一种基于OS-ELM的电子鼻在线气体浓度预测方法技术

本发明专利技术提供一种基于OS

【技术实现步骤摘要】
一种基于OS
‑
ELM的电子鼻在线气体浓度预测方法


[0001]本专利技术属于传感器
，一种基于OS
‑
ELM电子鼻系统的在线气体浓度预测方法。

技术介绍

[0002]电子鼻是一种由硬件与软件相结合构成的人工嗅觉系统，其中包括传感器阵列、信号处理模块以及模式识别算法。其中模式识别算法是电子鼻系统中最为关键的一部分，目前来说许多高精度传感器无法用简单的线性转换公式将电信号转换成为成实际浓度值，模式识别算法的效果对气体识别的结果影响大。
[0003]电子鼻的气体识别算法主要分为气体成分识别和气体浓度预测。其中气体成分识别属于定性分析，电子鼻将辨析混合气体中的气体成分；而气体浓度预测属于定量分析，电子鼻系统需要根据已知样本的信息对未知样本的实际浓度值进行预测，定量分析过程更加困难。
[0004]电子鼻系统的气体浓度预测算法主要面临两个问题：一是预测过程中的准确度问题；二是在训练过程中出现新的一批样本时，模型反复重新训练造成的训练成本问题。在实际应用中，气体浓度并不是单一固定的，因此为了保障预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于OS
‑
ELM电子鼻系统的在线气体浓度预测方法，其特征在于包括以下步骤：步骤1)利用第一批样本对模型进行初始训练；步骤2)依据输入样本批次号进行在线训练；步骤3)利用迭代更新后的最终模型对样本测试集进行预测。2.根据权利要求1所述的一种基于OS
‑
ELM电子鼻系统的在线气体浓度预测方法，其特征在于：所述步骤1)包括以下步骤：步骤11)输入第一批样本数据D1；步骤12)对该批数据进行数据预处理对数值差异大、数据量纲大的数据进行归一化处理，然后对原始数据进行PCA处理，得到经过数据降维后的样本集D
pca
，样本的特征维度为N；步骤13)将样本集D
pca
划分为D
train
＝{x,y}和D
test
＝{x
test
,y
test
},将D
train
输入到ELM模型中进行训练；步骤14)利用改进的PSO算法搜索ELM神经网络中输入层到隐含层权值a和隐含层偏置β，将D
test
预测结果的评价函数作为PSO算法目标函数y(t)进行优化，设置PSO算法最大迭代次数为n；步骤15)在迭代过程中PSO算法的惯性权重因子ω随迭代次数发生改变，其中迭代次数t∈[0,n],惯性权重因子在迭代前期值相对较大，后期较小能够使PSO算法前期全局搜索能力强，后期局部搜索能力强,惯性权重因子ω∈[ω
min
,ω
max
]变化方式为指数形式下降：学习因子c1和c2也会影响PSO算法搜索能力，因此随惯性权重因子ω同步变化，c1、c2∈[c
min
,c
max
]，学习因子的变化函数为：c1＝c
min
+w
t
c2＝c
max
‑
w
t
根据惯性权重因子和学习因子更新PSO算法中每个粒子的速度值：更新粒子的当前位置：判断当前粒子i目标函数值y(t)是否优于当前粒子的个体最优值如果优于则替代当前的判断当前粒子的最优解是否优于全局最优...

【专利技术属性】
技术研发人员：陶洋，朱梓涵，杜黎明，谭锐，申婷婷，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：