Computer Science and Application
Vol.2 No.2(2012), Article ID:732,3 pages DOI:10.4236/CSA.2012.22011
A Recognition Model of Hand Odor Based on BP Artificial Network*
Nanjing Police Dog Research Institute of Public Security Ministry, Nanjing
Email: {longchengsheng, #jqswdh}@163.com
Received: Jan. 18th, 2012; revised: Feb. 25th, 2012; accepted: Mar. 9th, 2012
ABSTRACT：
A recognition model has been developed based on Back Propagation Artificial Network and its net parameters were optimized. Hand odors were sampled, concentrated and then analyzed with Chromatography-Mass Spectrometer, resulting in hand odor profiles whose feature variables (47 organic compounds) were extracted and reduced by means of stepwise discriminant analysis. In sequence, a BP network, in which the structure was 47 × 10 × 1, the transfer functions for hidden layer and output layer tansig and logsig, respectively, and the training function trainrp, was proposed. The experiment demonstrated that the network was able to specify whether an odor sample had been from man hand or woman hand.
Keywords: Hand Odor; Pattern Recognition; BP Network
基于BP网络的手部气味识别*
龙成生，王 辛，吴德华#，张汇东，宋珍华
南京警犬研究所，南京
Email: {longchengsheng, #jqswdh}@163.com
摘 要：
本文建立了一个基于BP人工神经网络的手部气味识别模型，并对网络参数进行了选择优化。人体手部气味经样品采集、浓缩后，用气相色谱–质谱联用仪对其进行分析获得手部气味轮廓图，并利用逐步判别分析法提取了手部气味轮廓图的47个特征变量(有机化合物)。在此基础上，构建了一个47 × 10 × 1的BP网络，其隐含层和输出层的传递函数分别为tansig和logsig，训练函数为trainrp。该网络能正确区分不同性别的手部气味。
收稿日期：2012年1月18日；修回日期：2012年2月25日；录用日期：2012年3月9日
关键词：手部气味；模式识别；BP网络
1. 引言
人体气味同指纹一样具有个体特征性，能用于个体识别[1,2]。同时，人体气味在人的社会交际中起着巨大作用[3]。目前，大部分研究主要是针对人体气味的化学组成、产生机理和可能的生物功能进行的[2,4]。让人遗憾的是，人体气味中有生物功能的化学物质至今仍不清楚。然而，训练好的犬能够区别不同人的气味[5]。警犬气味鉴别是警犬技术的重要组成部分，能快速准确锁定犯罪嫌疑人。人体气味的个体特征性是警犬气味鉴别的基础，手部气味是警犬气味鉴别特别关注的一类人体气味[6,7]。
BP网络是人工神经网络中应用最广泛的一种神经网络[8]。在人工神经网络的实际应用，80%~90%的人工神经网络模型都是采用BP网络或它的变化形式。如今，BP网络在模式识别[9]、图像处理及分析[10]、控制[11]等领域均有广泛的应用。
为了探索人体手部气味是否具有区分性别的功能，本文利用气相色谱–质谱联用技术(ChromatographyMass Spectrometer, GC-MS)对手部气味进行了定性定量分析，以图谱数据为基础，建立了基于BP神经网络的手部气味识别模型。
2. 手部气味数字化及特征向量提取
手部气味样品利用气相色谱质谱联用技术进行分析[12]。样品分析完成后，对总离子流图上的色谱峰进行识别和积分(这由分析仪器所配的工作站Agilent Chemstation Software 增强版(Windows XP)完成)，提取积分结果中的保留时间及其对应的峰面积，并将提取的信息导入Excel表。导入Excel表后的数据形式为：数据按保留时间升序排列，每个样品占两列，第一列为保留时间，第二列为峰面积，同一行的峰具有相等的保留时间(差值小于0.05)；如果样品中上不存在某一保留时间的峰，则将其峰面积设为0。数据整理完成后，将各峰的面积与该样品中所有峰面积的总和相除，得到各个峰的相对丰度(最高丰度设为1000)，后续的计算均基于相对丰度进行。
经过上述数据预处理后，变量集由135个色谱峰组成，即变量集含有135个变量。之后，我们利用逐步差别分析法[13]提取了特征变量，特征变量集由47个色谱峰组成。图1为手部气味数字化及特征向量提取过程的流程图。
3. BP网络的构建及优化
本研究组建的网络为一单隐含层BP网络。此网络结构为47 × H × 1，即输入层节点数为47(特征变量的数目)、隐含层节点数为H、输出层节点数为1，如图2所示。
网络建立后，我们优化了隐含层节点数和各层之间的传递函数，比较了不同训练函数对该网络的影响，网络参数取值范围如表1所示。同时，我们也对该网络的初始权值和初始阈值进行了设定。特征变量协方差矩阵的前H行(H为隐含层的节点数)为输入层与隐含层之间权值矩阵IW{1,1}的初始值，其主对角线为隐含层与输出层之间权值矩阵LW{2,1}的初始值；初始阈值均设为0。
训练集由40个手部气味样品组成，男女各20个；
Figure 1. Odor digitalization and feature variable extraction
图1. 手部气味数字化及特征向量提取过程示意图
Figure 2. BP network structure
图2. BP网络结构
Table 1. Network parameters
表1. BP网络设计参数取值范围
测试集由9个手部气味样品组成，其中男性占4个。采用批序模式(batch model)对网络进行训练。所有实验均基于Matlab (Version 7.0.0.19920(R14))神经网络工具箱进行。
此BP网络的主要Matlab的代码如下：
1) 参数设置
P(47 × 40)为训练集，T(1 × 40)为目标向量(0代表男性，1代表女性)，f_com为特征变量的协方差矩阵(47 × 47)，test_P(47 × 9)为测试集，TF_1和TF_2分别为隐含层和输出层的传递函数，TrF为训练函数，隐含层结点数NodeNum = H，输出结点数OutNum = 1，最大训练次数TrainEpochs = 10000。
2) BP网络的生成
net=newff(minmax(P),[NodeNum, OutNum],… {TF_1,TF_2 },TrF);
3) 初始权值和阈值设定
s_com= f_com(1:NodeNum, :);
com_diag = diag(s_com);
net.IW{1,1} = s_com;
net.LW{2,1}= com_diag(find(com_diag))';
net.b{1} = zeros(NodeNum,1);
net.b{2} = 0;
4) 网络的训练及测试
net.trainParam.goal = 1e–20;
net.trainParam.min_grad = 1e–20;
net.trainParam.epochs = TrainEpochs;
[net,tr] = train(net, P, T);
test_result = sim(net, test_P).
4. 结果与讨论
4.1. 优化结果与讨论
1) 确定隐含层节点数。在讨论隐含层节点数对网络性能的影响过程中，隐含层的传递函数设为“logsig”，输出层的传递函数也为“purelin”，训练函数为“trainscg”，网络性能函数为“mse”。实验结果如表2所示。从表2中数据可以看出，隐含层节点NodeNum = 10时网络性能最好。
2) 选择传递函数。在考察传递函数对网络性能的影响时，隐含层的节点数选为10，训练函数为“trainscg”。一般情况下，第一层的传递函数为非线性函数。因此我们将tansig，logsig，purelin函数进行分组比较，组合情况如表3所示。表4为网络优化结果，数据表明隐含层和输出层的传递函数分别为tansig和logsig时，网络性能最好。
3) 选择训练函数。在隐含层节点数为10，隐含层和输出层的传递函数分别为tansig和logsig条件下，我们考察了三个训练函数trainlm，trainscg，trainrp对网络性能的影响。实验结果如图3所示。当误差阈值设为10–20时，用trainlm函数训练网络，其速度要快于trainscg函数，但比trainrp函数速度慢。当误差阈值设为10–50时，trainlm和trainscg两个函数均无法达到目标，但是trainrp仍具有非常好的性能。
Table 2. Results of optimization with various hidden nodes
表2. 不同隐含层节点数的优化结果
Table 3. Transfer function groups
表3. 不同传递函数的组合情况
Table 4. Results of optimization with different transfer functions
表4. 不同传递函数优化结果
Figure 3. Optimation results of different training functions
图3. 不同训练函数优化结果
从图3可以看出，trainlm和trainscg曲线的误差最后趋向于一个极限值，无法达到设定的误差阈值。说明这两个训练函数在此应用中有一定限制，无法达到应用要求。
综上所述，优化后的网络参数为：隐含层节点数H = 10，隐含层传递函数为tansig，输出层传递函数为logsig，训练函数为trainrp。
4.2. 训练及测试结果
利用样本数为40的训练集对4.1中优化好的BP网络进行了训练，并用另外9个样品对训练好的网络进行了测试，结果如表5所示。表中第i行第j列的数值表示类别i的样品被归类为类别j的百分数。例如，第1行第1列的数值100表示训练集中女性样品被归类为女性样品的百分比为100%，即正确率为100%。
Table 5. Results of the training and test for BP network
表5. BP网络训练及测试结果
5. 结论
人体手部气味经样品采集、仪器分析、特征变量提取后，被转化为可视的手部气味轮廓图。本文利用BP人工神经网络实现了人体气味轮廓图的识别，即能够区分不同性别的手部气味轮廓图，此网络对训练集和测试的识别正确率为100%。在实际应用过程中，此方法可与气味鉴别犬相结合，缩小目标气味的范围，达到快速破案的目的。当然，为了更好地融合仪器分析技术与警犬技术，我们还有大量的工作需要做。例如，开发适合分析人体手部气味的仪器分析技术；进一步探索人体手部气味的数字化方法等等。
参考文献 (References)
[1] D. J. Penn, E. Oberzaucher, K. Grammer, et al. Individual and gender fingerprints in human body odour. Journal of the Royal Society Interface, 2007, 4(13): 331-340.
[2] A. P. Kelly, D. P. Wood. Handbook of hydrocarbon and lipid microbiology. Berlin: Springer, 2010: 3204-3213.
[3] A. Weller. Human pheromones. Communication through body odour. Nature, 1998, 392(6672): 126-127.
[4] G. Preti, J. J. Leyden. Genetic influences on human body odor: From genes to the axillae. Journal of Investigative Dermatology, 2010, 130(2): 344-346.
[5] 吴德华, 王辛. 警犬鉴别人体气味的发展历程[J]. 警犬, 2004, 4: 50-51.
[6] A. M. Curran, P. A. Prada and K. G. Furton. The differentiation of the volatile organic signatures of individuals through SPMEGC/MS of characteristic human scent compounds. Journal of Forensic Sciences, 2010, 55(1): 50-57.
[7] A. M. Curran, C. F. Ramirez, A. A. Schoon, et al. The frequency of occurrence and discriminatory power of compounds found in human scent across a population determined by SPME-GC/MS. Journal of Chromatography B, 2007, 846(1-2): 86-97.
[8] 傅荟璇, 赵红. MATLAB神经网络应用设计[M]. 北京: 机械工业出版社, 2010: 83-97.
[9] 陈学峰, 赵质良, 王金光. 基于BP神经网络的齿轮箱故障模式识别[J]. 装备制造技术, 2010, 10: 16, 27.
[10] Y. D. Zhang, Z. C. Dong, L. N. Wu, et al. A hybrid method for MRI brain image classification. Expert Systems with Applications, 2011, 38(8): 10049-10053.
[11] 刘召彤, 李艳萍, 杜光月. 基于BP网络的人体穴位分布模型设计[J]. 信息技术与信息化, 2011, 1: 35-37.
[12] M. Kusano, E. Mendez and K. G. Furton. Development of headspace SPME method for analysis of volatile organic compounds present in human biological specimens. Analytical and Bioanalytical Chemistry, 2011, 400(7): 1817-1826.
[13] 龙成生, 王辛, 吴德华等. 基于逐步判别分析的血迹气味识别[J]. 数据挖掘, 2012, 2: 1-5.
NOTES
*资助信息：公安部应用创新项目(2011YYCXNJJQ164)。
#通信作者。