视频和音频早已实现了数字化和网络传输,人类的视觉和听觉在空间和时间上得到了拓展,然而在嗅觉方面,气味信息的数字化研究还处于初步阶段。愉悦度作为气味信息的主要代表,它的数字化实现对嗅觉研究具有重要意义。电子鼻是仿生系统,是模仿生物嗅觉原理和结构而来,使用电子鼻进行气味愉悦度的研究符合嗅觉机制。使用电子鼻进行气味愉悦度评估的传统算法通常为人工特征提取器和独立的分类器的结合,其中人工特征提取器是保证评估效果精确的关键。但是,它的设计依赖于专业知识和经验,通用性较差且工作量大。本文提出了两种基于电子鼻的愉悦度评估方法,有效避免了由于人工提取特征带来的问题。(1)基于CNN算法的气味愉悦度评估方法。根据电子鼻对气味的响应值特征,提出了非均匀采样算法进行降维,合理地去除了冗余信息,有效地避免了CNN训练过程中出现的过拟合问题。CNN具有“自动”学习特征的性质,且简单的卷积神经结构就能达到很好的效果。实验结果表明,在愉悦程度上,CNN模型与志愿者之间的相关性超过90%。在绝对愉悦和绝对不愉悦气味的分类中,CNN模型的区分率达到99%。(2)基于HOG+SVM算法的气味愉悦度评估方法。不考虑传感器响应值的大小,将传感器响应值转化为响应曲线图进行处理,根据气味响应曲线图的特点,使用HOG+SVM算法,可以很好地找准图像中曲线的位置和轮廓。而且,SVM算法在样本数量较少、数据维度比样本数多的时候也可以获得很好的效果。实验结果表明,在愉悦程度上,HOG+SVM模型与志愿者之间的相关性超过94%。并且在区分绝对愉快和绝对不愉快的气味时,准确率也达到了99%。为了比较CNN模型和HOG+SVM模型对气味愉悦度的评估效果,本文从构建模型的复杂度,愉悦度评估结果的准确性和愉悦度分类结果的准确性三个方面进行了对比。(1)在构建和训练模型过程中,HOG+SVM模型的实现较易。(2)通过对比两种模型分别在混合精油集和新型气味集上的实验结果,可以发现两个模型在不同测试集中各有优势,结果相差不多,但总体来说,HOG+SVM稍优于CNN模型。(3)两个模型的分类结果同样优秀。实验表明,CNN算法和HOG+SVM算法均具有较高的准确率,是评估气味愉悦度的有效方法。