郭娟，駱德漢，何啟莉，詹燦堅(jiān)

（廣東工業(yè)大學(xué)信息工程學(xué)院，廣州510006）

0 引言

電子鼻是一種模仿生物嗅覺(jué)的氣味分析裝置，電子鼻系統(tǒng)基本上由傳感器陣列和數(shù)據(jù)采集系統(tǒng)、計(jì)算機(jī)和數(shù)據(jù)存儲(chǔ)系統(tǒng)以及模式識(shí)別算法[1]組成。電子鼻傳感器陣列克服了人工感官評(píng)定會(huì)受周圍環(huán)境和個(gè)人因素的干擾，這意味著機(jī)器嗅覺(jué)技術(shù)適用于許多領(lǐng)域。首先，它是一種無(wú)損檢測(cè)從物體[2]表面釋放的揮發(fā)物的技術(shù)。其次，電子鼻通常攜帶方便，可以隨時(shí)隨地檢測(cè)氣味。第三，電子鼻具有擴(kuò)展嗅覺(jué)范圍的能力，因?yàn)闅怏w傳感器能夠探測(cè)并感知到那些人類聞不到的化學(xué)物質(zhì)[3]。電子鼻在世界上得到了越來(lái)越廣泛的應(yīng)用。電子鼻的發(fā)展對(duì)人類有很多好處，電子鼻可以在氣味、周圍空氣和呼吸氣體的檢測(cè)或分類中發(fā)揮重要作用，如食品安全檢測(cè)[4]、醫(yī)學(xué)診斷[5]和環(huán)境監(jiān)測(cè)等[6]。對(duì)于電子鼻來(lái)說(shuō)，數(shù)據(jù)預(yù)處理算法和分類器體系結(jié)構(gòu)都是影響分類精度的重要因素。

隨著信息技術(shù)的飛速發(fā)展，智能識(shí)別方法已引起人們的廣泛關(guān)注。大量的算法被引入嗅覺(jué)領(lǐng)域作為氣味識(shí)別的方法，如模糊邏輯[7]、遺傳算法、機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)[8]。然而，這些方法大多是在大量訓(xùn)練數(shù)據(jù)的基礎(chǔ)上成功運(yùn)行的。在實(shí)際采樣的過(guò)程中，由于樣本數(shù)量有限，往往只能收集到有限的電子鼻采樣數(shù)據(jù)。此外，當(dāng)識(shí)別的物質(zhì)產(chǎn)地不同或者保存方式不同都會(huì)有氣味有較大的影響，這會(huì)降低訓(xùn)練后網(wǎng)絡(luò)模型的泛化能力，在某些情況下，網(wǎng)絡(luò)模型甚至不再適用。因此，針對(duì)樣本量有限的小樣本氣味數(shù)據(jù)，設(shè)計(jì)的一種有效的識(shí)別方法是極為重要的。

本文基于電子鼻采集的不同傳感器響應(yīng)，通過(guò)生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）對(duì)小樣本數(shù)據(jù)進(jìn)行拓展，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（Convolu?tional Neural Network，CNN）學(xué)習(xí)擴(kuò)展樣本數(shù)據(jù)的特征，最終對(duì)物質(zhì)氣味分類。

1 算法實(shí)現(xiàn)

1.1 生成對(duì)抗網(wǎng)絡(luò)

生成式對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Net?work，GAN）主要由兩個(gè)子模塊組成：生成器模型（Generative Model，G）和 判 別 模 型（Discriminative Model，D）。發(fā)生器G接收從正態(tài)分布或均勻分布采樣的潛在隨機(jī)矢量，并輸出合成樣本。鑒別器D以訓(xùn)練樣本或合成樣本作為輸入，輸出一個(gè)標(biāo)量，表示訓(xùn)練樣本或合成樣本遵循原始數(shù)據(jù)分布的概率。GAN的理念基于競(jìng)爭(zhēng)，G的目的是混淆D，D的目的是區(qū)分G生成的數(shù)據(jù)和原始數(shù)據(jù)集的數(shù)據(jù)，其流程如圖1所示。

圖1 GAN框架

對(duì)于生成器G:Z→X，其中Z為任意維數(shù)的噪聲空間；它對(duì)應(yīng)于超參數(shù)空間。X為數(shù)據(jù)空間；目的是得到數(shù)據(jù)分布。發(fā)生器通過(guò)在數(shù)據(jù)空間中擬合數(shù)據(jù)特征并隨機(jī)添加噪聲來(lái)生成新的數(shù)據(jù)。優(yōu)化的目標(biāo)函數(shù)如下：

其中D(x)表示判別器D對(duì)一個(gè)原始樣本的評(píng)分，D(G(z))表示判別器D一個(gè)生成樣本的評(píng)分；Pdata表示生成樣本的概率分布，Pdata表示原始數(shù)據(jù)的概率分布。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一種典型的深度學(xué)習(xí)架構(gòu)。經(jīng)過(guò)大量圖像數(shù)據(jù)訓(xùn)練后，由于CNN具有多層卷積濾波器，因此可以學(xué)習(xí)捕獲不同級(jí)別的特征。每個(gè)過(guò)濾器都可以充當(dāng)特定的特征模式提取器，并將它們組合在一起就可以形成功能強(qiáng)大的特征模型。

CNN是一種多層的監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，隱含層的卷積層和池化層是實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)特征提取功能的核心模塊。經(jīng)典CNN神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)由輸入層（Input Layer）、卷積層（Convolutional Layer）、池化層（Pooling Layer）、全連接層（Full-Connected Layer）以及輸出層（Output Layer）構(gòu)成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。每一層有多個(gè)特征圖，每個(gè)特征圖通過(guò)一種卷積濾波器提取輸入的一種特征，每個(gè)特征圖有多個(gè)神經(jīng)元。

圖2 CNN網(wǎng)絡(luò)結(jié)構(gòu)

其中卷積層由多個(gè)卷積神經(jīng)元組成，每個(gè)神經(jīng)元的權(quán)值和參數(shù)可以通過(guò)反向傳播算法得到。卷積層中的卷積濾波器提供輸入數(shù)據(jù)的壓縮表示，卷積濾波器可以從輸入數(shù)據(jù)中提取特征，每個(gè)過(guò)濾器由在網(wǎng)絡(luò)訓(xùn)練階段調(diào)整的權(quán)值組成。通過(guò)卷積層，網(wǎng)絡(luò)可以提取輸入數(shù)據(jù)向量的低層邊緣特征。卷積層的計(jì)算公式如下：

其中n為輸入矩陣個(gè)數(shù)，Xk表示第k個(gè)輸入矩陣，Wk表示卷積核的第k個(gè)子卷積核矩陣，s(i,j)即卷積核W對(duì)應(yīng)的輸出矩陣的對(duì)應(yīng)位置元素的值。

2 實(shí)驗(yàn)

為了解決訓(xùn)練數(shù)據(jù)有限的問(wèn)題，本文提出了一種結(jié)GAN和CNN的分類器方法。首先，將原始樣本分為訓(xùn)練集樣本和測(cè)試集樣本，利用生成的訓(xùn)練網(wǎng)絡(luò)對(duì)樣本的數(shù)據(jù)進(jìn)行增強(qiáng)，生成大量的模擬樣本。之后，使用生成的樣本和原始樣本混合的樣本訓(xùn)練基于CNN的深度學(xué)習(xí)分類器。最后，利用測(cè)試樣本對(duì)訓(xùn)練好的分類器進(jìn)行測(cè)試，驗(yàn)證了該方法對(duì)有限數(shù)據(jù)問(wèn)題的有效性。

2.1 數(shù)據(jù)集

數(shù)據(jù)集從AirSense公司的PEN3電子鼻收集，PEN3電子鼻是一種通用氣體響應(yīng)信號(hào)采樣儀表，它有10個(gè)金屬氧化物氣體傳感器，每個(gè)傳感器對(duì)不同氣體的靈敏度不同，如表1所示。電子鼻通過(guò)把十個(gè)傳感器之間的距離控制得非常小，使得因樣本氣味組成成分不均勻的問(wèn)題得以解決，從而采集而來(lái)的氣味數(shù)據(jù)準(zhǔn)確反映出氣味的真實(shí)信息。

表1 PEN3電子鼻傳感器陣列詳細(xì)信息

使用PEN3收集了7種中藥材的氣敏響應(yīng)作為數(shù)據(jù)集，包括：檳榔、高良姜、砂仁、枳殼、莪術(shù)、姜黃、牡丹皮等。電子鼻實(shí)驗(yàn)環(huán)境溫度為25±0.5℃，233濕度為75±2%。為了保證氣體傳感器響應(yīng)的一致性，實(shí)驗(yàn)材料的準(zhǔn)備和實(shí)驗(yàn)過(guò)程嚴(yán)格按照下列程序設(shè)置：

（1）初始條件下，將需要采集的中藥材放置于一個(gè)干凈的燒杯中，并保持不動(dòng)超過(guò)20分鐘，以保證氣味充分揮發(fā)；

（2）數(shù)據(jù)采集之前，對(duì)傳感器室進(jìn)行清洗和校準(zhǔn)；

（3）在采集的過(guò)程中，每個(gè)樣本采集時(shí)間為120秒；

（4）重復(fù)步驟（1）-（3），每種中藥各取100個(gè)樣品。最終的數(shù)據(jù)集由7類700個(gè)數(shù)據(jù)樣本組成，每類100個(gè)樣本，可視化其響應(yīng)曲線如圖3所示。

圖3 電子鼻數(shù)據(jù)響應(yīng)曲線

2.2 數(shù)據(jù)預(yù)處理

為了解決小樣本數(shù)據(jù)下的氣味識(shí)別問(wèn)題，本文建立了基于GAN的數(shù)據(jù)增強(qiáng)模型。首先，我們采集到的電子鼻信號(hào)轉(zhuǎn)換為灰度圖，將氣味識(shí)別問(wèn)題轉(zhuǎn)換為圖片分類問(wèn)題。在數(shù)據(jù)預(yù)處理階段，主要目的是樣本數(shù)據(jù)生成拓展，建立了數(shù)據(jù)生成網(wǎng)絡(luò)模型GAN模型，具體流程如圖4所示。當(dāng)原始樣本輸入GAN模型時(shí)，GAN生成器會(huì)對(duì)樣本數(shù)據(jù)進(jìn)行擴(kuò)展，得到大量與原始樣本相似的偽樣本。原始樣本與生成的偽樣本相結(jié)合，形成新的混合樣本。

圖4 數(shù)據(jù)預(yù)處理過(guò)程

在模型訓(xùn)練過(guò)程中，首先對(duì)生成器和判別器的模型參數(shù)進(jìn)行初始化。其次，在生成樣本后，固定生成模型，并訓(xùn)練判別器模型，使生成的樣本與真實(shí)樣本盡可能準(zhǔn)確地進(jìn)行區(qū)分。然后，經(jīng)過(guò)多次更新后，對(duì)鑒別器模型進(jìn)行固定，對(duì)生成模型進(jìn)行訓(xùn)練，使生成的數(shù)據(jù)與真實(shí)數(shù)據(jù)的差異最小化。最后，重復(fù)上述步驟，直到模型參數(shù)穩(wěn)定。

2.3 氣味識(shí)別

本文中根據(jù)數(shù)據(jù)預(yù)處理部分生成的增強(qiáng)數(shù)據(jù)集，將訓(xùn)練集數(shù)據(jù)輸入CNN中進(jìn)行訓(xùn)練，卷積層通過(guò)計(jì)算輸入變量的乘積和來(lái)提取特征，ReLU用于引入卷積網(wǎng)絡(luò)的非線性，引入最大池化層來(lái)減小卷積數(shù)據(jù)的空間大小。然后，引入一個(gè)全連通層來(lái)學(xué)習(xí)高級(jí)特征的非線性組合，通過(guò)輸出層實(shí)現(xiàn)Softmax作為分類器識(shí)別氣味標(biāo)簽。其中卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置如下表2所示。

表2 CNN參數(shù)設(shè)置

2.4 實(shí)驗(yàn)結(jié)果與分析

本文將GAN-CNN模型應(yīng)用于氣味識(shí)別，首先，將電子鼻采集到的氣味信息轉(zhuǎn)化為灰度圖，將灰度圖輸入GAN進(jìn)行預(yù)處理，得到一個(gè)拓展數(shù)據(jù)集，對(duì)于數(shù)據(jù)集按照7:3比例劃分訓(xùn)練集和測(cè)試集。之后將劃分好的數(shù)據(jù)集數(shù)據(jù)輸入CNN模型進(jìn)行訓(xùn)練識(shí)別。為了更好地展現(xiàn)該方法的識(shí)別效果，我們使用同樣的數(shù)據(jù)集，將該方法與PCA-SVM、PCA-RF、CNN、CNNSVM等多種方法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示。

表3

從表2中，可以清晰看到，PCA-SVM和PCA-RF在氣味識(shí)別上有一定的效果，CNN和CNN-SVM的預(yù)測(cè)效果更好，均可以達(dá)到90%以上。同時(shí)，考慮其中本文中提到的GAN-CNN模型準(zhǔn)確度可以可達(dá)到94.43%，可以認(rèn)為GAN-CNN適合用作為基于電子鼻的氣味識(shí)別算法。

3 結(jié)語(yǔ)

本文提出了一種用于小樣本氣味識(shí)別的神經(jīng)網(wǎng)絡(luò)方法，該方法基于生成對(duì)抗網(wǎng)絡(luò)（GAN）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）相結(jié)合的GAN-CNN模型。該方法可用于有限樣本的深度學(xué)習(xí)，能有效提高分類性能。為此，我們分別與PCA-SVM、PCA-RF、CNN、CNN-SVM等多種方法進(jìn)行對(duì)比實(shí)驗(yàn)，其中GAN-CNN識(shí)別準(zhǔn)確率最高可達(dá)94.43%，效果優(yōu)于其他算法。