基于混合特征矩阵的电子鼻信号处理方法
【专利摘要】本发明公开了一种基于混合特征矩阵的电子鼻信号处理方法，首先对原始数据矩阵进行特征提取建立混合特征矩阵，然后采用二进制量子粒子群优化算法对混合特征矩阵进行特征选择，最后送入分类器采用十进制量子粒子群优化算法对混合特征子矩阵和分类器参数进行同步优化，进行模式识别确定出识别率最高的混合特征子矩阵，并选择该混合特征子矩阵所对应的传感器特征作为电子鼻信号的最优特征进行模式识别。其显著效果是：本方案克服了只提取单一特征不能反映整个响应曲线的完整信息的缺陷；降低了运算复杂度，有效地解决了传感器之间的冗余问题；提高了电子鼻伤口感染检测的识别率，可以为医生选择适当的治疗方法提供有益指导。
【专利说明】基于混合特征矩阵的电子鼻信号处理方法
【技术领域】
[0001] 本发明涉及到信号与信息处理技术，具体地说，是一种基于混合特征矩阵的电子 鼻信号处理方法。
【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] 特征提取是电子鼻数据处理的一个重要部分，原始特征的维数极大地影响了电子 鼻后续的分类能力。传统的特征提取方法只提取电子鼻响应信号的时域或频域特征，不能 完全描述的电子鼻数据的完整信息。比如基于原始响应曲线的特征提取法、基于曲线拟合 的特征提取法、基于变换域的特征提取等方法。只提取单一的特征不能反映整个响应曲线 的稳态响应和瞬态响应信息。同时，现有的电子鼻特征提取以后都是直接作为分类器输入 进行模式识别，但是由于传感器阵列包含了冗余信息，有必要对提取的特征进行选择优化。
【发明内容】
[0005] 近年来，优化算法已广泛应用于函数优化、数据挖掘、模式识别等领域。对于电子 鼻检测伤口感染，优化算法将在特征选择、分类参数和特征子集的优化等方面起到巨大作 用。其中，量子粒子群优化算法（QPS0)是一种基于粒子群优化算法（PS0)和量子力学的新 的全局优化方法，并在搜索能力，收敛速度，求解精度，鲁棒性等各方面都有很大的优势。对 于高维混合特征矩阵和一些包含冗余信息的传感器阵列，采用二进制量子粒子群优化算法 (BQPS0)特征选择方法，可以优化气体传感器阵列和降低特征维数。
[0006] 因此，基于现有技术的不足，本发明提供了一种基于混合特征矩阵的电子鼻信号 处理方法，以解决只提取单一特征无法反映整个响应模式的缺陷，并用量子粒子群优化算 法对混合特征矩阵进行特征选择优化，解决传感器之间的冗余问题。
[0007] 为达到上述目的，本发明的具体技术方案如下：
[0008] -种基于混合特征矩阵的电子鼻信号处理方法，按照以下步骤进行：
[0009] 步骤1 :获取η个传感器的m次实验数据，得到原始样本矩阵Μ表示为
【权利要求】
1. 一种基于混合特征矩阵的电子鼻信号处理方法，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，?…，x|)，Q= 1，2，--?!]!，j= 1，2*"，n)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点数据，采样点数目为k; 步骤2 :提取原始样本矩阵M中每次实验每个传感器的k个采样点中的最大响应值，得 到最大值特征矩阵Xniax，表示为
其中，是一个标量，表示第i次实验第j个传感器k个采样点数据中的最大值； 步骤3 :对原始样本矩阵M进行小波变换和傅里叶变换，对于小波变换，分别采用dbl、db2、db3、db4和db5五种不同的小波，并提取两个近似系数作为特征，得到小波变换域特征 矩阵Xdbl、Xdb2、Xdb3、Xdb4、Xdb5 ;对于傅里叶变换，提取傅里叶变换后的直流分量和一阶谐波分 量的系数作为特征，得到傅里叶变换域特征矩阵Xfft ; 步骤4 :将最大值特征矩阵Xmax分别与变换域特征矩阵Xdbl、Xdb2、Xdb3、Xdb4、Xdb5、Xfft进行 组合，得到/、个混合特征矩阵X1 = [XmaxXdbl]，X2 = [XmaxXdb2]，X3 = [XmaxXdb3]，X4 = [Xmax Xdb4]，X5 [乂max ^ 乂6I--^max ? 步骤5 :确定适应度函数f，采用二进制量子粒子群优化算法结合径向基函数神经网 络分类器对混合特征矩阵X1,X2,X3,X4,X5,X6分别进行特征选择，得出适应度函数f取得最 大值时各个混合特征矩阵所对应的加权系数向量W与传感器个数L，其中W= [Co1, ?2，… ，《n]，'表示第j个传感器的加权系数，取值为1或〇, 1表示保留传感器j的特征作为分 类器输入，〇表示不保留； 步骤6 :根据加权系数向量W构建新的混合特征子矩阵X/，X2'，X3'，X4'，X5'，X6'，并作 为径向基函数神经网络分类器的输入进行模式识别，并在识别过程中用十进制量子粒子群 优化算法分别对特征选择以后的六组新的混合特征子矩阵和径向基函数神经网络分类器 的两个参数进行同步优化，确定出识别率最高的混合特征子矩阵，并选择该混合特征子矩 阵所对应的传感器特征作为电子鼻信号的最优特征进行模式识别。
2. 根据权利要求1所述的基于混合特征矩阵的电子鼻信号处理方法，其特征在于：所 述二进制量子粒子群优化算法中的适应度函数f=accuracy+XXL，其中，accuracy表示 某个粒子位置所表示的加权系数向量W对混合特征矩阵进行特征选择以后所得到的二分 类识别率，L表示该粒子位置所表示的加权系数向量W中值为1的元素个数，也就是特征选 择以后保留的传感器个数，A为常数。
3. 根据权利要求2所述的基于混合特征矩阵的电子鼻信号处理方法，其特征在于：常 数X= 〇? 00001。
4. 根据权利要求1所述的基于混合特征矩阵的电子鼻信号处理方法，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。
5. 根据权利要求4所述的基于混合特征矩阵的电子鼻信号处理方法，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铜绿假单胞菌、大肠杆菌和金黄色葡萄球 菌。
6. 根据权利要求1所述的基于混合特征矩阵的电子鼻信号处理方法，其特征在于：步 骤5中利用二进制量子粒子群优化算法结合径向基函数神经网络分类器对混合特征矩阵 进行特征选择时，粒子种群规模设为40,粒子维数为传感器个数n，最大迭代次数为200。
7. 根据权利要求1所述的基于混合特征矩阵的电子鼻信号处理方法，其特征在于：步 骤6中采用十进制量子粒子群优化算法对特征选择以后的混合特征子矩阵和径向基函数 神经网络分类器的两个参数进行同步优化时，种群规模为40,粒子维数为对应的混合特征 子矩阵中保留的传感器个数L+2,最大迭代次数为400。
【文档编号】G06K9/62GK104268575SQ201410521943
【公开日】2015年1月7日 申请日期:2014年9月29日 优先权日:2014年9月29日
【发明者】闫嘉, 段书凯, 王丽丹, 贾鹏飞 申请人:西南大学