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