[發明專利]基于卷積神經網絡的多種嗅覺感知預測方法、程序和系統

在審

• 申請號: 202110942765.7
• 申請日: 2021-08-17
• 公開（公告）號: CN113611374A
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 李欣;賈雅瓊;俞斌;任永梅
• 申請（專利權）人: 湖南工學院
• 主分類號: G16C20/30
• 分類號: G16C20/30;G06N3/04
• 代理公司: 衡陽雁城專利代理事務所(普通合伙) 43231
• 代理人: 龍騰

1.基于卷積神經網絡的多種嗅覺感知預測方法，其特征在于，包括以下步驟：

1.構建包含多個IP-HKHS-CNN網絡模型的嗅覺感知預測模型，以單分子氣味物質的CMDs特征為輸入，嗅覺感知評分為標簽來訓練模型并優化模型參數；

2.獲取待測單分子氣味物質的CMDs特征數據；

3.對獲取的CMDs特征數據進行特征選擇和MinMax歸一化處理，將處理后的數據輸入嗅覺感知預測模型，每個IP-HKHS-CNN網絡模型對一種嗅覺感知進行回歸預測；

4.利用模型中大卷積核和大步長弱化全連接層的功能有效提取CMDs特征，防止模型出現過擬合，同時減少單分子氣味物質CMDs特征中的冗余信息，從而對多種嗅覺感知進行準確預測并輸出預測結果。

2.根據權利要求1所述的多種嗅覺感知預測方法，其特征在于：步驟2中，利用DRAGON7化學結構分析軟件得到待測單分子氣味物質的高維2D化學分子描述符特征并表示為：

x_o＝[x₁,x₂,...,x_c]；

其中，c的取值為n。

3.根據權利要求1所述的多種嗅覺感知預測方法，其特征在于，步驟3中，經特征選擇后的CMDs特征維度為k，表示為：

x＝[x₁,x₂,...,x_k]；

對經特征選擇后的CMDs特征數據進行MinMax歸一化處理，表示為：

其中，x_min和x_max分別為對應CMDs特征中的最小值和最大值。

4.根據權利要求1所述的多種嗅覺感知預測方法，其特征在于：步驟1中，每個IP-HKHS-CNN模型中構建有兩個卷積層和兩個全連接層，其中由卷積操作、批量歸一化操作、ReLU激活、最大池化構成一個完整的卷積層，全連接層采用線性激活函數。

5.根據權利要求4所述的多種嗅覺感知預測方法，其特征在于：在卷積層中，首先對輸入的數據進行大卷積核長度的1D卷積運算：

其中，m為卷積核的長度，w_i是卷積核的第i個權值，b為偏置。

之后對1D卷積后得到的特征進行批量歸一化操作：

其中，x_i批輸入數據中某一個特征的取值，ε是為防止分母為零而添加的數，μ_β為批數據的均值，為批數據的方差；

再將進行平移和縮放：

其中，γ為可學習的比例參數，β為可學習的偏差參數；

之后將經過批量歸一化處理的數據送入ReLU激活函數，具體為：

f(x)＝max(0,x)；

再將經過激活函數處理后的數據進行1D最大池化操作，具體為：

其中，p為最大池化操作的步長，l為1D最大池化的滑動窗口大小。

6.根據權利要求5所述的多種嗅覺感知預測方法，其特征在于：通過將卷積層提取得到的特征數據拉平，構建全連接層：

f_l(x)＝W_lx+b；

其中，x為輸入，b為偏置，W_l為l層全連接層的權值矩陣；

其中，w_mn表示l層的第m個神經元與l-1層第n個神經元之間的權值。

f_l(x)作為最終的嗅覺感知預測評分輸出。

7.根據權利要求1-6中任意一項所述的多種嗅覺感知預測方法，其特征在于：在步驟4中利用決定系數和皮爾遜相關系數對模型的回歸預測性能進行定量評估；其中決定系數為：

其中，N為樣本數量，f(x_i)是對第i個樣本數據的預測值，y_i為某一嗅覺感知的真實標簽值，是所有輸出標簽值的平均值；

皮爾遜相關系數為：

其中，和分別表示所有輸出值的平均值和所有預測值的平均值。