[發明專利]基于多核Fisher判別分析的電子鼻特征選擇優化方法

有效

• 申請號: 201410789417.0
• 申請日: 2014-12-17
• 公開（公告）號: CN104504407B
• 公開（公告）日: 2018-02-13
• 發明（設計）人: 閆嘉;段書凱;王麗丹;賈鵬飛
• 申請（專利權）人: 西南大學
• 主分類號: G06K9/64
• 分類號: G06K9/64;G06K9/46
• 代理公司: 重慶為信知識產權代理事務所(普通合伙)50216
• 代理人: 余錦曦

技術領域

本發明涉及到電子鼻信號處理技術領域，具體地說，是一種基于多核Fisher判別分析的電子鼻特征選擇優化方法。

背景技術

電子鼻是利用氣體傳感器陣列的響應圖譜來識別氣味的電子系統，它可以在幾小時、幾天甚至數月的時間內連續地、實時地監測特定位置的氣味狀況。

醫用電子鼻是一種特殊的電子鼻系統，它可以通過檢測患者呼出的氣體或傷口頂部空間的氣體，實現疾病或傷口感染的診斷。具有響應時間短，檢測速度快，成本低，操作簡單方便，且具有人工智能的優點，因此獲得了廣泛的關注和應用。

電子鼻特征提取以后都需要作為分類器輸入進行模式識別，但是由于傳感器陣列包含了冗余信息，有必要對提取的特征進行選擇優化。

目前，針對電子鼻信號特征選擇優化方法主要有兩類：1、基于主成分分析或者Fisher判別分析等線性處理方法對電子鼻信號特征進行線性變換，實現降維，或者使用核方法與一些線性處理方式結合實現非線性降維，如核主成分分析、核Fisher判別分析；2、利用智能優化算法如遺傳算法、粒子群算法等對整個特征進行加權，實現降維或者重要性系數加權。

然而，上述電子鼻信號特征選擇優化方法存在以下不足之處：1、主成分分析或者Fisher判別分析等線性處理方法對非線性問題效果不佳，即使是用核方法可以解決非線性問題也是用單一核函數，沒有涉及復合核函數，在高維投影以后數據區分度不佳；2、智能優化算法具有隨機性，理論不嚴密，同時結果受太多因素影響，重復性較差。

發明內容

針對現有技術的不足，本發明的目的是提供一種基于多核Fisher判別分析對電子鼻信號處理方法，采用該方法進行特征選擇優化，能夠解決單一核函數方法實現高維投影后數據區分度不佳的問題，以及解決傳感器之間的冗余問題。

為達到上述目的，本發明表述一種基于多核Fisher判別分析的電子鼻特征選擇優化方法，其關鍵在于按照以下步驟進行：

步驟1：步驟1：對電子鼻信號樣本進行特征提取得到樣本特征矩陣X，并表示為X＝[x₁,x₂,…,x_N]，其中x_j表示第j個樣本，j＝1～N，N為樣本總數，N個樣本分為C類，第i類的樣本數為N_i，i＝1～C，則有

步驟2：初始化參數σ₁與σ₂，并根據參數σ₁和σ₂分別構建一個基于所述樣本特征矩陣X的基本核函數k₁(x_m,x_n)和k₂(x_m,x_n)，m＝1～N,n＝1～N，然后分別計算基本核矩陣

其中K₁和K₂均為N×N的矩陣；

步驟3：初始化參數p，其中p為(0，1)之間的常數，按照K＝pK₁+(1-p)K₂計算出高維特征空間內的核矩陣K；

步驟4：求解廣義特征方程(KBK)α＝λ(KK)α，計算特征值λ對應的特征向量α，其中，是元素均為的N_i×N_i矩陣；

步驟5：根據獲得的特征向量α按照A＝[α₁,α₂,...,α_C-1]構建投影矩陣A，則樣本特征矩陣X在高維特征空間內向特征向量構成的子空間的投影為Y＝A^TK；

步驟6：將樣本特征矩陣X的投影Y＝A^TK作為電子鼻信號特征進行模式識別，并在識別過程中用量子粒子群優化算法分別對參數p、σ₁、σ₂以及分類器參數進行同步優化，確定出最高分類識別率對應的核函數及分類器參數；

步驟7：輸入一個新的電子鼻數據z，并基于該核函數計算新樣本z在高維特征空間中的投影然后將投影g作為分類器的輸入進行模式識別。

本發明采用復合核Fisher判別分析對電子鼻信號進行特征選擇優化，解決單一核函數方法實現高維投影以后數據區分度不佳的問題，最終解決了傳感器之間的冗余，實現了更好的分類；采用量子粒子群優化算法進行參數優化，能夠優化傳感器陣列和減少數據維數，從而降低運算難度，減少運算量。