[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

摘要

本发明公开了一种基于多核Fisher判别分析的电子鼻信号特征选择优化方法，首先获得样本特征矩阵，初始化参数并根据参数构建基本核函数，然后基于基本核矩阵计算出复合核矩阵，计算出复合核矩阵在高位特征空间的投影，之后将投影送入分类器进行模式识别，确定出识别率最高的核函数，最后基于该核函数计算新样本矩阵在特征空间中的投影并将其作为电子鼻信号作为分类器的输入进行模式识别。其显著效果是克服了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，解决了传感器之间的冗余，优化了传感器阵列和减少了数据维数，提高了电子鼻信号的识别率，从而为医生选择适当的治疗方法提供有益指导。

主权项

一种基于多核Fisher判别分析的电子鼻特征选择优化方法，其特征在于按照以下步骤进行：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,…,xN]，其中xj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Ni，i＝1～C，则有N=Σi=1CNi;]]>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(xm,xn)和k2(xm,xn)，m＝1～N,n＝1～N，然后分别计算基本核矩阵K1=k1(x1,x1),k1(x1,x2),...,k1(x1,xN)k1(x2,x1),k1(x2,x2),...,k1(x2,xN).........k1(xN,x1),k1(xN,x2),...,k1(xN,xN),]]>K2=k2(x1,x1),k2(x1,x2),...,k2(x1,xN)k2(x2,x1),k2(x2,x2),...,k2(x2,xN).........k2(xN,x1),k2(xN,x2),...,k2(xN,xN),]]>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，Bi=1Ni[1]Ni×Ni]]>是元素均为的Ni×Ni矩阵；步骤5：根据获得的特征向量α按照A＝[α1,α2,...,αC‑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＝ATK；步骤6：将样本特征矩阵X的投影Y＝ATK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g=ATk(x1,z)...k(xN,z),]]>然后将投影g作为分类器的输入进行模式识别。