本發(fā)明涉及了一種模式識(shí)別優(yōu)化方法，尤其是涉及了一種高準(zhǔn)確性茶葉香氣類型和品質(zhì)的模式識(shí)別檢測方法。

背景技術(shù)：

模式識(shí)別的方法多種多樣，常用的包括pca、lda、bp神經(jīng)網(wǎng)絡(luò)等。而選取的方法是否高效準(zhǔn)確，常常取決于數(shù)據(jù)有何特點(diǎn)。茶葉香氣被電子鼻采集形成電信號(hào)數(shù)據(jù)，由于數(shù)據(jù)是由幾個(gè)氣敏傳感器測得的，所以該數(shù)據(jù)可以通過預(yù)處理降維至與傳感器數(shù)目構(gòu)成倍數(shù)關(guān)系的維數(shù)。因此茶葉香氣數(shù)據(jù)具有維數(shù)不大，樣本采集成本較高的特點(diǎn)，使用pca或lda法進(jìn)行識(shí)別可以滿足要求。

然而，茶葉香氣的另一特點(diǎn)是不同類型間差異很大，同一類型的不同品質(zhì)間差異不大。如果希望同時(shí)識(shí)別出茶葉的類型和品質(zhì)，則需要不同類型以及相同類型不同品質(zhì)的茶葉香氣數(shù)據(jù)在同一模式識(shí)別模型下有相近的分辨率，這與數(shù)據(jù)的特點(diǎn)相矛盾；或提高模式識(shí)別模型整體的分辨率，但這對樣本數(shù)量、質(zhì)量以及測量誤差都有著很高的要求。

技術(shù)實(shí)現(xiàn)要素：

為了解決背景技術(shù)中存在的問題，本發(fā)明提出了一種高準(zhǔn)確性檢測茶葉類型和品質(zhì)的模式識(shí)別優(yōu)化方法，通過改變預(yù)處理方法和模式識(shí)別方法建立多個(gè)模式識(shí)別模型，并通過改變限定條件對模型進(jìn)行優(yōu)化，從而獲得一個(gè)或多個(gè)觀察樣本數(shù)據(jù)在模型中分布的角度，減少與待測茶葉差異較大的樣本對建模的干擾，得到更加準(zhǔn)確的模型。

本發(fā)明的技術(shù)方案包括如下步驟：

1)通過氣敏傳感器采集已知類型和品質(zhì)的茶葉香氣的香氣數(shù)據(jù)，針對每一類型的茶葉香氣采集有不同品質(zhì)的香氣數(shù)據(jù)，每個(gè)類型下每個(gè)品質(zhì)的茶葉香氣的數(shù)據(jù)值均經(jīng)特定處理獲得樣本向量，并存入數(shù)據(jù)庫；

2)通過氣敏傳感器采集未知類型和品質(zhì)的茶葉香氣的香氣數(shù)據(jù)，經(jīng)特定處理獲得樣本向量；

3)根據(jù)所有已知的不同類型和品質(zhì)的茶葉香氣構(gòu)建模式識(shí)別模型；

4)用模式識(shí)別模型識(shí)別未知類型和品質(zhì)的茶葉香氣的樣本向量與已知類型和品質(zhì)的茶葉香氣的樣本向量之間的相似性，獲得相似性結(jié)果；

5)根據(jù)相似性結(jié)果優(yōu)化重復(fù)步驟重新構(gòu)建模式識(shí)別模型，直至相似性結(jié)果達(dá)到要求；

6)判斷數(shù)據(jù)庫中是否存在與未知茶葉香氣的類型和品質(zhì)相匹配的已知茶葉香氣：

若存在，則取相似性最高的茶葉香氣的類型和品質(zhì)作為識(shí)別結(jié)果，作為未知茶葉香氣的類型和品質(zhì)；

否則認(rèn)為數(shù)據(jù)庫中不包含未知茶葉香氣所屬的類型和品質(zhì)。

所述步驟1)和2)中經(jīng)特定處理獲得樣本向量具體是：針對每個(gè)傳感器，求取傳感器采集到原始數(shù)據(jù)的均值或方差最大時(shí)刻對應(yīng)的電壓值，作為樣本向量。

均值為每個(gè)傳感器在60s內(nèi)電壓值的均值。

方差最大對應(yīng)時(shí)刻的電壓值具體采用以下方式獲得：針對傳感器的每個(gè)采集時(shí)刻，計(jì)算該時(shí)刻所有已知類型和品質(zhì)的茶葉香氣的香氣數(shù)據(jù)電壓值的方差，取方差最大所在的時(shí)刻的傳感器電壓值。

具體解釋如何求方差最大對應(yīng)時(shí)刻。例如：步驟1共有5種已知類型和品質(zhì)的茶葉香氣，每種茶葉香氣對應(yīng)8個(gè)傳感器，因此每秒能得到8個(gè)電壓值，5種已知類型和品質(zhì)的茶葉香氣每秒共能得到40個(gè)電壓值。假設(shè)檢測時(shí)間為60秒，則計(jì)算第一秒的40個(gè)電壓值的方差，第二秒的40個(gè)電壓值的方差，以此類推直至第60秒。得到的60個(gè)方差取最大值，對應(yīng)的時(shí)刻為方差最大對應(yīng)時(shí)刻。

所述步驟2)的模式識(shí)別模型是采用pca(主成分分析)法或lda(線性判別分析)法對數(shù)據(jù)進(jìn)行分別處理獲得的pca(主成分分析)模型或lda(線性判別分析)模型。

所述步驟4)具體為：

4.1)未知類型和品質(zhì)的茶葉香氣的一個(gè)樣本向量和不同已知類型的茶葉香氣的多個(gè)樣本向量分別與模式識(shí)別模型相乘后獲得二維坐標(biāo)，再將所有獲得的各個(gè)二維坐標(biāo)繪制在直角坐標(biāo)系上；

4.2)求取每一已知類型的茶葉香氣對應(yīng)的多個(gè)二維坐標(biāo)的均值作為該類型的茶葉香氣的樣本坐標(biāo)中心，以未知類型和品質(zhì)的茶葉香氣對應(yīng)的二維坐標(biāo)分別和各個(gè)已知類型的茶葉香氣對應(yīng)的樣本坐標(biāo)中心之間距離中的最小值作為最小距離d；

4.3)以未知類型和品質(zhì)的茶葉香氣對應(yīng)的二維坐標(biāo)作為圓心，以最小距離d的m倍為半徑構(gòu)建圓，樣本坐標(biāo)中心在所述圓范圍內(nèi)所對應(yīng)的茶葉香氣與未知類型和品質(zhì)的茶葉香氣相似，去除不相似的茶葉香氣對應(yīng)的數(shù)據(jù)，保留相似的茶葉香氣對應(yīng)的數(shù)據(jù)，未知類型和品質(zhì)的茶葉香氣對應(yīng)的二維坐標(biāo)分別和已知類型的茶葉香氣對應(yīng)的樣本坐標(biāo)中心之間距離越近表示相似性越高，獲得相似性結(jié)果。

具體實(shí)施的m為一個(gè)事先確定的定常數(shù)。

所述步驟5)具體為：取相似的茶葉香氣重復(fù)步驟3)和步驟4)，直至相似性結(jié)果達(dá)到要求。

相似性結(jié)果達(dá)到要求是指剩余茶葉香氣只有一個(gè)已知類型的茶葉香氣與類型和品質(zhì)的茶葉香氣相似，或者剩余茶葉香氣所有已知類型的茶葉香氣與類型和品質(zhì)的茶葉香氣相似。即使得達(dá)到具有一個(gè)相似結(jié)果或者所有結(jié)果同時(shí)相似的情況。

所述步驟6)具體為：取各個(gè)二維坐標(biāo)到各自對應(yīng)所屬的樣本坐標(biāo)中心之間距離的最大值作為最大半徑r，若未知類型的茶葉香氣對應(yīng)的二維坐標(biāo)到各個(gè)已知類型的茶葉香氣對應(yīng)的樣本坐標(biāo)中心之間距離的最小值大于最大半徑r的n倍，則數(shù)據(jù)庫中不包含未知茶葉香氣所屬的類型和品質(zhì)；否則以樣本坐標(biāo)中心到未知類型的茶葉香氣對應(yīng)的二維坐標(biāo)之間距離最小所對應(yīng)的茶葉香氣類型作為未知茶葉香氣的類型。

具體實(shí)施的n為一個(gè)事先確定的定常數(shù)。

由于本發(fā)明的樣本向量可以采用兩種方式獲得，模式識(shí)別模型也可以采用兩種方式獲得，因此通過實(shí)施本發(fā)明可以建立不同的模型并得到識(shí)別結(jié)果，具體分別為均值-pca法、均值-lda法、最大方差時(shí)刻電壓值-pca法、最大方差時(shí)刻電壓值-lda法共4種方式，分別建立并迭代處理所得到的相似性最高的種類，每個(gè)模型均能夠準(zhǔn)確識(shí)別茶葉香氣的種類。

本發(fā)明在實(shí)施例利用烏龍茶、紅茶、毛尖、碧螺春以及龍井特級(jí)、一級(jí)、二級(jí)共7個(gè)種類的茶作為數(shù)據(jù)庫樣本，另一龍井一級(jí)樣本作為待測樣本即假設(shè)其類別未知，檢測該待測樣本來驗(yàn)證本發(fā)明的合理性和準(zhǔn)確性。

本發(fā)明的有益效果是：

本發(fā)明在傳統(tǒng)模式識(shí)別方法的基礎(chǔ)上采用縮小建模范圍、投票法等創(chuàng)新方法，實(shí)現(xiàn)快速、準(zhǔn)確、同步地檢測茶葉的類型和品質(zhì)，克服了相同類型不同品質(zhì)的茶葉香氣差異不大，難以準(zhǔn)確識(shí)別的難點(diǎn)，擴(kuò)大了檢測適用范圍，提高了檢測準(zhǔn)確性。

附圖說明

圖1為本發(fā)明模式識(shí)別優(yōu)化方法的流程框圖；

圖2為實(shí)施例第一次建立的模型后數(shù)據(jù)庫中樣本及待測樣本對應(yīng)的二維坐標(biāo)的分布圖。

圖3為實(shí)施例第二次重新建立的新模型后四種類樣本及待測樣本對應(yīng)的二維坐標(biāo)的分布圖。

圖4為實(shí)施例第三次重新建立的新模型后三種類樣本及待測樣本對應(yīng)的二維坐標(biāo)的分布圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步說明。

本發(fā)明的實(shí)施例如下：

1)采集并處理已知種類茶葉香氣樣本后存入數(shù)據(jù)庫中

已有的茶葉種類包括：烏龍茶、紅茶、毛尖、碧螺春以及龍井特級(jí)、一級(jí)、二級(jí)共7種。將這7種茶葉從1至7依次編號(hào)。每個(gè)種類取5份樣品，每份5g，用250ml100℃沸騰適當(dāng)?shù)募儍羲疀_泡。沖泡5分鐘后，茶水濾出，在500ml的燒杯中將茶底密封靜置45min，使燒杯頂空富集茶葉揮發(fā)性成分，同時(shí)進(jìn)行冷卻以減少燒杯內(nèi)水蒸氣。靜置時(shí)室溫為25±1℃，濕度為80±2％。

抽取燒杯中的氣體進(jìn)入電子鼻腔體，以采集茶葉香氣數(shù)據(jù)。電子鼻由8個(gè)傳感器構(gòu)成，每秒每個(gè)傳感器讀一次數(shù)，檢測時(shí)間為60s。因此原始數(shù)據(jù)為60*8＝480維。首先采用均值法處理原始數(shù)據(jù)，求每個(gè)傳感器在60s內(nèi)電壓值的均值，從而將數(shù)據(jù)降為8維。采集并處理共7*5＝35份樣品后，將處理后的數(shù)據(jù)存入一張數(shù)據(jù)表中，每份樣品對應(yīng)的數(shù)據(jù)占一行，該行除8維均值外還有樣品的種類編號(hào)，因此表中共有35行*9列的數(shù)據(jù)。由于數(shù)據(jù)較多，僅取烏龍茶、紅茶、龍井特級(jí)三種(編號(hào)分別為1、2、3)作為示意列于表1。將表存入數(shù)據(jù)庫中指定的位置。

表1均值法處理的已知種類茶葉香氣樣本數(shù)據(jù)(部分)

之后使用方差最大時(shí)刻電壓值法處理原始數(shù)據(jù)。計(jì)算得到所有35份樣本在第一秒處電壓值的方差最大，因此將每份樣本第一秒的數(shù)據(jù)存入數(shù)據(jù)表中，格式與均值法相同。

2)從7種類茶中任選1種另取一份樣品采集并處理

為突出本發(fā)明效果，體現(xiàn)本發(fā)明能快速、準(zhǔn)確、同步地得到茶葉的類型和品質(zhì)的特點(diǎn)，本實(shí)施例選取龍井一級(jí)作為待測樣本，檢驗(yàn)本發(fā)明能否正確檢測其類型和品質(zhì)。

采集環(huán)境條件和采集、處理方法與1)相同。分別得到一行8維的均值數(shù)據(jù)和一行8維的第一秒采集值數(shù)據(jù)，存入本地待檢驗(yàn)。均值數(shù)據(jù)列于表2。

表2均值法處理的待測種類茶葉香氣樣本數(shù)據(jù)

3)建立模式識(shí)別模型

本實(shí)施例以均值-lda法為例介紹建模、優(yōu)化的過程，另三種方法的建模、優(yōu)化過程與之相似。

本實(shí)施例中，茶香氣類型數(shù)量為7，樣品數(shù)量為35。得到的模式識(shí)別模型為：

4)計(jì)算數(shù)據(jù)庫中樣本及待測樣本對應(yīng)的坐標(biāo)

數(shù)據(jù)庫中樣本及待測樣本對應(yīng)的坐標(biāo)在二維坐標(biāo)系中的分布如圖2所示。

5)尋找與待測樣本相似性高的幾種種類

如圖2所示，計(jì)算待測樣本坐標(biāo)到各坐標(biāo)中心距離的最小值為最小距離，記錄坐標(biāo)中心到待測樣本坐標(biāo)距離在最小距離的m倍范圍內(nèi)的種類為相似性高的種類。本實(shí)施例中，m取4。

圖2中，待測樣本距一級(jí)龍井的中心最近，與一級(jí)龍井相似性最高。滿足種類坐標(biāo)中心距待測樣本距離在最小距離4倍范圍內(nèi)的種類包括(按距離遠(yuǎn)近即相似性高低排序)：一級(jí)龍井、二級(jí)龍井、特級(jí)龍井、紅茶。

6)優(yōu)化模式識(shí)別模型

以一級(jí)龍井、二級(jí)龍井、特級(jí)龍井、紅茶為原始數(shù)據(jù)重新采用均值-lda法構(gòu)建模式優(yōu)化模型并更新繪制這四種類樣本及待測樣本對應(yīng)的坐標(biāo)圖，坐標(biāo)在二維坐標(biāo)系中的分布如圖3所示。

圖3的新模型中，相似性最高的種類為二級(jí)龍井，滿足相似性高定義的幾種茶分別為(按距離遠(yuǎn)近即相似性高低排序)：二級(jí)龍井、一級(jí)龍井、特級(jí)龍井。

以三個(gè)等級(jí)的龍井為限定條件再次優(yōu)化模型并更新這三種類樣本及待測樣本對應(yīng)的坐標(biāo)。坐標(biāo)在二維坐標(biāo)系中的分布如圖4所示。圖4的新模型中，相似性最高的種類為一級(jí)龍井，且全部三種種類都為相似性高的種類，模型無法繼續(xù)優(yōu)化，達(dá)到要求。

如圖4所示，實(shí)施例結(jié)果顯示一級(jí)龍井為均值-lda法的識(shí)別結(jié)果，這與先前設(shè)定的龍井一級(jí)作為待測樣本相符。

本發(fā)明實(shí)施最終通過交叉檢測法對實(shí)施例的35組樣本數(shù)據(jù)進(jìn)行實(shí)際測試，識(shí)別準(zhǔn)確性高達(dá)97％。

由此可見，本發(fā)明能夠縮小建模范圍，實(shí)現(xiàn)快速、準(zhǔn)確、同步地檢測茶葉的類型和品質(zhì)，克服了相同類型不同品質(zhì)的茶葉香氣差異不大，難以準(zhǔn)確識(shí)別的難點(diǎn)，擴(kuò)大了檢測適用范圍，提高了檢測準(zhǔn)確性。