CN104820074A - 一种基于移动窗函数的电子鼻特征提取方法 - Google Patents
一种基于移动窗函数的电子鼻特征提取方法 Download PDFInfo
- Publication number
- CN104820074A CN104820074A CN201510252261.7A CN201510252261A CN104820074A CN 104820074 A CN104820074 A CN 104820074A CN 201510252261 A CN201510252261 A CN 201510252261A CN 104820074 A CN104820074 A CN 104820074A
- Authority
- CN
- China
- Prior art keywords
- electronic nose
- window function
- window
- sensor
- response curve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于移动窗函数的电子鼻特征提取方法,将窗函数放置在电子鼻响应曲线初始预定位置上,以窗函数和电子鼻响应曲线所包围的面积作为特征分量;沿时间轴移动窗函数,获取多个特征分量构建成的特征向量;将每个传感器的特征向量设定一个权重系数,引入了量子粒子群算法,将多个传感器的特征向量进行加权处理时的权重系数进行优化;利用支持向量机算法对加权后的特征向量进行智能识别。本方法解决了变化域特征丢失时域信息,不能反映整个响应曲线稳态响应和瞬态响应的技术问题,并利用电子鼻阵列信号对不同窗函数间的反应来区分不同的电子鼻信号,同时引入量子粒子群算法和支持向量机算法提高了电子鼻的识别率,识别效果好。
Description
技术领域
本发明涉及电子鼻信号与信息处理领域,具体涉及一种基于移动窗函数的电子鼻特征提取方法。
背景技术
电子鼻作为一种模仿生物嗅觉***的智能装置能够可靠并且快速的实现对简单或者复杂气味的辨别,相对于传统的气相色谱仪等昂贵的气体分析仪器,它操作简单,分析结果可靠,且适合现场检测,因而被广泛应用于食品、农业、医疗、环境检测等领域。特征提取和模式识别是一个电子鼻***中的两个关键部分,其中特征提取很大程度上影响了分类模型的可靠性以及对未知样本识别的准确性,模式识别是对特征提取后的信息再进行适当处理,从而获得准确的气体成分和浓度信息。
现有电子鼻信号特征提取方法主要有三类:1、基于原始响应曲线,该方法针对气体传感器的原始响应进行特征提取,常用特征包括:最大值(稳态响应)、上升斜率、响应曲线积分等;2、基于曲线拟合,该方法首先对原始响应曲线进行曲线拟合,然后用拟合系数作为特征,常用的拟合模型有多项式拟合、指数函数拟合、分式函数拟合、反正切函数拟合等;3、基于变换域的特征提取,该方法首先对传感器阵列原始响应进行某种特定的变换,然后提取变换以后的系数作为特征,常用的变换域特征包括:傅里叶变换系数、小波变换系数等。
不足之处:提取的特征不能反映整个响应曲线的稳态响应和瞬态响应信息,并且基于变换域的特征提取会丢失时域信息,不能完整的反映整个响应过程的特征;且仅仅利用电子鼻响应信号本身提取特征不能反映电子鼻阵列信号对其他信号的反应情况。
发明内容
本申请通过提供一种基于移动窗函数的电子鼻特征提取方法,以解决不能反映整个响应曲线稳态响应和瞬态响应信息,变化域特征丢失时域信息,不能完整反映整个响应过程特征,以及不能反映电子鼻阵列信号对其他信号的反应情况的技术问题。
为解决上述技术问题,本申请采用以下技术方案予以实现:
一种基于移动窗函数的电子鼻特征提取方法,包括以下步骤:
S1:选定一个窗函数并将其放置在电子鼻响应曲线的初始预定位置上,以窗函数和电子鼻响应曲线所包围的面积作为特征分量;
S2:以预设的时间长度为单位,将窗函数沿时间轴依次向左或/和向右移动,并将获取的多个特征分量构建成特征向量;
S3:将每个传感器的特征向量设定一个权重系数,引入了量子粒子群算法,将多个传感器的特征向量进行加权处理时的权重系数进行优化;
S4:利用支持向量机算法对加权后的特征向量进行智能识别。
上述方法中的窗函数类似于一个滤波器来提取原始响应曲线的时域信息,而不是频域信息。移动窗函数捕捉特征提取方法解决了变化域特征丢失时域信息,不能反映整个响应曲线稳态响应和瞬态响应的问题。同时利用量子粒子群对传感器特征向量的权重系数进行优化,利用支持向量机算法对加权后的特征向量进行智能识别,从而使得识别率大大提高。
进一步地,所述步骤S3的具体方法为,首先对每个传感器i给定一个加权系数ωi,n个传感器的n个加权系数构成一个加权向量W=[ω1,ω2,…ωn],其中ωi为任意正数,然后将加权处理以后的传感器特征输入分类器识别,即用量子粒子群算法寻找每个传感器的ωi,从而寻找使得量子粒子群算法的适应度函数达到最大时候的W,此处的适应度函数为分类器识别率。
作为一种优选的技术方案,步骤S1中初始预定位置为电子鼻响应曲线的峰值处。因为响应曲线峰值处包含有较多的关键信息。
作为一种优选的技术方案,步骤S2中预设的时间长度为窗函数的窗口宽度。
作为一种优选的技术方案,步骤S4中支持向量机中的核参数和惩罚参数通过量子粒子群进行优化。
窗函数可以是任意点数宽度的窗,并可以放置在响应曲线的任意位置,进一步地,窗函数可以是三角窗、布莱克曼窗、哈明窗、汉宁窗、矩形窗或高斯窗。通过改变窗函数类型、宽度、放置位置,电子鼻的识别效果不同。克服了仅仅利用电子鼻响应信号本身提取特征不能反映电子鼻阵列信号对其他信号的反应情况的技术问题。
与现有技术相比,本申请提供的技术方案,具有的技术效果或优点是:本方法解决了变化域特征丢失时域信息,不能反映整个响应曲线稳态响应和瞬态响应的技术问题,并利用电子鼻阵列信号对不同窗函数间的反应来区分不同的电子鼻信号,同时引入了量子粒子群算法和支持向量机算法提高了电子鼻的识别率,识别效果优于其他特征提取方法。
附图说明
图1为本发明的工作流程图;
图2为本发明的窗函数捕捉法示意图;
图3为本发明的移动窗函数捕捉法示意图。
具体实施方式
本申请实施例通过提供一种基于移动窗函数的电子鼻特征提取方法,以解决不能反映整个响应曲线稳态响应和瞬态响应信息,变化域特征丢失时域信息,不能完整反映整个响应过程特征,以及不能反映电子鼻阵列信号对其他信号的反应情况的技术问题。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式,对上述技术方案进行详细的说明。
实施例
一种基于移动窗函数的电子鼻特征提取方法,如图1所示,包括以下步骤:
S1:选定一个窗函数并将其放置在电子鼻响应曲线的初始预定位置上,以窗函数和电子鼻响应曲线所包围的面积作为特征分量;
S2:以预设的时间长度为单位,将窗函数沿时间轴依次向左或/和向右移动,并将获取的多个特征分量构建成特征向量;
S3:将每个传感器的特征向量设定一个权重系数,引入了量子粒子群算法,将多个传感器的特征向量进行加权处理时的权重系数进行优化;
S4:利用支持向量机算法对加权后的特征向量进行智能识别。
上述方法中的窗函数类似于一个滤波器来提取原始响应曲线的时域信息,而不是频域信息。移动窗函数捕捉特征提取方法解决了变化域特征丢失时域信息,不能反映整个响应曲线稳态响应和瞬态响应的问题。同时利用量子粒子群对传感器特征向量的权重系数进行优化,利用支持向量机算法对加权后的特征向量进行智能识别,从而使得识别率大大提高。
进一步地,所述步骤S3的具体方法为,首先对每个传感器i给定一个加权系数ωi,n个传感器的n个加权系数构成一个加权向量W=[ω1,ω2,…ωn],其中ωi为任意正数,然后将加权处理以后的传感器特征输入分类器识别,即用量子粒子群算法寻找每个传感器的ωi,从而寻找使得量子粒子群算法的适应度函数达到最大时候的W,此处的适应度函数为分类器识别率。
作为一种优选的技术方案,步骤S1中初始预定位置为电子鼻响应曲线的峰值处。因为响应曲线峰值处包含有较多的关键信息。如图2所示,为窗函数放置在电子鼻响应曲线的峰值处的捕捉示意图。
作为一种优选的技术方案,步骤S2中预设的时间长度为窗函数的窗口宽度,如图3所示。
作为一种优选的技术方案,步骤S4中支持向量机中的核参数和惩罚参数通过量子粒子群进行优化。
窗函数可以是任意点数宽度的窗,并可以放置在响应曲线的任意位置,进一步地,窗函数可以是三角窗、布莱克曼窗、哈明窗、汉宁窗、矩形窗或高斯窗。通过改变窗函数类型、宽度、放置位置,电子鼻的识别效果不同。克服了仅仅利用电子鼻响应信号本身提取特征不能反映电子鼻阵列信号对其他信号的反应情况的技术问题。
为了证明移动窗函数捕捉法的高效性,我们将移动窗函数捕捉法与其他特征提取并结合量子粒子群优化和支持向量机分类器的方法进行比较,比如峰值、上升斜率、下降斜率、傅立叶变换、小波变换和窗函数捕捉。从表1中可以看出,移动窗函数捕捉法的识别效果要优于其他特征提取的方法,其中峰值和上升时间实现识别率是87.5%,下降时间取得识别率是85.5%,傅里叶变换和小波变换识别率是90.0%,而窗函数捕捉和移动窗函数捕捉的识别率分别为95.0%和97.5%。
表1 不同特征提取方法识别率对比表
本申请的上述实施例中,提供了一种基于移动窗函数的电子鼻特征提取方法,将窗函数放置在电子鼻响应曲线初始预定位置上,以窗函数和电子鼻响应曲线所包围的面积作为特征分量;沿时间轴移动窗函数,获取多个特征分量构建成特征向量;将每个传感器的特征向量设定一个权重系数,引入了量子粒子群算法,将多个传感器的特征向量进行加权处理时的权重系数进行优化;利用支持向量机算法对加权后的特征向量进行智能识别。本方法解决了变化域特征丢失时域信息,不能反映整个响应曲线稳态响应和瞬态响应的技术问题,并利用电子鼻阵列信号对不同窗函数间的反应来区分不同的电子鼻信号,同时引入了量子粒子群算法和支持向量机算法提高了电子鼻的识别率,识别效果好。
应当指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换,也应属于本发明的保护范围。
Claims (6)
1.一种基于移动窗函数的电子鼻特征提取方法,其特征在于,包括以下步骤:
S1:选定一个窗函数并将其放置在电子鼻响应曲线的初始预定位置上,以窗函数和电子鼻响应曲线所包围的面积作为特征分量;
S2:以预设的时间长度为单位,将窗函数沿时间轴依次向左或/和向右移动,并将获取的多个特征分量构建成特征向量;
S3:将每个传感器的特征向量设定一个权重系数,引入了量子粒子群算法,将多个传感器的特征向量进行加权处理时的权重系数进行优化;
S4:利用支持向量机算法对加权后的特征向量进行智能识别。
2.根据权利要求1所述的基于移动窗函数的电子鼻特征提取方法,其特征在于,所述步骤S3的具体方法为,首先对每个传感器i给定一个加权系数ωi,n个传感器的n个加权系数构成一个加权向量W=[ω1,ω2,…ωn],其中ωi为任意正数,然后将加权处理以后的传感器特征输入分类器识别,即用量子粒子群算法寻找每个传感器的ωi,从而寻找使得量子粒子群算法的适应度函数达到最大时候的W,此处的适应度函数为分类器识别率。
3.根据权利要求1所述的基于移动窗函数的电子鼻特征提取方法,其特征在于,步骤S1中初始预定位置为电子鼻响应曲线的峰值处。
4.根据权利要求1所述的基于移动窗函数的电子鼻特征提取方法,其特征在于,步骤S2中预设的时间长度为窗函数的窗口宽度。
5.根据权利要求1所述的基于移动窗函数的电子鼻特征提取方法,其特征在于,步骤S4中支持向量机中的核参数和惩罚参数通过量子粒子群进行优化。
6.根据权利要求1所述的基于移动窗函数的电子鼻特征提取方法,其特征在于,所述窗函数为三角窗、布莱克曼窗、哈明窗、汉宁窗、矩形窗或高斯窗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510252261.7A CN104820074B (zh) | 2015-05-18 | 2015-05-18 | 一种基于移动窗函数的电子鼻特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510252261.7A CN104820074B (zh) | 2015-05-18 | 2015-05-18 | 一种基于移动窗函数的电子鼻特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104820074A true CN104820074A (zh) | 2015-08-05 |
CN104820074B CN104820074B (zh) | 2017-05-10 |
Family
ID=53730429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510252261.7A Expired - Fee Related CN104820074B (zh) | 2015-05-18 | 2015-05-18 | 一种基于移动窗函数的电子鼻特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104820074B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675649A (zh) * | 2016-01-11 | 2016-06-15 | 浙江大学 | 一种基于吸附动力学的电子鼻数据特征提取方法 |
CN110940773A (zh) * | 2019-11-22 | 2020-03-31 | 苏州慧闻纳米科技有限公司 | 检测冰箱中气味的响应及恢复曲线的处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699446A (zh) * | 2013-12-31 | 2014-04-02 | 南京信息工程大学 | 基于量子粒子群优化算法的多目标工作流动态调度方法 |
CN104572589A (zh) * | 2015-01-12 | 2015-04-29 | 西南大学 | 基于改进型量子粒子群算法的电子鼻参数同步优化算法 |
-
2015
- 2015-05-18 CN CN201510252261.7A patent/CN104820074B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699446A (zh) * | 2013-12-31 | 2014-04-02 | 南京信息工程大学 | 基于量子粒子群优化算法的多目标工作流动态调度方法 |
CN104572589A (zh) * | 2015-01-12 | 2015-04-29 | 西南大学 | 基于改进型量子粒子群算法的电子鼻参数同步优化算法 |
Non-Patent Citations (2)
Title |
---|
叶安新 等: "基于量子粒子群算法的聚类分析方法", 《计算机工程与应用》 * |
贾鹏飞: "面向伤口感染检测的电子鼻智能数据处理算法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675649A (zh) * | 2016-01-11 | 2016-06-15 | 浙江大学 | 一种基于吸附动力学的电子鼻数据特征提取方法 |
CN110940773A (zh) * | 2019-11-22 | 2020-03-31 | 苏州慧闻纳米科技有限公司 | 检测冰箱中气味的响应及恢复曲线的处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104820074B (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116203A (zh) | 基于卷积神经网络的电力设备局部放电故障诊断方法 | |
CN103577755A (zh) | 一种基于支持向量机的恶意脚本静态检测方法 | |
CN105893524B (zh) | 一种智能问答方法及装置 | |
CN112735473B (zh) | 基于声音识别无人机的方法及*** | |
CN107092829A (zh) | 一种基于图像匹配的恶意代码检测方法 | |
CN105701470A (zh) | 一种基于最优小波包分解的模拟电路故障特征提取方法 | |
CN110414277B (zh) | 基于多特征参数的门级硬件木马检测方法 | |
CN106485146B (zh) | 一种信息处理方法及服务器 | |
CN107315956A (zh) | 一种用于快速准确检测零日恶意软件的图论方法 | |
CN101226133A (zh) | 一种血细胞脉冲信号的分类识别方法 | |
CN110941827B (zh) | 应用程序异常行为检测方法及装置 | |
WO2023029390A1 (zh) | 一种毫米波雷达手势检测识别方法 | |
CN106169070A (zh) | 基于协作表示的通信辐射源个体识别方法及*** | |
CN104820074B (zh) | 一种基于移动窗函数的电子鼻特征提取方法 | |
CN112528774A (zh) | 一种复杂电磁环境下未知雷达信号智能分选***及方法 | |
CN107480471A (zh) | 基于小波变换为特征的序列相似性分析的方法 | |
CN104125050A (zh) | 超高频rfid读卡器协议一致性测试方法 | |
Moloi et al. | High impedance fault detection protection scheme for power distribution systems | |
CN109598245A (zh) | 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法 | |
CN106802293B (zh) | 波形峰值检测方法及装置 | |
CN115308538B (zh) | 基于yolov5的配电网故障定位方法、***、终端及存储介质 | |
CN103149541A (zh) | 一种磁场测量中提取微弱信号的方法 | |
CN113960152B (zh) | 一种基于离子迁移谱的痕量***物识别方法及*** | |
Mou et al. | Motion classification for radar moving target via STFT and convolution neural network | |
CN109326324A (zh) | 一种抗原表位的检测方法、***及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170510 Termination date: 20210518 |
|
CF01 | Termination of patent right due to non-payment of annual fee |