基于多核Fisher判别分析的电子鼻特征选择优化方法技术

本发明专利技术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。

【技术实现步骤摘要】
【专利摘要】本专利技术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。【专利说明】
本专利技术涉及到电子鼻信号处理
，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。
技术介绍
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W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W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W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 包含了兀余信息，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W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W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W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。
技术实现思路
针对现有技术的不足，本专利技术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，W及解决传感器之间的兀余问题。 为达到上述目的，本专利技术表述一种基于多核Fisher判别分析的电子鼻特征选择 优化方法，其关键在于按照W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 =，其中Xj隶示第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 【权利要求】1. 一种，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= ，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TV=Z二TV,.; 步骤2:初始化参数〇1与〇 2，并根据参数〇1和〇 2分别构建一个基于所述样本特征 矩阵X的基本核函数Ic1 (xm,xn)和k2 (xm,xn)，m= 1?N,n= 1?N，然后分别计算基本核矩 阵其中心和K2均为NXN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+(l-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)a=A(KK)a，计算特征值A对应的特征向量a，步骤5:根据获得的特征向量a按照A= [〇1，a2，...，CieJ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、〇i、〇 2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2. 根据权利要求1所述的，其特 征在于：所述基本核函数匕(Xm,Xn)与1^2 (Xm,Xn)均为高斯径向基核函数，其中，Ic1(X1^Xn)= exp(-1IXni-XnI12/2。J)，k2 (Xni,xn) =exp(-1IXni-XnI12/2 〇 22)。3. 根据权利要求1所述的，其 特征在于：所述基本核函数的个数不限于两个Ic1 (Xm，xn)与k2 (Xm，xn)，可以取1个基本核函 数,2 < 1 <°°,即 k(xm,xn) =Pik1 (xm,xn) +p2k2 (xm,xn) +--? +Pik1 (xm,xn), 其中加权系数之和PfPfqp1= 1。4. 根据权利要求I所述的，其 特征在于：所述基本核函数的形式不限于为高斯径向基核函数，基本核函数可以取以下几 种： ⑴线性核函数々(xm，xj=x^xra; ⑵多项式核函数句X"，X,;) = (X^X" +〇"，其中t和d为核参数； ⑶高斯径向基核函数k(xm,xn) =exp(-1 |xm-xn| 12/2 〇2)，其中。为核参数； (4)多层感知机核函数=tanhCs'<x" +?2)，其中t和s为核参数，tanh(?) 为双曲正切函数。【文档编号】G06K9/64GK104504407SQ201410789417【公开日】2015年4月8日 申请日期:2014年12月17日 优先权日:2014年12月17日 【专利技术者】闫嘉, 段书凯, 王丽丹, 贾鹏飞 申请人:西南大学本文档来自技高网...

【技术保护点】
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。...

【技术特征摘要】

【专利技术属性】
技术研发人员：闫嘉，段书凯，王丽丹，贾鹏飞，
申请(专利权)人：西南大学，
类型：发明
国别省市：重庆;85