一種基于移動(dòng)窗函數(shù)的電子鼻特征提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電子鼻信號(hào)與信息處理領(lǐng)域，具體涉及一種基于移動(dòng)窗函數(shù)的電子鼻 特征提取方法。
【背景技術(shù)】
[0002] 電子鼻作為一種模仿生物嗅覺系統(tǒng)的智能裝置能夠可靠并且快速的實(shí)現(xiàn)對(duì)簡(jiǎn)單 或者復(fù)雜氣味的辨別，相對(duì)于傳統(tǒng)的氣相色譜儀等昂貴的氣體分析儀器，它操作簡(jiǎn)單，分析 結(jié)果可靠，且適合現(xiàn)場(chǎng)檢測(cè)，因而被廣泛應(yīng)用于食品、農(nóng)業(yè)、醫(yī)療、環(huán)境檢測(cè)等領(lǐng)域。特征提 取和模式識(shí)別是一個(gè)電子鼻系統(tǒng)中的兩個(gè)關(guān)鍵部分，其中特征提取很大程度上影響了分類 模型的可靠性以及對(duì)未知樣本識(shí)別的準(zhǔn)確性，模式識(shí)別是對(duì)特征提取后的信息再進(jìn)行適當(dāng) 處理，從而獲得準(zhǔn)確的氣體成分和濃度信息。
[0003] 現(xiàn)有電子鼻信號(hào)特征提取方法主要有三類：1、基于原始響應(yīng)曲線，該方法針對(duì)氣 體傳感器的原始響應(yīng)進(jìn)行特征提取，常用特征包括：最大值（穩(wěn)態(tài)響應(yīng)）、上升斜率、響應(yīng) 曲線積分等；2、基于曲線擬合，該方法首先對(duì)原始響應(yīng)曲線進(jìn)行曲線擬合，然后用擬合系數(shù) 作為特征，常用的擬合模型有多項(xiàng)式擬合、指數(shù)函數(shù)擬合、分式函數(shù)擬合、反正切函數(shù)擬合 等；3、基于變換域的特征提取，該方法首先對(duì)傳感器陣列原始響應(yīng)進(jìn)行某種特定的變換，然 后提取變換以后的系數(shù)作為特征，常用的變換域特征包括：傅里葉變換系數(shù)、小波變換系數(shù) 等。
[0004] 不足之處：提取的特征不能反映整個(gè)響應(yīng)曲線的穩(wěn)態(tài)響應(yīng)和瞬態(tài)響應(yīng)信息，并且 基于變換域的特征提取會(huì)丟失時(shí)域信息，不能完整的反映整個(gè)響應(yīng)過程的特征；且僅僅利 用電子鼻響應(yīng)信號(hào)本身提取特征不能反映電子鼻陣列信號(hào)對(duì)其他信號(hào)的反應(yīng)情況。

【發(fā)明內(nèi)容】

[0005] 本申請(qǐng)通過提供一種基于移動(dòng)窗函數(shù)的電子鼻特征提取方法，以解決不能反映整 個(gè)響應(yīng)曲線穩(wěn)態(tài)響應(yīng)和瞬態(tài)響應(yīng)信息，變化域特征丟失時(shí)域信息，不能完整反映整個(gè)響應(yīng) 過程特征，以及不能反映電子鼻陣列信號(hào)對(duì)其他信號(hào)的反應(yīng)情況的技術(shù)問題。
[0006] 為解決上述技術(shù)問題，本申請(qǐng)采用以下技術(shù)方案予以實(shí)現(xiàn)：
[0007] -種基于移動(dòng)窗函數(shù)的電子鼻特征提取方法，包括以下步驟：
[0008] S1 :選定一個(gè)窗函數(shù)并將其放置在電子鼻響應(yīng)曲線的初始預(yù)定位置上，以窗函數(shù) 和電子鼻響應(yīng)曲線所包圍的面積作為特征分量；
[0009] S2:以預(yù)設(shè)的時(shí)間長(zhǎng)度為單位，將窗函數(shù)沿時(shí)間軸依次向左或/和向右移動(dòng)，并將 獲取的多個(gè)特征分量構(gòu)建成特征向量；
[0010] S3 :將每個(gè)傳感器的特征向量設(shè)定一個(gè)權(quán)重系數(shù)，引入了量子粒子群算法，將多個(gè) 傳感器的特征向量進(jìn)行加權(quán)處理時(shí)的權(quán)重系數(shù)進(jìn)行優(yōu)化；
[0011] S4 :利用支持向量機(jī)算法對(duì)加權(quán)后的特征向量進(jìn)行智能識(shí)別。
[0012] 上述方法中的窗函數(shù)類似于一個(gè)濾波器來(lái)提取原始響應(yīng)曲線的時(shí)域信息，而不是 頻域信息。移動(dòng)窗函數(shù)捕捉特征提取方法解決了變化域特征丟失時(shí)域信息，不能反映整個(gè) 響應(yīng)曲線穩(wěn)態(tài)響應(yīng)和瞬態(tài)響應(yīng)的問題。同時(shí)利用量子粒子群對(duì)傳感器特征向量的權(quán)重系數(shù) 進(jìn)行優(yōu)化，利用支持向量機(jī)算法對(duì)加權(quán)后的特征向量進(jìn)行智能識(shí)別，從而使得識(shí)別率大大 提尚。
[0013] 進(jìn)一步地，所述步驟S3的具體方法為，首先對(duì)每個(gè)傳感器i給定一個(gè)加權(quán)系數(shù) %，11個(gè)傳感器的n個(gè)加權(quán)系數(shù)構(gòu)成一個(gè)加權(quán)向量W= [%，《2，…《n]，其中％為任意正 數(shù)，然后將加權(quán)處理以后的傳感器特征輸入分類器識(shí)別，即用量子粒子群算法尋找每個(gè)傳 感器的《i，從而尋找使得量子粒子群算法的適應(yīng)度函數(shù)達(dá)到最大時(shí)候的W，此處的適應(yīng)度 函數(shù)為分類器識(shí)別率。
[0014] 作為一種優(yōu)選的技術(shù)方案，步驟S1中初始預(yù)定位置為電子鼻響應(yīng)曲線的峰值處。 因?yàn)轫憫?yīng)曲線峰值處包含有較多的關(guān)鍵信息。
[0015] 作為一種優(yōu)選的技術(shù)方案，步驟S2中預(yù)設(shè)的時(shí)間長(zhǎng)度為窗函數(shù)的窗口寬度。
[0016] 作為一種優(yōu)選的技術(shù)方案，步驟S4中支持向量機(jī)中的核參數(shù)和懲罰參數(shù)通過量 子粒子群進(jìn)行優(yōu)化。
[0017] 窗函數(shù)可以是任意點(diǎn)數(shù)寬度的窗，并可以放置在響應(yīng)曲線的任意位置，進(jìn)一步地， 窗函數(shù)可以是三角窗、布萊克曼窗、哈明窗、漢寧窗、矩形窗或高斯窗。通過改變窗函數(shù)類 型、寬度、放置位置，電子鼻的識(shí)別效果不同?？朔藘H僅利用電子鼻響應(yīng)信號(hào)本身提取特 征不能反映電子鼻陣列信號(hào)對(duì)其他信號(hào)的反應(yīng)情況的技術(shù)問題。
[0018] 與現(xiàn)有技術(shù)相比，本申請(qǐng)?zhí)峁┑募夹g(shù)方案，具有的技術(shù)效果或優(yōu)點(diǎn)是：本方法解決 了變化域特征丟失時(shí)域信息，不能反映整個(gè)響應(yīng)曲線穩(wěn)態(tài)響應(yīng)和瞬態(tài)響應(yīng)的技術(shù)問題，并 利用電子鼻陣列信號(hào)對(duì)不同窗函數(shù)間的反應(yīng)來(lái)區(qū)分不同的電子鼻信號(hào)，同時(shí)引入了量子粒 子群算法和支持向量機(jī)算法提高了電子鼻的識(shí)別率，識(shí)別效果優(yōu)于其他特征提取方法。
【附圖說(shuō)明】
[0019] 圖1為本發(fā)明的工作流程圖；
[0020] 圖2為本發(fā)明的窗函數(shù)捕捉法示意圖；
[0021] 圖3為本發(fā)明的移動(dòng)窗函數(shù)捕捉法示意圖。
【具體實(shí)施方式】
[0022] 本申請(qǐng)實(shí)施例通過提供一種基于移動(dòng)窗函數(shù)的電子鼻特征提取方法，以解決不能 反映整個(gè)響應(yīng)曲線穩(wěn)態(tài)響應(yīng)和瞬態(tài)響應(yīng)信息，變化域特征丟失時(shí)域信息，不能完整反映整 個(gè)響應(yīng)過程特征，以及不能反映電子鼻陣列信號(hào)對(duì)其他信號(hào)的反應(yīng)情況的技術(shù)問題。
[0023] 為了更好的理解上述技術(shù)方案，下面將結(jié)合說(shuō)明書附圖以及具體的實(shí)施方式，對(duì) 上述技術(shù)方案進(jìn)行詳細(xì)的說(shuō)明。
[0024] 實(shí)施例
[0025] 一種基于移動(dòng)窗函數(shù)的電子鼻特征提取方法，如圖1所示，包括以下步驟：
[0026] S1 :選定一個(gè)窗函數(shù)并將其放置在電子鼻響應(yīng)曲線的初始預(yù)定位置上，以窗函數(shù) 和電子鼻響