基于pso-svm的白酒品質鑒別電子鼻

1、創(chuàng)新與借鑒中國釀造2011年第11期總第236期149基于PSOSVM的白酒品質鑒別電子鼻蔣鼎國1，周紅標：，耿忠華：(淮陰工學院科技處，江蘇淮安223003；2淮陰工學院電子與電氣工程學院，江蘇淮安223003)摘要：研制一套白酒品質識別電子鼻，對檢測樣品的氣味數(shù)據(jù)進行預處理，提取穩(wěn)態(tài)響應值，并作為支持向量機(supportvectormachine，SVM)分類模型的輸入。為提高識別的準確度，利用粒子群算法(particles3Va

2、lmoptimization，PSO)來優(yōu)化SVM的參數(shù)C和g。不同品質的白酒所對應的電子鼻傳感器響應特性不同，PSOSVM分類模型的識別準確率達到了975％。結果證明基于PSOSVM分類模型具有較強的學習能力和泛化能力，可用于白酒品質鑒別電子鼻。關鍵詞：白酒識別；電子鼻；支持向量機：粒子群算法中圖分類號：TS2617文獻標識碼：A文章編號：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lbyelectronicnosereached975％basedonPSOSVMTheliquorsrecognitionelectronicnosehaddifferentcharacteristicrespollSesignalsforthemwhic

6、hcouldrecognizeYanghe，JinshiyuanShuanggeandErgnotouThePSOSVMmodelhasgoodabilitybothinlearningandgeneralizationandthealgorithmcallbeeffectivelyusedinliquorsrecognitionbyelectronicnoseKeywords：liquorrecognition；electronicn

7、oses“l(fā)pportV∞tolrmachine；particleswarmoptimization目前，白酒品質的鑒別主要是通過感官評定和化學分析法檢測【n。感官評定就是評酒員憑眼觀、嘴品、鼻子聞等感官手段對酒體進行評價；化學分析法主要是利用色譜儀、光譜儀和毛細管電泳儀等快速檢測出白酒的主體成分構成。顯而易見，感官評定容易受到評酒員身體狀況、情緒及評酒環(huán)境的影響，化學方法只分析主體成分，對復雜酒體構成缺乏整體反映。電子鼻是20世紀90

8、年代發(fā)展起來的一種新穎的分析、識別和檢測復雜嗅味和揮發(fā)性成分的人工嗅覺系統(tǒng)，得到的不是被測樣品中某種或某幾種成分的定性與定量結果，而是樣品中揮發(fā)性成分的整體信息，也稱為“指紋’信息。電子鼻主要是由氣體傳感器陣列、信號處理單元和模式識別單元3部分組成，模式識別是對氣味信息及其特征建立相應的數(shù)學模型，以達到對樣品氣味的全面分類，識別算法的好壞將直接關系到電子鼻系統(tǒng)最終識別效果，有著舉足輕重的地位[21。目前，國內外電子鼻模式識別算法主要有統(tǒng)

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

10、礎之上，采用VC維理論和結構風險最小化原則的支持向量機(SVM)方法是一種新的機器學習方法，它很好的解決了小樣本、非線性、高維數(shù)、局部極小等問題【習。粒子群算法(PSO)t6l是最近幾年發(fā)展起來的一種新的進化算法，具有收斂速度快、魯棒性高等特點，已經(jīng)成功解決了支持向量機、人工神經(jīng)網(wǎng)絡中參數(shù)優(yōu)化問題。因此，本文提出了粒子群算法優(yōu)化支持向量機的電子鼻模式識別算法。首先采用日本費加羅TGS系列的5種氣體傳感器構建一套電子鼻系統(tǒng)，以420洋河藍

11、色經(jīng)典等4種樣品作為測試對象，采集原始氣味數(shù)據(jù)進行預處理，提取穩(wěn)態(tài)響應值；然后利用粒子群算法優(yōu)化支持向量機參數(shù)C和g，并將每個樣本的5個穩(wěn)態(tài)值輸入到PSOSVM分類器中進行識別研究；最后與BP、SVM、GASVM3種分類模型的識別準確率進行了對比分析。試驗結果表明：該方法不僅能夠取得良好的分類效果，而且診斷精度要明顯高于上述3種模型，更加適合應用于白酒品質的電子鼻檢測。收稿日期：20110726基金項目：江蘇省高校自然科學基金資助項目(

12、08KJA460001)；江蘇省教育廳成果轉化項目0h1049)：淮安市科技支撐項目(SNl045)：淮陰工學院科技項目(HGCl009)作者簡介：蔣鼎國(1964)，男，江蘇淮安人，副教授，研究方向為智能信息處理萬方數(shù)據(jù)創(chuàng)新與借鑒中國釀造2011年第11期總第236期151自身的最優(yōu)適應度值進行比較，如果更優(yōu)，則將粒子當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)位置適應度值與群體最優(yōu)位置的適應度值比較，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：檢查是否達到預先設定的最大迭代次數(shù)或預設精度，即是否滿足尋優(yōu)結束條件，若滿足則結束尋優(yōu)，求出最優(yōu)解；否則轉至步驟2，繼續(xù)新一輪搜索。2實驗結果與討論由于5路傳感器采集的原始氣味數(shù)據(jù)點數(shù)較多，直接利用原始數(shù)據(jù)進行建模是不可行的，在建模之前必須進行降維或特征提取。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)響應曲線，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個傳感器n個穩(wěn)態(tài)響應點中第k點的序列值，實驗時，n取3000。那么對于一個測試樣品就有5個特征值，再加上一個標簽(藍色經(jīng)典定義為1號、藍地球定義為2號、好運來定義為3號、二鍋頭定義為4號)，就組成一個120行6列的實驗數(shù)據(jù)，表1列出了8個氣味樣品特征值數(shù)據(jù)(每個樣本選2個)。裘1部分數(shù)據(jù)樣本Table1Pamalsampledata序號FSFs2F二s3Fs4rs，標簽l86208778

15、4706747268901293199408547586137894l386909017448082587602249260913848058584777625942594135153883180093695699567540492258217379604940653019242790848982497365635948281384從120個樣本中選取80組(每個樣品20個)數(shù)據(jù)作為訓練集，剩余40組(每個樣品10個)作為測試集。對訓練

16、集和測試集數(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灣大學林智仁教授等開發(fā)的libsvm工具箱，它能解決CSVC等問題，能實現(xiàn)多類分類。對于SVM分類模型，算法中采用交叉驗證法尋找一定意義下最佳的參數(shù)C和g。交叉驗證的基本思想是在某種意義下將原始數(shù)據(jù)進行分組，一部分作為訓練集，另一部分作為驗證集171。其方法是首先用訓練集對分類器進行訓練，再利用驗證集來測試訓練得到的模型，以得到的分類

17、準確率作為評價分類器的性能指標。仿真測試時首先給C和g設置一個較大的變化范圍進行粗略尋找，然后根據(jù)參數(shù)粗略選擇等高線圖對參數(shù)設置一個更合理的變化范圍以進行精細尋找，主要用到的是libsvm工具箱中SVMcgForClass函數(shù)。粗略尋找時將C和g的范圍都設置成2。o~2m，在精細尋找時，將工具箱中的cmin、cmax、gmin、gmax、v、cStela、gstep、accstep參數(shù)分別設置為0、6、0、6、4、05、05、09，表示

18、此時參數(shù)C和g的范圍都是20~2s、以2”步進取值，并給測試集分4塊進行交叉驗證，最后顯示準確率圖時的步進為2姻，此時最佳的C和g分別為113和4525，訓練集和測試集的分類準確率分別為100％和875％(RBF核)。為了說明核函數(shù)類型對分類結果的影響，本研究對線性核、多項式核、徑向基核和Sigmoid核分別進行了測試，得到的結果如表2所示?？梢姡瑢τ诎拙茪馕稊?shù)據(jù)的識別采用徑向基核函數(shù)獲得的分類準確率最高。表2采用不同核函數(shù)白酒識別結果

19、對比Table2Oompadsonofanalysisofliquorbydifferentkernelfunction對于GASVM分類模型，主要是通過遺傳算法的選擇、交叉和變異3個基本操作is]來優(yōu)化SVM的參數(shù)c和g，模型的建立包括參數(shù)設定、種群初始化、適應度計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時適應度變化曲線如圖3所示。898887蜊崔86蚓