基于pso-svm的白酒品質(zhì)鑒別電子鼻

1、創(chuàng)新與借鑒中國(guó)釀造2011年第11期總第236期149基于PSOSVM的白酒品質(zhì)鑒別電子鼻蔣鼎國(guó)1，周紅標(biāo)：，耿忠華：(淮陰工學(xué)院科技處，江蘇淮安223003；2淮陰工學(xué)院電子與電氣工程學(xué)院，江蘇淮安223003)摘要：研制一套白酒品質(zhì)識(shí)別電子鼻，對(duì)檢測(cè)樣品的氣味數(shù)據(jù)進(jìn)行預(yù)處理，提取穩(wěn)態(tài)響應(yīng)值，并作為支持向量機(jī)(supportvectormachine，SVM)分類(lèi)模型的輸入。為提高識(shí)別的準(zhǔn)確度，利用粒子群算法(particles3Va

2、lmoptimization，PSO)來(lái)優(yōu)化SVM的參數(shù)C和g。不同品質(zhì)的白酒所對(duì)應(yīng)的電子鼻傳感器響應(yīng)特性不同，PSOSVM分類(lèi)模型的識(shí)別準(zhǔn)確率達(dá)到了975％。結(jié)果證明基于PSOSVM分類(lèi)模型具有較強(qiáng)的學(xué)習(xí)能力和泛化能力，可用于白酒品質(zhì)鑒別電子鼻。關(guān)鍵詞：白酒識(shí)別；電子鼻；支持向量機(jī)：粒子群算法中圖分類(lèi)號(hào)：TS2617文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：0254—5071(2011)”014帥4Liquorrecognitionelectronic

3、nosebasedonPSOSVMJIANGDinggu01，ZHOUHongbia02GENGZhonghua2‘1D印anmentofScienceandTechnologyHuaiyinInstituteofTechnology_rIuaiyin223003China；2FacultyofElectronicandElectricalEngineeringnuaiyinInstituteofTechologynusim223003

4、China)Abs恤lct：Inthispapertheclassificationmodelofsupportvectormachine(SVM)forliquorswasestablishedToimprovetheaccuracyoftypicalsamplesthemodelingparameterscandgforSVMⅥ恤optimizedbyparticleffwalmoptimization(Pso)Thesimulat

5、iveresultsindicatedthattheclassificationaccuracyoffourkindsofliquorssampleswhichwefeacquir錢(qián)lbyelectronicnosereached975％basedonPSOSVMTheliquorsrecognitionelectronicnosehaddifferentcharacteristicrespollSesignalsforthemwhic

6、hcouldrecognizeYanghe，JinshiyuanShuanggeandErgnotouThePSOSVMmodelhasgoodabilitybothinlearningandgeneralizationandthealgorithmcallbeeffectivelyusedinliquorsrecognitionbyelectronicnoseKeywords：liquorrecognition；electronicn

7、oses“l(fā)pportV∞tolrmachine；particleswarmoptimization目前，白酒品質(zhì)的鑒別主要是通過(guò)感官評(píng)定和化學(xué)分析法檢測(cè)【n。感官評(píng)定就是評(píng)酒員憑眼觀(guān)、嘴品、鼻子聞等感官手段對(duì)酒體進(jìn)行評(píng)價(jià)；化學(xué)分析法主要是利用色譜儀、光譜儀和毛細(xì)管電泳儀等快速檢測(cè)出白酒的主體成分構(gòu)成。顯而易見(jiàn)，感官評(píng)定容易受到評(píng)酒員身體狀況、情緒及評(píng)酒環(huán)境的影響，化學(xué)方法只分析主體成分，對(duì)復(fù)雜酒體構(gòu)成缺乏整體反映。電子鼻是20世紀(jì)90

8、年代發(fā)展起來(lái)的一種新穎的分析、識(shí)別和檢測(cè)復(fù)雜嗅味和揮發(fā)性成分的人工嗅覺(jué)系統(tǒng)，得到的不是被測(cè)樣品中某種或某幾種成分的定性與定量結(jié)果，而是樣品中揮發(fā)性成分的整體信息，也稱(chēng)為“指紋’信息。電子鼻主要是由氣體傳感器陣列、信號(hào)處理單元和模式識(shí)別單元3部分組成，模式識(shí)別是對(duì)氣味信息及其特征建立相應(yīng)的數(shù)學(xué)模型，以達(dá)到對(duì)樣品氣味的全面分類(lèi)，識(shí)別算法的好壞將直接關(guān)系到電子鼻系統(tǒng)最終識(shí)別效果，有著舉足輕重的地位[21。目前，國(guó)內(nèi)外電子鼻模式識(shí)別算法主要有統(tǒng)

9、計(jì)模式識(shí)別和人工神經(jīng)網(wǎng)絡(luò)[34]。前者包括主成分分析(PCA)、線(xiàn)性判別分析(LDA)、判別因子分析(DFA)和聚類(lèi)分析(C砧等，他們都是線(xiàn)性判別方法，有時(shí)候不能有效實(shí)現(xiàn)判別；后者包括BP神經(jīng)網(wǎng)絡(luò)(BPNN)、概率神經(jīng)網(wǎng)絡(luò)㈣)、學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)(LVQ)和支持向量機(jī)(SVM)等，由于人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線(xiàn)性處理能力，更適合于電子鼻這樣一個(gè)模擬生物鼻的非線(xiàn)性系統(tǒng)，但BPNN存在易陷入局部極小和收斂速度慢等缺點(diǎn)。建立在統(tǒng)計(jì)學(xué)習(xí)理論基

10、礎(chǔ)之上，采用VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的支持向量機(jī)(SVM)方法是一種新的機(jī)器學(xué)習(xí)方法，它很好的解決了小樣本、非線(xiàn)性、高維數(shù)、局部極小等問(wèn)題【習(xí)。粒子群算法(PSO)t6l是最近幾年發(fā)展起來(lái)的一種新的進(jìn)化算法，具有收斂速度快、魯棒性高等特點(diǎn)，已經(jīng)成功解決了支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)中參數(shù)優(yōu)化問(wèn)題。因此，本文提出了粒子群算法優(yōu)化支持向量機(jī)的電子鼻模式識(shí)別算法。首先采用日本費(fèi)加羅TGS系列的5種氣體傳感器構(gòu)建一套電子鼻系統(tǒng)，以420洋河藍(lán)

11、色經(jīng)典等4種樣品作為測(cè)試對(duì)象，采集原始?xì)馕稊?shù)據(jù)進(jìn)行預(yù)處理，提取穩(wěn)態(tài)響應(yīng)值；然后利用粒子群算法優(yōu)化支持向量機(jī)參數(shù)C和g，并將每個(gè)樣本的5個(gè)穩(wěn)態(tài)值輸入到PSOSVM分類(lèi)器中進(jìn)行識(shí)別研究；最后與BP、SVM、GASVM3種分類(lèi)模型的識(shí)別準(zhǔn)確率進(jìn)行了對(duì)比分析。試驗(yàn)結(jié)果表明：該方法不僅能夠取得良好的分類(lèi)效果，而且診斷精度要明顯高于上述3種模型，更加適合應(yīng)用于白酒品質(zhì)的電子鼻檢測(cè)。收稿日期：20110726基金項(xiàng)目：江蘇省高校自然科學(xué)基金資助項(xiàng)目(

12、08KJA460001)；江蘇省教育廳成果轉(zhuǎn)化項(xiàng)目0h1049)：淮安市科技支撐項(xiàng)目(SNl045)：淮陰工學(xué)院科技項(xiàng)目(HGCl009)作者簡(jiǎn)介：蔣鼎國(guó)(1964)，男，江蘇淮安人，副教授，研究方向?yàn)橹悄苄畔⑻幚砣f(wàn)方數(shù)據(jù)創(chuàng)新與借鑒中國(guó)釀造2011年第11期總第236期151自身的最優(yōu)適應(yīng)度值進(jìn)行比較，如果更優(yōu)，則將粒子當(dāng)前的位置作為該粒子的最優(yōu)位置。步驟3：將各粒子的自身最優(yōu)位置適應(yīng)度值與群體最優(yōu)位置的適應(yīng)度值比較，如果更優(yōu)，則將該粒

13、子的最優(yōu)位置作為群體的最優(yōu)位置。步驟4：根據(jù)步驟2及步驟3更新粒子的速度和位置。步驟5：檢查是否達(dá)到預(yù)先設(shè)定的最大迭代次數(shù)或預(yù)設(shè)精度，即是否滿(mǎn)足尋優(yōu)結(jié)束條件，若滿(mǎn)足則結(jié)束尋優(yōu)，求出最優(yōu)解；否則轉(zhuǎn)至步驟2，繼續(xù)新一輪搜索。2實(shí)驗(yàn)結(jié)果與討論由于5路傳感器采集的原始?xì)馕稊?shù)據(jù)點(diǎn)數(shù)較多，直接利用原始數(shù)據(jù)進(jìn)行建模是不可行的，在建模之前必須進(jìn)行降維或特征提取。在白酒電子鼻中，我們采取的方法是截取一段傳感器穩(wěn)態(tài)響應(yīng)曲線(xiàn)，并按照下面的公式求取特征值：三F

14、二sx=乞l讓12／n(1)hl式中1，：表示第X個(gè)傳感器n個(gè)穩(wěn)態(tài)響應(yīng)點(diǎn)中第k點(diǎn)的序列值，實(shí)驗(yàn)時(shí)，n取3000。那么對(duì)于一個(gè)測(cè)試樣品就有5個(gè)特征值，再加上一個(gè)標(biāo)簽(藍(lán)色經(jīng)典定義為1號(hào)、藍(lán)地球定義為2號(hào)、好運(yùn)來(lái)定義為3號(hào)、二鍋頭定義為4號(hào))，就組成一個(gè)120行6列的實(shí)驗(yàn)數(shù)據(jù)，表1列出了8個(gè)氣味樣品特征值數(shù)據(jù)(每個(gè)樣本選2個(gè))。裘1部分?jǐn)?shù)據(jù)樣本Table1Pamalsampledata序號(hào)FSFs2F二s3Fs4rs，標(biāo)簽l86208778

15、4706747268901293199408547586137894l386909017448082587602249260913848058584777625942594135153883180093695699567540492258217379604940653019242790848982497365635948281384從120個(gè)樣本中選取80組(每個(gè)樣品20個(gè))數(shù)據(jù)作為訓(xùn)練集，剩余40組(每個(gè)樣品10個(gè))作為測(cè)試集。對(duì)訓(xùn)練

16、集和測(cè)試集數(shù)據(jù)統(tǒng)一采用[0，l】歸一化。本研究SVM、GASVM和PSO—SVM3種模型的建立采用的是臺(tái)灣大學(xué)林智仁教授等開(kāi)發(fā)的libsvm工具箱，它能解決CSVC等問(wèn)題，能實(shí)現(xiàn)多類(lèi)分類(lèi)。對(duì)于SVM分類(lèi)模型，算法中采用交叉驗(yàn)證法尋找一定意義下最佳的參數(shù)C和g。交叉驗(yàn)證的基本思想是在某種意義下將原始數(shù)據(jù)進(jìn)行分組，一部分作為訓(xùn)練集，另一部分作為驗(yàn)證集171。其方法是首先用訓(xùn)練集對(duì)分類(lèi)器進(jìn)行訓(xùn)練，再利用驗(yàn)證集來(lái)測(cè)試訓(xùn)練得到的模型，以得到的分類(lèi)

17、準(zhǔn)確率作為評(píng)價(jià)分類(lèi)器的性能指標(biāo)。仿真測(cè)試時(shí)首先給C和g設(shè)置一個(gè)較大的變化范圍進(jìn)行粗略尋找，然后根據(jù)參數(shù)粗略選擇等高線(xiàn)圖對(duì)參數(shù)設(shè)置一個(gè)更合理的變化范圍以進(jìn)行精細(xì)尋找，主要用到的是libsvm工具箱中SVMcgForClass函數(shù)。粗略尋找時(shí)將C和g的范圍都設(shè)置成2。o~2m，在精細(xì)尋找時(shí)，將工具箱中的cmin、cmax、gmin、gmax、v、cStela、gstep、accstep參數(shù)分別設(shè)置為0、6、0、6、4、05、05、09，表示

18、此時(shí)參數(shù)C和g的范圍都是20~2s、以2”步進(jìn)取值，并給測(cè)試集分4塊進(jìn)行交叉驗(yàn)證，最后顯示準(zhǔn)確率圖時(shí)的步進(jìn)為2姻，此時(shí)最佳的C和g分別為113和4525，訓(xùn)練集和測(cè)試集的分類(lèi)準(zhǔn)確率分別為100％和875％(RBF核)。為了說(shuō)明核函數(shù)類(lèi)型對(duì)分類(lèi)結(jié)果的影響，本研究對(duì)線(xiàn)性核、多項(xiàng)式核、徑向基核和Sigmoid核分別進(jìn)行了測(cè)試，得到的結(jié)果如表2所示。可見(jiàn)，對(duì)于白酒氣味數(shù)據(jù)的識(shí)別采用徑向基核函數(shù)獲得的分類(lèi)準(zhǔn)確率最高。表2采用不同核函數(shù)白酒識(shí)別結(jié)果

19、對(duì)比Table2Oompadsonofanalysisofliquorbydifferentkernelfunction對(duì)于GASVM分類(lèi)模型，主要是通過(guò)遺傳算法的選擇、交叉和變異3個(gè)基本操作is]來(lái)優(yōu)化SVM的參數(shù)c和g，模型的建立包括參數(shù)設(shè)定、種群初始化、適應(yīng)度計(jì)算和遺傳操作等步驟。GA的參數(shù)選擇為：種群規(guī)模為50，進(jìn)化次數(shù)為100次，交叉概率為04，變異概率為002。GA優(yōu)化SVM時(shí)適應(yīng)度變化曲線(xiàn)如圖3所示。898887蜊崔86蚓