CN108446656A - 一种对厨房危险气体进行选择性识别的分析算法 - Google Patents
一种对厨房危险气体进行选择性识别的分析算法 Download PDFInfo
- Publication number
- CN108446656A CN108446656A CN201810262705.9A CN201810262705A CN108446656A CN 108446656 A CN108446656 A CN 108446656A CN 201810262705 A CN201810262705 A CN 201810262705A CN 108446656 A CN108446656 A CN 108446656A
- Authority
- CN
- China
- Prior art keywords
- sample
- parameter
- kitchen
- carrying
- matrix
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出的对厨房危险气体进行选择性识别的分析算法,涉及信息技术领域,包括以下步骤:步骤1、交叉检验,进行参数寻优;步骤2、使用离散小波变换结合主成份分析提取特征;步骤3、保存特征矩阵和投影矩阵;步骤4、由基于马氏距离的KNN进行分类计算并保持样本的协方差矩阵。本发明分类的过程中借鉴了交叉检验,在识别算法中寻找最优的参数对,以提高识别准确率。由于参数的取值范围可能很大,基于效率的考虑,在使用交叉检验进行参数寻优后,用得到的最优参数P再次对原始输入进行PCA变换,然后保存特征矩阵和投影矩阵。同时还保存马氏距离计算所需要的每个类别样本的协方差矩阵,从而节省预测过程的计算成本。
Description
技术领域
本发明涉及信息技术领域,尤其是一种对厨房危险气体进行选择性识别的分析算法。
背景技术
厨房是使用明火进行作业的场所,使用燃料一般有液化石油气、煤气、天然气、炭等,在操作和使用过程中,若不能按章操作,很容易产生泄漏、燃烧、***以及雀气中毒等事故,这是引发火灾事故的一个方面。目前对厨房内各种气体的检测仪表选用传感器阵列和适当的识别算法,用于检测、分析和鉴别各种其他,气体识别的传统方法往往只着眼于局部,如根据气体样本的信号波形设计各种手工特征或者由各种信号处理方法提取特征,然后简单地输入SVM、KNN等分类算法中进行识别;又或者只使用简单的特征,而在分类算法上进行改进。
发明内容
本发明提供一种对厨房危险气体进行选择性识别的分析算法,提高识别准确率,节省预测过程的计算成本,具体包括以下步骤:
步骤1、交叉检验,进行参数寻优;
步骤2、使用离散小波变换结合主成份分析提取特征;
步骤3、保存特征矩阵和投影矩阵;
步骤4、由基于马氏距离的KNN进行分类计算并保持样本的协方差矩阵。
作为优选,所述步骤1交叉检验具体步骤为:
步骤11、将训练样本进行分组,分组的原则是保证每一个组内都尽量包含所有类别的气体,图3以3-折交叉验证为例,说明了分组的方法;
步骤12、对于每一个分组,都使用其他分组作为训练样本;
步骤13、对当前这个分组使用KNN进行预测,得到整个样本上的分类准确率;
步骤14、然后设定参数P和K的上下界和步进,进行网格遍历,比较每一个参数对得到的分类准确率,将分类准确率最高的参数对作为预测未知样本的最优参数。
作为优选,所述步骤2中特征提取具体过程是:
步骤21、对于每个样本,对单独的每个信号波形进行离散小波变换,即将每一个传感器的响应序列截取相同的长度;
步骤22、固定小波基,对这些序列都施行同样的变换;
步骤23、按原来的顺序将这一系列小波系数组合成新的样本,所有的样本经过这样的处理即组成一个样本矩阵;
步骤24、对这个小波系数矩阵施行PCA变换,得到最终的特征矩阵。
作为优选,所述步骤4中使用KNN来进行分类,使用马氏距离作为气体样本的相似度衡量。
本发明提供的一种对厨房危险气体进行选择性识别的分析算法,其有益效果在于:分类的过程中借鉴了交叉检验,在识别算法中寻找最优的参数对,以提高识别准确率。由于参数的取值范围可能很大,基于效率的考虑,在使用交叉检验进行参数寻优后,用得到的最优参数P再次对原始输入进行PCA变换,然后保存特征矩阵和投影矩阵。同时还保存马氏距离计算所需要的每个类别样本的协方差矩阵,从而节省预测过程的计算成本。
附图说明
图1是本发明对厨房危险气体进行选择性识别的分析算法的流程图;
图2是交叉检验具体的流程图;
图3是3-折交叉验证示意图;
图4是特征提取的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
如图1所示,本实施例提出的一种对厨房危险气体进行选择性识别的分析算法,主要包括以下步骤:
步骤1、交叉检验,进行参数寻优;
步骤2、使用离散小波变换结合主成份分析提取特征;
步骤3、保存特征矩阵和投影矩阵;
步骤4、由基于马氏距离的KNN进行分类计算并保持样本的协方差矩阵。
本方法设定主元个数P以及KNN(K-Nearest Neighbor algorithm,最邻近结点算法)的K作为参数,然后通过交叉检验来进行优化。这样可以避免单个参数选择不当对分类结果产生的消极影响。本方法在进行PCA(Principle Component Analysis,主成分分析)变换不设定能量阈值,而是直接将选取的主元个数作为一个参数。KNN中的参数K是一个非常关键的参数,非常有必要对训练样本进行交叉检验,来寻找最优的K的取值。如图2所示,步骤1交叉检验具体方法为:
步骤11、将训练样本进行分组,分组的原则是保证每一个组内都尽量包含所有类别的气体,图3以3-折交叉验证为例,说明了分组的方法;
步骤12、对于每一个分组,都使用其他分组作为训练样本;
步骤13、对当前这个分组使用KNN进行预测,得到整个样本上的分类准确率;
步骤14、然后设定参数P和K的上下界和步进,进行网格遍历,比较每一个参数对得到的分类准确率,将分类准确率最高的参数对作为预测未知样本的最优参数。
其中,步骤2中,通过离散小波变换结合主成份分析对气体样本进行特征提取,如图4所示具体过程是:
步骤21、对于每个样本,对单独的每个信号波形进行离散小波变换,即将每一个传感器的响应序列截取相同的长度;
步骤22、固定小波基,对这些序列都施行同样的变换;
步骤23、按原来的顺序将这一系列小波系数组合成新的样本,所有的样本经过这样的处理即组成一个样本矩阵;
步骤24、对这个小波系数矩阵施行PCA变换,得到最终的特征矩阵。
步骤2使用离散小波变换将传感器的差异加以放大,再经过PCA变换得到的主成份保留了这些经过凸显的信息,表示数据的能力大为增强。
在步骤2中将样本的特征进行了降维处理,步骤4中使用KNN来进行分类。马氏距离是一种有效的计算两个未知样本集的相似度的方法,在KNN中使用马氏距离作为气体样本的相似度衡量。气体样本相似度计算过程如下:
设已知气体样本和未知气体样本两个样本间的相似度由马氏距离计算,
其中Σ表示已知样本所述类别的协方差矩阵,设该类别表示为则协方差矩阵由下式计算:
其中,μi表示的期望。对于气体样本中的每一个类别,都需要事先计算其协方差矩阵,然后对于新样本,通过这些协方差矩阵计算与已知样本的距离。
分类的过程中借鉴了交叉检验,在识别算法中寻找最优的参数对,以提高识别准确率。由于参数的取值范围可能很大,基于效率的考虑,在使用交叉检验进行参数寻优后,用得到的最优参数P再次对原始输入进行PCA变换,然后保存特征矩阵和投影矩阵。同时还保存马氏距离计算所需要的每个类别样本的协方差矩阵,从而节省预测过程的计算成本。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (4)
1.一种对厨房危险气体进行选择性识别的分析算法,其特征在于,主要包括以下步骤:
步骤1、交叉检验,进行参数寻优;
步骤2、使用离散小波变换结合主成份分析提取特征;
步骤3、保存特征矩阵和投影矩阵;
步骤4、由基于马氏距离的KNN进行分类计算并保持样本的协方差矩阵。
2.根据权利要求1所述的对厨房危险气体进行选择性识别的分析算法,其特征在于:所述步骤1交叉检验具体步骤为:
步骤11、将训练样本进行分组,分组的原则是保证每一个组内都尽量包含所有类别的气体,图3以3-折交叉验证为例,说明了分组的方法;
步骤12、对于每一个分组,都使用其他分组作为训练样本;
步骤13、对当前这个分组使用KNN进行预测,得到整个样本上的分类准确率;
步骤14、然后设定参数P和K的上下界和步进,进行网格遍历,比较每一个参数对得到的分类准确率,将分类准确率最高的参数对作为预测未知样本的最优参数。
3.根据权利要求1所述的对厨房危险气体进行选择性识别的分析算法,其特征在于:所述步骤2中特征提取具体过程是:
步骤21、对于每个样本,对单独的每个信号波形进行离散小波变换,即将每一个传感器的响应序列截取相同的长度;
步骤22、固定小波基,对这些序列都施行同样的变换;
步骤23、按原来的顺序将这一系列小波系数组合成新的样本,所有的样本经过这样的处理即组成一个样本矩阵;
步骤24、对这个小波系数矩阵施行PCA变换,得到最终的特征矩阵。
4.根据权利要求1所述的对厨房危险气体进行选择性识别的分析算法,其特征在于:所述步骤4中使用KNN来进行分类,使用马氏距离作为气体样本的相似度衡量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810262705.9A CN108446656A (zh) | 2018-03-28 | 2018-03-28 | 一种对厨房危险气体进行选择性识别的分析算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810262705.9A CN108446656A (zh) | 2018-03-28 | 2018-03-28 | 一种对厨房危险气体进行选择性识别的分析算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108446656A true CN108446656A (zh) | 2018-08-24 |
Family
ID=63197559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810262705.9A Pending CN108446656A (zh) | 2018-03-28 | 2018-03-28 | 一种对厨房危险气体进行选择性识别的分析算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446656A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175195A (zh) * | 2019-04-23 | 2019-08-27 | 哈尔滨工业大学 | 基于极端随机树的混合气体检测模型构建方法 |
CN113139963A (zh) * | 2021-06-22 | 2021-07-20 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680241A (zh) * | 2017-01-13 | 2017-05-17 | 北京化工大学 | 一种新型光谱多元分析分类与识别方法及其用途 |
CN107292225A (zh) * | 2016-08-18 | 2017-10-24 | 北京师范大学珠海分校 | 一种人脸识别方法 |
CN107506700A (zh) * | 2017-08-07 | 2017-12-22 | 苏州经贸职业技术学院 | 基于广义相似性度量学习的行人再识别方法 |
-
2018
- 2018-03-28 CN CN201810262705.9A patent/CN108446656A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292225A (zh) * | 2016-08-18 | 2017-10-24 | 北京师范大学珠海分校 | 一种人脸识别方法 |
CN106680241A (zh) * | 2017-01-13 | 2017-05-17 | 北京化工大学 | 一种新型光谱多元分析分类与识别方法及其用途 |
CN107506700A (zh) * | 2017-08-07 | 2017-12-22 | 苏州经贸职业技术学院 | 基于广义相似性度量学习的行人再识别方法 |
Non-Patent Citations (1)
Title |
---|
胡晓楠: "基于深度学习的气体识别研究", 《CNKI硕士电子期刊》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175195A (zh) * | 2019-04-23 | 2019-08-27 | 哈尔滨工业大学 | 基于极端随机树的混合气体检测模型构建方法 |
CN110175195B (zh) * | 2019-04-23 | 2022-11-29 | 哈尔滨工业大学 | 基于极端随机树的混合气体检测模型构建方法 |
CN113139963A (zh) * | 2021-06-22 | 2021-07-20 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103198251B (zh) | 一种基于神经网络的硬件木马识别方法 | |
KR101852074B1 (ko) | 가스 분류를 위한 전자코 시스템 및 방법 | |
CN109934269B (zh) | 一种电磁信号的开集识别方法和装置 | |
WO2019041488A1 (zh) | 一种基于机器嗅觉的有毒有害气体检测与识别方法 | |
CN109002859B (zh) | 基于主成分分析的传感器阵列特征选择和阵列优化方法 | |
CN107818298A (zh) | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 | |
US20220390374A1 (en) | Method for extracting raman characteristic peaks employing improved principal component analysis | |
US20080052010A1 (en) | Method and Apparatus for Analyzing Signal Pattern of Sensor Array | |
CN108446656A (zh) | 一种对厨房危险气体进行选择性识别的分析算法 | |
CN108573105A (zh) | 基于深度置信网络的土壤重金属含量检测模型的建立方法 | |
CN113516228A (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN114113471A (zh) | 一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及*** | |
CN109840548A (zh) | 一种基于bp神经网络变压器故障诊断方法 | |
CN111259929A (zh) | 基于随机森林的食源性致病菌的分类模型训练方法 | |
Vance et al. | Classification of LIBS protein spectra using support vector machines and adaptive local hyperplanes | |
CN114781484A (zh) | 基于卷积神经网络的癌症血清sers光谱分类方法 | |
CN116930042A (zh) | 建筑防水材料性能检测设备及方法 | |
CN111929285A (zh) | 一种激光诱导荧光红酒掺杂酒精的光谱识别方法 | |
CN112634945A (zh) | 一种基于云平台的智能漏水声识别方法 | |
CN106295667B (zh) | 一种基于遗传算法选择最优光谱谱段的方法及其应用 | |
CN115620818A (zh) | 一种基于自然语言处理的蛋白质质谱肽段验证方法 | |
CN114062305B (zh) | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及*** | |
CN115700557A (zh) | 一种用于对核酸样本进行分类的方法、设备和存储介质 | |
Chen et al. | A mixed gas composition identification method based on sample augmentation | |
CN114141316A (zh) | 一种基于谱图分析的有机物生物毒性预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180824 |