[发明专利]基于混合特征矩阵的电子鼻信号处理方法

摘要

本发明公开了一种基于混合特征矩阵的电子鼻信号处理方法，首先对原始数据矩阵进行特征提取建立混合特征矩阵，然后采用二进制量子粒子群优化算法对混合特征矩阵进行特征选择，最后送入分类器采用十进制量子粒子群优化算法对混合特征子矩阵和分类器参数进行同步优化，进行模式识别确定出识别率最高的混合特征子矩阵，并选择该混合特征子矩阵所对应的传感器特征作为电子鼻信号的最优特征进行模式识别。其显著效果是：本方案克服了只提取单一特征不能反映整个响应曲线的完整信息的缺陷；降低了运算复杂度，有效地解决了传感器之间的冗余问题；提高了电子鼻伤口感染检测的识别率，可以为医生选择适当的治疗方法提供有益指导。

主权项

一种基于混合特征矩阵的电子鼻信号处理方法，其特征在于按照以下步骤进行：步骤1：获取n个传感器的m次实验数据，得到原始样本矩阵M表示为$M=\left[\begin{array}{cccccc}{x}_{11}& x_{12}& & x_{13}& ...& x_{1n}\\ x_{21}& x_{22}& & x_{23}& ...& x_{2n}\\ & & .& & & \\ & & .& & & \\ & & .& & & \\ x_{m1}& x_{m2}& & x_{m3}& ...& x_{\mathrm{mn}}\end{array}\right],$其中，(i＝1，2，…m，j＝1，2…，n)是一个向量，表示第i次实验第j个传感器随采样时间得到的采样点数据，采样点数目为k；步骤2：提取原始样本矩阵M中每次实验每个传感器的k个采样点中的最大响应值，得到最大值特征矩阵X_max，表示为$X_{\max }=\left[\begin{array}{cccccc}{x}_{11}^{\max }& x_{12}^{\max }& & x_{13}^{\max }& ...& x_{1n}^{\max }\\ x_{21}^{\max }& x_{22}^{\max }& & x_{23}^{\max }& ...& x_{2n}^{\max }\\ & & .& & & \\ & & .& & & \\ & & .& & & \\ x_{m1}^{\max }& x_{m2}^{\max }& & x_{m3}^{\max }& ...& x_{\mathrm{mn}}^{\max }\end{array}\right],$其中，是一个标量，表示第i次实验第j个传感器k个采样点数据中的最大值；步骤3：对原始样本矩阵M进行小波变换和傅里叶变换，对于小波变换，分别采用db1、db2、db3、db4和db5五种不同的小波，并提取两个近似系数作为特征，得到小波变换域特征矩阵X_db1、X_db2、X_db3、X_db4、X_db5；对于傅里叶变换，提取傅里叶变换后的直流分量和一阶谐波分量的系数作为特征，得到傅里叶变换域特征矩阵X_fft；步骤4：将最大值特征矩阵X_max分别与变换域特征矩阵X_db1、X_db2、X_db3、X_db4、X_db5、X_fft进行组合，得到六个混合特征矩阵X₁＝[X_max X_db1]，X₂＝[X_max X_db2]，X₃＝[X_max X_db3]，X₄＝[X_max X_db4],X₅＝[X_max X_db5]，X₆＝[X_max X_fft]；步骤5：确定适应度函数f，采用二进制量子粒子群优化算法结合径向基函数神经网络分类器对混合特征矩阵X₁,X₂,X₃,X₄,X₅,X₆分别进行特征选择，得出适应度函数f取得最大值时各个混合特征矩阵所对应的加权系数向量W与传感器个数L，其中W＝[ω₁,ω₂,…,ω_n]，ω_j表示第j个传感器的加权系数，取值为1或0，1表示保留传感器j的特征作为分类器输入，0表示不保留；步骤6：根据加权系数向量W构建新的混合特征子矩阵X₁',X₂',X₃',X₄',X₅',X₆'，并作为径向基函数神经网络分类器的输入进行模式识别，并在识别过程中用十进制量子粒子群优化算法分别对特征选择以后的六组新的混合特征子矩阵和径向基函数神经网络分类器的两个参数进行同步优化，确定出识别率最高的混合特征子矩阵，并选择该混合特征子矩阵所对应的传感器特征作为电子鼻信号的最优特征进行模式识别。