一种仿生果蝇的智能识别方法、系统和计算机存储介质

1.本技术涉及信息检索领域，特别涉及一种仿生果蝇的智能识别方法、系统和计算机存储介质。


背景技术：

2.现有技术中，单纯使用基于深度学习的检测技术，只能识别目标的分类信息，无法精确识别目标具体为什么目标；若为了识别出具体的某一目标，只能将目标分类分的更多更细致，导致往往检索计算量复杂，以及需要的数据存储空间偏大；此外，由于大量数据的运算检索，导致检索的时间较长，检索精确度偏低。因此，提出一种仿生果蝇的智能识别方法，以解决上述问题。


技术实现要素：

3.针对现有技术的上述问题，本技术的目的在于提供一种仿生果蝇的智能识别方法，通过得到响应态数据集对应的检测目标数据，检测目标数据中的数据维度高于对应的响应态数据集中的数据维度，且检测目标数据中的信息为二进制信息，不仅减少了识别计算量和数据存储空间，还提高了识别准确度和识别检测速度。
4.为了解决上述问题，本技术提供了一种仿生果蝇的智能识别方法，应用于智能识别系统，所述智能识别系统包括多个获取单元，所述方法包括：
5.获取不同采样时间点的多组采样数据集，其中，所述采样数据集包括所述多个获取单元采集到的多个采样数据；
6.对所述多组采样数据集进行响应态数据识别，得到响应态数据识别结果；
7.基于所述响应态数据识别结果，确定所述多组采样数据集中的多组稳态数据集和至少一组响应态数据集；
8.基于所述稳态数据集和所述响应态数据集进行数据识别处理，得到所述响应态数据集对应的检测目标数据，其中，所述检测目标数据中的数据维度高于对应的所述响应态数据集中的数据维度，且所述检测目标数据中的信息为二进制信息；
9.调用智能识别模型，确定所述检测目标数据对应的检测目标结果。
10.另一方面，本技术还提供一种智能识别系统，所述智能识别系统包括：
11.获取模块，用于获取不同采样时间点的多组采样数据集，其中，所述采样数据集包括所述多个获取单元采集到的多个采样数据；
12.响应态数据识别模块，用于对所述多组采样数据集进行响应态数据识别，得到响应态数据识别结果；
13.分类模块，用于基于所述响应态数据识别结果，将所述多组采样数据集分为多组稳态数据集和至少一组响应态数据集；
14.识别数据处理模块，用于基于所述稳态数据集和所述响应态数据集进行识别数据处理，得到所述响应态数据集对应的检测目标数据，其中，所述检测目标数据中的信息容量
高于对应的所述响应态数据集中的信息容量，且所述检测目标数据中的信息为二进制信息；
15.检测目标结果确定模块，用于调用智能识别模型，确定所述检测目标数据对应的检测目标结果。
16.另一方面，本技术还提供一种智能识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述仿生果蝇的智能识别方法。
17.另一方面，本技术还提供一种计算机存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述仿生果蝇的智能识别方法。
18.由于上述技术方案，本技术所述的一种仿生果蝇的智能识别方法具有以下有益效果：
19.本技术的仿生果蝇的智能识别方法，通过得到响应态数据集对应的检测目标数据，检测目标数据中的数据维度高于对应的响应态数据集中的数据维度，且检测目标数据中的信息为二进制信息，不仅减少了识别计算量和数据存储空间，还提高了识别准确度和识别检测速度。
附图说明
20.为了更清楚地说明本技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
21.图1是本技术实施例提供的一种应用环境示意图；
22.图2是本技术实施例提供的一种仿生果蝇的智能识别方法的流程示意图；
23.图3是本技术实施例提供的一种气体识别方法的显示设备展示示意图；
24.图4是本技术另一实施例提供的一种气体识别方法的显示设备展示示意图；
25.图5是本技术实施例提供的一种智能识别系统的结构示意图。
26.图6是本技术实施例提供的一种仿生果蝇的智能识别方法的硬件结构框图。
具体实施方式
27.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
28.此处所称的“一个实施例”或“实施例”是指可包含于本技术至少一个实现方式中的特定特征、结构或特性。在本技术的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”仅用于描
述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
29.人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
30.近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，本技术实施例提供的方案涉及人工智能的机器学习/深度学习等技术，具体通过如下实施例进行说明：
31.结合说明书附图1，图1是本技术实施例提供的一种应用环境的示意图，如图1所示，该应用环境至少包括检测感知服务器01和智能识别服务器02。
32.本说明书实施例中检测感知服务器01可以用于感知待检测物品的数据，并将检测到的数据传输至智能识别服务器，具体的，该智能识别服务器03可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
33.本说明书实施例中智能识别服务器02可以用于对检测到的数据进行分类识别，具体的，该智能识别服务器02可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
34.本说明书实施例中，上述检测感知服务器01以及智能识别服务器02可以通过有线或无线通信方式进行直接或间接地连接，本技术再次不做限制。
35.在本说明书实施例中，在智能识别过程中，为了提高对采样数据集的识别准确率，可以结合深度学习算法，训练出可以将采样数据集转化成检测目标数据，对检测目标数据进行识别的智能识别模型。
36.具体的，用于训练智能识别模型的训练数据，可以从大量网络节点收集，相应的，这些网络节点和用于训练智能识别模型的设备所形成的系统可以是通过网络通信的形式连接形成的分布式系统。该分布式系统可以为区块链系统。
37.此外，需要说明的是，基于本技术实施例提供的智能识别模型可以提供人工智能云服务，人工智能云服务一般也被称作是aiaas(aiasa service，中文为“ai即服务”)。这是目前主流的一种人工智能平台的服务方式，具体来说aiaas平台会把几类常见的ai服务进行拆分，并在云端提供独立或者打包的服务。这种服务模式类似于开了一个ai主题商城：所有的开发者都可以通过api接口的方式来接入使用平台提供的一种或者是多种人工智能服务，部分资深的开发者还可以使用平台提供的ai框架和ai基础设施来部署和运维自己专属
的云人工智能服务。
38.通过研究发现，果蝇蘑菇体花萼中的肯扬细胞(kcs)的树突远超过投射神经元(pns)的数量，且gaba(非蛋白质氨基酸)能够为神经元提供全局反馈抑制，前对侧神经元(apl)也能参与局部横向抑制；将果蝇标记分类的方式与计算科学中的局部敏感哈希算法进行对比与融合，能够解决大规模信息检索系统面临的基本计算问题，进而得到人工智能与仿生果蝇原理结合的识别算法。
39.参考图2，以下介绍本技术实施例提供的一种仿生果蝇的智能识别方法，应用于智能识别系统，智能识别系统包括多个获取单元，方法包括：
40.s1、获取不同采样时间点的多组采样数据集，其中，采样数据集包括多个获取单元采集到的多个采样数据。
41.在一些实施例中，采样数据可以为待检测目标的信息数据，例如待检测目标的气味信息数据和/或待检测目标的触感信息数据等。
42.在本技术实施例中，相邻采样时间点之间可以具有相同的间隔时间；采样数据集可以为多个获取单元在同一时间点获取的采样数据的集合；采样数据可以为单个获取单元在任一采样时间点采集的数据。
43.在一些实施例中，智能识别系统具有24个获取单元，每间隔1s设置一个采样时间点，那么在5s内能够获取到5组采样数据集，每组采样数据集中具有24个获取单元在同一采样时间点获取的采样数据。
44.在一个具体的实施例中，当采样数据为待检测目标的气味信息数据时，获取单元可以是通道传感器；通道传感器具备气体采集通道，在气体流过气体采集通道的情况下，通道传感器会采集该气体的气味信息，采样数据包括该气味信息，采样数据集则包括不同通道传感器在同一时间点采集到的气味信息；在另一具体实施例中，当采样数据为待检测目标的触感信息数据时，获取单元可以为触感传感器，采样数据包括触感信息数据，采样数据集包括不同触感传感器在同一时间点采集到的触感信息数据。
45.在本技术实施例中，s1包括：
46.s101、获取多个获取单元对待检测目标进行数据采集得到的多组检测数据集。
47.在本技术实施例中，检测目标数据集可以为同一获取单元在不同采样时间点获取的采样数据的集合，检测目标数据集可以是一组完整的数据集，也可以是随时间变化实时增加采样数据数量的数据集。
48.在一个具体实施例中，当采样数据为待检测目标的气味信息数据时，多组检测数据集可以为多个通道传感器在不同采样时间点采集的采样数据的集合，示例性的，24个通道传感器能够获取24组检测数据集；在另一具体实施例中，当采样数据为待检测目标的触感信息数据时，多组检测数据集为多个触感传感器在不同时间采集的采样数据的集合，具体的，24个触感传感器能够获取24组检测数据集。
49.s102、在多个采样时间点分别对多组检测数据集进行数据采样，到多个采样时间点各自对应的采样数据集，其中，单个采样数据集中包括同一采样时间点采集到的分属于不同检测数据集的采样数据。
50.在本技术实施例中，采样数据具备有对应的获取单元标号信息和对应的采样时间点信息，依据具有对应获取单元标号信息和对应采样时间点信息的采样数据进行重新组
合，将采样时间点信息一致但获取单元标号信息不一致的采样数据组合形成采样数据集。
51.在一个实施例中，24个获取单元在5s内分别采集了24组检测数据集，每组检测数据集内具有5个不同采样时间点的采样数据；将每个采样数据进行分离，得到对应的采样数据，该采样数据具备有对应采样时间点信息和对应获取单元标号信息；例如，其中一个采样数据为第一获取单元在第一采样时间点采集的数据，以此类推，能够得到120个具有不同标签的采样数据；按照对应的标签将采样数据重新组合，形成采样数据集；例如，第一采样数据集为在第一采样时间点采集到的采样数据，且第一采样数据集中具有24个获取单元在第一采样时间点采集的数据；以此类推，能够得到5组采样数据集，每组采样数据集内具有24个不同获取单元在相同采样时间点采集到的采样数据。
52.在一个具体实施例中，当采样数据为待检测目标的气味信息数据时，24个通道传感器在某个采样时间点处获取的采样数据集为x＝[x1x2…
x
24
]。
[0053]
s2、对多组采样数据集进行响应态数据识别，得到响应态数据识别结果。
[0054]
在本技术实施例中，响态数据识别可以为动态识别响应态数据的过程，响应态数据识别结果可以为确定响应态数据的起始点。
[0055]
在本技术实施例中，s2之前包括：
[0056]
对多组采样数据集进行降噪处理，得到多组采样数据集各自对应的降噪采样数据集；通过对采样数据集进行降噪处理，能够降低某些因素对采样数据的影响，进而提高智能识别的准确性；某些因素可以是传输损失和/或获取单元自身影响。
[0057]
在本技术实施例中，降噪处理包括：
[0058]
1)针对单组检测数据集，基于第一数量个采样数据进行去极值加权平均处理，得到第一数量个采样数据其中一个采样数据对应的降噪采样数据。
[0059]
在本技术实施例中，单个获取单元能够获取一组检测数据集，去极值加权平均处理为将第一数量个采样数据排除最大值和最小值后，对剩余的采样数据进行加权平均计算，通过去极值加权平均处理得到的数值即为第一数量个采样数据其中一个采样数据对应的降噪采样数据；通过去极值加权平均处理，显著减少了某些因素造成的采样数据波动范围过大，进而显著提高了智能识别的准确性。
[0060]
在一些实施例中，降噪采样数据可以是对应第一数量个采样数据中最晚采样时间点的采样数据，也可以是第一数量个采样数据中中间采样时间点的采样数据。
[0061]
2)将同一采样时间点不同检测数据集对应的降噪采样数据作为采样时间点对应的降噪采样数据集，得到多个采样时间点各自对应的降噪采样数据集，其中，在同一采样时间点的采样数据集与降噪采样数据集相对应。
[0062]
在本技术实施例中，计算出的降噪采样数据同样具备对应获取单元标号信息和对应采样时间点信息，将采样时间点信息一致但获取单元标号信息不一致的降噪采样数据组合形成降噪采样数据集。
[0063]
在一个实施例中，24个获取单元分别采集了24组检测数据集，每组检测数据集中有9个采样数据；在一组检测数据集中，每7个采样数据进行去极值加权平均处理，得到7个采样数据中最晚采样时间点的采样数据对应的降噪采样数据，故而每组检测数据集中可以得到3个对应的降噪采样数据；将采样时间点信息一致但获取单元标号信息不一致的降噪采样数据组合形成降噪采样数据集，即形成3组降噪采样数据集。
[0064]
在一个具体实施例中，以采样数据为待检测目标的气味信息数据为例，连续采集p组采样数据集x1、x2、
…
、xq，基于每个通道传感器的检测数据集进行如下公式计算：
[0065][0066]
其中，为单个通道传感器内，连续采集的p个采样数据之和；x
i,max
为单个通道传感器内，连续采集的p个采样数据中的最大值；x
i,min
为单个通道传感器内，连续采集的p个采样数据中的最小值；n等于p，为单个通道传感器内，采样数据的数量；x
′i为单个通道传感器内，第p个采样数据对应的降噪采样数据。
[0067]
在本技术实施例中，智能识别系统与显示设备通信连接，降噪处理后包括：
[0068]
将降噪处理数据传输至显示设备上，显示设备上将对应的降噪处理数据展示在展示图上，其中，该展示图上的横坐标为采样时间点，对于不同获取模块的降噪处理数据使用不同的形状标记，例如，第一获取单元的标记形状为三角形点，第二获取单元的标记形状为正方形点。
[0069]
在本技术实施例中，s2包括：
[0070]
s201、针对单组检测数据集，基于第二数量个采样数据进行标准差处理，得到各获取单元各自对应的实时标准差。
[0071]
在本技术实施例中，单个获取单元能够获取一组检测数据集，标准差处理为对第二数量个采样数据进行标准差计算，实时标准差为第二数量个采样数据中最晚采样时间点对应的标准差。
[0072]
在一些实施例中，第二数量可以等于第一数量，例如均等于7。
[0073]
s202、若实时标准差超过预设标准差阈值的获取单元的数量满足预设数量条件，将第二数量个采样数据对应的最晚采样时间点确定为起峰点。
[0074]
在本技术实施例中，由于具备多个获取单元，每个获取单元对应一组检测数据集，只有在获取单元的检测数据集中的实时标准差超过预设数量的情况下，才能将第二数量个采样数据对应的最晚采样时间点确定为起峰点，如此，降低了单个获取单元自身因素对整体检测结果的影响，进而提高智能识别的准确性。
[0075]
s3、基于响应态数据识别结果，确定多组采样数据集中的多组稳态数据集和至少一组响应态数据集。
[0076]
基于s202可知，s3包括：
[0077]
s301、将起峰点以及起峰点之后的采样数据确定为响应态数据。
[0078]
在本技术实施例中，位于起峰点数据之前的采样数据集为稳态数据集，响应态数据集包括起峰点处的采样数据集以及位于起峰点之后的采样数据集。在实时获取采样数据、识别出起峰点且未达到下一个采样时间点的情况下，多组采样数据集有且仅有一组响应态数据集，即位于起峰点的采样数据集。
[0079]
在本技术实施例中，s3还包括：
[0080]
s302、基于响应态数据识别结果，确定多组降噪采样数据集中的降噪稳态数据集。
[0081]
在本技术实施例中，基于降噪稳态数据集可以确定降噪响应态数据集，通过降噪稳态数据集和降噪响应态数据集传输至显示设备上，显示设备上将对应的降噪处理数据展示在展示图上，以便于直观的监测降噪采样数据集的变化过程。
[0082]
s4、基于稳态数据集和响应态数据集进行数据识别处理，得到响应态数据集对应的检测目标数据，其中，检测目标数据的数据维度高于对应的响应态数据集的数据维度，且检测目标数据中的信息为二进制信息；通过得到响应态数据集对应的检测目标数据，其中，检测目标数据中的数据维度高于对应的响应态数据集中的数据维度，且检测目标数据中的信息为二进制信息，不仅减少了识别计算量和数据存储空间，还提高了识别准确度和识别检测速度。
[0083]
在本技术实施例中，稳态数据集可以是任一起峰点之前的稳态数据集，响应态数据集可以是起峰点处和起峰点之后任一采样时间点的响应态数据集，数据识别处理可以是基于稳态数据集和响应态数据集进行数据转化计算的过程。
[0084]
在一个具体实施例中，以采样数据为待检测目标的气味信息数据为例，连续采集q组采样数据集x1、x2、
…
、xq，并计算每个通道传感器采集到的采样数据的实时标准差，实时标准差对应通道传感器在xq内的采样数据，在实时标准差的数量满足数量条件的情况下，例如，在具有24个通道传感器，18个实时标准差满足数量条件的情况下，确定xq所在的采样时间点为起峰点；那么位于起峰点之前的采样数据集x1、x2、
…
、x
q-1
为起峰数据集，位于起峰点处和起峰点之后的采样数据集xq、
…
为响应态数据集。
[0085]
在本技术实施例中，s4包括：
[0086]
s401、基于降噪稳态数据集对响应态数据集进行矩阵转换，得到响应态数据集对应的输入向量矩阵。
[0087]
在本技术实施例中，矩阵转换可以是基于降噪稳态数据集将响应态数据集转化成输入向量矩阵的过程；输入向量矩阵的列数等于获取单元的数量，输入向量矩阵的行数始终为1。
[0088]
在一个具体实施例中，以采样数据为待检测目标的气味信息数据为例，采样数据集中包含24个通道传感器在同一采样时间点采集到的采样数据，因此可以将一个采样数据集类比于一个1
×
24的矩阵，基于降噪稳态数据集对响应态数据集进行矩阵转换可以运行下述公式：
[0089]
x
in
＝(x
1-x
′0)/x
′0[0090]
其中，x1为响应态数据集；x
′0为降噪稳态数据集；x
in
为输入向量矩阵。
[0091]
s402、基于响应态数据集对输入向量矩阵进行标准化处理，得到标准输入矩阵；通过对输入向量矩阵进行标准化处理，能够降低某个获取单元异常的采样数据干扰，从而提高识别精确度。
[0092]
在本技术实施例中，标准化处理包括但不限于z-score标准化、最大-最小标准化和按小数定标标准化。
[0093]
在一个具体实施例中，以采样数据为待检测目标的气味信息数据为例，运用z-score标准化，即下述公式：
[0094][0095]
其中，x
in
为输入向量矩阵；μ为输入向量矩阵内部所有元素的均值；δ为输入向量矩
阵内部所有元素的标准差；为标准输入矩阵。
[0096]
s403、随机生成满足预设条件的稀疏投影矩阵，其中，稀疏投影矩阵的行数等于标准输入矩阵的列数，稀疏投影矩阵的列数大于稀疏投影矩阵的行数。
[0097]
s404、基于稀疏投影矩阵对标准输入矩阵进行矩阵映射处理，得到输入变量矩阵。
[0098]
在本技术实施例中，通过生成满足预设条件、矩阵的行数等于标准输入矩阵的列数以及矩阵的列数大于矩阵的行数的稀疏投影矩阵，并使得稀疏投影矩阵与标准输入矩阵进行矩阵映射处理，进而实现对输入数据的升维，以使最终的检测目标数据的数据维度高于对应响应态数据集的数据维度，提高识别分类的精确性；需要说明的是，矩阵中的数据维度等于矩阵的列数
×
1，例如，1
×
24的矩阵的数据维度为24维矩阵。
[0099]
在本技术实施例中，通过检测目标数据的数据维度高于对应响应态数据集的数据维度，进而提高识别的精确性；其思路原理与果蝇蘑菇体花萼中的肯扬细胞(kcs)的树突远超过投射神经元(pns)的数量的原理一致，即通过仿生果蝇编码的方式，实现了高精确的智能识别。
[0100]
在一个具体实施例中，以采样数据为待检测目标的气味信息数据为例，随机产生的稀疏投影矩阵为：
[0101][0102]
其中，m为稀疏投影矩阵的数据维度；d为稀疏投影矩阵的数据维度；为满足每行有且仅有s个数为1的二进制矩阵；其中，s＜＜d，d＜＜m。
[0103]
s405、对输入变量矩阵进行二进制简化处理，得到与响应态数据集对应的检测目标数据。
[0104]
在本技术实施例中，二进制简化处理为将输入变量矩阵内的元素进行二进制简化。
[0105]
在本技术实施例中，s405包括：
[0106]
s4051、对输入变量矩阵中的元素进行排序，得到排序结果。
[0107]
s4052、基于排序结果确定输入变量矩阵中的预留元素和非预留元素。
[0108]
在本技术实施例中，可以对输入变量矩阵内的元素进行从大到小的顺序进行排列，可以将该排列中的一定数量个较大的元素确定为预留元素，其余元素为非预留元素。
[0109]
s4053、对预留元素和非预留元素中的至少其一进行二进制赋值，得到检测目标数据。
[0110]
在一些实施例中，可以将非预留元素的数值置为0或-1；通过将非预留元素的数值置0或-1，既可以在识别过程中忽略非预留元素的数值，提高识别效率，还可以降低数据存储空间。
[0111]
在另一实施例中，可以将预留元素的数值置为1，得到与响应态数据集对应的检测目标数据；通过将预留元素置1，形成二进制形式的检测目标数据，提高了识别效率，降低了数据存储空间。
[0112]
在另一实施例中，可以将预留元素的数值保留，得到与响应态数据集对应的检测目标数据；通过将预留元素的数值保留，可以提高智能识别的准确性。
[0113]
综上可得到本技术一个具体实施例的整体编码函数：
[0114]
h:rd→
{0，1}m[0115]
其中，rd为数据维度为d的输入向量矩阵；{0,1}m为数据维度为m的二进制矩阵；h为检测目标数据，具体的：
[0116][0117]
其中，x为输入向量矩阵；μ为输入向量矩阵内部所有元素的均值；δ为输入向量矩阵内部所有元素的标准差；为满足每行有且仅有s个数为1的二进制矩阵，且该矩阵数据维度(即矩阵列数)为m；fk为仅保留预留位置元素或将预留位置元素置1，非预留元素位置元素置0或-1的条件函数。
[0118]
在本技术实施例中，通过随机生成稀疏投影矩阵以及对非预留元素的数值进行数值置为0或-1，减小了单个获取单元的对检测结果干扰，提前放大了响应态的重要性，提高了识别准确度和识别检测速度。
[0119]
s5、调用智能识别模型，确定检测目标数据对应的检测目标结果。
[0120]
在本技术实施例中，在一段预设时间内，基于多个检测目标结果进行数据分类，确定数量最多的检测目标结果为最终检测目标结果；通过在预设时间内确定最终检测目标结果，保证了智能识别的准确率，同时提高了智能识别的时长的可控性。
[0121]
在本技术实施例中，将最终检测目标结果输出至显示设备上。
[0122]
在一个具体的实施例中，以采样数据为待检测目标的气味信息数据为例，每1s获取一个采样数据，在5s内能够获取5个检测目标结果，基于检测目标结果的种类数量，确定最终检测目标结果。
[0123]
在本技术实施例中，在响应态数据集的数量超过预设数量范围的情况下，进入训练识别模式，方法还包括；
[0124]
s601、将多个检测目标数据作为智能识别模型的输入，以进行智能识别分类，得到多个检测目标数据对应的智能识别结果。
[0125]
s602、基于检测目标数据和对应的智能识别结果，确定检测目标数据的检测目标结果；其中，智能识别模型包括基于样本检测数据和对应的识别结果标签，对预设神经网络进行智能识别训练得到的模型。
[0126]
在一个具体的实施例中，以采样数据为待检测目标的气味信息数据为例，智能识别结果可以是通过二次哈希识别的结果；具体的，对多个检测目标数据进行两次哈希映射，通过第一次哈希映射后，选取与待检测目标数据前100位数值相同的候选对象，初步降低候选对象的数量，再对剩余候选对象进行第二次细致的哈希映射，基于二次哈希映射后的结果进行分类识别，根据该结果调整编码函数中涉及的参数，得到优化的智能识别模型；与之对应的，在调用智能识别模型中，将检测目标数据与智能识别模型中的样本检测数据进行二次哈希映射，基于计算后的结果从智能识别模型中得到对应的目标检测结果。
[0127]
在另一个具体的实施例中，以采样数据为待检测目标的触感信息数据为例，智能识别结果可以是通过最近邻结点识别的结果；具体的，对多个检测目标数据进行汉明距离或欧式距离计算，基于汉明距离对检测数据进行分类识别，根据该结果调整编码函数中涉及的参数，得到优化的智能识别模型；与之对应的，在调用智能识别模型中，将检测目标数据与智能识别模型中的样本检测数据进行汉明距离或欧式距离计算后，基于计算后的结果
从智能识别模型中得到对应的目标检测结果。
[0128]
以下，介绍本一个具体实施例中运用本技术实施例的仿生果蝇的智能识别方法识别气体类别的过程：
[0129]
24个通道传感器经过降噪后的采样数据集分别以6组检测数据集的方式展示在显示设备上，因此可以获得四张展示子图；其中每张子图上不同通道传感器采集的采样数据分别使用不同形状标记，例如第一通道、第七通道、第十三通道和第十九通道使用小圆点标记；在确定好的起峰点后，将起峰点对应的采样时间点发送至显示设备，显示设备将起峰采样时间点所在的位置使用粗线标记，以使得更直观的观测到采样数据的变化时间点。
[0130]
在一个具体的气体识别过程中，请参考图3，采样数据的子图展示如图，每1s进行一次数据采集，那么，基于起峰点5s内的响应态数据进行智能识别能够得到5个检测目标结果；获得检测目标结果为：丙酮、丙酮、丙酮、丙酮和丙酮，故而可以确定最终检测目标结果为丙酮；且5s之后的检测目标结果均为丙酮，即识别正确，故而在该实施例中能够在5s内实现了快速准确的气体识别。
[0131]
在另一个具体的气体识别过程中，请参考图4，基于起峰点5s内的响应态数据进行智能识别能够得到5个检测目标结果；获得检测目标结果为：一氧化碳、甲醇、乙醇、乙醇和乙醇，故而确定最终检测目标结果为乙醇，5s之后的检测目标结果均为乙醇，即识别正确；在该实施例中，气体识别在开始进气阶段发生错误识别，将其识别为一氧化碳和甲醇，但在后续中快速调整至正确识别结果；故而在该实施例中也能够在5s内实现快速准确的气体识别。
[0132]
在另一个具体的气体识别过程中，依次对不同浓度的9种气体进行3轮智能识别，其中，每轮进行智能识别的时间为60～180s，9种气体类别分别为甲醛、乙醇、丙烷、甲醇、甲烷、一氧化碳、丙酮、硫化氢和氨气；且能够在智能识别过程中，确定各自起峰点5s内能够准确识别出对应的气体结果，5s后的识别结果不发生变化；在5s准确识别过程中，能够计算得到135个检测目标数据，基于检测目标数据对应的检测目标结果与实际采集的气体类别进行比较，能够得出单个检测目标结果的识别率为91.9％，而在确定各自起峰点5s内的最终检测目标结果的识别率为100％，故而在该实施例中对单个检测目标结果具有较高的识别率，对起峰点5s内的最终检测结果具备极高的识别率。
[0133]
结合图5，介绍本技术实施例提供的一种智能识别系统，智能识别系统包括：
[0134]
获取模块101，用于获取不同采样时间点的多组采样数据集，其中，采样数据集包括多个获取单元采集到的多个采样数据。
[0135]
响应态数据识别模块201，用于对多组采样数据集进行响应态数据识别，得到响应态数据识别结果。
[0136]
分类模块301，用于基于响应态数据识别结果，确定多组采样数据集中的多组稳态数据集和至少一组响应态数据集。
[0137]
识别数据处理模块401，用于基于稳态数据集和响应态数据集进行数据识别处理，得到响应态数据集对应的检测目标数据，其中，检测目标数据的数据维度高于对应的响应态数据集的数据维度，且检测目标数据中的信息为二进制信息。
[0138]
检测目标结果确定模块501，用于调用智能识别模型，确定检测目标数据对应的检测目标结果。
[0139]
在一些实施例中，获取模块包括：
[0140]
获取单元，用于获取多个获取单元对待检测目标进行数据采集得到的多组检测数据集。
[0141]
采样数据集确定单元，用于在多个采样时间点分别对多组检测数据集进行数据采样，得到多个采样时间点各自对应的采样数据集，其中，单个采样数据集中包括同一采样时间点采集到的分属于不同检测数据集的采样数据。
[0142]
在一些实施例中，智能识别系统还包括：
[0143]
降噪处理模块，用于对多组采样数据集进行降噪处理，得到多组采样数据集各自对应的降噪采样数据集。
[0144]
与此对应的，响应态数据识别模块包括：
[0145]
降噪数据分类单元，用于基于响应态数据识别结果，确定多组降噪采样数据集中的降噪稳态数据集。
[0146]
在一些实施例中，识别数据处理模块包括：
[0147]
矩阵转换单元，用于基于降噪稳态数据集对响应态数据集进行矩阵转换，得到响应态数据集对应的输入向量矩阵。
[0148]
标准化处理单元，用于基于响应态数据集对输入向量矩阵进行标准化处理，得到标准输入矩阵。
[0149]
稀疏投影单元，用于随机生成满足稀疏投影矩阵的预设条件稀疏投影矩阵，其中，稀疏投影矩阵的行数等于标准输入矩阵的列数，稀疏投影矩阵的列数大于稀疏投影矩阵的行数。
[0150]
矩阵映射单元，用于基于稀疏投影矩阵对标准输入矩阵进行矩阵映射处理，得到输入变量矩阵。
[0151]
赢者通吃单元，用于对输入变量矩阵进行二进制简化处理，得到与响应态数据集对应的检测目标数据。
[0152]
在一些实施例中，赢者通吃单元包括：
[0153]
排序子单元，用于对输入变量矩阵中的元素进行排序，得到排序结果；
[0154]
预留元素确定子单元，用于基于排序结果确定输入变量矩阵中的预留元素和非预留元素；
[0155]
元素处理子单元，用于对预留元素和非预留元素中的至少其一进行二进制赋值，得到所述检测目标数据。
[0156]
在一些实施例中，降噪处理模块包括：
[0157]
去极值加权平均处理单元，用于针对单组检测数据集，基于第一数量个采样数据进行去极值加权平均处理，得到第一数量个采样数据其中一个采样数据对应的降噪采样数据；
[0158]
对应关系确定单元，用于将同一采样时间点不同检测数据集对应的降噪采样数据作为采样时间点对应的降噪采样数据集，得到多个采样时间点各自对应的降噪采样数据集，其中，在同一采样时间点的采样数据集与降噪采样数据集相对应。
[0159]
在一些实施例中，响应态数据识别模块包括：
[0160]
标准差处理单元，用于针对单组检测数据集，基于第二数量个采样数据进行标准
frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
[0172]
本领域普通技术人员可以理解，图6所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备900还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。
[0173]
本技术的实施例还提供一种存储介质，该存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现如上述的仿生果蝇的智能识别方法。
[0174]
上述说明已经充分揭露了本技术的具体实施方式。需要指出的是，熟悉该领域的技术人员对本技术的具体实施方式所做的任何改动均不脱离本技术的权利要求书的范围。相应地，本技术的权利要求的范围也并不仅仅局限于前述具体实施方式。