[发明专利]一种基于移动窗函数的电子鼻特征提取方法

说明书

技术领域

本发明涉及电子鼻信号与信息处理领域，具体涉及一种基于移动窗函数的电子鼻特征提取方法。

背景技术

电子鼻作为一种模仿生物嗅觉系统的智能装置能够可靠并且快速的实现对简单或者复杂气味的辨别，相对于传统的气相色谱仪等昂贵的气体分析仪器，它操作简单，分析结果可靠，且适合现场检测，因而被广泛应用于食品、农业、医疗、环境检测等领域。特征提取和模式识别是一个电子鼻系统中的两个关键部分，其中特征提取很大程度上影响了分类模型的可靠性以及对未知样本识别的准确性，模式识别是对特征提取后的信息再进行适当处理，从而获得准确的气体成分和浓度信息。

现有电子鼻信号特征提取方法主要有三类：1、基于原始响应曲线，该方法针对气体传感器的原始响应进行特征提取，常用特征包括：最大值(稳态响应)、上升斜率、响应曲线积分等；2、基于曲线拟合，该方法首先对原始响应曲线进行曲线拟合，然后用拟合系数作为特征，常用的拟合模型有多项式拟合、指数函数拟合、分式函数拟合、反正切函数拟合等；3、基于变换域的特征提取，该方法首先对传感器阵列原始响应进行某种特定的变换，然后提取变换以后的系数作为特征，常用的变换域特征包括：傅里叶变换系数、小波变换系数等。

不足之处：提取的特征不能反映整个响应曲线的稳态响应和瞬态响应信息，并且基于变换域的特征提取会丢失时域信息，不能完整的反映整个响应过程的特征；且仅仅利用电子鼻响应信号本身提取特征不能反映电子鼻阵列信号对其他信号的反应情况。

发明内容

本申请通过提供一种基于移动窗函数的电子鼻特征提取方法，以解决不能反映整个响应曲线稳态响应和瞬态响应信息，变化域特征丢失时域信息，不能完整反映整个响应过程特征，以及不能反映电子鼻阵列信号对其他信号的反应情况的技术问题。

为解决上述技术问题，本申请采用以下技术方案予以实现：

一种基于移动窗函数的电子鼻特征提取方法,包括以下步骤：

S1：选定一个窗函数并将其放置在电子鼻响应曲线的初始预定位置上，以窗函数和电子鼻响应曲线所包围的面积作为特征分量；

S2：以预设的时间长度为单位，将窗函数沿时间轴依次向左或/和向右移动，并将获取的多个特征分量构建成特征向量；

S3：将每个传感器的特征向量设定一个权重系数，引入了量子粒子群算法，将多个传感器的特征向量进行加权处理时的权重系数进行优化；

S4：利用支持向量机算法对加权后的特征向量进行智能识别。

上述方法中的窗函数类似于一个滤波器来提取原始响应曲线的时域信息，而不是频域信息。移动窗函数捕捉特征提取方法解决了变化域特征丢失时域信息，不能反映整个响应曲线稳态响应和瞬态响应的问题。同时利用量子粒子群对传感器特征向量的权重系数进行优化，利用支持向量机算法对加权后的特征向量进行智能识别，从而使得识别率大大提高。

进一步地，所述步骤S3的具体方法为，首先对每个传感器i给定一个加权系数ω_i，n个传感器的n个加权系数构成一个加权向量W＝[ω₁,ω₂,…ω_n]，其中ω_i为任意正数，然后将加权处理以后的传感器特征输入分类器识别，即用量子粒子群算法寻找每个传感器的ω_i，从而寻找使得量子粒子群算法的适应度函数达到最大时候的W，此处的适应度函数为分类器识别率。

作为一种优选的技术方案，步骤S1中初始预定位置为电子鼻响应曲线的峰值处。因为响应曲线峰值处包含有较多的关键信息。

作为一种优选的技术方案，步骤S2中预设的时间长度为窗函数的窗口宽度。

作为一种优选的技术方案，步骤S4中支持向量机中的核参数和惩罚参数通过量子粒子群进行优化。

窗函数可以是任意点数宽度的窗，并可以放置在响应曲线的任意位置，进一步地，窗函数可以是三角窗、布莱克曼窗、哈明窗、汉宁窗、矩形窗或高斯窗。通过改变窗函数类型、宽度、放置位置，电子鼻的识别效果不同。克服了仅仅利用电子鼻响应信号本身提取特征不能反映电子鼻阵列信号对其他信号的反应情况的技术问题。

与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：本方法解决了变化域特征丢失时域信息，不能反映整个响应曲线稳态响应和瞬态响应的技术问题，并利用电子鼻阵列信号对不同窗函数间的反应来区分不同的电子鼻信号，同时引入了量子粒子群算法和支持向量机算法提高了电子鼻的识别率，识别效果优于其他特征提取方法。