基于PSVM-LSTM的电子鼻信号长期漂移抑制方法与流程

技术特征：

1.一种基于psvm-lstm的网络的电子鼻长期漂移抑制方法，其特征在于，包括以下步骤：

步骤一：对当前t时间段内的电子鼻数据进行预处理，提取数据集的特征作为输入，并记录该数据集所对应的标签，即t时间段的完整数据集可表示为

其中，为当前t时间段数据集的第i个电子鼻样本对，m为电子鼻样本数，t∈{1,2,…k}，k表示时间段的总数；此时m个电子鼻传感器在t时间段的特征矩阵和标签可分别记为和

步骤二：利用pso粒子群算法优化向量机形成psvm分类器，即所述向量机分类器中的惩罚因子c和径向基函数g根据pso粒子群优化算法得到；对当前t时间段的数据集st进行训练学习得到psvm分类器ft(x)，提取该psvm分类器ft(x)的模型参数作为新的特征矩阵fn,t；

步骤三：重复步骤一和步骤二，对k个时间段的电子鼻数据集进行相同处理；

步骤四：构建长短期记忆网络预测模型，将由步骤三得到的每个时间段t的特征矩阵fn,t作为所述长短期记忆网络的特征输入in＝[fn,1,fn,2,…fn,k]，将延时一个时间段后的特征矩阵fn,t+1作为该网络的输出out＝[fn,2,fn,3,…fn,k+1]；

步骤五：采用动量随机梯度下降法训练步骤四的网络模型，直至得到稳定收敛。

2.根据权利要求1所述的基于psvm-lstm网络的电子鼻长期漂移抑制方法，其特征在于，所述步骤二中的惩罚因子c和径向基函数g由以下公式获得：

vi^ω＝θ·vi^ω+p1×τ×(c^ω-μi^ω)+p2×τ×(g^ω-μi^ω)(2)

其中，i为粒子数目，ω为迭代次数，θ为惯性因子(非负数)，vi为粒子速度，p1和p2为学习因子，μi为粒子当前的位置，τ为(0，1)范围内的随机数。

3.根据权利要求1所述的基于psvm-lstm网络的电子鼻长期漂移抑制方法，其特征在于，所述步骤一中的数据预处理主要包括电子鼻内传感器测量的原始信号降噪和归一化处理，该原始信号包含传感器的稳态响应特征和瞬态响应特征，处理后的信号特征值xi^t为n×1向量形式，某一时间段t是稳定常量，样本数m不小于100，被测分析物即数据集对应的标签采用二进制编码。

4.根据权利要求1或者2所述的基于psvm-lstm网络的电子鼻长期漂移抑制方法，其特征在于，所述步骤二中的psvm分类器ft(x)采用基于高斯核函数的多分类支持向量机，所述psvm分类器ft(x)模型参数为权值wt和偏置bt，从而新特征矩阵可记为fn,t＝[wt,bt]，所述权值wt和偏置bt通过如下公式获得：

其中，αi为拉格朗日乘子，且αi≥0；δi为松弛变量；c为psvm分类器ft(x)的惩罚因子；g为psvm分类器ft(x)的径向基函数；l(wt,bt,α)为无约束的拉格朗日函数，为最优化目标函数。

5.根据权利要求1所述的基于psvm-lstm的电子鼻长期漂移抑制方法，其特征在于，所述步骤四中的长短期记忆网络预测模型构建如下：将步骤三中得到的每个时间段t的特征矩阵fn,t接入一个lstm单元，构成特征输入in＝[fn,1,fn,2,…fn,k]，同时将k个lstm单元设计为双层结构从而构成双层lstm网络，然后在lstm层2再接入一个全连接层，所述全连接层输出out＝[fn,2,fn,3,…fn,k+1]。

6.根据权利要求1或5所述的基于psvm-lstm网络的电子鼻长期漂移抑制方法，其特征在于，所述psvm-lstm网络的每个lstm单元为含有遗忘门ft、输入门it、输出门ot及时备选状态的标准递归神经网络模块，遗忘门ft、输入门it、输出门ot即时备选状态通过以下公式获得：

ft＝σ(wf·[xt,ht-1]+bf)(5)

it＝σ(wi·[xt,ht-1]+bi)(6)

ot＝σ(wo·[xt,ht-1]+bo)(7)

其中，wf及bf表示遗忘门的权值和偏置、wi及bi表示输入门的权值和偏置、wo及bo表示输出门的权值和偏置、wc及bc表示即时备选状态的权值和偏置；σ为激活函数，“门”状态的激活采用sigmoid函数即时备选状态的激活采用tanh函数

当前时间段lstm单元的隐层输出ht由输出门ot与当前单元状态ct共同决定，当前状态ct的输出可由遗忘门ft、上一时刻状态ct-1、输入门it、即时备选状态共同决定；而lstm单元在下一时间段的即时状态输出可由隐层输出ht、psvm-lstm整体网络输出层权值矩阵w以及偏置项b共同决定，计算公式如下所示：

ht＝ot⊙tanh(ct)(10)

式中，符号⊙表示按元素乘，所述长短期记忆网络的全连接层输出在每个时刻t是相互独立的，其输出同样可表示为的形式即fn,t+1，其中来自前一层的输入即fn,t，w和b初始化范围为(0，1)。

7.根据权利要求6所述的基于psvm-lstm网络的电子鼻长期漂移抑制方法，其特征在于，权值矩阵w和偏置项b通过动量随机梯度下降法迭代获得，计算公式如下：

vdw＝β·vdw+(1-β)·dw(12)

vdb＝β·vdb+(1-β)·db(13)

w＝w-αvdw,b＝b-αvdb(14)

其中，dw和db分别为权值、偏置的微分，vdw和vdb分别为权值动量因子、偏置动量因子,是梯度下降量与梯度更新量的矢量和；α和β是连个超参数,通常β设置为0.9,α为学习速率。

8.根据权利要求7所述的基于psvm-lstm网络的电子鼻长期漂移抑制方法，其特征在于，所述步骤五的psvm-lstm网络的训练中，动量随机梯度下降法迭代过程中采用的损失函数为平均绝对误差函数，计算公式如下所示：

其中，yti为yt中单个预测输出值，tti为步骤一中数据集对应的标签，m为电子鼻样本数，k为时间段总数。

9.根据权利要求7所述的基于psvm-lstm网络的电子鼻长期漂移抑制方法，其特征在于，所述动量随机梯度下降法中初始学习速率α＝0.01，初始最大迭代次数为250。

技术总结
本发明公开了一种基于PSVM‑LSTM的电子鼻信号长期漂移抑制方法，包括如下步骤：1、数据预处理得到St；2、对时刻t的数据训练得到PSVM分类器ft(x)，提取该ft(x)的参数形成fN,t；3、重复步骤一及二，对k个时间段的电子鼻数据集进行相同处理；4、构建LSTM预测模型；5、采用动量随机梯度下降法训练上述网络模型；将每个短时段内训练的PSVM分类器参数看作为长周期时间序列的一个时刻信号，根据当前及其之前的时序数据对未来某一时刻的PSVM分类器状态进行实时预测和更新，LSTM网络保留长期、稳定等有用的参数信息，遗忘掉随时间漂移造成的偏差等不符信息，解决了现有学习器没有长周期时间序列信号处理、无法随着长期数据增加进行实时更新、自适应性和长期稳定性较弱的问题。

技术研发人员：章伟;冯李航;陈铭
受保护的技术使用者：南京益得冠电子科技有限公司
技术研发日：2020.12.24
技术公布日：2021.03.30