基于改进型量子粒子群算法的电子鼻参数同步优化算法

摘要

本发明公开了一种基于改进型量子粒子群算法的电子鼻参数同步优化算法，首先将获取的原始电子鼻数据进行小波变换，然后对小波系数进行加权处理，之后采用基于新型局部吸引子计算方式的一种改进型量子粒子群算法，找到电子鼻模式识别率最到时对应的加权系数以及分类器参数，从而获得电子鼻信号的特征矩阵，然后将所得特征矩阵输入分类器进行模式识别。其有益效果是：增加了粒子前期遍历性和后期局部寻优能力，提高了量子粒子群寻找全局最优值的能力，特别针对伤口感染检测而言，提高了电子鼻的识别率，从而为医生选择适当的治疗方法，促进伤口快速恢复提供了有益指导。

说明书

技术领域

本发明涉及到信号与信息处理技术领域，具体地说，是一种基于 改进型量子粒子群算法的电子鼻参数同步优化算法。

背景技术

电子鼻是利用气体传感器阵列的响应图谱来识别气味的电子系 统，它可以在几小时、几天甚至数月的时间内连续地、实时地监测特 定位置的气味状况。

医用电子鼻是一种特殊的电子鼻系统，它可以通过检测患者呼出 的气体或伤口顶部空间的气体，实现疾病或伤口感染的诊断。具有响 应时间短，检测速度快，成本低，操作简单方便，且具有人工智能的 优点，因此获得了广泛的关注和应用。

电子鼻的智能算法系统包括特征提取、数据降维以及模式识别等 环节，各环节均有多个参数需要设置，参数值的设定会直接影响各环 节的性能，从而对整个电子鼻系统的判别结果产生很大影响，因此在 电子鼻的训练过程中，必须采用优化算法对其智能算法系统的参数进 行优化。

而量子粒子群算法(quantum-behaved particle swarm optimization， QPSO)是一种结合量子粒子学和粒子群算法的新型优化算法，在收 敛速度、寻找最优值方面的性能较传统的优化算法都有很大提升，已 被成功应用于组合优化、工程控制以及图形与图像处理等领域。但标 准量子粒子群仍存在如下问题：实际应用量子粒子群寻优的过程中， 标准量子粒子群无法保证在有限的迭代次数内，每次运行都找到全局 最优；在迭代的初期，由于需要粒子分布具有遍历性时，所有的粒子 过早地朝某一位置集中，在迭代的后期，原本已经非常接近全局最优 位置的粒子会在下次迭代时跳到一个远离全局最优的位置。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于改进型量子 粒子群算法的电子鼻参数同步优化算法，该方法能够增加粒子前期遍 历性和后期局部寻优能力，且能够提高量子粒子群寻找全局最优值的 能力，从而提高电子鼻信号的识别率。

其具体方案如下：

一种基于改进型量子粒子群算法的电子鼻参数同步优化算法，其 关键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$M=\left(\begin{array}{ccccc}{x}_{11}& x_{12}& x_{13}& ...& x_{1n}\\ x_{21}& x_{22}& x_{23}& ...& x_{2n}\\ & & .& & \\ & & .& & \\ & & .& & \\ x_{m1}& x_{m2}& x_{m3}& ...& x_{\mathrm{mn}}\end{array}\right),$

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数据，采样数目为 k；

步骤2：对原始样本矩阵M进行小波变换，得到S个感兴趣的小 波系数，并按照对S个小波系数进行加权处理，其中， 表示第j个传感器新的小波系数向量，w_j,s为第j个传感器的第s 个小波系数，a_s^*为第s个小波系数的权重系数，s＝1～S，且

步骤3：确定适应度函数f，建立基于权重系数a_s以及分类器参 数的量子粒子群，设定搜索空间维数为D，种群规模为N，最大迭代 次数为T，当前迭代次数t＝1，并初始化种群中每个粒子的当前位置 X_c(0)和每个粒子的个体最优位置pbest_c＝X_c(0)，c为粒子序号， c＝1～N；

步骤4：按照

$\mathrm{mbest}=\frac{1}{N}\underset{c=1}{\overset{N}{\Sigma }}{\mathrm{pbest}}_c=\frac{1}{N}(\underset{c=1}{\overset{N}{\Sigma }}{\mathrm{pbest}}_{c,1},\underset{c=1}{\overset{N}{\Sigma }}{\mathrm{pbest}}_{c,2},...,\underset{c=1}{\overset{N}{\Sigma }}{\mathrm{pbest}}_{c,d},...)$计算粒子间的 平均最佳位置mbest，其中，pbest_c,d为粒子c第d维的个体最优位置， d＝1～D；

步骤5：根据目标函数f计算当前迭代次数t下每个粒子的适应 度值，并将其与该粒子前次迭代的个体最好位置pbest_c(t-1)的适应度 值比较，若f(X_c(t))＞f(pbest_c(t-1))，则更新粒子的个体最优位置 pbest_c(t)＝X_c(t)，否则不更新；

步骤6：计算当前迭代次数t下每个粒子的个体最好位置pbest_c(t) 的适应度值，并将其与前次迭代的群体最优位置gbest_c(t-1)的适应度 值进行比较，若f(pbest_c(t))＞f(gbest_c(t-1))，则更新粒子的群体最 优位置gbest_c(t)＝pbest_c(t)，否则不更新；

步骤7：根据$p_{c,d}=\frac{T-t}{T}\beta {\mathrm{pbest}}_c+\frac{t}{T}(1-\beta ){\mathrm{gbest}}_c$计算局部吸 引子p_c,d，其中β～U(0,1)；

步骤8：按照公式X_c,d＝p_c,d±α|mbest-X_c,d|×ln(1/u)更新每个粒子的 位置，其中，X_c,d为粒子c位于第d维的值，α为搜索扩张系数， α＝0.5+0.5×(T-t)/T，u～U(0,1)；

步骤9：令迭代次数t＝t+1，并返回步骤4循环运算，直到满足 迭代终止条件，得出适应度函数f取得最大值时加权系数向量W与 分类器参数；

步骤10：根据加权系数向量W获得电子鼻信号的特征矩阵X， 并根据步骤9获得的分类器参数进行模式识别。

本发明首先将获取的原始电子鼻数据进行小波变换，然后对小波 系数进行加权处理，之后采用基于新型局部吸引子计算方式的一种改 进型量子粒子群算法，找到电子鼻模式识别率最到时对应的加权系 数，从而获得电子鼻信号的特征矩阵，然后将所得特征矩阵输入分类 器进行模式识别。本发明所述算法不仅优化传感器阵列和减少数据维 数，从而降低运算难度，减少运算量，而且增加了粒子前期遍历性和 后期局部寻优能力，提高了量子粒子群寻找全局最优值的能力，特别 针对伤口感染检测而言，提高了电子鼻的识别率，从而为医生选择适 当的治疗方法，促进伤口快速恢复提供了有益指导。

进一步的，所述小波系数的个数S为8个。

更进一步的，所述传感器的个数n取20，所述实验次数m取80， 且80次实验中包括一种未感染的气体实验和三种病菌感染的气体实 验，每种气体实验各20次。

结合伤口感染检测的应用需要，样本训练时，所述三种病菌感染 的气体实验所选择的病菌分别为绿脓杆菌、大肠杆菌和金黄葡萄球 菌。

作为优选，种群规模N为80，粒子维数为传感器个数n，最大 迭代次数T为3000。

作为更进一步描述，所述分类器采用支持向量机，该分类器的参 数分别为径向基核函数的尺度因子与软间隔支持向量机的惩罚因子。

本发明的显著效果是：不仅能够优化传感器阵列和减少数据维 数，从而降低运算难度，减少运算量，而且增加了粒子前期遍历性和 后期局部寻优能力，在迭代次数限定的情况下，最大程度的提升量子 粒子群算法寻找全局最优的能力，特别针对伤口感染检测而言，能够 对电子鼻信号进行多参数同步优化，提高了电子鼻的识别率，从而为 医生选择适当的治疗方法，促进伤口快速恢复提供了有益指导。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步 详细说明。

本实施例中所使用的电子鼻数据采集自20只6-8周龄的雄性斯 普拉格-杜勒大鼠体重225-250克，每个实验均在常压、恒温并且室 内环境湿度相同的条件下进行。此外，所有雄性斯普拉格-杜勒大鼠 的大小、重量和健康状况在同一级别。

数据采集：将20只大鼠随机分成四组，包括1个非感染组和分 别感染绿脓杆菌、大肠杆菌以及金黄葡萄球菌的3个感染组。实验阶 段的第一步，在每一个老鼠的后腿切出长约1cm的小口，然后分别 采用100ul规格为109CFU/毫升的绿脓杆菌或大肠杆菌或金黄葡萄球 菌细菌溶液感染上述各感染组大鼠的伤口；同时，采用相同体积的生 理盐水即0.9％NaCl溶液感染到非感染组大鼠的伤口。72小时后，本 例采用包括15个气体传感器、一个温度传感器、一个湿度传感器和 一个压力传感器总共18个传感器构建电子鼻传感器阵列进行伤口气 体数据采集，并分别对每只大鼠进行五次实验，即每种伤口气体各完 成20次，总共获得80组数据。

如图1所示，本实施例采用以下技术方案对所采集的电子鼻信号 进行处理，步骤如下：

一种基于改进型量子粒子群算法的电子鼻参数同步优化算法，按 照以下步骤进行：

首先进入步骤1：获取20个传感器的80次实验数据，得到原始 样本矩阵M表示为$M=\left(\begin{array}{ccccc}{x}_{11}& x_{12}& x_{13}& ...& x_{1n}\\ x_{21}& x_{22}& x_{23}& ...& x_{2n}\\ & & .& & \\ & & .& & \\ & & .& & \\ x_{m1}& x_{m2}& x_{m3}& ...& x_{\mathrm{mn}}\end{array}\right),$

其中，m＝80，n＝20，(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数据， 采样数目为k；

进入步骤2：对原始样本矩阵M进行小波变换，得到S＝8个感兴 趣的小波系数，而在使用小波系数构建电子鼻的特征矩阵时，有时感 兴趣的小波系数不止一个，而每个小波系数在表征特征时，都发挥着 不同程度的作用，任何系数的丢弃都可能导致关键信息的丢失。因此 本实施例根据每个小波系数在保证电子鼻模式识别正确率中发挥的 作用，对所获得小波系数进行采用加权模型进行整合，进而获得一个 比较理想的伤口感染检测电子鼻特征矩阵。

首先，将感兴趣的小波系数记作w_j,s，j＝1～n,s＝1～S，其中，S 表示感兴趣的小波系数的总数。那么小波系数加权求和模型可表示为 即按照该公式对S个小波系数进行加权处理，其中， 表示第j个传感器新获得的特征，该特征就是最终获得的用于表 征某个传感器在某次采样中的特征；w_j,s为第j个传感器的第s个小 波系数，a_s^*是第s个小波系数的权重系数，并且所有的加权系数之 和等于1，即为了实现依据对电子鼻做出正确判断的重要 性对w_j,s进行加权，因此需要借助优化算法对a_s^*的设置进行寻优；为 了使产生的对应于每个传感器的所有加权系数的总和等于1，因此优 化算法中的系数是按照进行处理所得，其中a_s为小波系 数加权求和模型中第s个小波系数的权重系数。

另外，本例中选择的分类器是支持向量机(SVM)，由于分类器 的参数径向基核函数与惩罚因子对分类效果有很大影响，因此本例中 对分类器参数与小波加权系数a_s进行同步优化。

进入步骤3：确定适应度函数f，本例中即为电子鼻的模式识别 正确率，然后建立基于权重系数a_s以及分类器参数的量子粒子群，设 定搜索空间维数为D＝20，种群规模为N＝80，最大迭代次数为T为 3000，当前迭代次数t＝1，并初始化种群中每个粒子的当前位置X_c(0) 和每个粒子的个体最优位置pbest_c＝X_c(0)，c为粒子序号，c＝1～N；

步骤4：按照

$\mathrm{mbest}=\frac{1}{N}\underset{c=1}{\overset{N}{\Sigma }}{\mathrm{pbest}}_c=\frac{1}{N}(\underset{c=1}{\overset{N}{\Sigma }}{\mathrm{pbest}}_{c,1},\underset{c=1}{\overset{N}{\Sigma }}{\mathrm{pbest}}_{c,2},...,\underset{c=1}{\overset{N}{\Sigma }}{\mathrm{pbest}}_{c,d},...)$计算粒子间的 平均最佳位置mbest，其中，pbest_c,d为粒子c第d维的个体最优位置， d＝1～D；

步骤5：根据目标函数f计算当前迭代次数t下每个粒子的适应 度值，并将其与该粒子前次迭代的个体最好位置pbest_c(t-1)的适应度 值比较，若f(X_c(t))＞f(pbest_c(t-1))，则更新粒子的个体最优位置 pbest_c(t)＝X_c(t)，否则不更新；

步骤6：计算当前迭代次数t下每个粒子的个体最好位置pbest_c(t) 的适应度值，并将其与前次迭代的群体最优位置gbest_c(t-1)的适应度 值进行比较，若f(pbest_c(t))＞f(gbest_c(t-1))，则更新粒子的群体最 优位置gbest_c(t)＝pbest_c(t)，否则不更新；

步骤7：当迭代次数趋于无穷时，标准量子粒子群算法可以保证 收敛到全局最优点，但在实际应用量子粒子群寻优的过程中，迭代次 数总是被限定的，因此标准量子粒子群无法保证每次运行都找到全局 最优。另外，量子粒子群的不确定性可保证标准量子粒子群算法中的 每一个粒子能够出现在搜索空间的任何一个位置，在一定程度上保证 了粒子分布的多样性，但这样做也有可能导致的一个不利结果是：在 迭代的初期，需要粒子分布具有遍历性时，所有的粒子过早地朝某一 位置集中，在迭代的后期，原本已经非常接近全局最优位置的粒子会 在下次迭代时跳到一个远离全局最优的位置。

故本实施例中的从粒子个体最优位置pbest_c,d和群体最优位置 gbest_c的加权系数入手，以保证在迭代初期粒子群的遍历性，并在后 期具有良好的局部寻优能力。分析可知，当pbest_c,d的系数较大时，粒 子在确定下个位置时更听从于自己的经验，而不盲目地向其它粒子靠 拢，从而保证了遍历性，当该系数较小时，粒子在确定下个位置时更 听从于其它粒子的经验，也即更听从于群体经验，从而保证了所有粒 子在某一局部展开寻优，而不会轻易跳出。

因此本例中，根据$p_{c,d}=\frac{T-t}{T}\beta {\mathrm{pbest}}_c+\frac{t}{T}(1-\beta ){\mathrm{gbest}}_c$计算局 部吸引子p_c,d，其中β～U(0,1)；

步骤8：按照公式X_c,d＝p_c,d±|mbest-X_c,d|×ln(1/u)更新每个粒子的 位置，其中，X_c,d为粒子c位于第d维的值，α为搜索扩张系数， α＝0.5+0.5×(T-t)/T，u～U(0,1)；

步骤9：令迭代次数t＝t+1，并返回步骤4循环运算，直到满足 迭代终止条件，得出适应度函数f取得最大值时加权系数向量W与 分类器参数；

步骤10：根据加权系数向量W获得电子鼻信号的特征矩阵X， 并根据步骤9获得的分类器参数进行模式识别。

将采用本方案中的优化算法与几种传统优化方法重复运行10 次，并将所得的模式识别结果进行对比，如表1所示：

表1 不同优化算法对应的电子鼻模式识别率(SVM)

算法 训练集判别识别率(％) 总找到次数 PSO 89.87 5 SPSO 91.14 6 SQPSO 92.41 9 EQPSO 93.97 10

注：总找到次数是指在10次重复运行过程中，各优化算法寻找到表中所示识别率的总 次数

从表1可以看出，基于不同优化算法的参数同步优化模型在进行 伤口感染检测电子鼻的智能算法系统参数优化时，效果最不理想的是 粒子群算法(PSO)，其寻找到的电子鼻判别识别率(89.87％)明显 小于其它优化方法，并且找到89.87％的次数也仅仅只有5次。标准 粒子群算法(SPSO)的效果虽好于PSO，但提升幅度并不明显。标 准量子粒子群算法(SQPSO)在10次运行中，有9次找到了92.41％， 明显好于粒子群算法。同时可以看到，所有四种优化算法中，本文中 所述的改进型量子粒子群算法(EQPSO)找到的判别识别率最大， 并且所有的10次运算都搜索到了该值(93.97％)。

因此，基于本文所述基于EQPSO算法的电子鼻参数同步优化模 型在对伤口电子鼻信号模式识别时，不仅能够实现优化传感器阵列和 减少数据维数，降低运算难度，减少运算量，而且增加了粒子前期遍 历性和后期局部寻优能力，提高了量子粒子群寻找全局最优值的能 力，特别针对伤口感染检测而言，识别率要高于其他传统优化算法。

最后需要说明的是，本发明提出的EQPSO算法不仅可用来优化 小波加权系数和分类器的参数，在电子鼻信号处理过程中，所有数据 处理环节的参数都可以通过设置，最终到达电子鼻参数全局同步优 化。