本发明涉及信息技术领域，尤其是一种对厨房危险气体进行选择性识别的分析算法。
背景技术：
厨房是使用明火进行作业的场所，使用燃料一般有液化石油气、煤气、天然气、炭等，在操作和使用过程中，若不能按章操作，很容易产生泄漏、燃烧、爆炸以及雀气中毒等事故，这是引发火灾事故的一个方面。目前对厨房内各种气体的检测仪表选用传感器阵列和适当的识别算法，用于检测、分析和鉴别各种其他，气体识别的传统方法往往只着眼于局部，如根据气体样本的信号波形设计各种手工特征或者由各种信号处理方法提取特征，然后简单地输入svm、knn等分类算法中进行识别；又或者只使用简单的特征，而在分类算法上进行改进。
技术实现要素：
本发明提供一种对厨房危险气体进行选择性识别的分析算法，提高识别准确率，节省预测过程的计算成本，具体包括以下步骤：
步骤1、交叉检验，进行参数寻优；
步骤2、使用离散小波变换结合主成份分析提取特征；
步骤3、保存特征矩阵和投影矩阵；
步骤4、由基于马氏距离的knn进行分类计算并保持样本的协方差矩阵。
作为优选，所述步骤1交叉检验具体步骤为：
步骤11、将训练样本进行分组，分组的原则是保证每一个组内都尽量包含所有类别的气体，图3以3-折交叉验证为例，说明了分组的方法；
步骤12、对于每一个分组，都使用其他分组作为训练样本；
步骤13、对当前这个分组使用knn进行预测，得到整个样本上的分类准确率；
步骤14、然后设定参数p和k的上下界和步进，进行网格遍历，比较每一个参数对得到的分类准确率，将分类准确率最高的参数对作为预测未知样本的最优参数。
作为优选，所述步骤2中特征提取具体过程是：
步骤21、对于每个样本，对单独的每个信号波形进行离散小波变换，即将每一个传感器的响应序列截取相同的长度；
步骤22、固定小波基，对这些序列都施行同样的变换；
步骤23、按原来的顺序将这一系列小波系数组合成新的样本，所有的样本经过这样的处理即组成一个样本矩阵；
步骤24、对这个小波系数矩阵施行pca变换，得到最终的特征矩阵。
作为优选，所述步骤4中使用knn来进行分类，使用马氏距离作为气体样本的相似度衡量。
本发明提供的一种对厨房危险气体进行选择性识别的分析算法，其有益效果在于：分类的过程中借鉴了交叉检验，在识别算法中寻找最优的参数对，以提高识别准确率。由于参数的取值范围可能很大，基于效率的考虑，在使用交叉检验进行参数寻优后，用得到的最优参数p再次对原始输入进行pca变换，然后保存特征矩阵和投影矩阵。同时还保存马氏距离计算所需要的每个类别样本的协方差矩阵，从而节省预测过程的计算成本。
附图说明
图1是本发明对厨房危险气体进行选择性识别的分析算法的流程图；
图2是交叉检验具体的流程图；
图3是3-折交叉验证示意图；
图4是特征提取的流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，本实施例提出的一种对厨房危险气体进行选择性识别的分析算法，主要包括以下步骤：
步骤1、交叉检验，进行参数寻优；
步骤2、使用离散小波变换结合主成份分析提取特征；
步骤3、保存特征矩阵和投影矩阵；
步骤4、由基于马氏距离的knn进行分类计算并保持样本的协方差矩阵。
本方法设定主元个数p以及knn(k-nearestneighboralgorithm，最邻近结点算法)的k作为参数，然后通过交叉检验来进行优化。这样可以避免单个参数选择不当对分类结果产生的消极影响。本方法在进行pca(principlecomponentanalysis，主成分分析)变换不设定能量阈值，而是直接将选取的主元个数作为一个参数。knn中的参数k是一个非常关键的参数，非常有必要对训练样本进行交叉检验，来寻找最优的k的取值。如图2所示，步骤1交叉检验具体方法为：
步骤11、将训练样本进行分组，分组的原则是保证每一个组内都尽量包含所有类别的气体，图3以3-折交叉验证为例，说明了分组的方法；
步骤12、对于每一个分组，都使用其他分组作为训练样本；
步骤13、对当前这个分组使用knn进行预测，得到整个样本上的分类准确率；
步骤14、然后设定参数p和k的上下界和步进，进行网格遍历，比较每一个参数对得到的分类准确率，将分类准确率最高的参数对作为预测未知样本的最优参数。
其中，步骤2中，通过离散小波变换结合主成份分析对气体样本进行特征提取，如图4所示具体过程是：
步骤21、对于每个样本，对单独的每个信号波形进行离散小波变换，即将每一个传感器的响应序列截取相同的长度；
步骤22、固定小波基，对这些序列都施行同样的变换；
步骤23、按原来的顺序将这一系列小波系数组合成新的样本，所有的样本经过这样的处理即组成一个样本矩阵；
步骤24、对这个小波系数矩阵施行pca变换，得到最终的特征矩阵。
步骤2使用离散小波变换将传感器的差异加以放大，再经过pca变换得到的主成份保留了这些经过凸显的信息，表示数据的能力大为增强。
在步骤2中将样本的特征进行了降维处理，步骤4中使用knn来进行分类。马氏距离是一种有效的计算两个未知样本集的相似度的方法，在knn中使用马氏距离作为气体样本的相似度衡量。气体样本相似度计算过程如下：
设已知气体样本
其中σ表示已知样本所述类别的协方差矩阵，设该类别表示为
其中，μi表示
分类的过程中借鉴了交叉检验，在识别算法中寻找最优的参数对，以提高识别准确率。由于参数的取值范围可能很大，基于效率的考虑，在使用交叉检验进行参数寻优后，用得到的最优参数p再次对原始输入进行pca变换，然后保存特征矩阵和投影矩阵。同时还保存马氏距离计算所需要的每个类别样本的协方差矩阵，从而节省预测过程的计算成本。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。