一种基于PSO-ABC-ELM的电子鼻气体浓度预测方法技术

本发明专利技术提出了一种基于PSO‑ABC‑ELM的电子鼻气体浓度预测方法，该方法先对数据进行归一化和主成分分析处理，得到降维后的主成分数据，建立极限学习机，将降维后的主成分数据作为极限学习机的输入；采用粒子群算法和人工蜂群算法进行嵌入融合，优化极限学习机的输入层与隐含层权值和隐含层阈值，得到电子鼻气体浓度预测模型；对气体进行浓度预测，将测试数据集输入模型，得到气体浓度的预测值。本发明专利技术的优点在于结合了粒子群算法和人工蜂群算法的优点，解决极限学习机输入层与隐含层权值和隐含层阈值随机给出的问题，提高了电子鼻气体浓度预测的精度。

【技术实现步骤摘要】
一种基于PSO-ABC-ELM的电子鼻气体浓度预测方法
一种基于PSO-ABC-ELM的电子鼻气体浓度预测方法。
技术介绍
电子鼻是一种仿生嗅觉系统，该系统主要由三部分构成，即传感器阵列、信号预处理单元以及模式识别单元。传感器阵列主要负责对气体的吸附和解吸附，在待测样品的气味分子经过气敏传感器表面时，将感应到的信息转化为电信号；信号预处理单元对气敏阵列检测到的信号进行放大、滤波、归一化以及特征提取等操作，以达到消除或减弱信号干扰、提高信噪比的目的；模式识别单元作为电子鼻的分析计算结构，通过各种人工智能算法实现对气味的定性分析或者定量回归。电子鼻系统可通过其内部的气体传感器对气体信息进行采集，将气体信号根据其自身特性转变为电信号，再通过模式识别算法的处理输出对应气体的浓度预测结果。电子鼻具有操作简单、结果精确以及低成本的优点，在未来将具有很大的应用市场，对空气污染物浓度进行检测，也方便人们对空气污染物的预防和治理。
技术实现思路
本专利技术的目的是解决ELM神经网络的输入层与隐含层间的连接权值和隐含层神经元阈值是随机给定的问题。提供一种基于PSO-ABC-ELM的电子鼻气体浓度预测方法，用于实现对空气中污染气体浓度进行预测。为实现上述目的，本专利技术是通过的这样的技术方案实现的，包括如下步骤：步骤1：对数据集进行预处理。步骤2：建立基于极限学习机ELM的神经网络模型。步骤3：初始化神经网络模型的参数；其中采用PSO算法和ABC算法进行嵌入融合共同确定神经网络模型中输入层与隐含层权值和隐含层阈值；步骤4：采用训练样本对步骤3中确定参数后的神经网络进行训练直至满足训练条件。步骤5：采用测试集对训练后的神经网络进行测试。在步骤1中对数据进行预处理，以达到降低运算量并提高模型气体浓度预测精度的目的。首先要对不同性质、不同量纲、数值大小差异明显的数据进行归一化处理，使数据处理后均匀分布于区间[0,1]，再根据数据的高维特性，对任意不同的维度为D的训练样本集通过主成分分析(PrincipalComponentAnalysis，PCA)进行降维。在步骤2中ELM神经网络模型包括输入层、输出层、隐藏层，其中输入层包括6个神经元，对应作为模型的6个输入参数，输入层的神经元对应的输入为步骤1经过预处理后的数据；输出层包括一个神经元，对应的输出参数为气体浓度值。在步骤3中初始化神经网络模型参数，包括初始化产生输入层与隐含层的权值和隐含层的阈值、激活函数g(·)、PSO算法和ABC算法的参数、控制参数Limit1、Limit2和pbestMeasure，选择适应度函数。采用PSO算法和ABC算法进行嵌入融合确定输入层与隐含层的权值和隐含层的阈值步骤包括：采用PSO模型作为主框架，结合ABC算法中的跟随蜂和侦察蜂阶段来提高粒子群算法的全局搜索能力。在该混合算法中，生成一个初始解，并计算每个个体的pbest。利用控制参数pbestMeasure，Limit1和Limit2，确定执行算法的哪个阶段。pbestMeasure用于通过记录pbest在迭代期间是否更新来管理种群中的个体，通过比较pbestMeasure的值与Limit1和Limit2的大小，来判断计算粒子新位置所采用的算法模型。如果pbestMeasure(i)≤Limit1，采用PSO算法模型得到粒子新位置，如果Limit1＜pbestMeasure(i)≤Limit2，采用改进后的ABC算法模型的雇佣蜂阶段，否则，采用改进后的ABC算法模型的侦察蜂阶段。随后更新粒子的pbest与gbest，如果更新了pbest的值，则pbestMeasure的值设置为0，否则pbestMeasure将增加1。重复迭代，通过不断更新粒子的位置，直至达到最小误差或者最大迭代次数终止，得到算法的最优解，将最优解作为ELM神经网络模型的输入层与隐含层的权值和隐含层的阈值。在步骤4中采用训练集对优化后的ELM神经网络进行训练直至满足结束条件，完成神经网络模型的训练。本专利技术的优点在于：本专利技术提供的基于PSO-ABC-ELM的电子鼻气体浓度预测方法，可以很好的实现对气体污染物浓度的预测，并且在预测精度和可靠性方面，应用于电子鼻系统时更加具有优势。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步的详细描述，其中：图1为本方法专利技术流程图。具体实施方式下面将结合附图，对本专利技术的实施例进行详细的描述。本专利技术提供的一种基于PSO-ABC-ELM的电子鼻气体浓度预测方法，如图1所示该方法包括以下步骤：步骤1：对数据集进行预处理；步骤2：建立基于极限学习机ELM的神经网络模型；步骤3：初始化神经网络模型的参数；其中采用PSO算法和ABC算法进行嵌入融合共同确定神经网络模型中输入层与隐含层权值和隐含层阈值；步骤4：采用训练样本对步骤3中确定参数后的神经网络进行训练直至满足训练条件；步骤5：采用测试集对训练后的神经网络进行测试；在步骤1中对不同性质、不同量纲、数值大小差异明显的数据利用公式(1)进行归一化处理，使数据处理后均匀分布于区间[0,1]，再根据数据的高维特性，对任意不同的维度为D的训练样本集通过主成分分析进行降维，通过大量实验，确定提取6个主成分数据作为模式识别模型的输入数据。其中，x为原始数据值，x*为归一化后的值，xmax为样本数据的最大值，xmin为样本数据的最小值。在步骤2中ELM神经网络模型包括输入层、输出层、隐藏层，其中输入层包括6个神经元，对应作为模型的6个输入参数，输入层的神经元对应的输入为步骤1经过预处理后的数据；输出层包括一个神经元，对应的输出参数为气体浓度值。通过大量实验，确定模型的隐含层节点数为20个。在步骤3中初始化神经网络模型参数，包括初始化产生输入层与隐含层的权值和隐含层的阈值、激活函数g(·)、PSO算法和ABC算法的参数、控制参数Limit1、Limit2和pbestMeasure，选择适应度函数，选用均方误差作为最佳适应度函数，当适应度值越小，个体越优秀。极限学习机是由黄广斌提出的一种典型单隐层前馈神经网络(Single-hiddenlayerfeedforwardnetworks,SLFN)，与其他神经网络(BP神经网络、SVM)相比，其结构简单，不需要反复迭代，学习速度快，泛化性能好，具有良好的函数逼近能力，因此被广泛应用于解决各种分类和回归的问题。极限学习机模型利用输入层和隐含层权值以及隐含层阈值的随机性，不需要进行反复迭代，提高了算法的计算速度，该模型输入节点为n个，隐含层节点为l个，还有m个输出层节点。当具有N个样本的不同的训练集时，将输入数据通过l个隐含层神经元，该隐含层神经元的激活函数为g，计算出ELM算法的输出函数为：ωi＝[ωi1,ωi2,…ωin]T(3)βi＝[βi1,βi2本文档来自技高网...

【技术保护点】
1.一种基于PSO-ABC-ELM的电子鼻气体浓度预测方法，其特征在于，包括以下步骤：/n步骤1：对数据集进行预处理。/n步骤2：建立基于极限学习机ELM的神经网络模型。/n步骤3：初始化神经网络模型的参数；其中采用PSO算法和ABC算法进行嵌入融合共同确定神经网络模型中输入层与隐含层权值和隐含层阈值；/n步骤4：采用训练样本对步骤3中确定参数后的神经网络进行训练直至满足训练条件。/n步骤5：采用测试集对训练后的神经网络进行测试。/n

【技术特征摘要】
1.一种基于PSO-ABC-ELM的电子鼻气体浓度预测方法，其特征在于，包括以下步骤：
步骤1：对数据集进行预处理。
步骤2：建立基于极限学习机ELM的神经网络模型。
步骤3：初始化神经网络模型的参数；其中采用PSO算法和ABC算法进行嵌入融合共同确定神经网络模型中输入层与隐含层权值和隐含层阈值；
步骤4：采用训练样本对步骤3中确定参数后的神经网络进行训练直至满足训练条件。
步骤5：采用测试集对训练后的神经网络进行测试。


2.如权利要求1所述的一种基于PSO-ABC-ELM的电子鼻气体浓度预测方法，其特征在于：在步骤1中对数据进行预处理，以达到降低运算量并提高模型气体浓度预测精度的目的。首先要对不同性质、不同量纲、数值大小差异明显的数据进行归一化处理，使数据处理后均匀分布于区间[0,1]，再根据数据的高维特性，对任意不同的维度为D的训练样本集通过主成分分析(PrincipalComponentAnalysis，PCA)进行降维。


3.如权利要求1所述的一种基于PSO-ABC-ELM的电子鼻气体浓度预测方法，其特征在于：在步骤2中ELM神经网络模型包括输入层、输出层、隐藏层，其中输入层包括6个神经元，对应作为模型的6个输入参数，输入层的神经元对应的输入为步骤1经过预处理后的数据；输出层包括一个神经元，对应的输出参数为气体浓度值。


4.如权利要求1所述的一种基于PSO-ABC-ELM的电子鼻气体浓度预测方法，其特征在于：在步骤3中初始化神经网络模型参数，包括初始化产生输入层与隐含层的权值和隐含层的阈值、激活函数g(·)、PSO算法和ABC算法的参数、...

【专利技术属性】
技术研发人员：王洁，陶洋，梁志芳，刘翔宇，曾柯伟，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50