDKa的特征值和對(duì)應(yīng)的特征向量a = [αι，a2，…，aN]τ，并按照特 征值從大到小的順序進(jìn)行排序；
[0047]將訓(xùn)練樣本Φ(Χι)投影到第k個(gè)特征向量上最為樣本的非線性特征： ，N N N
[0048] Φ?χ,Υ νΛ =Φ(χ,)? Σ0，!：Φ?χ/):=Σα/ Φ(χ/)/ i-i ' /-1 ' i-i
[0049] 計(jì)算測(cè)試樣本S;:與訓(xùn)練集樣本之間的核矩陣Κ'，將測(cè)試樣本投影到特征向量上 ,;~1·
[0050] 優(yōu)選的，所述將茶葉樣品的滋味特征輸入分類器，進(jìn)行茶葉品質(zhì)等級(jí)判定，包括：
[0051] 對(duì)于待測(cè)樣本g和訓(xùn)練圖像樣本^，計(jì)算待測(cè)圖像樣本與訓(xùn)練圖像樣本之間的相 似度-
[0053] = mini/(S;.，x,.)，樣本&屬于類別k，則測(cè)試樣本被決策為類別k。
[0054] 本發(fā)明的上述技術(shù)方案的有益效果如下：
[0055] 上述方案中，能夠?qū)Σ枞~樣品進(jìn)行異常值剔除，利用優(yōu)化參數(shù)后的流形學(xué)習(xí)算法 可以更好的表征不同等級(jí)茶葉樣品的非線性特征，提升經(jīng)過非線性映射后的樣本在高維特 征空間中的信號(hào)差異性。
【附圖說明】
[0056] 圖1是本發(fā)明實(shí)施例的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法流程圖；
[0057] 圖2是本發(fā)明實(shí)施例的茶葉樣本電子舌響應(yīng)圖譜；
[0058]圖3a_3d是本發(fā)明實(shí)施例的主成分殘差值和馬氏距離分布圖；
[0059] 圖4是本發(fā)明實(shí)施例的茶葉樣品正確識(shí)別率與權(quán)重矩陣參數(shù)t選擇關(guān)系圖；
[0060] 圖5是本發(fā)明實(shí)施例的茶葉樣品正確識(shí)別率與參數(shù)〇2選擇關(guān)系圖；
[0061] 圖6a-6d是本發(fā)明實(shí)施例的線性降維方法隨降維維數(shù)變化的正確識(shí)別率曲線比較 結(jié)果；
[0062] 圖7a_7d是本發(fā)明實(shí)施例的流形學(xué)習(xí)降維方法隨降維維數(shù)變化的正確識(shí)別率曲線 比較結(jié)果。
【具體實(shí)施方式】
[0063] 為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖及具 體實(shí)施例進(jìn)行詳細(xì)描述。
[0064]如圖1所示，本發(fā)明實(shí)施例的一種基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，所述 基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法包括：
[0065]步驟101:利用電子舌對(duì)茶葉樣品進(jìn)行檢測(cè)，得到傳感器響應(yīng)時(shí)序信號(hào)；
[0066]步驟102:根據(jù)所述響應(yīng)時(shí)序信號(hào)采用主成分殘差和馬氏距離法對(duì)異常樣本進(jìn)行 分析和剔除；
[0067]步驟103:對(duì)流形學(xué)習(xí)算法的參數(shù)進(jìn)行優(yōu)化，以龍井茶品質(zhì)等級(jí)正確識(shí)別率為依據(jù) 選擇流形學(xué)習(xí)算法的參數(shù)；
[0068]步驟104:采用流形學(xué)習(xí)算法對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶葉樣 品的滋味特征；
[0069 ]步驟105:將茶葉樣品的滋味特征輸入分類器，進(jìn)行茶葉品質(zhì)等級(jí)判定。
[0070] 優(yōu)選的，茶葉樣品可以為龍井茶茶葉樣品。
[0071] 本發(fā)明實(shí)施例的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，能夠?qū)Σ枞~樣品進(jìn)行 異常值剔除，利用優(yōu)化參數(shù)后的流形學(xué)習(xí)算法可以更好的表征不同等級(jí)茶葉樣品的非線性 特征，提升經(jīng)過非線性映射后的樣本在高維特征空間中的信號(hào)差異性。
[0072] 優(yōu)選的，所述傳感器響應(yīng)時(shí)序信號(hào)包括:ZA傳感器響應(yīng)時(shí)序信號(hào)、BB傳感器響應(yīng)時(shí) 序信號(hào)、JE傳感器響應(yīng)時(shí)序信號(hào)、GA傳感器響應(yīng)時(shí)序信號(hào)、HA傳感器響應(yīng)時(shí)序信號(hào)、JB傳感 器響應(yīng)時(shí)序信號(hào)、CA傳感器響應(yīng)時(shí)序信號(hào)和Ag/AgCl參比電極傳感器響應(yīng)時(shí)序信號(hào)中的至 少一種。
[0073] 優(yōu)選的，所述利用電子舌對(duì)茶葉樣品進(jìn)行檢測(cè)，包括：
[0074] 按照順序?qū)悠泛颓逑慈芤悍胖迷陔娮由嗟淖詣?dòng)進(jìn)樣器上；
[0075] 每個(gè)樣品重復(fù)采集，每次采集按照"茶湯樣品-清洗液1-清洗液2"的流程進(jìn)行。
[0076] 其中，本發(fā)明可以采用法國(guó)Alpha M0S公司的ASTREE電子舌系統(tǒng)對(duì)龍井茶樣品進(jìn) 行檢測(cè)，此傳感器陣列可以含有七個(gè)化學(xué)傳感器(ZA、BB、JE、GA、HA、JB、CA)和一個(gè)Ag/AgCl 參比電極，專門針對(duì)味覺分析技術(shù)而設(shè)計(jì)。
[0077] 數(shù)據(jù)采集前，電子舌系統(tǒng)可以經(jīng)過自檢、活化、訓(xùn)練、校準(zhǔn)和診斷等步驟，以確保采 集到的數(shù)據(jù)具有可靠性和穩(wěn)定性。將電子舌參數(shù)進(jìn)行設(shè)置后，按照順序?qū)悠泛颓逑慈芤?放置在電子舌的自動(dòng)進(jìn)樣器上，每個(gè)樣品重復(fù)采集七次，每次采集按照"茶湯樣品-清洗液 1-清洗液2"的流程進(jìn)行。采集完畢后每個(gè)茶樣得到七條電子舌響應(yīng)指紋圖譜，如圖2所示。 橫軸為測(cè)量時(shí)間，縱軸為采集到的感應(yīng)電壓值。曲線上的點(diǎn)代表茶湯呈味物質(zhì)通過傳感器 通道時(shí)，電勢(shì)差隨時(shí)間的改變情況。在測(cè)量過程中，每次檢測(cè)時(shí)間為120s，電子舌每0.5s獲 取一組數(shù)據(jù)，每個(gè)樣品經(jīng)檢測(cè)最終可獲得7條隨時(shí)間變化的時(shí)序信號(hào)，如附圖2所示的電子 舌傳感器響應(yīng)信號(hào)。因此，對(duì)于每次樣品測(cè)試，所獲得的數(shù)據(jù)為7X240維的矩陣?？梢赃x擇 傳感器響應(yīng)第120s的穩(wěn)定值作為后續(xù)茶葉品質(zhì)模型建立的特征點(diǎn)。
[0078] 優(yōu)選的，所述根據(jù)所述響應(yīng)時(shí)序信號(hào)采用主成分殘差和馬氏距離法對(duì)異常樣本進(jìn) 行分析和剔除，包括：
[0079] 對(duì)數(shù)據(jù)集XKxuv'xderxN進(jìn)行中心化，i,' = x廠m ;
[0080] 計(jì)算中心化數(shù)據(jù)的協(xié)方差矩陣：
[0081 ]計(jì)算協(xié)方差矩陣的特征值和特征向量:0 = λν;
[0082] 將協(xié)方差矩陣的特征值\按由大到小的順序進(jìn)行排序，特征值所對(duì)應(yīng)的特征向量 按由大到小的順序排序；
[0083] 利用y, = V%將數(shù)據(jù)樣本投影到〇 = λν中得到的特征向量上；
[0084] 利用象=~％計(jì)算樣本估計(jì)值，主成分殘差即為樣本真實(shí)值與估計(jì)值之差，即 Xres = % ~ % 0
[0085] 其中，m ：= (1/.V) ^ X,.為均值向量，v為特征值所對(duì)應(yīng)的特征向量；
[0086]樣本點(diǎn)之間的馬氏距離為：cU產(chǎn)[(Xl-Xj)T[C 0v(X)]-Ηχ,-χ」）]1，2;
[0087] 以主成分殘差值及樣本點(diǎn)與同類樣本均值之間的馬氏距離為依據(jù)，將遠(yuǎn)離同類樣 本點(diǎn)總體分布的樣本點(diǎn)判斷為異常樣本剔除。
[0088] 其中，可以分別對(duì)精品樣本集、特級(jí)樣本集、一級(jí)樣本集和二級(jí)樣本集進(jìn)行主成分 分析和馬氏距離值計(jì)算，如附圖3a_3d所示。圖中標(biāo)注的點(diǎn)即為異常樣本點(diǎn)。將剔除異常樣 本點(diǎn)后的茶樣數(shù)據(jù)進(jìn)行后續(xù)數(shù)據(jù)處理。
[0089]優(yōu)選的，所述對(duì)流形學(xué)習(xí)算法的參數(shù)進(jìn)行優(yōu)化，以茶葉品質(zhì)等級(jí)正確識(shí)別率為依 據(jù)選擇流形學(xué)習(xí)算法的參數(shù)，包括：
[0090] 以熱核法構(gòu)造權(quán)重矩陣對(duì)熱核函數(shù)中的參數(shù)t進(jìn)行優(yōu)化選擇；
[0091] 對(duì)高斯核函數(shù)k(x，y)=exp(_| |x_y | |2/2〇2)中的參數(shù)σ2進(jìn)行優(yōu)化選擇；
[0092] 參數(shù)選擇時(shí)以茶葉品質(zhì)等級(jí)判定的正確識(shí)別率為依據(jù)選擇參數(shù)值。
[0093] 優(yōu)選的，所述以熱核法構(gòu)造權(quán)重矩陣，包括：
[0094]若樣本點(diǎn)i和樣本點(diǎn)j是近鄰點(diǎn)，貝lj權(quán)重系數(shù)為Wij = exp(-| |xi-Xj| |2/t);
[0095] 若樣本點(diǎn)i和樣本點(diǎn)j不是近鄰點(diǎn)，則權(quán)重系數(shù)為Wij = 0。
[0096] 其中，參數(shù)選擇是影響算法判別效果的重要因素，選取合適的參數(shù)會(huì)增強(qiáng)算法的 有效性，而不切當(dāng)?shù)膮?shù)會(huì)大大削弱算法的功能，甚至使算法實(shí)效。對(duì)于流形學(xué)習(xí)算法KLPP (核局部保留映射)來說，權(quán)重矩陣的構(gòu)造及核函數(shù)的構(gòu)造是算法的核心。
[0097] 熱核法可以增加權(quán)重系數(shù)的數(shù)值范圍選擇，需要對(duì)權(quán)重系數(shù)計(jì)算公式中的參數(shù)t (t e R)進(jìn)行選擇。本發(fā)明通過一組實(shí)驗(yàn)來確定參數(shù)的最佳取值。分別取t = 10，50，100，500， 1000,參數(shù)共取五個(gè)特定的值，特征維數(shù)以一定步長(zhǎng)不斷增大。從而得到不斷增加特征維數(shù) 的過程中，正確識(shí)別率的變化。
[0098]具體的，從附圖4可以看出，對(duì)于算法KLPP，當(dāng)t = 10時(shí)，樣品的正確識(shí)別率比較低， 在特征維數(shù)不斷變化的整個(gè)過程中都低于其他參數(shù)取值的情況。t = 1000時(shí)，樣品的正確識(shí) 別率比較高，t = 100,500時(shí)正確識(shí)別率具有相似的情況，且優(yōu)于t = 50時(shí)的情況。在特征維 數(shù)不斷增大的過程中，總體性能沒有太大的差距。因此本發(fā)明選擇1000作為KLPP算法中參 數(shù)t的取值。
[0099] 采用應(yīng)用最廣泛的高斯徑向基核函數(shù)，該核函數(shù)中需對(duì)參數(shù)〇2進(jìn)行優(yōu)化選擇，通 過一組實(shí)驗(yàn)來確定參數(shù)的最佳取值。分別取σ 2 = 0.5，5，50，500，5000，50000，參數(shù)共取六個(gè) 特定的值，特征維數(shù)以一定步長(zhǎng)不斷增大。從而得到不斷增加特征維數(shù)的過程中，正確識(shí)別 率的變化。
[0100] 從附圖5可以看出，當(dāng)σ2 = 0.5和5時(shí)，樣品的正確識(shí)別率比較低，在特征維數(shù)不斷 變化的整個(gè)過程中都低于其他參數(shù)取值的情況。σ2 = 50,5000,50000時(shí)正確識(shí)別率具有相 似的情況，σ2 = 500時(shí)，樣品的正確識(shí)別率高于其他參數(shù)取值結(jié)果。在特征維數(shù)不斷增大的 過程中，總體性能沒有太大的差距。因此本法明選擇500作為KLPP算法中參數(shù)σ 2的取值。 [0101]優(yōu)選的，所述采用流形學(xué)習(xí)算法對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶 葉樣品的滋味特征，包括：
[0102] 通過一個(gè)非線性變換Φ : IT .廠把輸入數(shù)據(jù)映射到高維特征空間，非線性變換后 的數(shù)據(jù)點(diǎn)為 Φ (XI)，Φ (Χ2)，…，Φ (ΧΝ);
[0103] 在高維特征空間中，將最小化目標(biāo)函數(shù)問題可以轉(zhuǎn)化成廣義的特征值求解問題；
[0104] 對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶葉樣品的滋味特征。
[0105] 優(yōu)選的，所述通過一個(gè)非線性變換Φ : ΙΓ Μ，把輸入數(shù)據(jù)映射到高維特征空間， 非線性變換后的數(shù)據(jù)點(diǎn)為φ (XI)，φ (Χ2)，···，φ (ΧΝ)包括： min幻|ζ;. - &『咬=mill:|ρ|Φ(Χ? )-扣少('.)| - <
[0106] V V =miη 2 P,；Φ (X) (D - W) Φ (X)7 Ρφ
[0107] 對(duì)于線性映射Ρφ，存在系數(shù)ai e R，使得<V= (χ,) = Φα帶回上式，加上尺 Ο 度歸一條件aTKDKa = l;
[0108] 所述在高維特征空間中，將最小化目標(biāo)函數(shù)問題可以轉(zhuǎn)化成廣義的特征值求解問 題，包括：
[0109] K(D-ff)Ka = AKDKa
[0110] 其中，1^」=1^(叉1山）=4>(叉01'4>(叉」)為核矩陣。
[0111]優(yōu)選的，所述對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶葉樣品的滋味特征， 包括： ,,.,_ . ^ " expf-||七-xj/ij.如果X,.和X,互為對(duì)方的近鄰
[0112] 構(gòu)造權(quán)重矩陣1 l J,1 7 / J ； 、0 其它
[0113] 計(jì)算拉普拉斯矩陣：D為對(duì)角矩陣，對(duì)角線元素為S按行（或列）求和（S是對(duì)稱矩 陣），即D,/ = Σ °L = D_S是近鄰圖上的拉普拉斯矩陣； J
[0114] 計(jì)算訓(xùn)練樣本集的核矩陣K=[Kij]，其中Kij = k(xi,xj) = Φ (Xi)TC> (Xj);
[0115] 求解K(D_W)Ka = AKDKa的特征值和對(duì)應(yīng)的特征向量a = [αι，a2，…，aN]T，并按照特 征值從大到小的順序進(jìn)行排序；
[0116]將訓(xùn)練樣本Φ(Χι)投影到第k個(gè)特征向量上最為樣本的非線性特征：
[0117] Φ(χ )( ν' =Φ(χ/)< Σα·Φ(χ/) = Σ?·Φ(χ/)/ φ(χ/) = Σα/^// 戶 ? />1 /=1
[0118] 計(jì)算測(cè)試樣本Α與訓(xùn)練集樣本之間的核矩陣Κ'，將測(cè)試樣本投影到特征向量上 Μ
[0119] 優(yōu)選的，所述將茶葉樣品的滋味特征輸入分類器，進(jìn)行茶葉品質(zhì)等級(jí)判定，包括：
[0120] 對(duì)于待測(cè)樣本^和訓(xùn)練圖像樣本^，計(jì)算待測(cè)圖像樣本與訓(xùn)練圖像樣本之間的相 似度(/(5,，*,:)::
[0122] 若g(t) = niirW(5,，x,_)，樣本私屬于類別k，則測(cè)試樣本七被決策為類別k。
[0123] 本發(fā)明實(shí)施例的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，比較流形學(xué)習(xí)算法和 傳統(tǒng)線性降維方法對(duì)不同等級(jí)茶葉的分類效果，分別采用KLPP(核局部線性保留映射）、 KLDA(核線性保留映射）、KPCA(核主成分分析）、LLE(局部線性嵌入）、Isomap、LPP(局部線性 保留映射）、LDA(線性保留映射）、PCA(主成分分析)對(duì)電子舌智能感官儀器數(shù)據(jù)進(jìn)行降維。 本發(fā)明對(duì)不同算法隨降維維數(shù)變化而得到的正確識(shí)別率進(jìn)行比較。八種算法可以分為線性 方法(PCA、LDA、LPP)和非線性方法(KPCA、KLDA、KLPP、I somap、LEE)兩類，附圖5和附圖6分別 顯示線性方法和非線性方法在不同降維維數(shù)下對(duì)四類茶葉分類的正確識(shí)別率曲線。
[0124] 從附圖6a-6d可以看出，PCA算法的正確識(shí)別率整體低于LDA和LPP。LDA和LPP算法 都采用監(jiān)督型計(jì)算方法，從圖中可以看到，當(dāng)特征維數(shù)較低時(shí)，LPP的正確識(shí)別率優(yōu)于LDA正 確識(shí)別率，隨著特征維數(shù)的增加，兩者的差距逐漸縮小。
[0125] 從附圖7a_7d可以看出，監(jiān)督型算法KLDA和KLPP的正確識(shí)別率高于非監(jiān)督型算法 (KPCA，I somap，LLE)。KLDA和KLPP算法具有類似的識(shí)別率曲線，KLPP的正確識(shí)別率在四種實(shí) 驗(yàn)情況下的實(shí)驗(yàn)結(jié)果高于KLDA算法或是相同。對(duì)于非監(jiān)督型方法，KPCA算法和LLE算法得到 的正確識(shí)別率明顯高于Isomap算法?？傮w看來，線性方法對(duì)應(yīng)的核方法一般均優(yōu)于原線性 算法的識(shí)別效果。
[0126] 以上所述是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員 來說，在不脫離本發(fā)明所述原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也 應(yīng)視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，其特征在于，所述基于流形學(xué)習(xí)的 電子舌信號(hào)特征提取方法包括： 利用電子舌對(duì)茶葉樣品進(jìn)行檢測(cè)，得到傳感器響應(yīng)時(shí)序信號(hào)； 根據(jù)所述響應(yīng)時(shí)序信號(hào)采用主成分殘差和馬氏距離法對(duì)異常樣本進(jìn)行分析和剔除； 對(duì)流形學(xué)習(xí)算法的參數(shù)進(jìn)行優(yōu)化，以龍井茶品質(zhì)等級(jí)正確識(shí)別率為依據(jù)選擇流形學(xué)習(xí) 算法的參數(shù)； 采用流形學(xué)習(xí)算法對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶葉樣品的滋味特 征； 將茶葉樣品的滋味特征輸入分類器，進(jìn)行茶葉品質(zhì)等級(jí)判定。2. 根據(jù)權(quán)利要求1所述的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，其特征在于，所述 傳感器響應(yīng)時(shí)序信號(hào)包括:ZA傳感器響應(yīng)時(shí)序信號(hào)、BB傳感器響應(yīng)時(shí)序信號(hào)、JE傳感器響應(yīng) 時(shí)序信號(hào)、GA傳感器響應(yīng)時(shí)序信號(hào)、HA傳感器響應(yīng)時(shí)序信號(hào)、JB傳感器響應(yīng)時(shí)序信號(hào)、CA傳 感器響應(yīng)時(shí)序信號(hào)和Ag/AgCl參比電極傳感器響應(yīng)時(shí)序信號(hào)中的至少一種。3. 根據(jù)權(quán)利要求1或2任意一項(xiàng)所述的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，其特 征在于，所述利用電子舌對(duì)茶葉樣品進(jìn)行檢測(cè)，包括： 按照順序?qū)悠泛颓逑慈芤悍胖迷陔娮由嗟淖詣?dòng)進(jìn)樣器上； 每個(gè)樣品重復(fù)采集，每次采集按照"茶湯樣品-清洗液1-清洗液2"的流程進(jìn)行。4. 根據(jù)權(quán)利要求1所述的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，其特征在于，所述 根據(jù)所述響應(yīng)時(shí)序信號(hào)采用主成分殘差和馬氏距離法對(duì)異常樣本進(jìn)行分析和剔除，包括： 對(duì)數(shù)據(jù)集X = [ Xi，X2，…，Xn] e RmXN進(jìn)行中心化，Si = X, - m:; 計(jì)算中心化數(shù)據(jù)的協(xié)方差矩罔計(jì)算協(xié)方差矩陣的特征值和特征向量:Cv = λν; 將協(xié)方差矩陣的特征值11按由大到小的順序進(jìn)行排序，特征值所對(duì)應(yīng)的特征向量按由 大到小的順序排序； 利用y;=V'.將數(shù)據(jù)樣本投影到〇 = λν中得到的特征向量上； 利用夫=vy,.計(jì)算樣本估計(jì)值，主成分殘差即為樣本真實(shí)值與估計(jì)值之差，即為均值向量，V為特征值所對(duì)應(yīng)的特征向量； 樣本點(diǎn)之間的馬氏距離為:Cl1尸[(Xl-Xj)T[c 〇v(x)]-1U1-Xj)]172; 以主成分殘差值及樣本點(diǎn)與同類樣本均值之間的馬氏距離為依據(jù)，將遠(yuǎn)離同類樣本點(diǎn) 總體分布的樣本點(diǎn)判斷為異常樣本剔除。5. 根據(jù)權(quán)利要求1或4任意一項(xiàng)所述的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，其特 征在于，所述對(duì)流形學(xué)習(xí)算法的參數(shù)進(jìn)行優(yōu)化，以茶葉品質(zhì)等級(jí)正確識(shí)別率為依據(jù)選擇流 形學(xué)習(xí)算法的參數(shù)，包括： 以熱核法構(gòu)造權(quán)重矩陣對(duì)熱核函數(shù)中的參數(shù)t進(jìn)行優(yōu)化選擇； 對(duì)高斯核函數(shù)k(x，y) = exp(_| |x_y| |2/2〇2)中的參數(shù)σ2進(jìn)行優(yōu)化選擇； 參數(shù)選擇時(shí)以茶葉品質(zhì)等級(jí)判定的正確識(shí)別率為依據(jù)選擇參數(shù)值。6. 根據(jù)權(quán)利要求5所述的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，其特征在于，所述 以熱核法構(gòu)造權(quán)重矩陣，包括： 若樣本點(diǎn)i和樣本點(diǎn)j是近鄰點(diǎn)，貝1J權(quán)重系數(shù)為Wij = exp(_| |xi_xj| |2/t); 若樣本點(diǎn)i和樣本點(diǎn)j不是近鄰點(diǎn)，則權(quán)重系數(shù)為Wij = O。7. 根據(jù)權(quán)利要求5所述的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，其特征在于，所述 采用流形學(xué)習(xí)算法對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶葉樣品的滋味特征，包 括： 通過一個(gè)非線性變換φ =ITbjz-把輸入數(shù)據(jù)映射到高維特征空間，非線性變換后的 數(shù)據(jù)點(diǎn)為φ (Xi)，φ (X2)，…，φ (XN); 在高維特征空間中，將最小化目標(biāo)函數(shù)問題可以轉(zhuǎn)化成廣義的特征值求解問題； 對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶葉樣品的滋味特征。8. 根據(jù)權(quán)利要求7所述的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，其特征在于，所述 通過一個(gè)非線性變換Φ : Rw 把輸入數(shù)據(jù)映射到高維特征空間，非線性變換后的數(shù)據(jù) 點(diǎn)為 φ (Xl)，φ (X2)，···，φ (XN)包括：對(duì)于線性映射Ρφ，存在系數(shù),帶回上式，加上尺度歸 一條件 aTKDKa = l; 所述在高維特征空間中，將最小化目標(biāo)函數(shù)問題可以轉(zhuǎn)化成廣義的特征值求解問題， 包括： K(D-W)Ka = AKDKa 其中，Kij = k(xi，xj) = Φ (Xi)TC> (Xj)為核矩陣。9. 根據(jù)權(quán)利要求8所述的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，其特征在于，所述 對(duì)傳感器響應(yīng)信號(hào)進(jìn)行非線性特征提取，得到茶葉樣品的滋味特征，包括：如果XiSlx7Si為對(duì)方的近鄰 構(gòu)造權(quán)重矩P ] ； ^ 其它 計(jì)算拉普拉斯矩陣:D為對(duì)角矩陣，對(duì)角線元素為S按行(或列）求和（S是對(duì)稱矩陣），即= D-S是近鄰圖上的拉普拉斯矩陣； 計(jì)算訓(xùn)練樣本集的核矩陣1(=[1(^]，其中1(^ = 1^(11，1」）=4>(1〇1'4>(1」）； 求解K(D-W)Ka = AKDKa的特征值和對(duì)應(yīng)的特征向量a = [Q1，a2，…，αΝ]τ，并按照特征值從 大到小的順序進(jìn)彳丁排序； 將訓(xùn)練樣本Φ (X1)投影到第k個(gè)特征向量上最為樣本的非線性特征：計(jì)算測(cè)試樣本A與訓(xùn)練集樣本之間的核矩陣K'，將測(cè)試樣本投影到特征向量上10.根據(jù)權(quán)利要求1所述的基于流形學(xué)習(xí)的電子舌信號(hào)特征提取方法，其特征在于，所 述將茶葉樣品的滋味特征輸入分類器，進(jìn)行茶葉品質(zhì)等級(jí)判定，包括： 對(duì)于待測(cè)樣本S,和訓(xùn)練圖像樣本^，計(jì)算待測(cè)圖像樣本與訓(xùn)練圖像樣本之間的相似度 (/(Χ.-,Χ·)：耘Xi屬于類別k，則測(cè)試樣本^被決策為類別k。
【文檔編號(hào)】G01N27/27GK106018515SQ201610403910
【公開日】2016年10月12日
【申請(qǐng)日】2016年6月8日
【發(fā)明人】支瑞聰, 張德政
【申請(qǐng)人】北京科技大學(xué)