基于改進型量子粒子群算法的電子鼻參數(shù)同步優(yōu)化算法
【技術(shù)領域】
[0001] 本發(fā)明涉及到信號與信息處理技術(shù)領域，具體地說，是一種基于改進型量子粒子 群算法的電子鼻參數(shù)同步優(yōu)化算法。
【背景技術(shù)】
[0002] 電子鼻是利用氣體傳感器陣列的響應圖譜來識別氣味的電子系統(tǒng)，它可以在幾小 時、幾天甚至數(shù)月的時間內(nèi)連續(xù)地、實時地監(jiān)測特定位置的氣味狀況。
[0003] 醫(yī)用電子鼻是一種特殊的電子鼻系統(tǒng)，它可以通過檢測患者呼出的氣體或傷口頂 部空間的氣體，實現(xiàn)疾病或傷口感染的診斷。具有響應時間短，檢測速度快，成本低，操作簡 單方便，且具有人工智能的優(yōu)點，因此獲得了廣泛的關(guān)注和應用。
[0004] 電子鼻的智能算法系統(tǒng)包括特征提取、數(shù)據(jù)降維以及模式識別等環(huán)節(jié)，各環(huán)節(jié)均 有多個參數(shù)需要設置，參數(shù)值的設定會直接影響各環(huán)節(jié)的性能，從而對整個電子鼻系統(tǒng)的 判別結(jié)果產(chǎn)生很大影響，因此在電子鼻的訓練過程中，必須采用優(yōu)化算法對其智能算法系 統(tǒng)的參數(shù)進行優(yōu)化。
[0005] 而量子粒子群算法（quantum-behaved particle swarm optimization，QPSO)是 一種結(jié)合量子粒子學和粒子群算法的新型優(yōu)化算法，在收斂速度、尋找最優(yōu)值方面的性能 較傳統(tǒng)的優(yōu)化算法都有很大提升，已被成功應用于組合優(yōu)化、工程控制以及圖形與圖像處 理等領域。但標準量子粒子群仍存在如下問題：實際應用量子粒子群尋優(yōu)的過程中，標準量 子粒子群無法保證在有限的迭代次數(shù)內(nèi)，每次運行都找到全局最優(yōu)；在迭代的初期，由于需 要粒子分布具有遍歷性時，所有的粒子過早地朝某一位置集中，在迭代的后期，原本已經(jīng)非 常接近全局最優(yōu)位置的粒子會在下次迭代時跳到一個遠離全局最優(yōu)的位置。

【發(fā)明內(nèi)容】

[0006] 針對現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于改進型量子粒子群算法的電 子鼻參數(shù)同步優(yōu)化算法，該方法能夠增加粒子前期遍歷性和后期局部尋優(yōu)能力，且能夠提 高量子粒子群尋找全局最優(yōu)值的能力，從而提高電子鼻信號的識別率。
[0007] 其具體方案如下：
[0008] 一種基于改進型量子粒子群算法的電子鼻參數(shù)同步優(yōu)化算法，其關(guān)鍵在于按照以 下步驟進行：
[0009] 步驟1 :獲取n個傳感器的m次實驗數(shù)據(jù)，得到原始樣本矩陣M表示為
【主權(quán)項】
1. 一種基于改進型量子粒子群算法的電子鼻參數(shù)同步優(yōu)化算法，其特征在于按照以下 步驟進行： 步驟1 :獲取n個傳感器的m次實驗數(shù)據(jù)，得到原始樣本矩陣M表示為
其中，
是一個向量，表示第i次實驗第 j個傳感器隨采樣時間得到的采樣數(shù)據(jù)，采樣數(shù)目為k; 步驟2 :對原始樣本矩陣M進行小波變換，得到S個感興趣的小波系數(shù)，并按照
對S個小波系數(shù)進行加權(quán)處理，其中，表示第j個傳感器新的小波系數(shù) 向量，wls為第j個傳感器的第s個小波系數(shù)，a/為第s個小波系數(shù)的權(quán)重系數(shù)，s= 1?
步驟3 :確定適應度函數(shù)f，建立基于權(quán)重系數(shù)\以及分類器參數(shù)的量子粒子群，設定 搜索空間維數(shù)為D，種群規(guī)模為N，最大迭代次數(shù)為T，當前迭代次數(shù)t，并初始化種群中每個 粒子的當前位置XJO)和每個粒子的個體最優(yōu)位置pbesi^iXjO)，c為粒子序號，c= 1? N； 步驟4 :按照
I計算粒子間的平均最 佳位置mbest，其中，pbest。^為粒子c第d維的個體最優(yōu)位置，d= 1?D; 步驟5 :根據(jù)目標函數(shù)f計算當前迭代次數(shù)t下每個粒子的適應度值，并將其與該粒子 前次迭代的個體最好位置pbestjt-l)的適應度值比較，若f(Xjt)) >f(pbestjt-l))，貝1J 更新粒子的個體最優(yōu)位置pbest。(t) =X。(t)，否則不更新； 步驟6 :計算當前迭代次數(shù)t下每個粒子的個體最好位置pbestjt)的適應度值，并 將其與前次迭代的群體最優(yōu)位置gbes^a-l)的適應度值進行比較，若f^pbes^a)) > f(gbest。(t-1))，貝更新粒子的群體最優(yōu)位置gbest。(t) =pbest。(t)，否則不更新； 步驟7 :根據(jù)
計算局部吸引子PcU，其中 0 ?U(0, 1); 步驟8 :按照公式Xe，d=pe，d±a|mbest-Xe，d|Xln(lAi)更新每個粒子的位置X。，其中，Xc，d為粒子c位于第d維的值，a為搜索擴張系數(shù)，a= 〇. 5+0. 5X(T_t)/T，u?U(0, 1); 步驟9 :令迭代次數(shù)t=t+1，并返回步驟4循環(huán)運算，直到滿足迭代終止條件，得出適 應度函數(shù)f取得最大值時加權(quán)系數(shù)向量W與分類器參數(shù)； 步驟10 :根據(jù)加權(quán)系數(shù)向量W獲得電子鼻信號的特征矩陣X，并根據(jù)步驟9獲得的分類 器參數(shù)進行模式識別。
2. 根據(jù)權(quán)利要求1所述的基于改進型量子粒子群算法的電子鼻參數(shù)同步優(yōu)化算法，其 特征在于：所述小波系數(shù)的個數(shù)S為8個。
3. 根據(jù)權(quán)利要求1所述的基于改進型量子粒子群算法的電子鼻參數(shù)同步優(yōu)化算法，其 特征在于：所述傳感器的個數(shù)n取20,所述實驗次數(shù)m取80,且80次實驗中包括一種未感 染的氣體實驗和三種病菌感染的氣體實驗，每種氣體實驗各20次。
4. 根據(jù)權(quán)利要求3所述的基于改進型量子粒子群算法的電子鼻參數(shù)同步優(yōu)化算法，其 特征在于：所述三種病菌感染的氣體實驗所選擇的病菌分別為綠膿桿菌、大腸桿菌和金黃 葡萄球菌。
5. 根據(jù)權(quán)利要求1所述的基于改進型量子粒子群算法的電子鼻參數(shù)同步優(yōu)化算法，其 特征在于：種群規(guī)模N為80,粒子維數(shù)為傳感器個數(shù)n，最大迭代次數(shù)T為3000。
6. 根據(jù)權(quán)利要求1所述的基于改進型量子粒子群算法的電子鼻參數(shù)同步優(yōu)化算法，其 特征在于：所述分類器采用支持向量機，該分類器的參數(shù)分別為徑向基核函數(shù)的尺度因子 與軟間隔支持向量機的懲罰因子。
【專利摘要】本發(fā)明公開了一種基于改進型量子粒子群算法的電子鼻參數(shù)同步優(yōu)化算法，首先將獲取的原始電子鼻數(shù)據(jù)進行小波變換，然后對小波系數(shù)進行加權(quán)處理，之后采用基于新型局部吸引子計算方式的一種改進型量子粒子群算法，找到電子鼻模式識別率最到時對應的加權(quán)系數(shù)以及分類器參數(shù)，從而獲得電子鼻信號的特征矩陣，然后將所得特征矩陣輸入分類器進行模式識別。其有益效果是：增加了粒子前期遍歷性和后期局部尋優(yōu)能力，提高了量子粒子群尋找全局最優(yōu)值的能力，特別針對傷口感染檢測而言，提高了電子鼻的識別率，從而為醫(yī)生選擇適當?shù)闹委煼椒?，促進傷口快速恢復提供了有益指導。
【IPC分類】G06F17-16
【公開號】CN104572589
【申請?zhí)枴緾N201510014051
【發(fā)明人】賈鵬飛, 閆嘉, 段書凱, 王麗丹
【申請人】西南大學
【公開日】2015年4月29日
【申請日】2015年1月12日