[发明专利]基于改进型量子粒子群算法的电子鼻参数同步优化方法

说明书

技术领域

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。

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

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方法，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。

其具体方案如下：

一种基于改进型量子粒子群算法的电子鼻参数同步优化方法，其关键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，w_j,s为第j个传感器的第s个小波系数，a_s^*为第s个小波系数的权重系数，s＝1～S，且

步骤3：确定适应度函数f，建立基于权重系数a_s^*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＝1，并初始化种群中每个粒子的当前位置X_c(0)和每个粒子的个体最优位置pbest_c＝X_c(0)，c为粒子序号，c＝1～N；

步骤4：按照：

计算粒子间的平均最佳位置mbest，其中，pbest_c,d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pbest_c(t-1)的适应度值比较，若f(X_c(t))＞f(pbest_c(t-1))，则更新粒子的个体最优位置pbest_c(t)＝X_c(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pbest_c(t)的适应度值，并将其与前次迭代的群体最优位置gbest_c(t-1)的适应度值进行比较，若f(pbest_c(t))＞f(gbest_c(t-1))，则更新粒子的群体最优位置gbest_c(t)＝pbest_c(t)，否则不更新；

步骤7：根据计算局部吸引子p_c,d，其中β～U(0,1)；