国产高清精品一区,欧美亚洲另类综合,久青草网站

基于AE-SVM的嗅覺描述符分類

信息技術與網絡安全

朱紅梅，駱德漢，莫卓峰

(廣東工業大學信息工程學院，廣東廣州510006)

摘要： 嗅覺產生于人們對化學物質氣味的感知。然而，由于氣味的復雜性，人們至今還難以理清嗅覺描述符和各種物理化學參數之間的映射關系。因此，沒有建立起根據物理化學特性來預測化學物質的氣味描述的通用方法。設計了一種基于AE-SVM(Autoencoder- Support Vector Networks，AE-SVM)的預測模型，該模型使用自動編碼器提取質譜數據的特征，解決質譜數據高維稀疏的問題，并用支持向量機進行分類。結果表明，AE-SVM利用化學物質的質譜數據成功預測嗅覺描述符，并且準確度達到85.71%，對于理解化學物質和嗅覺描述符之間映射關系具有較為重要意義。

關鍵詞： 嗅覺描述符 AE-SVM 質譜

中圖分類號： TP212.9
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.05.009
引用格式：朱紅梅，駱德漢，莫卓峰. 基于AE-SVM的嗅覺描述符分類[J].信息技術與網絡安全，2021，40(5)：51-55.

Classification of odor descriptors based on AE-SVM

Zhu Hongmei，Luo Dehan，Mo Zhuofeng

(School of Information Engineering，Guangdong University of Technology，Guangzhou 510006，China)

Abstract： The sense of smell arises from the human perception of the smell of chemical substances. However, due to the complexity of smell, it is still a challenge to clarify the mapping relationship between odor descriptors and various physical and chemical parameters. Therefore, no general method has been established to predict the odor description of chemical substances based on physical and chemical properties. This research designed a prediction model based on AE-SVM (Autoencoder-Support Vector Networks, AE-SVM). The model uses autoencoders to extract the mass spectrum features, solves the problem of high-dimensional sparse mass spectrum data, and uses support vector machines to perform classification. The results show that AE-SVM successfully predicts odor descriptors by using mass spectra of chemical substances with an accuracy of 85.71%. These findings shed light on understanding the mapping relationship between chemical substances and odor descriptors.

Key words : odor descriptors；AE-SVM；mass spectra

0 引言

嗅覺是人類的一種化學感官，它通過感知空氣中的化學物質來了解周圍的環境。以往的研究表明，感知到的化學刺激與生物嗅覺系統復雜的組織結構有關[1-2]。嗅覺上皮內的嗅覺受體神經元與分子結合并向嗅覺神經提供電信號時被激活，信號被傳送到嗅球并在嗅球上形成圖案。然后，根據嗅球上的反應模式，在大腦進行與情緒和記憶相關的綜合信息加工[3]。由于每種類型的嗅覺受體具有不同的分子選擇性，因此出現在嗅球上的刺激模式因分子而異。也就是說，對氣味的印象也因分子而異。

氣味感官評價測試已被廣泛采用，獲得通過語言描述符量化的嗅覺描述符。嗅覺描述符的提取不僅在食品和化妝品行業，而且在其他行業的消費產品評價[4]中都是必不可少的。對大量化學品進行感官評估測試需要大量的時間和資源，本身是不切實際的。因此，本研究的目的是通過有限的樣本分析，建立數學模型來預測嗅覺描述符。質譜是化學物質具有代表性的物理化學性質之一，早期的研究闡明了化學物質的氣味與其化學結構之間的關系[5]。大量的質譜數據可以用來構建嗅覺描述符的預測模型。一些研究通過主成分分析(PCA)和非負矩陣分解(NMF)等線性建模方法報道了化學物質氣味特征與其理化參數之間的關系[6-7]。這些研究表明，一些基本參數確實會影響人們對氣味的感知。由于質譜數據本質上是高維稀疏的，雖然PCA和NMF是眾所周知的預測建模方法，但它們不適合高維稀疏的數據結構。因此，很難得出這些線性建模技術與系統完全兼容的結論。深度學習建模是非線性建模中最權威的方法之一，具有廣泛的應用前景。本文設計AE-SVM來對質譜數據進行提取特征并完成對嗅覺描述符的分類。

本文詳細內容請下載:http://m.rjjo.cn/resource/share/2000003551

作者信息:

朱紅梅，駱德漢，莫卓峰

(廣東工業大學信息工程學院，廣東廣州510006)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容