[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

摘要

本发明公开了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，首先将获取的原始电子鼻数据进行小波变换，然后对小波系数进行加权处理，之后采用基于新型局部吸引子计算方式的一种改进型量子粒子群算法，找到电子鼻模式识别率最到时对应的加权系数以及分类器参数，从而获得电子鼻信号的特征矩阵，然后将所得特征矩阵输入分类器进行模式识别。其有益效果是增加了粒子前期遍历性和后期局部寻优能力，提高了量子粒子群寻找全局最优值的能力，特别针对伤口感染检测而言，提高了电子鼻的识别率，从而为医生选择适当的治疗方法，促进伤口快速恢复提供了有益指导。

主权项

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，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，wj,s为第j个传感器的第s个小波系数，as*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as*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，并初始化种群中每个粒子的当前位置Xc(0)和每个粒子的个体最优位置pbestc＝Xc(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，pbestc,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pbestc(t‑1)的适应度值比较，若f(Xc(t))＞f(pbestc(t‑1))，则更新粒子的个体最优位置pbestc(t)＝Xc(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pbestc(t)的适应度值，并将其与前次迭代的群体最优位置gbestc(t‑1)的适应度值进行比较，若f(pbestc(t))＞f(gbestc(t‑1))，则更新粒子的群体最优位置gbestc(t)＝pbestc(t)，否则不更新；步骤7：根据计算局部吸引子pc,d，其中β～U(0,1)；步骤8：按照公式Xc,d＝pc,d±α|mbest‑Xc,d|×ln(1/u)更新每个粒子的位置Xc，其中，Xc,d为粒子c位于第d维的值，α为搜索扩张系数，α＝0.5+0.5×(T‑t)/T，u～U(0,1)；步骤9：令迭代次数t＝t+1，并返回步骤4循环运算，直到满足迭代终止条件，得出适应度函数f取得最大值时加权系数向量W与分类器参数；步骤10：根据加权系数向量W获得电子鼻信号的特征矩阵X，并根据步骤9获得的分类器参数进行模式识别。