应曲线所包围的面积作为特征分量；
[0027] S2 :以预设的时间长度为单位，将窗函数沿时间轴依次向左或/和向右移动，并将 获取的多个特征分量构建成特征向量；
[0028] S3 :将每个传感器的特征向量设定一个权重系数，引入了量子粒子群算法，将多个 传感器的特征向量进行加权处理时的权重系数进行优化；
[0029] S4 :利用支持向量机算法对加权后的特征向量进行智能识别。
[0030] 上述方法中的窗函数类似于一个滤波器来提取原始响应曲线的时域信息，而不是 频域信息。移动窗函数捕捉特征提取方法解决了变化域特征丢失时域信息，不能反映整个 响应曲线稳态响应和瞬态响应的问题。同时利用量子粒子群对传感器特征向量的权重系数 进行优化，利用支持向量机算法对加权后的特征向量进行智能识别，从而使得识别率大大 提尚。
[0031] 进一步地，所述步骤S3的具体方法为，首先对每个传感器i给定一个加权系数 %，11个传感器的n个加权系数构成一个加权向量W= [%，《2，…《n]，其中％为任意正 数，然后将加权处理以后的传感器特征输入分类器识别，即用量子粒子群算法寻找每个传 感器的《i，从而寻找使得量子粒子群算法的适应度函数达到最大时候的W，此处的适应度 函数为分类器识别率。
[0032] 作为一种优选的技术方案，步骤S1中初始预定位置为电子鼻响应曲线的峰值处。 因为响应曲线峰值处包含有较多的关键信息。如图2所示，为窗函数放置在电子鼻响应曲 线的峰值处的捕捉示意图。
[0033] 作为一种优选的技术方案，步骤S2中预设的时间长度为窗函数的窗口宽度，如图 3所示。
[0034] 作为一种优选的技术方案，步骤S4中支持向量机中的核参数和惩罚参数通过量 子粒子群进行优化。
[0035] 窗函数可以是任意点数宽度的窗，并可以放置在响应曲线的任意位置，进一步地， 窗函数可以是三角窗、布莱克曼窗、哈明窗、汉宁窗、矩形窗或高斯窗。通过改变窗函数类 型、宽度、放置位置，电子鼻的识别效果不同。克服了仅仅利用电子鼻响应信号本身提取特 征不能反映电子鼻阵列信号对其他信号的反应情况的技术问题。
[0036] 为了证明移动窗函数捕捉法的高效性，我们将移动窗函数捕捉法与其他特征提取 并结合量子粒子群优化和支持向量机分类器的方法进行比较，比如峰值、上升斜率、下降斜 率、傅立叶变换、小波变换和窗函数捕捉。从表1中可以看出，移动窗函数捕捉法的识别效 果要优于其他特征提取的方法，其中峰值和上升时间实现识别率是87. 5%，下降时间取得 识别率是85. 5%，傅里叶变换和小波变换识别率是90. 0%，而窗函数捕捉和移动窗函数捕 捉的识别率分别为95. 0%和97. 5%。
[0037] 表1不同特征提取方法识别率对比表
[0038]
【主权项】
1. 一种基于移动窗函数的电子鼻特征提取方法，其特征在于，包括以下步骤： 51 :选定一个窗函数并将其放置在电子鼻响应曲线的初始预定位置上，以窗函数和电 子鼻响应曲线所包围的面积作为特征分量； 52 :以预设的时间长度为单位，将窗函数沿时间轴依次向左或/和向右移动，并将获取 的多个特征分量构建成特征向量； 53 :将每个传感器的特征向量设定一个权重系数，引入了量子粒子群算法，将多个传感 器的特征向量进行加权处理时的权重系数进行优化； 54 :利用支持向量机算法对加权后的特征向量进行智能识别。
2. 根据权利要求1所述的基于移动窗函数的电子鼻特征提取方法，其特征在于，所述 步骤S3的具体方法为，首先对每个传感器i给定一个加权系数《pn个传感器的n个加权 系数构成一个加权向量W= [O1, ?2，…《n]，其中Oi为任意正数，然后将加权处理以后的 传感器特征输入分类器识别，即用量子粒子群算法寻找每个传感器的Wi，从而寻找使得量 子粒子群算法的适应度函数达到最大时候的W，此处的适应度函数为分类器识别率。
3. 根据权利要求1所述的基于移动窗函数的电子鼻特征提取方法，其特征在于，步骤 Sl中初始预定位置为电子鼻响应曲线的峰值处。
4. 根据权利要求1所述的基于移动窗函数的电子鼻特征提取方法，其特征在于，步骤 S2中预设的时间长度为窗函数的窗口宽度。
5. 根据权利要求1所述的基于移动窗函数的电子鼻特征提取方法，其特征在于，步骤 S4中支持向量机中的核参数和惩罚参数通过量子粒子群进行优化。
6. 根据权利要求1所述的基于移动窗函数的电子鼻特征提取方法，其特征在于，所述 窗函数为三角窗、布莱克曼窗、哈明窗、汉宁窗、矩形窗或高斯窗。
【专利摘要】本发明提供了一种基于移动窗函数的电子鼻特征提取方法，将窗函数放置在电子鼻响应曲线初始预定位置上，以窗函数和电子鼻响应曲线所包围的面积作为特征分量；沿时间轴移动窗函数，获取多个特征分量构建成的特征向量；将每个传感器的特征向量设定一个权重系数，引入了量子粒子群算法，将多个传感器的特征向量进行加权处理时的权重系数进行优化；利用支持向量机算法对加权后的特征向量进行智能识别。本方法解决了变化域特征丢失时域信息，不能反映整个响应曲线稳态响应和瞬态响应的技术问题，并利用电子鼻阵列信号对不同窗函数间的反应来区分不同的电子鼻信号，同时引入量子粒子群算法和支持向量机算法提高了电子鼻的识别率，识别效果好。
【IPC分类】G01N33-00
【公开号】CN104820074
【申请号】CN201510252261
【发明人】闫嘉, 郭秀珍, 贾鹏飞, 段书凯, 王丽丹, 彭超, 张松霖
【申请人】西南大学
【公开日】2015年8月5日
【申请日】2015年5月18日