基于人工嗅覺(jué)系統(tǒng)的集成學(xué)習(xí)研究.pdf

1、人工嗅覺(jué)系統(tǒng)，即電子鼻，是由具有特異性的氣相傳感器陣列結(jié)合信號(hào)處理單元和機(jī)器學(xué)習(xí)算法而組成的系統(tǒng)，具有識(shí)別單一或復(fù)雜成分氣味的能力。與傳統(tǒng)的氣體分析技術(shù)相比，電子鼻具有成本低、操作方便、快速識(shí)別、可靠性高、客觀性強(qiáng)等優(yōu)點(diǎn)。隨著計(jì)算科學(xué)的迅速發(fā)展，電子鼻理論與技術(shù)也得以不斷完善，實(shí)現(xiàn)對(duì)復(fù)雜對(duì)象的定性或定量檢測(cè)，已成為研究熱點(diǎn)之一。
　　本文選取人參和石斛兩種典型中草藥作為實(shí)驗(yàn)對(duì)象，制備樣本，設(shè)計(jì)實(shí)驗(yàn)流程，通過(guò)實(shí)驗(yàn)室設(shè)計(jì)的電子鼻軟硬件

2、系統(tǒng)，完成對(duì)樣本測(cè)試的控制并采集樣本的響應(yīng)信號(hào);選擇合適的數(shù)據(jù)預(yù)處理方法，包括信號(hào)濾波降噪、基線校正，進(jìn)而提取樣本特征。
　　本文設(shè)計(jì)實(shí)現(xiàn)了一個(gè)兩層的Adaboost.M2集成模型框架:第一層采用代數(shù)融合規(guī)則來(lái)調(diào)整不同基分類器的輸出比重，并將其結(jié)果歸一化;取底層集成輸出作為第二層Adaboost.M2框架每次迭代學(xué)習(xí)的結(jié)果。迭代過(guò)程中產(chǎn)生的誤差既會(huì)返回修改訓(xùn)練樣本的權(quán)重分布，同時(shí)調(diào)整整體迭代過(guò)程中加權(quán)最大投票規(guī)則的權(quán)重，不斷強(qiáng)化集

3、成模型對(duì)樣本的學(xué)習(xí)能力。引入差異性度量方法，分析不同基分類器性能的差異性和相似程度，并在不同迭代次數(shù)下比較集成組合的表現(xiàn)，進(jìn)而找到融合規(guī)則下最優(yōu)的基分類器組合進(jìn)行集成。在對(duì)人參和石斛的集成學(xué)習(xí)中，優(yōu)化的基分類器組合分別為“SVM-PNN-LDA”和“MLP-PNN-LDA”，相應(yīng)的分類準(zhǔn)確度為91.75％和87.71％，優(yōu)化迭代次數(shù)為30，并使用平均值規(guī)則作為底層基分類器的融合規(guī)則。設(shè)計(jì)的兩層集成模型可以在分類應(yīng)用中提供精確有效的概率預(yù)

4、測(cè)，且不僅僅局限于電子鼻的應(yīng)用;同時(shí)為不同的集成系統(tǒng)提供了思路，可以實(shí)現(xiàn)有效的在線分類學(xué)習(xí)。
　　回歸到哺乳動(dòng)物嗅覺(jué)機(jī)制本身，分析KⅢ嗅覺(jué)神經(jīng)網(wǎng)絡(luò)和其數(shù)學(xué)模型，配置網(wǎng)絡(luò)模型參數(shù)，并求解網(wǎng)絡(luò)節(jié)點(diǎn)在時(shí)序空間中的狀態(tài)變量值。同時(shí)對(duì)KⅢ網(wǎng)絡(luò)進(jìn)行功能仿真，展示模型的仿生性能。基于KⅢ網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制實(shí)現(xiàn)模式識(shí)別:1）配置KⅢ網(wǎng)絡(luò)參數(shù)來(lái)學(xué)習(xí)特征X;2）采用具有全局適應(yīng)性的改進(jìn)Hebb規(guī)則來(lái)訓(xùn)練KⅢ網(wǎng)絡(luò)，訓(xùn)練使OB層M1節(jié)點(diǎn)的連接權(quán)重收斂;3）取

5、M1節(jié)點(diǎn)的幅度調(diào)制振蕩波形作為網(wǎng)絡(luò)的輸出，求解標(biāo)準(zhǔn)差SD值來(lái)進(jìn)行表征;4）使用分類規(guī)則來(lái)對(duì)KⅢ模型學(xué)習(xí)的輸出特征信息進(jìn)行學(xué)習(xí)。針對(duì)人參和石斛兩種對(duì)象，構(gòu)建了基于KⅢ網(wǎng)絡(luò)的工作流，主要包括:1）KⅢ網(wǎng)絡(luò)的自組織無(wú)監(jiān)督學(xué)習(xí);2）特征歸一化處理;3)有監(jiān)督學(xué)習(xí)的預(yù)測(cè)模型。其中，預(yù)測(cè)模型分別選用基分類器和相應(yīng)的集成模型進(jìn)行學(xué)習(xí)，并分析不同組合模型之間的性能差別。針對(duì)人參和石斛樣本，基于KⅢ網(wǎng)絡(luò)的工作流最優(yōu)的識(shí)別結(jié)果分別為88.57％和86.46