一种对混合气体浓度进行回归预测的电子鼻宽度学习方法技术

本发明专利技术涉及电子鼻技术领域，具体公开了一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，包括步骤：S1.选择不同的稀疏正则化参数、特征节点收缩参数和初始随机映射矩阵赋值方法，构建基于宽度学习模型的多个增强宽度学习模型；S2.获取样本集，并按照预设比例划分为训练数据集和测试数据集；S3.采用训练数据集对多个增强宽度学习模型进行训练，并记录对应的训练时间；S4.采用测试数据集对训练后的多个增强宽度学习模型进行测试，记录回归预测错误率；S5.综合训练时间和回归预测错误率，决出性能最优的增强宽度学习模型作为电子鼻回归预测模型。和其他回归预测算法相比，基于宽度学习的回归预测模型不仅缩短了训练时间，还降低了回归预测错误率。

【技术实现步骤摘要】
一种对混合气体浓度进行回归预测的电子鼻宽度学习方法
本专利技术涉及电子鼻
，尤其涉及一种对混合气体浓度进行回归预测的电子鼻宽度学习方法。
技术介绍
电子鼻(E-nose)由气体传感器阵列、特征提取和模式识别算法组成，具有与生物嗅觉系统相似的功能。目前，电子鼻已广泛用于许多领域，例如环境监测、疾病检测、农业、食品存储等。由于人类一生的大部分时间都在室内度过，因此室内的污染物气体对人体的健康和生活质量产生了很大的影响。因此，有必要设计出室内气体浓度的实时监控方法。电子鼻是分析气体的有效方法，可以有效地进行室内气体浓度的回归预测分析。在将电子鼻应用于气体浓度回归预测和分析之前，需要收集大量数据样本以训练模型。但是，在模型的实际训练中，存在一个问题：通常基于神经网络建立的回归预测算法，由于网络结构的复杂性，一方面需要较长的训练时间，另一方面，最终的预测结果往往无法满足实际需求。
技术实现思路
本专利技术提供一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，解决的技术问题是：目前基于神经网络对电子鼻建立的回归预测算法模型，由于网络结构的复杂性，需要较长的训练时间，同时最终的预测结果往往无法满足实际需求。为解决以上技术问题，本专利技术提供一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，包括步骤：S1.选择不同的稀疏正则化参数、特征节点收缩参数和初始随机映射矩阵赋值方法，构建基于宽度学习模型的多个增强宽度学习模型；S2.获取样本集，并按照预设比例划分为训练数据集和测试数据集；S3.采用训练数据集对多个所述增强宽度学习模型进行训练，并记录对应的训练时间；S4.采用测试数据集对训练后的多个所述增强宽度学习模型进行测试，记录回归预测错误率；S5.综合所述训练时间和所述回归预测错误率，决出性能最优的增强宽度学习模型作为电子鼻回归预测模型。进一步地，在所述步骤S1中，所述稀疏正则化参数的选择范围在2^-30～0.0002之间。优选的，所述电子鼻回归预测模型的稀疏正则化参数为0.00002。进一步地，在所述步骤S1中，所述特征节点收缩参数的选择范围在1e-4～1e-2之间。优选的，所述电子鼻回归预测模型的为特征节点收缩参数为1e-3。进一步地，在所述步骤S1中，所述初始随机映射矩阵赋值方法的选择项有高斯分布、指数分布、泊松分布、瑞利分布、对数正态分布、连续均匀分布、β分布。优选的，所述电子鼻回归预测模型的初始随机映射矩阵赋值方法为高斯分布。进一步地，在所述步骤S2中，所述样本集包括至少十种气体浓度值指标，每种所述气体浓度值指标对应至少100个样本；所述预设比例为训练数据集：测试数据集，所述预设比例在4:1～2:1之间；所述气体浓度值指标为至少两种测量气体按照第1～N预设浓度组合进行混合后的混合气体浓度，N≥10。优选的，所述预设比例为3:1。优选的，所述气体浓度值指标为甲烷和乙烯按照第1～38预设浓度组合进行混合后的混合气体浓度。本专利技术提供的一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，基于宽度学习系统或模型(BLS)，在BLS中更改了初始随机映射矩阵赋值方法、稀疏正则化参数、特征节点收缩参数，构建了多个增强宽度学习模型(步骤S1)，并采用训练数据集对各个增强宽度学习模型进行训练(步骤S3)以及采用测试数据集进行测试(步骤S4)，最后综合训练的时间和测试时的回归预测错误率，选出性能最优的增强宽度学习模型作为电子鼻回归预测模型(或被称为增强BLS)(步骤S5)，增强BLS不仅缩短了训练时间，还降低了回归预测错误率。实验结果表明，综合训练时间(越短越好)、回归预测错误率(越低越好)，增强BLS优于BLS、基于BLS的其他增强宽度学习模型、反向传播神经网络(BPNN)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)和线性回归(LR)等方法。附图说明图1是本专利技术实施例提供的用于数据采集的实验装置结构图；图2是本专利技术实施例提供的现有BLS的结构图；图3是本专利技术实施例提供的不同随机数生成方法生成的随机数分布图；图4是本专利技术实施例提供的训练数据集中不同赋值方法的回归预测误差；图5是本专利技术实施例提供的测试数据集中不同赋值方法的回归预测误差。具体实施方式下面结合附图具体阐明本专利技术的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本专利技术的限定，包括附图仅供参考和说明使用，不构成对本专利技术专利保护范围的限制，因为在不脱离本专利技术精神和范围基础上，可以对本专利技术进行许多改变。随机向量函数链接神经网络(RVFLNN)具有非常简单的平面网络结构，并且可以将映射特征作为其输入，因此它消除了训练时间长的缺点，并且提供了强大的函数逼近泛化能力。目前，RVFLNN具有逼近泛化能力，已被广泛用于分类和回归。宽度学习系统(BLS)是基于RVFLNN思想的回归模型，由C.L.PhilipChen在2018年提出。与RVFLNN不同，BLS将原始输入数据生成的映射特征和增强特征相结合以形成新的特征矩阵，然后将该矩阵用作模型的实际输入。这样做的好处有两个方面。一方面，可以提取数据中更多的代表性特征，以使回归预测结果更好。另一方面，还可以处理高维(甚至是无穷维)数据，因此该模型具有更好的数据处理能力。到目前为止，它已应用于漂移补偿、图像分类、时间序列预测等。BLS是一种简单的平面网络结构，不同于复杂的深度神经网络。BLS的结构如图1所示。BLS首先通过随机权重和偏置将原始输入数据映射转换为映射特征，并将其存储在特征节点中。然后，通过相似的随机权重和偏置将特征节点扩展为增强节点。最后，所有特征节点和增强节点水平连接并输入到网络中，输入和输出之间的连接权重可以通过岭回归算法获得。详细的推导过程如下。假设输入数据集为X，第i个映射特征Zi(特征节点)由线性映射函数生成，如下所示：Zi＝φi(XWei+βei)(1)其中，Wei和βei是随机生成的维度适当的权重和偏置，φi是线性映射函数。Zi＝[Z1,Z2,...,Zi]表示特征映射矩阵。第j组增强节点生成为：Hj＝ξj(ZiWhj+βhj)(2)其中，Whj和βhj是随机生成的维度适当的权重和偏置，ξj是非线性映射函数。与上一步类似，Hj＝[H1,H2,...,Hj]。通过建模任务的复杂性来选择i和j的值。监督学习任务，例如回归，通常需要良好的特征输入才能获得更好的结果。在生成特征节点的过程中，权重和偏置是随机生成的。但是，随机性是不可预测的。为了克服随机性的本质，将稀疏自动编码器用于微调随机生成的Wei和βei。稀疏特征学习模型可以探索数据的最基本特征。假设BLS网络中有n组特征映射和m组增强映射，获得的BLS特征由A＝[Zm|Hn]表示。因此，BLS网络的输出Y可以表示为：Y＝AW(3)其中W是网络的连接权重。W的计算公式可以表示本文档来自技高网...

【技术保护点】
1.一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于，包括步骤：/nS1.选择不同的稀疏正则化参数、特征节点收缩参数和初始随机映射矩阵赋值方法，构建基于宽度学习模型的多个增强宽度学习模型；/nS2.获取样本集，并按照预设比例划分为训练数据集和测试数据集；/nS3.采用训练数据集对多个所述增强宽度学习模型进行训练，并记录对应的训练时间；/nS4.采用测试数据集对训练后的多个所述增强宽度学习模型进行测试，记录回归预测错误率；/nS5.综合所述训练时间和所述回归预测错误率，决出性能最优的增强宽度学习模型作为电子鼻回归预测模型。/n

【技术特征摘要】
1.一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于，包括步骤：
S1.选择不同的稀疏正则化参数、特征节点收缩参数和初始随机映射矩阵赋值方法，构建基于宽度学习模型的多个增强宽度学习模型；
S2.获取样本集，并按照预设比例划分为训练数据集和测试数据集；
S3.采用训练数据集对多个所述增强宽度学习模型进行训练，并记录对应的训练时间；
S4.采用测试数据集对训练后的多个所述增强宽度学习模型进行测试，记录回归预测错误率；
S5.综合所述训练时间和所述回归预测错误率，决出性能最优的增强宽度学习模型作为电子鼻回归预测模型。


2.如权利要求1所述的一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于，在所述步骤S1中，所述稀疏正则化参数的选择范围在2^-30～0.0002之间。


3.如权利要求2所述的一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于，所述电子鼻回归预测模型的稀疏正则化参数为0.00002。


4.如权利要求1所述的一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于，在所述步骤S1中，所述特征节点收缩参数的选择范围在1e-4～1e-2之间。


5.如权利要求4所述的一种对混合气体浓度进行回归预测的电子鼻宽度学习方...

【专利技术属性】
技术研发人员：贾鹏飞，王宇，崔豪，曹文，
申请(专利权)人：西南大学，
类型：发明
国别省市：重庆;50