CN114971032A - 一种基于os-elm的电子鼻在线气体浓度预测方法 - Google Patents

Abstract

本发明提供一种基于OS‑ELM电子鼻***的在线气体浓度预测方法，属于传感器技术领域。本方法针对电子鼻在进行浓度预测时出现的模型训练成本高和精度不够的问题提出一种解决方法。首先利用OS‑ELM的在线学习机制，在输入新样本后只需迭代更新现有模型就可以适应不同批次的样本，通过这种方式减少训练成本。同时对ELM系列模型随机确定输入权重和隐含层偏置导致预测结果精度下降这一缺陷采用一种改进的PSO算法搜索超参数的最优值从而保证算法效果。本发明降低了电子鼻气体识别算法模型反复训练的训练成本问题，同时提高了浓度预测中的准确度，这在电子鼻***中具有较大的应用价值。

Description

一种基于OS-ELM的电子鼻在线气体浓度预测方法

技术领域

本发明属于传感器技术领域，一种基于OS-ELM电子鼻***的在线气体浓度预测方法。

背景技术

电子鼻是一种由硬件与软件相结合构成的人工嗅觉***，其中包括传感器阵列、信号处理模块以及模式识别算法。其中模式识别算法是电子鼻***中最为关键的一部分，目前来说许多高精度传感器无法用简单的线性转换公式将电信号转换成为成实际浓度值，模式识别算法的效果对气体识别的结果影响大。

电子鼻的气体识别算法主要分为气体成分识别和气体浓度预测。其中气体成分识别属于定性分析，电子鼻将辨析混合气体中的气体成分；而气体浓度预测属于定量分析，电子鼻***需要根据已知样本的信息对未知样本的实际浓度值进行预测，定量分析过程更加困难。

电子鼻***的气体浓度预测算法主要面临两个问题：一是预测过程中的准确度问题；二是在训练过程中出现新的一批样本时，模型反复重新训练造成的训练成本问题。在实际应用中，气体浓度并不是单一固定的，因此为了保障预测精度，每一次添加新样本就需要迭代模型，但如果重新训练模型需要将以往所有样本进行重新学习，这个过程造成了信息的冗余从而提高了训练成本，但如果因为训练成本而不更新模型那么预测精度会随着未学习的新样本增多而下降。

如何在保证预测精度的同时减小训练成本是电子鼻气体浓度预测一个非常重要的课题。本专利所公开的一种基于OS-ELM电子鼻***的在线气体浓度预测方法能够在气体浓度预测中取得较好的结果，同时通过在线学习机制对原有模型进行在线更新而非重新训练，以减少预测过程中训练成本。通过这种方法可以进一步增大电子鼻在实际场景中的价值。

发明内容

有鉴于此，本发明的目的在于提供一种基于OS-ELM电子鼻***的在线气体浓度预测方法。利用多个批次的样本，即第一批次样本进行初始训练，后面批次样本进行在线训练，达到电子鼻***的气体浓度预测提高预测精度、减少训练成本的目的。

为达到上述目的，本发明提供如下技术方案：

一种基于OS-ELM电子鼻***的在线气体浓度预测方法，该方法包括以下步骤：

步骤1)利用第一批样本对模型进行初始训练；

进一步，步骤1)包括以下几个步骤：

步骤11)输入第一批样本数据D₁；

步骤12)对该批数据进行数据预处理对数值差异大、数据量纲大的数据进行归一化处理，然后对原始数据进行PCA处理，得到经过数据降维后的样本集D_pca，样本的特征维度为N；

步骤13)将样本集D_pca划分为D_train＝{x,y}和D_test＝{x_test,y_test},将D_train输入到ELM模型中进行训练；

步骤14)利用改进的PSO算法搜索ELM神经网络中输入层到隐含层权值a和隐含层偏置β，将D_test预测结果的评价函数作为PSO算法目标函数y(t)进行优化，设置PSO算法最大迭代次数为n；

步骤15)在迭代过程中PSO算法的惯性权重因子ω随迭代次数发生改变，其中迭代次数t∈[0,n],惯性权重因子在迭代前期值相对较大，后期较小能够使PSO算法前期全局搜索能力强，后期局部搜索能力强,惯性权重因子ω∈[ω_min,ω_max]变化方式为指数形式下降：

学习因子c₁和c₂也会影响PSO算法搜索能力，因此随惯性权重因子ω同步变化，c₁、c₂∈[c_min,c_max]，学习因子的变化函数为：

c₁＝c_min+w_t

c₂＝c_max-w_t

根据惯性权重因子和学习因子更新PSO算法中每个粒子的速度值：

更新粒子的当前位置：

判断当前粒子i目标函数值y(t)是否优于当前粒子的个体最优值

如果优于则替代当前的

判断当前粒子的最优解

是否优于全局最优解gbest^k,如果优于则替代当前的全局最优解gbest^k。

判断是否达到最大迭代次数n,如果达到则满足结束条件，则输出输入层到隐含层权值a_best和隐含层偏置β_best的最优解；

步骤16)将a_best和β_best代入到ELM模型中进行训练，g(a_i,β_i,x_j)选择常用的sigmoid函数，可以求出ELM模型中的隐含层输出矩阵H₀:

输出数据矩阵为：

由此可以得到

计算出ELM模型的初始输出权重

步骤2)依据输入样本批次号进行在线训练；

进一步，步骤2)包括以下几个步骤：

步骤21)输入第K批样本数据D_K；

步骤22)对该批数据进行数据预处理对数值差异大、数据量纲大的数据进行归一化处理，然后对原始数据进行PCA处理，将数据降为特征维度为N的数据，得到经过数据降维后的样本集D_pca；

步骤23)将初始训练时得到的输出输入层到隐含层权值a_best和隐含层偏置β_best的最优解，带入到OS-ELM模型中，求出OS-ELM的隐含层输出矩阵H_K+1，令

因此可以将P_k+1表示为：

再求出OS-ELM迭代后的输出矩阵:

步骤24)保存本轮的输出权重β_k+1，等待下一批次样本的输入；

步骤3)利用迭代更新后的最终模型对样本测试集进行预测。

进一步，步骤3)包括以下几个步骤：

步骤31)输入样本数据的测试集T；

步骤32)通过隐含层输出矩阵H_T和最终的输出权重β_N可以求得预测结果T＝H_Tβ_N；

步骤33)利用评价函数评价模型浓度预测结果。

附图说明

为了使本发明的目的、技术方案和优点更加清楚明确，下面结合附图对本发明作优选的详细描述，其中：

图1为本发明流程图。

具体实施方式

下面结合附图，对本发明的优选实例进行详细的描述。

本发明通过OS-ELM模型中的在线学习机制构成一个气体浓度在线预测的网络，以减少浓度预测过程中重新训练模型造成的成本问题。此外由于ELM系列模型随机确定输入层到隐含层权重和隐含层偏置导致预测结果不确定这一问题，这里采用一种改进后PSO算法提升了其全局搜索能力，寻找网络的最优参数以提高模型最终的预测精度。该方法包括以下步骤：步骤1)根据第一批样本对模型进行初始训练，同时搜索出网络的最优参数；步骤2)在步骤1)的基础上，根据输入的样本迭代更新模型的输出权重以达到在线学习的目的；步骤3)在步骤2)的基础上，用更新后的最终模型对测试集进行预测结果，通过评价函数对模型浓度预测结果进行评价。

步骤1)利用第一批样本对模型进行初始训练；

进一步，步骤1)包括以下几个步骤：

步骤11)输入第一批样本数据D₁；

步骤12)对该批数据进行数据预处理对数值差异大、数据量纲大的数据进行归一化处理，通过归一化处理减少数据本身对模型造成的影响。然后对原始数据进行PCA处理，选择贡献较大的主成分，通过PCA处理后的数据减少了噪声并降低了计算开销。得到的经过数据降维后的样本集D_pca，样本的特征维度为N；

步骤13)将样本集D_pca划分为D_train＝{x,y}和D_test＝{x_test,y_test},将D_train输入到ELM模型中进行训练；

步骤14)由于ELM系列模型中的输入层到隐含层权值a和隐含层偏置β是随机确定的，因此直接使用ELM模型具有一定的不确定性，如果采用搜索式算法寻找参数的最优解能够保证预测结果的精度。因此利用改进的PSO算法搜索ELM神经网络中输入层到隐含层权值a和隐含层偏置β，将D_test预测结果的评价函数作为PSO算法目标函数y(t)进行优化，设置PSO算法最大迭代次数为n；

步骤15)传统的PSO算法的惯性权重因子ω是固定的，如果将ω设置为相对较大，那么算法会得到较好的全局搜素能力，但后期局部的搜索能力较弱不利于算法收敛；而将ω设置的相对较小，那么算法前期的全局搜索能力较弱，将无法找到全局最优解，如果ω需要在算法迭代期间呈现下降趋势，使得算法前期全局搜索能力强，后期局部搜索能力强，就可以提升算法整体效果，如果采用混合算法的形式那么会增大计算开销，无法发挥PSO算法的优势。因此在迭代过程中PSO算法的惯性权重因子ω直接随迭代次数发生改变，其中迭代次数t∈[0,n],惯性权重因子在迭代前期值相对较大，后期较小能够使PSO算法前期全局搜索能力强，后期局部搜索能力强,惯性权重因子ω∈[ω_min,ω_max]变化方式为指数形式下降，这种非线性下降方式比一般的线性下降方式能够取得更好的效果：

学习因子c₁和c₂也会影响PSO算法搜索能力，如果只使用c₁那么算法呈现出认知模型，在算法中只有个体学习部分，如果只使用c₂则是无私模型，这两种情况都不能使PSO算法的综合搜索能力得到提升。因此需要算法在前期每个粒子会依赖个体学习因子c₁，c₁在迭代期间呈现下降趋势，后期则会依赖社会学习因子c₂，呈现上升的趋势，因此随惯性权重因子ω同步变化，c₁、c₂∈[c_min,c_max]，学习因子的变化函数为：

c₁＝c_min+w_t

c₂＝c_max-w_t

粒子的速度不能过快或过慢，过快的话会导致粒子飞出边际造成粒子的发散，最终导致算法难以收敛，而过慢的话会导致粒子收敛较慢无法找到全局最优值，根据惯性权重因子和学习因子更新PSO算法中每个粒子的速度值：

更新粒子的当前位置：

判断当前粒子i目标函数值y(t)是否优于当前粒子的个体最优值

如果优于则替代当前的

判断当前粒子的最优解

是否优于全局最优解gbest^k,如果优于则替代当前的全局最优解gbest^k，这种方式属于同步更新方式，每当计算一个粒子的速度和位置后就会判断是否需要更新最佳位置。

判断是否达到最大迭代次数n,如果达到则满足结束条件，则输出输入层到隐含层权值a_best和隐含层偏置β_best的最优解。

步骤16)将a_best和β_best代入到ELM模型中进行训练，ELM的优点就是其参数被确定后不需要再次调整，因此计算速度较快，同时通过最优参数能够保证算法的精确度。通过a_best和β_best可以确定输出矩阵H，再将核函数g(a_i,β_i,x_j)选择常用的sigmoid函数，可以求出ELM模型中的隐含层输出矩阵H₀:

输出数据矩阵为：

由此可以得到

计算出ELM模型的初始输出权重

在OS-ELM模型中输出权重是需要迭代更新的，因此需要记录下来当前输出矩阵权重值，以便于下次更新权重值。OS-ELM可以一批一批样本输入更新，也可以一条一条数据对模型进行在线更新。

步骤2)依据输入样本批次号进行在线训练；

进一步，步骤2)包括以下几个步骤：

步骤21)输入第K批样本数据D_K；

步骤22)对该批数据进行数据预处理对数值差异大、数据量纲大的数据进行归一化处理，然后对原始数据进行PCA处理，将数据降为特征维度为N的数据，这里的样本数据需要和第一批次的数据保持同样的维度来保证前后的一致性，得到经过数据降维后的样本集D_pca；

步骤23)将初始训练时得到的输出输入层到隐含层权值a_best和隐含层偏置β_best的最优解，带入到OS-ELM模型中，求出OS-ELM的隐含层输出矩阵H_K+1，令

因此可以将P_k+1表示为：

再求出OS-ELM迭代后的输出矩阵:

步骤24)保存本轮的输出权重β_k+1，等待下一批次样本的输入；

步骤3)利用迭代更新后的最终模型对样本测试集进行预测。

进一步，步骤3)包括以下几个步骤：

步骤31)输入样本数据的测试集T；

步骤32)通过隐含层输出矩阵H_T和最终的输出权重β_N可以求得预测结果T＝H_Tβ_N；

步骤33)利用评价函数评价模型浓度预测结果，因为浓度预测属于定量分析因此采用MAE、RMSE、R值作为评价指标。

最后需要说明的是，以上的实时实例仅用于说明本发明的技术方案而非限制，虽然通过上述实例一堆本发明进行了详细的描述，但本领域的技术人员需要明白，可以在形式上和细节上对其作出各种各样的改变，而不会偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种基于OS-ELM电子鼻***的在线气体浓度预测方法，其特征在于包括以下步骤：

步骤1)利用第一批样本对模型进行初始训练；

步骤2)依据输入样本批次号进行在线训练；

步骤3)利用迭代更新后的最终模型对样本测试集进行预测。

2.根据权利要求1所述的一种基于OS-ELM电子鼻***的在线气体浓度预测方法，其特征在于：所述步骤1)包括以下步骤：

步骤11)输入第一批样本数据D₁；

步骤12)对该批数据进行数据预处理对数值差异大、数据量纲大的数据进行归一化处理，然后对原始数据进行PCA处理，得到经过数据降维后的样本集D_pca，样本的特征维度为N；

步骤13)将样本集D_pca划分为D_train＝{x,y}和D_test＝{x_test,y_test},将D_train输入到ELM模型中进行训练；

步骤14)利用改进的PSO算法搜索ELM神经网络中输入层到隐含层权值a和隐含层偏置β，将D_test预测结果的评价函数作为PSO算法目标函数y(t)进行优化，设置PSO算法最大迭代次数为n；

步骤15)在迭代过程中PSO算法的惯性权重因子ω随迭代次数发生改变，其中迭代次数t∈[0,n],惯性权重因子在迭代前期值相对较大，后期较小能够使PSO算法前期全局搜索能力强，后期局部搜索能力强,惯性权重因子ω∈[ω_min,ω_max]变化方式为指数形式下降：

学习因子c₁和c₂也会影响PSO算法搜索能力，因此随惯性权重因子ω同步变化，c₁、c₂∈[c_min,c_max]，学习因子的变化函数为：

c₁＝c_min+w_t

c₂＝c_max-w_t

根据惯性权重因子和学习因子更新PSO算法中每个粒子的速度值：

更新粒子的当前位置：

判断当前粒子i目标函数值y(t)是否优于当前粒子的个体最优值

如果优于则替代当前的

判断当前粒子的最优解

是否优于全局最优解gbest^k,如果优于则替代当前的全局最优解gbest^k。

判断是否达到最大迭代次数n,如果达到则满足结束条件，则输出输入层到隐含层权值a_best和隐含层偏置β_best的最优解。

步骤16)将a_best和β_best代入到ELM模型中进行训练，g(a_i,β_i,x_j)选择常用的sigmoid函数，可以求出ELM模型中的隐含层输出矩阵H₀:

输出数据矩阵为：

由此可以得到

计算出ELM模型的初始输出权重

3.根据权利要求1所述的一种基于OS-ELM电子鼻***的在线气体浓度预测方法，其特征在于：所述步骤2)包括以下步骤：

步骤21)输入第K批样本数据D_K；

步骤22)对该批数据进行数据预处理对数值差异大、数据量纲大的数据进行归一化处理，然后对原始数据进行PCA处理，将数据降为特征维度为N的数据，得到经过数据降维后的样本集D_pca；

步骤23)将初始训练时得到的输出输入层到隐含层权值a_best和隐含层偏置β_best的最优解，带入到OS-ELM模型中，求出OS-ELM的隐含层输出矩阵H_K+1，令

因此可以将P_k+1表示为：

再求出OS-ELM迭代后的输出矩阵:

步骤24)保存本轮的输出权重β_k+1，等待下一批次样本的输入。

4.根据权利要求1所述的一种基于OS-ELM电子鼻***的在线气体浓度预测方法，其特征在于：所述步骤3)包括以下步骤：

步骤31)输入样本数据的测试集T；

步骤32)通过隐含层输出矩阵H_T和最终的输出权重β_N可以求得预测结果T＝H_Tβ_N；

步骤33)利用评价函数评价模型浓度预测结果。

Images