[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的多種嗅覺感知預(yù)測(cè)方法、程序和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110942765.7
• 申請(qǐng)日: 2021-08-17
• 公開（公告）號(hào): CN113611374A
• 公開（公告）日: 2021-11-05
• 發(fā)明（設(shè)計(jì)）人: 李欣;賈雅瓊;俞斌;任永梅
• 申請(qǐng)（專利權(quán)）人: 湖南工學(xué)院
• 主分類號(hào): G16C20/30
• 分類號(hào): G16C20/30;G06N3/04
• 代理公司: 衡陽雁城專利代理事務(wù)所(普通合伙) 43231
• 代理人: 龍騰

基于卷積神經(jīng)網(wǎng)絡(luò)的多種嗅覺感知預(yù)測(cè)方法、程序和系統(tǒng)，涉及化學(xué)分子信息處理技術(shù)領(lǐng)域，本發(fā)明在對(duì)單分子氣味物質(zhì)的高維化學(xué)分子描述符特征進(jìn)行基于特征取值多樣性的特征選擇和MinMax歸一化處理后，將其作為基于卷積神經(jīng)網(wǎng)絡(luò)的IP?HKHS?CNN預(yù)測(cè)模型的輸入，針對(duì)氣味物質(zhì)化學(xué)分子描述符特征之間存在大量冗余且其維度遠(yuǎn)高于氣味物質(zhì)樣本數(shù)量這一特點(diǎn)，本發(fā)明利用IP?HKHS?CNN網(wǎng)絡(luò)模型中大卷積核和大步長能夠更有效地提取特征，并可以弱化全連接層以防止模型出現(xiàn)過擬合。通過高效地特征提取還可以減少單分子氣味物質(zhì)化學(xué)分子描述符特征中的冗余信息，從而實(shí)現(xiàn)了多種嗅覺感知的準(zhǔn)確預(yù)測(cè)，并大大提高了多種嗅覺感知預(yù)測(cè)的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及化學(xué)分子信息處理技術(shù)領(lǐng)域，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的多種嗅覺感知預(yù)測(cè)方法、程序和系統(tǒng)。

背景技術(shù)

不同于視覺，嗅覺無法使用諸如三基色這樣簡單的組合進(jìn)行表示。為了準(zhǔn)確的描述嗅覺感知，特別是在香水、紅酒等行業(yè)和研究領(lǐng)域涌現(xiàn)出了上千種專用的嗅覺感知描述詞匯，根據(jù)不同的應(yīng)用場(chǎng)合，會(huì)選用不同的嗅覺感知描述。因此，對(duì)于氣味物質(zhì)到多種嗅覺感知評(píng)分的回歸預(yù)測(cè)研究一直是嗅覺感知領(lǐng)域的研究熱點(diǎn)問題之一。

目前用于嗅覺感知預(yù)測(cè)的氣味物質(zhì)的物化特征包括電子鼻信號(hào)、質(zhì)譜數(shù)據(jù)、化學(xué)分子描述符(Chemical Molecular Descriptors,CMDs)特征等數(shù)據(jù)。其中，化學(xué)分子描述符特征是常用的氣味物質(zhì)物化特征數(shù)據(jù)，有大量研究集中于化學(xué)描述符特征到人類嗅覺感知的映射關(guān)系中，這一類問題稱為物質(zhì)結(jié)構(gòu)-嗅覺感知關(guān)系研究，當(dāng)前研究中面臨的最大挑戰(zhàn)是預(yù)測(cè)精度不高的問題。由于化學(xué)結(jié)構(gòu)分析軟件強(qiáng)大的功能，會(huì)得到大量的化學(xué)分子結(jié)構(gòu)特征，而這些特征之間又存在冗余重復(fù)的信息，從而導(dǎo)致難以從中有效提取化學(xué)分子描述特征，影響了預(yù)測(cè)準(zhǔn)確度。此外，目前對(duì)嗅覺感知的預(yù)測(cè)主要集中在單個(gè)嗅覺感知的預(yù)測(cè)，如愉悅度和強(qiáng)度等，對(duì)多種嗅覺感知進(jìn)行預(yù)測(cè)的研究較少。

發(fā)明內(nèi)容

本發(fā)明目的是提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的多種嗅覺感知預(yù)測(cè)方法，通過更有效地提取化學(xué)分子描述符特征中的信息、更好地解決網(wǎng)絡(luò)過擬合問題，以解決現(xiàn)有方法中所存在的預(yù)測(cè)準(zhǔn)確度偏低的問題，并且本發(fā)明實(shí)現(xiàn)了多種嗅覺感知預(yù)測(cè)。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：基于卷積神經(jīng)網(wǎng)絡(luò)的多種嗅覺感知預(yù)測(cè)方法，包括以下步驟：

1.構(gòu)建包含多個(gè)IP-HKHS-CNN網(wǎng)絡(luò)模型的嗅覺感知預(yù)測(cè)模型，以單分子氣味物質(zhì)的CMDs特征為輸入，嗅覺感知評(píng)分為標(biāo)簽來訓(xùn)練模型并優(yōu)化模型參數(shù)，并確定出最終的預(yù)測(cè)模型；

2.獲取待測(cè)單分子氣味物質(zhì)的CMDs特征數(shù)據(jù)；

3.對(duì)獲取的CMDs特征數(shù)據(jù)進(jìn)行特征選擇和MinMax歸一化處理，將處理后的數(shù)據(jù)輸入嗅覺感知預(yù)測(cè)模型，每個(gè)IP-HKHS-CNN網(wǎng)絡(luò)模型對(duì)一種嗅覺感知進(jìn)行回歸預(yù)測(cè)；

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(xiàn)過擬合，同時(shí)減少單分子氣味物質(zhì)CMDs特征中的冗余信息，從而對(duì)多種嗅覺感知進(jìn)行準(zhǔn)確預(yù)測(cè)并輸出預(yù)測(cè)結(jié)果。

在步驟1中，首先篩選出在結(jié)構(gòu)和嗅覺感知上都有較大差異的單分子氣味物質(zhì)，利用DRAGON7化學(xué)結(jié)構(gòu)分析軟件得到高維2D化學(xué)分子描述符特征構(gòu)建輸入數(shù)據(jù)集，其嗅覺感知評(píng)分作為標(biāo)簽數(shù)據(jù)；其中化學(xué)分子描述符特征表示為：

x_o＝[x₁,x₂,...,x_c]；

其中，c的取值為n。

以CMDs特征數(shù)據(jù)為輸入，嗅覺感知評(píng)分?jǐn)?shù)據(jù)為輸出對(duì)IP-HKHS-CNN模型進(jìn)行訓(xùn)練并確定最終的模型參數(shù)。

在步驟2中，利用DRAGON7軟件獲取單分子氣味物質(zhì)的CMDs特征數(shù)據(jù)。