王首程 于雪瑩 高繼勇 王志強(qiáng)

(山東理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東 淄博 255049)

陳釀可以使食醋形成獨(dú)特的風(fēng)味，在陳釀過(guò)程中食醋的功能成分也會(huì)隨之發(fā)生變化[1]。由于不同釀造年限陳醋的價(jià)格有較大差異，偽造年限的事件時(shí)有發(fā)生。目前已有的陳醋年限檢測(cè)方法主要有感官分析法[2]、熒光光譜法[3]、高效液相色譜法[1]和近紅外透射光譜分析法[4]等。但感官分析法存在主觀性強(qiáng)、易受干擾和穩(wěn)定性差等缺點(diǎn)；熒光光譜法、高效液相色譜法、近紅外透射光譜分析法等分析方法存在設(shè)備體積大、價(jià)格昂貴、檢測(cè)過(guò)程復(fù)雜等問(wèn)題，不適合現(xiàn)場(chǎng)快速測(cè)量。

電子鼻和電子舌是通過(guò)模仿生物的嗅覺(jué)和味覺(jué)研制的仿生檢測(cè)系統(tǒng)，利用不同傳感器間的交叉響應(yīng)現(xiàn)象結(jié)合模式識(shí)別技術(shù)實(shí)現(xiàn)對(duì)樣本品質(zhì)及成分的分析，具有操作簡(jiǎn)單、檢測(cè)高效、客觀性強(qiáng)等優(yōu)點(diǎn)，目前電子舌和電子鼻已被廣泛應(yīng)用于環(huán)境監(jiān)測(cè)[5]、食品檢測(cè)[6]和藥物鑒別[7]等多個(gè)領(lǐng)域。陳醋的化學(xué)成分復(fù)雜，其品質(zhì)特征都能在嗅覺(jué)和味覺(jué)上體現(xiàn)，但單獨(dú)使用電子舌或者電子鼻難以獲得完整的樣本品質(zhì)狀態(tài)信息，導(dǎo)致無(wú)法獲得滿意的檢測(cè)效果[8]。對(duì)電子舌和電子鼻的信號(hào)進(jìn)行信息融合可以有效解決這一問(wèn)題[9]。

信息融合的關(guān)鍵在于有效提取不同傳感器信號(hào)的特征。Hilbert變換、快速傅里葉變換、小波分析均可用于信號(hào)特征提取。但這些方法主要基于人工設(shè)計(jì)，效率低，無(wú)法全面提取有效特征[10]。深度學(xué)習(xí)方法通過(guò)引入多個(gè)卷積層和池化層，自動(dòng)地抽取數(shù)據(jù)的特征并完成分類或回歸，從而實(shí)現(xiàn)端到端的模式識(shí)別。傳統(tǒng)深度模型隨著網(wǎng)絡(luò)深度的加深，容易出現(xiàn)梯度消失和爆炸現(xiàn)象[11]。密集卷積網(wǎng)絡(luò)(Dense Convolutional Network，DenseNet)是近年來(lái)提出的一種新型深度學(xué)習(xí)模型。該網(wǎng)絡(luò)通過(guò)跨層連接、特征重用的方法，直接將特征圖在通道的維度上連接起來(lái)，在保證最大程度信息傳輸率的前提下，實(shí)現(xiàn)了網(wǎng)絡(luò)中各卷積層之間的特征傳遞，具有緩解梯度消失、抑制過(guò)擬合、減少參數(shù)量、增強(qiáng)特征傳遞的優(yōu)點(diǎn)。目前DenseNet已經(jīng)被廣泛用于醫(yī)學(xué)診斷[12]、音頻檢測(cè)[13]等領(lǐng)域。但當(dāng)前尚未有研究將DenseNet應(yīng)用于人工智能感官的模式識(shí)別過(guò)程。

研究擬提出基于電子舌、電子鼻結(jié)合DenseNet-ELM模型對(duì)陳醋釀造年限進(jìn)行檢測(cè)的方法，分別設(shè)計(jì)不同結(jié)構(gòu)的DenseNet提取電子舌和電子鼻信號(hào)深層特征，并對(duì)特征進(jìn)行融合，最后采用極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)對(duì)融合特征向量進(jìn)行分類識(shí)別，以期為便捷、準(zhǔn)確地檢測(cè)不同釀造年限的陳醋提供新方法。

1 材料與儀器

1.1 試驗(yàn)材料

試驗(yàn)材料為產(chǎn)自山西太原的某品牌老陳醋，執(zhí)行標(biāo)準(zhǔn)為GB/T 19777—2013。從本地超市購(gòu)買2021年所產(chǎn)的一年新醋、兩年陳釀、三年陳釀、五年陳釀、六年陳釀、八年陳釀、十年陳釀共7種不同年限的陳醋。每個(gè)釀造年限的陳醋取200個(gè)樣本，每個(gè)樣本10 mL，按照V陳醋∶V蒸餾水=1∶20的比例對(duì)樣本進(jìn)行稀釋，每個(gè)陳醋溶液取100 mL，在(20±3) ℃環(huán)境下使用電子舌、電子鼻采集樣本數(shù)據(jù)[14]。每種年限的陳醋采集電子舌和電子鼻的樣本數(shù)據(jù)各200個(gè)，取其中150個(gè)樣本數(shù)據(jù)按照7∶3的比例劃分為訓(xùn)練集與驗(yàn)證集，剩余50個(gè)樣本數(shù)據(jù)作為測(cè)試集。

1.2 電子舌與電子鼻系統(tǒng)

電子舌與電子鼻系統(tǒng)由實(shí)驗(yàn)室自行研制[15]，其結(jié)構(gòu)如圖1所示。電子舌系統(tǒng)(Electronic tongue，ET)由傳感器陣列、信號(hào)調(diào)理電路和數(shù)據(jù)采集裝置組成。其中傳感器陣列由三電極系統(tǒng)組成，包括8個(gè)工作電極(鉑、金、鈦、鈀、銀、鎢、鎳和玻碳)、1個(gè)銀/氯化銀(AgCl)電極作參比電極和1個(gè)鉑輔助電極。其工作原理為：由軟件控制數(shù)據(jù)采集卡產(chǎn)生激勵(lì)信號(hào)，該信號(hào)通過(guò)信號(hào)調(diào)理模塊調(diào)理后施加至傳感器陣列，在激勵(lì)信號(hào)的激發(fā)下，樣本溶液在多個(gè)工作電極表面發(fā)生電化學(xué)反應(yīng)產(chǎn)生微弱電流信號(hào)，該響應(yīng)經(jīng)I/V轉(zhuǎn)換、放大和濾波后，送至數(shù)據(jù)采集卡進(jìn)行數(shù)據(jù)采集，然后送至上位機(jī)進(jìn)行處理。

圖1 電子舌與電子鼻系統(tǒng)結(jié)構(gòu)Figure 1 Electronic tongue and electronic nose system structure

電子鼻系統(tǒng)(Electronic nose，EN)由檢測(cè)腔及氣路、傳感器陣列、信號(hào)調(diào)理電路和數(shù)據(jù)采集裝置組成，傳感器陣列采用6種金屬氧化物半導(dǎo)體傳感器，其型號(hào)分別為TGS2600、TGS2602、TGS2603、TGS2610、TGS2611、TGS2620。該系統(tǒng)工作原理為：通過(guò)采樣泵將待測(cè)樣品氣體導(dǎo)入檢測(cè)腔中，待測(cè)樣本氣體與傳感器的敏感材料接觸并發(fā)生氧化還原反應(yīng)，從而導(dǎo)致氣敏傳感器的導(dǎo)電率發(fā)生變化，待測(cè)氣體的化學(xué)信息轉(zhuǎn)化成電信號(hào)。該電信號(hào)經(jīng)信號(hào)調(diào)理電路進(jìn)行放大、濾波后，送至數(shù)據(jù)采集卡進(jìn)行數(shù)據(jù)采集，然后送上位機(jī)進(jìn)行模式識(shí)別處理。

2 模式識(shí)別與信息融合方法

2.1 密集卷積網(wǎng)絡(luò)

DenseNet通過(guò)建立網(wǎng)絡(luò)中所有層之間的密集連接，可實(shí)現(xiàn)特征的高效復(fù)用，有利于對(duì)維度大、噪聲多的復(fù)雜信號(hào)進(jìn)行特征提取。DenseNet由交替串聯(lián)的稠密塊和過(guò)渡層共同組成，結(jié)構(gòu)如圖2所示。

圖2 DenseNet結(jié)構(gòu)圖Figure 2 DenseNet structure

稠密塊是DenseNet的核心結(jié)構(gòu)，其結(jié)構(gòu)如圖3所示。稠密塊包含多個(gè)由批歸一化層(Batch Normalization，BN)、修正線性單元(Rectified Linear Unit，ReLu)、1×1卷積層和1×3卷積層構(gòu)成的密集層。其中BN層可實(shí)現(xiàn)對(duì)每一層輸入的標(biāo)準(zhǔn)化處理，使輸入的均值趨近于0，標(biāo)準(zhǔn)差趨近于1，從而降低樣本間的差異；ReLu為網(wǎng)絡(luò)的激活函數(shù)，可將神經(jīng)元的輸入映射到輸出端，使模型具有非線性表達(dá)能力；1×3卷積層可提取信號(hào)中的有效特征；由于稠密塊中后層的輸入是該層之前所有層的輸出，會(huì)造成后層通道數(shù)較大，采用1×1的卷積層可減少特征圖的數(shù)量并融合各個(gè)通道的特征，從而降低特征的維度。

圖3 稠密塊結(jié)構(gòu)圖Figure 3 Dense block structure

稠密塊中每一層密集層與前面所有層建立連接，L層的網(wǎng)絡(luò)中包括L(L+1)/2層連接，這種跨層連接方式增強(qiáng)了特征的傳遞，使得網(wǎng)絡(luò)在參數(shù)和計(jì)算成本相對(duì)較少的情況下表現(xiàn)出更優(yōu)的分類性能。每一層密集層輸出的計(jì)算公式如式(1)所示。

xl=Hl([x0,x1,x2,…,xl-1])，

(1)

式中：

xl——第l層密集層輸出的特征；

[x0,x1,x2,…,xl-1]——第l層到第l-1層輸出特征的拼接；

H(·)——非線性變換函數(shù)的組合運(yùn)算，包括卷積、BN和ReLU等操作。

過(guò)渡層由BN層、ReLU、1×1的卷積層、1×2的池化層以及Dropout層構(gòu)成。其結(jié)構(gòu)如圖4所示。采用BN層對(duì)輸入作標(biāo)準(zhǔn)化處理；1×1的卷積層可壓縮特征的通道數(shù)；1×2的池化層用于降低特征的維度；加入Dropout層可減少因網(wǎng)絡(luò)層數(shù)增加產(chǎn)生的計(jì)算量[16]。

圖4 過(guò)渡層結(jié)構(gòu)圖Figure 4 Transition layer structure

2.2 極限學(xué)習(xí)機(jī)

ELM是由Huang等[17]提出的一種單隱層前饋型神經(jīng)網(wǎng)絡(luò)。與傳統(tǒng)的機(jī)器學(xué)習(xí)算法相比，ELM通過(guò)求解方程組的方法得到輸出層的權(quán)重，其輸入層和隱含層之間的隱藏節(jié)點(diǎn)和連接權(quán)值可以隨機(jī)產(chǎn)生，不需要在訓(xùn)練過(guò)程中進(jìn)行調(diào)整，具有訓(xùn)練速度快、泛化性能強(qiáng)的優(yōu)點(diǎn)。

含有L個(gè)神經(jīng)節(jié)點(diǎn)的單隱層神經(jīng)網(wǎng)絡(luò)可表示為：

(2)

式中：

yj——單隱層網(wǎng)絡(luò)的輸出值(j=1,…,N)；

xi——輸入向量；

g(·)——激活函數(shù)；

w——輸入權(quán)重；

b——隱含層節(jié)點(diǎn)的閾值；

βi——輸出權(quán)重。

ELM的學(xué)習(xí)目標(biāo)就是網(wǎng)絡(luò)的實(shí)際輸出值能夠無(wú)限接近期望輸出值。

2.3 特征信息融合

電子舌和電子鼻特征融合結(jié)合DenseNet-ELM模型的過(guò)程如圖5所示。

圖5 模型工作過(guò)程Figure 5 Model working process

(1) 使用電子舌和電子鼻系統(tǒng)對(duì)陳醋樣本逐一進(jìn)行檢測(cè)，分別采集電子舌和電子鼻的響應(yīng)信號(hào)，并對(duì)信號(hào)進(jìn)行預(yù)處理。

(2) 針對(duì)電子舌和電子鼻的信號(hào)，構(gòu)建不同結(jié)構(gòu)的ET-DenseNet和EN-DenseNet，分析模型在訓(xùn)練集和驗(yàn)證集上準(zhǔn)確率的變化，得到性能最佳的兩個(gè)網(wǎng)絡(luò)結(jié)構(gòu)。

(3) 使用電子舌和電子鼻響應(yīng)信號(hào)的訓(xùn)練集和驗(yàn)證集分別訓(xùn)練ET-DenseNet和EN-DenseNet，然后將訓(xùn)練好的模型用于提取電子舌和電子鼻信號(hào)的特征，分別得到二者的特征向量。

(4) 將ET-DenseNet和EN-DenseNet提取到的特征圖進(jìn)行展平操作，把多維特征轉(zhuǎn)化為一維特征向量。然后將二者的一維特征向量進(jìn)行拼接，得到融合特征向量，其原理如式(3)所示。融合操作，其功能是將一維電子鼻特征向量拼接在一維電子舌特征向量之后，構(gòu)成融合特征向量。

F=C(ft,fn),

(3)

式中：

F——融合的特征向量；

ft——電子舌信號(hào)的特征向量；

fn——電子鼻信號(hào)的特征向量；

C(·)——融合操作。

(5) 采用ELM對(duì)融合的特征向量進(jìn)行分類識(shí)別，先對(duì)其隱含層神經(jīng)元個(gè)數(shù)進(jìn)行優(yōu)化，再采用訓(xùn)練集和驗(yàn)證集對(duì)優(yōu)化的模型進(jìn)行訓(xùn)練，并使用測(cè)試集的準(zhǔn)確率、召回率等指標(biāo)評(píng)價(jià)模型的性能。

3 結(jié)果與分析

3.1 電子舌與電子鼻響應(yīng)信號(hào)

電子舌和電子鼻系統(tǒng)的響應(yīng)信號(hào)如圖6所示。圖6(a)中，在電子舌不同電極的催化作用下，樣本溶液在電極表面發(fā)生電化學(xué)反應(yīng)，在大幅方波脈沖的激勵(lì)作用下每個(gè)電極的信號(hào)呈現(xiàn)出不同的波形。針對(duì)每個(gè)樣本，電子舌可以采集8 000個(gè)數(shù)據(jù)點(diǎn)(1 000×8個(gè)電極)；從圖6(b)可以看出，電子鼻傳感器內(nèi)部化學(xué)物質(zhì)與樣本氣體接觸，發(fā)生氧化還原反應(yīng)，造成傳感器的電導(dǎo)率發(fā)生變化，其兩端的電壓快速上升，達(dá)到各自的峰值后逐漸趨于平緩，針對(duì)每個(gè)樣本，電子鼻可以采集到6 000個(gè)數(shù)據(jù)點(diǎn)(1 000×6個(gè)氣敏傳感器)。

圖6 電子舌和電子鼻響應(yīng)信號(hào)Figure 6 The electronic tongue and nose respond to the signal

3.2 數(shù)據(jù)預(yù)處理

針對(duì)電子舌和電子鼻的響應(yīng)信號(hào)中含有大量噪聲并且數(shù)值變化幅度較大的問(wèn)題，采用式(4)對(duì)響應(yīng)信號(hào)進(jìn)行去均值和方差歸一化處理。

(4)

式中：

xi——信號(hào)中的第i個(gè)響應(yīng)值；

μ——信號(hào)中所有樣本數(shù)據(jù)的均值；

σ——信號(hào)中所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差；

3.3 DenseNet模型

3.3.1 ET-DenseNet 電子舌信號(hào)噪聲多、數(shù)據(jù)量大，所以需要設(shè)置多個(gè)卷積層和池化層以提取其特征。DenseNet中稠密塊的個(gè)數(shù)以及稠密塊中密集層的層數(shù)直接影響DenseNet的性能，較多的卷積操作將導(dǎo)致模型的過(guò)擬合，較少的卷積操作則會(huì)產(chǎn)生特征提取不充分的問(wèn)題。為了選擇性能最優(yōu)的模型結(jié)構(gòu)，設(shè)計(jì)稠密塊×密集層結(jié)構(gòu)分別為2×2、2×3、2×4、3×2的模型，分析其訓(xùn)練過(guò)程中驗(yàn)證集準(zhǔn)確率的變化。為了減小過(guò)擬合，避免偶然事件的發(fā)生，采用五折交叉驗(yàn)證方法分析測(cè)試集準(zhǔn)確率。如圖7所示，當(dāng)稠密塊×密集層結(jié)構(gòu)為2×4時(shí)，驗(yàn)證集準(zhǔn)確率相比于其他模型增長(zhǎng)得更快，率先達(dá)到峰值并穩(wěn)定，而且測(cè)試集準(zhǔn)確率明顯高于其他模型，且模型更加穩(wěn)定。2×2、2×3兩種模型由于層數(shù)較少，存在特征提取不充分的問(wèn)題，結(jié)構(gòu)為3×2的模型由于過(guò)擬合導(dǎo)致性能下降。

圖7 不同結(jié)構(gòu)的ET-DenseNet模型的驗(yàn)證集準(zhǔn)確率和測(cè)試集準(zhǔn)確率Figure 7 Validation set and test set accuracy of different structures of ET-DenseNet

ET-DenseNet結(jié)構(gòu)如圖8所示，較大的卷積核可初步降低數(shù)據(jù)維度；然后設(shè)置2個(gè)稠密塊，每個(gè)稠密塊中設(shè)置4層密集層；兩個(gè)稠密塊之間設(shè)置一層過(guò)渡層降低特征維度，并設(shè)置BN層對(duì)特征作歸一化處理，采用全局均值池化降低特征維度。

圖8 ET-DenseNet結(jié)構(gòu)Figure 8 ET-DenseNet structure

DenseNet的增長(zhǎng)率是指每一層網(wǎng)絡(luò)輸出的特征圖在維度上的貢獻(xiàn)量，直接關(guān)系到特征圖的數(shù)量，同時(shí)，訓(xùn)練周期、學(xué)習(xí)率、批次尺寸等超參數(shù)對(duì)模型分類準(zhǔn)確率的影響較大。分別對(duì)訓(xùn)練周期、學(xué)習(xí)率、批次尺寸進(jìn)行尋優(yōu)，不同參數(shù)組合在測(cè)試集的準(zhǔn)確率如圖9所示，增長(zhǎng)率為10、訓(xùn)練周期為70、學(xué)習(xí)率為0.001、批次尺寸50時(shí)，測(cè)試集的準(zhǔn)確率最高且波動(dòng)較小。

圖9 不同超參數(shù)的ET-DenseNet測(cè)試集準(zhǔn)確率Figure 9 Test set accuracy of different hyperparameters of ET-DenseNet

3.3.2 EN-DenseNet 相比于電子舌信號(hào)，電子鼻信號(hào)數(shù)據(jù)量相對(duì)較少，采用較少的卷積層和池化層就可以提取到電子鼻信號(hào)的特征信息。為了選擇性能最優(yōu)的EN-DenseNet，設(shè)計(jì)稠密塊×密集層結(jié)構(gòu)分別為1×2、1×3、1×4、2×2的模型，分析其訓(xùn)練過(guò)程中驗(yàn)證集準(zhǔn)確率的變化，并采用五折交叉驗(yàn)證方法分析測(cè)試集準(zhǔn)確率。如圖10 所示，當(dāng)稠密塊×密集層結(jié)構(gòu)為1×3的模型在訓(xùn)練的過(guò)程中，驗(yàn)證集準(zhǔn)確率明顯增長(zhǎng)得更快，而且迅速收斂并穩(wěn)定在峰值，測(cè)試集準(zhǔn)確率明顯高于其他模型，并且波動(dòng)較小。

圖10 不同結(jié)構(gòu)的ET-DenseNet模型的驗(yàn)證集準(zhǔn)確率和測(cè)試集準(zhǔn)確率Figure 10 Validation set and test set accuracy of different structures of ET-DenseNet

EN-DenseNet結(jié)構(gòu)如圖11所示，設(shè)置1×16的卷積核初步降低數(shù)據(jù)維度；然后設(shè)置1個(gè)稠密塊，其中設(shè)置3層密集層，使用級(jí)聯(lián)的方法實(shí)現(xiàn)特征復(fù)用，并設(shè)置BN層對(duì)特征作歸一化處理，采用全局均值池化降低特征維度。

圖11 EN-DenseNet的結(jié)構(gòu)Figure 11 EN-DenseNet structure

采用與ET-DenseNet相同的方法對(duì)該網(wǎng)絡(luò)的增長(zhǎng)率、訓(xùn)練周期、學(xué)習(xí)率和批次尺寸進(jìn)行優(yōu)化。如圖12所示，增長(zhǎng)率為6、訓(xùn)練周期為60、學(xué)習(xí)率為0.000 5、批次尺寸為35時(shí)，測(cè)試集的準(zhǔn)確率最高，并且波動(dòng)也較小。

圖12 不同超參數(shù)的ET-DenseNet測(cè)試集準(zhǔn)確率Figure 12 Test set accuracy of different hyperparameters of ET-DenseNet

3.4 ELM模型

將ET-DenseNet和EN-DenseNet提取的特征進(jìn)行融合，采用ELM對(duì)特征向量進(jìn)行分類。ELM模型的輸入層和隱含層之間的連接權(quán)值和閾值可以隨機(jī)生成，所以只需要優(yōu)化隱含層神經(jīng)元個(gè)數(shù)。設(shè)置ELM隱層神經(jīng)元個(gè)數(shù)的范圍為[2,100]，步長(zhǎng)為2。其不同結(jié)構(gòu)的ELM模型在驗(yàn)證集和測(cè)試集的分類準(zhǔn)確率如圖13所示，當(dāng)隱藏層節(jié)點(diǎn)數(shù)為74時(shí)，分類效果最佳。

圖13 不同隱含層神經(jīng)元個(gè)數(shù)的ELM在驗(yàn)證集和測(cè)試集上的準(zhǔn)確率Figure 13 The accuracy of ELM in verification set and test set with different numbers of hidden layer neurons

3.5 可視化分析

為了驗(yàn)證模型的特征提取效果，采用t分布隨機(jī)近鄰嵌入算法(Stochastic neighbor embedding，t-SNE)[18]對(duì)ET-DenseNet、EN-DenseNet提取到的特征以及融合的特征向量進(jìn)行可視化分析，并建立混淆矩陣驗(yàn)證其分類性能，結(jié)果如圖14所示。由圖14可以看出，電子舌和電子鼻的每類樣本特征數(shù)據(jù)點(diǎn)類間的差距較小，數(shù)據(jù)點(diǎn)基本能夠匯聚成簇，但是有部分的錯(cuò)分點(diǎn)，ET-DenseNet和EN-DenseNet的分類準(zhǔn)確率分別為95.2%，93.4%?？梢钥闯鲭娮由嗵卣骺梢暬男Ч麅?yōu)于電子鼻的效果，這是由于電子舌的響應(yīng)信號(hào)比電子鼻的響應(yīng)信號(hào)含有更多能反映不同釀造年限陳醋樣本之間差異性的信息。由圖14(c)和圖14(f)可以看出，電子舌和電子鼻融合特征的每類樣本特征的數(shù)據(jù)點(diǎn)完全匯聚成簇，且類與類之間分隔較大，具有明顯的類間差距。DenseNet-ELM的混淆矩陣分類準(zhǔn)確率達(dá)到99.14%，分類準(zhǔn)確率較ET-DenseNet和EN-DenseNet有明顯的提升。

圖14 特征可視化和混淆矩陣Figure 14 Feature visualization and obfuscation matrices

3.6 模型性能對(duì)比分析

目前，已有研究使用離散小波變換(Discrete wavelet transform，DWT)提取電子鼻[19]和電子舌[20]信號(hào)的特征，使用支持向量機(jī)(Support Vector Machine，SVM)和CNN作為分類識(shí)別方法[21]。將以上模型進(jìn)行優(yōu)化后用于電子舌和電子鼻對(duì)陳醋年限的檢測(cè)，優(yōu)化后DWT的小波基函數(shù)為sym6、分解層數(shù)為7，SVM模型的懲罰因子C=2-5、核參數(shù)λ=25以及CNN網(wǎng)絡(luò)結(jié)構(gòu)為5個(gè)卷積層和4個(gè)池化層、學(xué)習(xí)率為0.005、批次尺寸為45、訓(xùn)練周期為50，并使用以上模型與文中所提方法進(jìn)行對(duì)比。

為了進(jìn)一步評(píng)價(jià)不同模型的性能，分別采用查準(zhǔn)率、召回率、F1-Socre參數(shù)為評(píng)價(jià)標(biāo)準(zhǔn)對(duì)模型進(jìn)行評(píng)價(jià)分析，其公式為：

(5)

(6)

(7)

式中：

P——查準(zhǔn)率；

R——召回率；

F1——F1-Socre參數(shù)；

TP——正確分類的正樣本數(shù)量；

FP——真實(shí)的負(fù)樣本數(shù)量；

FN——虛假的負(fù)樣本數(shù)量。

分別使用優(yōu)化后的DWT-SVM、DWT-ELM、CNN作為對(duì)比模型，用于電子舌信號(hào)、電子鼻信號(hào)的分類。將以上各個(gè)模型與文中所建模型進(jìn)行對(duì)比，各模型在測(cè)試集的分類結(jié)果如表1所示。

由表1可以看出，DenseNet-ELM模型的查準(zhǔn)率、召回率和準(zhǔn)確率分別達(dá)到0.99，0.98，0.99，性能明顯高于其他對(duì)比模型。不同的特征提取方法對(duì)電子舌和電子鼻信號(hào)的特征提取能力存在較大差別。與DWT、CNN相比，由于DenseNet對(duì)特征的高效復(fù)用，具有更高的特征提取能力，其分類準(zhǔn)確率提高3%～30%。單獨(dú)使用電子舌或者電子鼻進(jìn)行檢測(cè)的準(zhǔn)確率最高可達(dá)到95.2%，將電子舌和電子鼻信號(hào)的特征進(jìn)行融合后，結(jié)合DenseNet-ELM模型，檢測(cè)準(zhǔn)確率達(dá)到99.1%。與其他檢測(cè)方法相比，采用可見(jiàn)/近紅外光譜透射技術(shù)結(jié)合主成分分析和神經(jīng)網(wǎng)絡(luò)鑒別陳醋品種[4]準(zhǔn)確率為92.1%，同步熒光結(jié)合偏最小二乘法對(duì)老陳醋摻假檢測(cè)[22]的偏差為3%～5%，采用近紅外光譜結(jié)合主成分分析和判別分析鑒別陳醋的品牌[23]準(zhǔn)確率為96.3%，證明文中方法性能優(yōu)于以上方法。

4 結(jié)論

研究提出一種基于電子舌和電子鼻結(jié)合密集卷積網(wǎng)絡(luò)—極限學(xué)習(xí)機(jī)模型對(duì)不同釀造年限陳醋進(jìn)行檢測(cè)的方法。分別設(shè)計(jì)了電子舌系統(tǒng)—密集卷積網(wǎng)絡(luò)和電子鼻系統(tǒng)—密集卷積網(wǎng)絡(luò)模型提取電子舌和電子鼻的信號(hào)特征，然后采用特征融合方法，將電子舌和電子鼻信號(hào)特征向量進(jìn)行融合，使用極限學(xué)習(xí)機(jī)對(duì)融合特征向量進(jìn)行分類識(shí)別。試驗(yàn)結(jié)果表明，該方法解決了單一檢測(cè)設(shè)備難以獲得完整的樣本信息的問(wèn)題，采用密集卷積網(wǎng)絡(luò)緩解了深度學(xué)習(xí)模型由于深度增加導(dǎo)致的模型退化、泛化能力弱等問(wèn)題，可對(duì)7種不同釀造年限的陳醋進(jìn)行有效分類。研究的特征融合階段將電子舌和電子鼻的特征向量直接進(jìn)行拼接，不能體現(xiàn)出兩者之間的重要程度，后續(xù)將研究采用自適應(yīng)的特征融合方法，通過(guò)學(xué)習(xí)的方式自動(dòng)獲取到兩種不同特征的重要程度，實(shí)現(xiàn)更高效的融合。