[发明专利]一种基于PSOABC-LSTM的电子鼻混合气体浓度预测方法在审
申请号: | 202110052181.2 | 申请日: | 2021-01-15 |
公开(公告)号: | CN112883626A | 公开(公告)日: | 2021-06-01 |
发明(设计)人: | 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 |
主分类号: | G06F30/25 | 分类号: | G06F30/25;G06F30/27;G06N3/00;G06N3/04;G06N3/08;G06F113/08 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 400065*** | 国省代码: | 重庆;50 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 psoabc lstm 电子 混合气体 浓度 预测 方法 | ||
本发明提出了一种基于PSOABC‑LSTM的电子鼻混合气体浓度预测方法,该方法对数据进行归一化和延迟处理,得到预处理好的数据,利用LSTM作为基础网络结构,采用粒子群算法和人工蜂群算法进行嵌入融合,对LSTM的超参数进行迭代优化,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LSTM的超参数依赖于先验经验和实验误差给出的问题,提高了电子鼻对混合动态气体浓度预测的精度。
技术领域
一种基于PSOABC-LSTM的电子鼻混合气体浓度预测方法。
背景技术
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。
发明内容
本发明的目的是利用电子鼻对非稳态混合气体进行浓度预测。提供一种基于PSOABC-LSTM的电子鼻混合气体浓度预测方法,用于实现对非稳态混合气体浓度进行预测。
为实现上述目的,本发明是通过的这样的技术方案实现的,包括如下步骤:
对数据集进行预处理。
步骤2:确定LSTM网络结构,初始化LSTM、PSO算法和ABC算法的参数。
步骤3:初始化粒子的位置和速度,确定粒子的评价函数。
步骤4:计算每个粒子位置Xi对应的适应度值,采用PSO算法和ABC算法进行嵌入融合并根据初始粒子适应度值确定个体极值和群体极值,反复迭代,得到最新粒子个体极值和群体极值。
步骤5:满足训练条件后,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采用类似相对差分的方法对混合气体的响应值进行归一化处理,使数据处理后均匀分布于区间[0,1],再利用延迟矫正降低浓度与响应曲线之间的延迟。
在步骤2中LSTM由输入层、两层LSTM层,输出层组成,损失函数使用均方误差,模型训练过程采用Adam算法进行优化,初始化迭代次数、学习因子、初始化PSO算法和ABC算法的参数、控制参数Limit1、Limit2和pbestMeasure。
在步骤3中初始化粒子的位置和速度,随机生成一个种群粒子Xi,0(h1,h2,ε,n),选择预测结果的平均绝对百分比误差(MAPE)作为适应度函数。
在步骤4中计算每个粒子位置Xi对应的适应度值,根据初始粒子适应度值确定个体极值和群体极值,并将每个粒子的最好位置作为其历史最佳位置。在每一次迭代过程中,通过PSOABC更新粒子自身的速度和位置;计算新粒子适应度值,根据新种群粒子适应度值更新粒子个体极值和群体极值。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于重庆邮电大学,未经重庆邮电大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110052181.2/2.html,转载请声明来源钻瓜专利网。