基于改进型量子粒子群算法的电子鼻参数同步优化算法
【技术领域】
[0001] 本发明涉及到信号与信息处理技术领域，具体地说，是一种基于改进型量子粒子 群算法的电子鼻参数同步优化算法。
【背景技术】
[0002] 电子鼻是利用气体传感器阵列的响应图谱来识别气味的电子系统，它可以在几小 时、几天甚至数月的时间内连续地、实时地监测特定位置的气味状况。
[0003] 医用电子鼻是一种特殊的电子鼻系统，它可以通过检测患者呼出的气体或伤口顶 部空间的气体，实现疾病或伤口感染的诊断。具有响应时间短，检测速度快，成本低，操作简 单方便，且具有人工智能的优点，因此获得了广泛的关注和应用。
[0004] 电子鼻的智能算法系统包括特征提取、数据降维以及模式识别等环节，各环节均 有多个参数需要设置，参数值的设定会直接影响各环节的性能，从而对整个电子鼻系统的 判别结果产生很大影响，因此在电子鼻的训练过程中，必须采用优化算法对其智能算法系 统的参数进行优化。
[0005] 而量子粒子群算法（quantum-behaved particle swarm optimization，QPSO)是 一种结合量子粒子学和粒子群算法的新型优化算法，在收敛速度、寻找最优值方面的性能 较传统的优化算法都有很大提升，已被成功应用于组合优化、工程控制以及图形与图像处 理等领域。但标准量子粒子群仍存在如下问题：实际应用量子粒子群寻优的过程中，标准量 子粒子群无法保证在有限的迭代次数内，每次运行都找到全局最优；在迭代的初期，由于需 要粒子分布具有遍历性时，所有的粒子过早地朝某一位置集中，在迭代的后期，原本已经非 常接近全局最优位置的粒子会在下次迭代时跳到一个远离全局最优的位置。
【发明内容】
[0006] 针对现有技术的不足，本发明的目的是提供一种基于改进型量子粒子群算法的电 子鼻参数同步优化算法，该方法能够增加粒子前期遍历性和后期局部寻优能力，且能够提 高量子粒子群寻找全局最优值的能力，从而提高电子鼻信号的识别率。
[0007] 其具体方案如下：
[0008] 一种基于改进型量子粒子群算法的电子鼻参数同步优化算法，其关键在于按照以 下步骤进行：
[0009] 步骤1 :获取n个传感器的m次实验数据，得到原始样本矩阵M表示为
【主权项】
1. 一种基于改进型量子粒子群算法的电子鼻参数同步优化算法，其特征在于按照以下 步骤进行： 步骤1 :获取n个传感器的m次实验数据，得到原始样本矩阵M表示为
其中，
是一个向量，表示第i次实验第 j个传感器随采样时间得到的采样数据，采样数目为k; 步骤2 :对原始样本矩阵M进行小波变换，得到S个感兴趣的小波系数，并按照
对S个小波系数进行加权处理，其中，表示第j个传感器新的小波系数 向量，wls为第j个传感器的第s个小波系数，a/为第s个小波系数的权重系数，s= 1?
步骤3 :确定适应度函数f，建立基于权重系数\以及分类器参数的量子粒子群，设定 搜索空间维数为D，种群规模为N，最大迭代次数为T，当前迭代次数t，并初始化种群中每个 粒子的当前位置XJO)和每个粒子的个体最优位置pbesi^iXjO)，c为粒子序号，c= 1? N； 步骤4 :按照
I计算粒子间的平均最 佳位置mbest，其中，pbest。^为粒子c第d维的个体最优位置，d= 1?D; 步骤5 :根据目标函数f计算当前迭代次数t下每个粒子的适应度值，并将其与该粒子 前次迭代的个体最好位置pbestjt-l)的适应度值比较，若f(Xjt)) >f(pbestjt-l))，贝1J 更新粒子的个体最优位置pbest。(t) =X。(t)，否则不更新； 步骤6 :计算当前迭代次数t下每个粒子的个体最好位置pbestjt)的适应度值，并 将其与前次迭代的群体最优位置gbes^a-l)的适应度值进行比较，若f^pbes^a)) > f(gbest。(t-1))，贝更新粒子的群体最优位置gbest。(t) =pbest。(t)，否则不更新； 步骤7 :根据
计算局部吸引子PcU，其中 0 ?U(0, 1); 步骤8 :按照公式Xe，d=pe，d±a|mbest-Xe，d|Xln(lAi)更新每个粒子的位置X。，其中，Xc，d为粒子c位于第d维的值，a为搜索扩张系数，a= 〇. 5+0. 5X(T_t)/T，u?U(0, 1); 步骤9 :令迭代次数t=t+1，并返回步骤4循环运算，直到满足迭代终止条件，得出适 应度函数f取得最大值时加权系数向量W与分类器参数； 步骤10 :根据加权系数向量W获得电子鼻信号的特征矩阵X，并根据步骤9获得的分类 器参数进行模式识别。
2. 根据权利要求1所述的基于改进型量子粒子群算法的电子鼻参数同步优化算法，其 特征在于：所述小波系数的个数S为8个。
3. 根据权利要求1所述的基于改进型量子粒子群算法的电子鼻参数同步优化算法，其 特征在于：所述传感器的个数n取20,所述实验次数m取80,且80次实验中包括一种未感 染的气体实验和三种病菌感染的气体实验，每种气体实验各20次。
4. 根据权利要求3所述的基于改进型量子粒子群算法的电子鼻参数同步优化算法，其 特征在于：所述三种病菌感染的气体实验所选择的病菌分别为绿脓杆菌、大肠杆菌和金黄 葡萄球菌。
5. 根据权利要求1所述的基于改进型量子粒子群算法的电子鼻参数同步优化算法，其 特征在于：种群规模N为80,粒子维数为传感器个数n，最大迭代次数T为3000。
6. 根据权利要求1所述的基于改进型量子粒子群算法的电子鼻参数同步优化算法，其 特征在于：所述分类器采用支持向量机，该分类器的参数分别为径向基核函数的尺度因子 与软间隔支持向量机的惩罚因子。
【专利摘要】本发明公开了一种基于改进型量子粒子群算法的电子鼻参数同步优化算法，首先将获取的原始电子鼻数据进行小波变换，然后对小波系数进行加权处理，之后采用基于新型局部吸引子计算方式的一种改进型量子粒子群算法，找到电子鼻模式识别率最到时对应的加权系数以及分类器参数，从而获得电子鼻信号的特征矩阵，然后将所得特征矩阵输入分类器进行模式识别。其有益效果是：增加了粒子前期遍历性和后期局部寻优能力，提高了量子粒子群寻找全局最优值的能力，特别针对伤口感染检测而言，提高了电子鼻的识别率，从而为医生选择适当的治疗方法，促进伤口快速恢复提供了有益指导。
【IPC分类】G06F17-16
【公开号】CN104572589
【申请号】CN201510014051
【发明人】贾鹏飞, 闫嘉, 段书凯, 王丽丹
【申请人】西南大学
【公开日】2015年4月29日
【申请日】2015年1月12日