[发明专利]基于多核Fisher判别分析的电子鼻特征选择优化方法

说明书

技术领域

本发明涉及到电子鼻信号处理技术领域，具体地说，是一种基于多核Fisher判别分析的电子鼻特征选择优化方法。

背景技术

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。

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。

电子鼻特征提取以后都需要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。

目前，针对电子鼻信号特征选择优化方法主要有两类：1、基于主成分分析或者Fisher判别分析等线性处理方法对电子鼻信号特征进行线性变换，实现降维，或者使用核方法与一些线性处理方式结合实现非线性降维，如核主成分分析、核Fisher判别分析；2、利用智能优化算法如遗传算法、粒子群算法等对整个特征进行加权，实现降维或者重要性系数加权。

然而，上述电子鼻信号特征选择优化方法存在以下不足之处：1、主成分分析或者Fisher判别分析等线性处理方法对非线性问题效果不佳，即使是用核方法可以解决非线性问题也是用单一核函数，没有涉及复合核函数，在高维投影以后数据区分度不佳；2、智能优化算法具有随机性，理论不严密，同时结果受太多因素影响，重复性较差。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于多核Fisher判别分析对电子鼻信号处理方法，采用该方法进行特征选择优化，能够解决单一核函数方法实现高维投影后数据区分度不佳的问题，以及解决传感器之间的冗余问题。

为达到上述目的，本发明表述一种基于多核Fisher判别分析的电子鼻特征选择优化方法，其关键在于按照以下步骤进行：

步骤1：步骤1：对电子鼻信号样本进行特征提取得到样本特征矩阵X，并表示为X＝[x₁,x₂,…,x_N]，其中x_j表示第j个样本，j＝1～N，N为样本总数，N个样本分为C类，第i类的样本数为N_i，i＝1～C，则有

步骤2：初始化参数σ₁与σ₂，并根据参数σ₁和σ₂分别构建一个基于所述样本特征矩阵X的基本核函数k₁(x_m,x_n)和k₂(x_m,x_n)，m＝1～N,n＝1～N，然后分别计算基本核矩阵

其中K₁和K₂均为N×N的矩阵；

步骤3：初始化参数p，其中p为(0，1)之间的常数，按照K＝pK₁+(1-p)K₂计算出高维特征空间内的核矩阵K；

步骤4：求解广义特征方程(KBK)α＝λ(KK)α，计算特征值λ对应的特征向量α，其中，是元素均为的N_i×N_i矩阵；

步骤5：根据获得的特征向量α按照A＝[α₁,α₂,...,α_C-1]构建投影矩阵A，则样本特征矩阵X在高维特征空间内向特征向量构成的子空间的投影为Y＝A^TK；

步骤6：将样本特征矩阵X的投影Y＝A^TK作为电子鼻信号特征进行模式识别，并在识别过程中用量子粒子群优化算法分别对参数p、σ₁、σ₂以及分类器参数进行同步优化，确定出最高分类识别率对应的核函数及分类器参数；

步骤7：输入一个新的电子鼻数据z，并基于该核函数计算新样本z在高维特征空间中的投影然后将投影g作为分类器的输入进行模式识别。

本发明采用复合核Fisher判别分析对电子鼻信号进行特征选择优化，解决单一核函数方法实现高维投影以后数据区分度不佳的问题，最终解决了传感器之间的冗余，实现了更好的分类；采用量子粒子群优化算法进行参数优化，能够优化传感器阵列和减少数据维数，从而降低运算难度，减少运算量。