[發(fā)明專利]一種基于PSO-ABC-ELM的電子鼻氣體濃度預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202011337154.1
• 申請日: 2020-11-25
• 公開（公告）號: CN112541526A
• 公開（公告）日: 2021-03-23
• 發(fā)明（設(shè)計）人: 王潔;陶洋;梁志芳;劉翔宇;曾柯偉
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G06N3/04;G06N3/08;G01N33/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于PSO-ABC-ELM的電子鼻氣體濃度預(yù)測方法，其特征在于，包括以下步驟：

步驟1：對數(shù)據(jù)集進行預(yù)處理。

步驟2：建立基于極限學(xué)習(xí)機ELM的神經(jīng)網(wǎng)絡(luò)模型。

步驟3：初始化神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；其中采用PSO算法和ABC算法進行嵌入融合共同確定神經(jīng)網(wǎng)絡(luò)模型中輸入層與隱含層權(quán)值和隱含層閾值；

步驟4：采用訓(xùn)練樣本對步驟3中確定參數(shù)后的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練直至滿足訓(xùn)練條件。

步驟5：采用測試集對訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)進行測試。

2.如權(quán)利要求1所述的一種基于PSO-ABC-ELM的電子鼻氣體濃度預(yù)測方法，其特征在于：在步驟1中對數(shù)據(jù)進行預(yù)處理，以達到降低運算量并提高模型氣體濃度預(yù)測精度的目的。首先要對不同性質(zhì)、不同量綱、數(shù)值大小差異明顯的數(shù)據(jù)進行歸一化處理，使數(shù)據(jù)處理后均勻分布于區(qū)間[0,1]，再根據(jù)數(shù)據(jù)的高維特性，對任意不同的維度為D的訓(xùn)練樣本集通過主成分分析(Principal Component Analysis，PCA)進行降維。

3.如權(quán)利要求1所述的一種基于PSO-ABC-ELM的電子鼻氣體濃度預(yù)測方法，其特征在于：在步驟2中ELM神經(jīng)網(wǎng)絡(luò)模型包括輸入層、輸出層、隱藏層，其中輸入層包括6個神經(jīng)元，對應(yīng)作為模型的6個輸入?yún)?shù)，輸入層的神經(jīng)元對應(yīng)的輸入為步驟1經(jīng)過預(yù)處理后的數(shù)據(jù)；輸出層包括一個神經(jīng)元，對應(yīng)的輸出參數(shù)為氣體濃度值。

4.如權(quán)利要求1所述的一種基于PSO-ABC-ELM的電子鼻氣體濃度預(yù)測方法，其特征在于：在步驟3中初始化神經(jīng)網(wǎng)絡(luò)模型參數(shù)，包括初始化產(chǎn)生輸入層與隱含層的權(quán)值和隱含層的閾值、激活函數(shù)g(·)、PSO算法和ABC算法的參數(shù)、控制參數(shù)Limit1、Limit2和pbest_Measure，選擇適應(yīng)度函數(shù)。

5.如權(quán)利要求1或4所述的一種基于PSO-ABC-ELM的電子鼻氣體濃度預(yù)測方法，其特征在于：采用PSO算法和ABC算法進行嵌入融合確定輸入層與隱含層的權(quán)值和隱含層的閾值步驟包括：采用PSO模型作為主框架，結(jié)合ABC算法中的跟隨蜂和偵察蜂階段來提高粒子群算法的全局搜索能力。在該混合算法中，生成一個初始解，并計算每個個體的pbest。利用控制參數(shù)pbest_Measure，Limit1和Limit2，確定執(zhí)行算法的哪個階段。pbest_Measure用于通過記錄pbest在迭代期間是否更新來管理種群中的個體，通過比較pbest_Measure的值與Limit1和Limit2的大小，來判斷計算粒子新位置所采用的算法模型。如果pbest_Measure(i)≤Limit1，采用PSO算法模型得到粒子新位置，如果Limit1＜pbest_Measure(i)≤Limit2，采用改進后的ABC算法模型的雇傭蜂階段，否則，采用改進后的ABC算法模型的偵察蜂階段。隨后更新粒子的pbest與gbest，如果更新了pbest的值，則pbest_Measure的值設(shè)置為0，否則pbest_Measure將增加1。重復(fù)迭代，通過不斷更新粒子的位置，直至達到最小誤差或者最大迭代次數(shù)終止，得到算法的最優(yōu)解，將最優(yōu)解作為ELM神經(jīng)網(wǎng)絡(luò)模型的輸入層與隱含層的權(quán)值和隱含層的閾值。

6.如權(quán)利要求1或4所述的一種基于PSO-ABC-ELM的電子鼻氣體濃度預(yù)測方法，其特征在于：在步驟4中采用訓(xùn)練集對優(yōu)化后的ELM神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練直至滿足結(jié)束條件，完成神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。