1.一种基于电子鼻拓扑指纹的水中嗅味特征识别方法,其特征在于,包括以下步骤:S1、数据采集;利用电子鼻传感器阵列与嗅味物质发生反应产生相应的电信号响应,采集电信号数据;
S2、数据预处理;对电信号数据进行预处理,包括去噪、滤波、归一化操作;
S3、拓扑指纹构建;将预处理后的电信号数据转换为特定的拓扑数据结构,即拓扑指纹,拓扑指纹中节点代表传感器,边表示传感器之间的相互关系和互动模式;
S4、图神经网络模型处理;将拓扑指纹数据输入到图神经网络模型中,图神经网络模型通过多层图卷积操作,逐层提取和融合节点及其邻居节点的特征,生成高层次的特征表示;
S5、嗅味类别识别和嗅味阈值预测;基于图神经网络模型中特征表示进行嗅味物质的嗅味类别识别和嗅味阈值预测。
2.根据权利要求1所述的一种基于电子鼻拓扑指纹的水中嗅味特征识别方法,其特征在于,所述S3中拓扑指纹构建,具体如下:将电子鼻传感器阵列中每个传感器作为拓扑指纹中的一个节点,传感器的响应信号作为节点特征向量;根据传感器之间的响应模式构建节点之间的边,表示传感器之间的关联。
3.根据权利要求1所述的一种基于电子鼻拓扑指纹的水中嗅味特征识别方法,其特征在于,所述S4中图神经网络模型处理,具体包括如下步骤:S401、构建图神经网络模型;
图神经网络模型包括依次连接的输入层、图卷积层、池化层、全连接层和输出层;
图卷积层,用于通过聚合每个节点的邻居节点特征来更新节点的表示,从而捕捉节点之间的局部连接模式,聚合过程包括加权聚合;经过聚合的特征随后通过一个线性变换进行处理,该线性变换为权重矩阵乘法,以适应下一层的输入格式;
池化层,用于图的下采样,采用多尺度池化策略以捕捉不同层级的拓扑指纹信息,且将拓扑指纹中的节点子集聚合为更小的表示;
全连接层,包含多个神经元,每个神经元都与池化层的输出连接,通过学习权重和偏置来进行特征变换和非线性映射,同时在全连接层中应用随机失活策略来防止过拟合,并采用自适应学习率调整技术;
S402、训练图神经网络模型并进行优化;
S403、利用训练后的图神经网络模型对拓扑指纹数据进行处理。
4.根据权利要求3所述的一种基于电子鼻拓扑指纹的水中嗅味特征识别方法,其特征在于,所述S5中嗅味类别识别和嗅味阈值预测,具体如下:利用图神经网络模型的输出层进行嗅味物质的嗅味类别识别和嗅味阈值预测,输出层中采用分类器和回归模型,及引入多任务学习框架;
通过分类器对全连接层处理的特征进行分类,识别水中嗅味物质的嗅味类别;
通过回归模型对全连接层处理的特征进行回归分析,预测水中嗅味物质的嗅味阈值;
通过多任务学习框架共享底层特征表示同时优化嗅味类别识别和嗅味阈值预测任务。
5.根据权利要求4所述的一种基于电子鼻拓扑指纹的水中嗅味特征识别方法,其特征在于,所述S402中训练图神经网络模型并进行优化,具体包括如下步骤:S4021、获取电子鼻传感器阵列的电信号数据并处理为拓扑指纹数据,标记拓扑指纹数据中嗅味物质的嗅味类别和嗅味阈值,形成数据集;
S4022、将数据集分为训练集、测试集和验证集,基于训练集对神经网络模型进行训练并优化。
6.根据权利要求4所述的一种基于电子鼻拓扑指纹的水中嗅味特征识别方法,其特征在于,所述S403中对拓扑指纹数据进行处理,具体如下:通过图卷积层对每个节点及其邻居节点的特征进行卷积操作,生成新的节点特征;
通过池化层进行特征聚合,聚合所有节点的特征,形成整个图的全局特征表示;
通过全连接层进行非线性变换,通过非线性激活函数,对聚合后的特征进行变换,用于增强特征表达能力。
7.一种应用于权利要求1-6任一所述方法中的基于电子鼻拓扑指纹的水中嗅味特征识别系统,其特征在于,包括:电子鼻传感器阵列,包括十个不同类型的传感器,用于检测水中嗅味物质并产生相应的电信号响应;
信号采集与预处理模块,用于采集传感器的电信号,并进行数据预处理,数据预处理包括去噪、滤波、归一化操作;
拓扑指纹构建模块,用于将预处理后的传感器数据构建为拓扑指纹,节点代表传感器,边表示传感器之间的关系;
图神经网络模型,包括输入层、图卷积层、池化层、全连接层和输出层;通过图卷积操作对拓扑指纹数据进行特征提取和信息融合,生成高层次的特征表示;且输出层包括分类器和回归模型,通过分类器对特征表示进行嗅味物质的嗅味类别识别,通过回归模型对特征表示进行回归分析,预测嗅味物质的嗅味阈值。