CN112000915B - 一种气体传感器阵列数据融合方法 - Google Patents

一种气体传感器阵列数据融合方法 Download PDF

Info

Publication number
CN112000915B
CN112000915B CN202010900326.5A CN202010900326A CN112000915B CN 112000915 B CN112000915 B CN 112000915B CN 202010900326 A CN202010900326 A CN 202010900326A CN 112000915 B CN112000915 B CN 112000915B
Authority
CN
China
Prior art keywords
fitness function
atomic
value
function value
search
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010900326.5A
Other languages
English (en)
Other versions
CN112000915A (zh
Inventor
高相铭
刘昴
程新龙
丁电宽
张文静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anyang Normal University
Original Assignee
Anyang Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anyang Normal University filed Critical Anyang Normal University
Priority to CN202010900326.5A priority Critical patent/CN112000915B/zh
Publication of CN112000915A publication Critical patent/CN112000915A/zh
Application granted granted Critical
Publication of CN112000915B publication Critical patent/CN112000915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种气体传感器阵列数据融合方法，采用动态自适应位置更新系数和高斯变异操作对传统的原子搜索算法进行改进，利用7个标准测试函数对改进后原子搜索算法进行寻优性能测试，最终能够找到测试函数的最小值，而且在所有的7个测试函数中，本算法的精度和收敛速度和均优于FOA、PSO和GA算法，将本算法运用到气体传感器阵列数据融合的广义平均算法中，结果表明，运用该方法能够成功获得满意的气体传感器阵列数据融合结果。

Description

一种气体传感器阵列数据融合方法
技术领域
本发明具体涉及一种气体传感器阵列数据融合方法，属于气体传感器阵列检测数据处理技术领域。
背景技术
单一气体传感器通常存在着交叉敏感特性，当应用于十分复杂的测试环境时，单个器件的性能已经无法满足实际测量精度的技术要求。采用多个气体传感器组成传感器阵列，并将其与模式识别技术相结合构建智能传感器系统，不仅能够解决单一气体传感器的选择性问题，而且能获得优于单个器件的灵敏度和稳定性。气体传感器阵列输出的多传感器数据经采集、加工、处理后，需要采用多传感器数据融合技术将其转换为感官评定指标值或组成成分的浓度值。多传感器数据融合技术能够把不同的传感器提供的局部数据资源加以综合，采用计算机技术对其进行多级别、多方面、多层次的分析和处理，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，降低其不确实性，获得被测对象的一致性解释与描述，从而得到关于目标状态或目标特征的判定。要使融合后的数据最逼近真实值，就要尽可能采用最适合的融合法则。实践证明，通过调整广义平均算法中的加权系数和模糊度来达到多传感器数据的融合，能够得到逼近真实数据的融合数据。因此寻找广义平均算法的加权系数和模糊度的最优组合成为这一问题的关键。
原子搜索算法是一种受分子动力学原理启发而提出的一种启发式全局智能优化算法。该算法模拟了不同位置的原子之间存在的吸引力和排斥力对原子运动状态的影响，并利用原子的质量来度量搜索空间中的原子是否处于最优位置，原子越重，搜索位置表示的解越好。利用原子搜索算法进行寻优问题求解时，原子的最优位置就是我们要寻找的最优解。原子搜索算法作为一种高效并行优化算法，非常适合解决非线性、不可微和多峰值函数的寻优问题，而广义平均算法的加权系数和模糊度值的最优组合是一种经典的非线性函数寻优问题，完全可以采用原子搜索算法进行求解，但是标准原子搜索算法存在容易陷入局部最优的缺点。
发明内容
针对现有技术存在的问题，本发明首先对原子搜索算法进行改进，然后将其应用于广义平均算法的加权系数和模糊度值的寻优组合搜索，从而解决气体传感器阵列的多传感器数据融合问题。
本发明的技术方案为：一种气体传感器阵列数据融合方法，其数据融合值采用广义平均算法来计算，计算公式为：
Figure 455502DEST_PATH_IMAGE001
，
式中，θ1，···，θn为气体传感器阵列所输出的n个传感器的测试数据，
p为模糊度值，
w1，···，wn分别为θ1，···，θn的加权系数，且满足
Figure 169380DEST_PATH_IMAGE002
；
其中加权系数w和模糊度值p的最优组合值采用改进后的原子搜索算法计算得到；
在所述改进后的原子搜索算法中，首先在原子搜索位置更新方程式中加入动态自适应位置更新系数λ，然后在每次迭代中加入高斯变异操作；
其中动态自适应位置更新系数λ的表达式为：
Figure 11434DEST_PATH_IMAGE003
，
式中Ttotal为算法的最大迭代次数，t为当前迭代次数；
高斯变异操作的公式为：
Figure 118DEST_PATH_IMAGE004
，
其中xd newbest是经过高斯变异后的最优位置，xd best为变异前的最优位置，N（0,1）为服从均值为0、方差为1的高斯随机分布函数。
进一步的，所述采用改进后的原子搜索算法计算加权系数w和模糊度值p的最优组合值的计算步骤如下：
（1）设置初始参数，分别为原子搜索空间数量N、最大搜索次数T max、原子空间维数D、原子的初速度vi d（0）和原子的初始空间位置xi d（0）进行赋值；
（2）计算原子搜索空间中每个原子的搜索空间位置的适应度函数值，记录最优的适应度函数值及其对应的搜索位置；
（3）计算每个原子的加速度值，计算每个原子的运动速度值，在原子搜索位置更新方程式中加入动态自适应位置更新系数λ后更新原子的搜索空间位置，重新计算每个原子的适应度函数值；
（4）将新的适应度函数值与原子位置未更新时的适应度函数值进行比较，如果新的适应度函数值优于原子位置未更新时的适应度函数值，则用新的适应度函数值及其对应的原子空间位置数据代替位置更新前的适应度函数值及其对应的原子空间位置，否则，保持原来的适应度函数值及其对应的原子空间位置数据不变；
（5）对更新后的原子搜索空间位置进行高斯变异操作，并计算高斯变异操作后的搜索空间位置对应的适应度函数值；
（6）将高斯变异操作后的搜索空间位置对应的适应度函数值与变异操作前的适应度函数值进行比较，如果高斯变异操作后的原子位置更好，则用新的适应度函数值及其对应的原子空间位置数据代替高斯变异操作前的适应度函数值及其对应的原子空间位置，否则，保持原来的适应度函数值及其对应的原子空间位置数据不变；
（7）判断是否达到最大搜索次数T max，如果是，则结束搜索并输出加权系数w和模糊度值p的最优组合值w1，···，wn，p及其对应的适应度函数值，否则，继续执行步骤（3）。
有益效果：本发明从两个方面同时对原子搜索算法进行了改进：首先，在原子搜索位置更新方程式中加入动态自适应位置更新系数，以平衡算法的全局搜索能力和局部搜索能力；然后，在每次迭代中加入高斯变异操作，使原子能够在更广泛的位置进行搜索，从而提高算法的全局搜索能力；接着将改进后的原子搜索算法计算得到广义平均算法中的加权系数和模糊度值的最优组合，得到了满意的多传感器数据融合结果，实现了气体传感器阵列数据的有效融合。
附图说明
图1为动态自适应位置更新系数曲线。
图2为优化后的原子搜索算法流程图。
图3 测试函数f 1的参数空间分布。
图4 四种算法对测试函数f 1进行极值寻优的过程对比。
图5 测试函数f 2的参数空间分布。
图6 四种算法对测试函数f 2进行极值寻优的过程对比。
图7 测试函数f 3的参数空间分布。
图8 四种算法对测试函数f 3进行极值寻优的过程对比。
图9 测试函数f4的参数空间分布。
图10 四种算法对测试函数f 4进行极值寻优的过程对比。
图11 测试函数f5的参数空间分布。
图12 四种算法对测试函数f5进行极值寻优的过程对比。
图13 测试函数f6的参数空间分布。
图14 四种算法对测试函数f 6进行极值寻优的过程对比。
图15 测试函数f 7的参数空间分布。
图16 四种算法对测试函数f7进行极值寻优的过程对比。
具体实施方式
下面结合附图对本发明做更详细的说明。
一、原子搜索算法
原子搜索算法是一种受分子动力学原理启发而提出的一种启发式智能算法。该算法模拟了不同位置的原子之间存在的吸引力和排斥力对原子运动状态的影响，并利用原子的质量来度量搜索空间中的原子是否处于最优位置，原子越重，搜索位置表示的解越好。因为较轻的原子以较大的加速度向较重的原子移动，可以在整个搜索空间中找到潜在的最优位置，而较重的原子产生较小的加速度，能够在局部搜索空间中找到最优位置。利用原子搜索算法进行寻优问题求解时，原子的最优位置就是我们要寻找的最优解。
由L-J势产生的原子间的排斥为原子的运动提供了原动力。在第t次迭代时，第i个原子和第j个原子之间产生的排斥力如式(1)所示，
Figure 283332DEST_PATH_IMAGE005
，
其中，d代表第d个维度，ε代表势井深度，σ代表长度尺度。
在搜索空间中，第i个原子受到其他原子的随机排斥力之和如式(2)所示，
Figure 771093DEST_PATH_IMAGE006
，
其中，Kbest是原子总体的一个子集，它由具有最佳适应度函数值的前K个原子组成，rand j 是一个取值范围为[0, 1]的随机常量。
在分子动力学中，原子间还同时存在吸引力，它直接影响着原子的运动。假设每个原子通过共价键连接到最重的原子，每个原子受到来自最重原子的吸引力如式(3)所示，那么该最重的原子所处位置为最优位置，
Figure 631602DEST_PATH_IMAGE007
，
其中β为系数，xd best（t）为第t次迭代时，最重原子所处的最佳位置。
在原子搜索算法中，利用原子质量来衡量搜索位置处解的优劣，原子质量m i (t)直接决定了原子加速值。原子质量的表达式如式(4)和式(5)所示，
Figure 627240DEST_PATH_IMAGE008
，
其中，Fiti（t）代表第i个原子在第t次迭代计算时的适应度函数值，Fitbest（t）和Fitworst（t）是第t次迭代时原子的适应度函数值的最大值和最小值；
适应度函数也称评价函数，是根据目标函数确定的用于区分群体中个体好坏的标准，总是非负的，一般情况下希望它的值越大越好。其形式取决于被优化函数的形式，如果被优化函数是求解最大值，则适应度函数与被优化函数一致；如果被优化函数是求解最小值，则适应度函数取被优化函数的倒数。
在原子间吸引力和排斥力的共同作用下，第i个原子在第t次迭代时的加速度如式（6）所示，
Figure 764960DEST_PATH_IMAGE009
。
在第t+1次迭代时，简化的原子的速度更新方程式和搜索位置更新方程式分别如式（7）和式（8）所示，
Figure 820641DEST_PATH_IMAGE010
。
二、原子搜索算法的改进
为克服标准原子搜索算法易陷入局部最优的缺点，提高算法的收敛速度，本发明专利从两个方面同时对算法进行改进：首先，在原子搜索位置更新方程式中加入动态自适应位置更新系数，以平衡算法的全局搜索能力和局部搜索能力；然后，在每次迭代中加入高斯变异操作，使原子能够在更广泛的位置进行搜索，从而提高算法的全局搜索能力。
二（1）、动态自适应位置更新系数
由原子搜索位置更新方程式（8）可知，标准原子搜索算法的位置更新系数为固定值1，这很容易使原子的位置更新陷入停滞状态，从而导致搜索空间的范围缩小，原子不能在整个搜索空间内动态平衡全局优化和局部搜索的关系。为解决此弊端，可以采用动态自适应位置更新系数，在迭代开始时，位置更新系数取接近于1的较大值，此时算法以较大的步长进行全局搜索，可以避免由于大量原子聚集而导致算法过早收敛的问题；随着迭代次数的增加，位置更新系数逐步变小，使算法以较小的步长进行局部搜索，有助于算法快速收敛到最优值附近，保证算法具有较强的局部搜索能力。
通过研究多种函数的波形后发现，余弦函数在π/2~π区间内的波形经过简单运算后，可以满足动态自适应位置更新系数的要求，其表达式如式 (9)所示，
Figure 669910DEST_PATH_IMAGE011
，
式中，Ttotal为算法的最大迭代次数，t为当前迭代次数。
动态自适应位置更新系数表达式对应的函数变化曲线如图1所示。
由图1可知，在迭代开始时，位置更新系数取较大值，搜索位置快速更新，算法以较大的步长进行全局搜索，使原子快速脱离初始位置，避免由于大量原子聚集而导致算法过早收敛的问题；随着迭代次数的增加，位置更新系数逐步变小且变化趋于平缓，此时算法以较小的步长进行局部细致搜索，有助于算法尽快收敛到最优值附近，保证算法具有较强的局部搜索能力。
改进后的原子搜索位置更新方程式如式(10)所示。
Figure 141343DEST_PATH_IMAGE012
，
其中：
Figure 54941DEST_PATH_IMAGE013
。
二（2）、高斯变异操作
由于标准原子搜索算法仍然存在早熟和陷入局部最优的问题，为此我们借鉴了遗传算法中的变异操作并引入高斯随机分布函数来解决此问题。即在每次迭代结束后，对原子搜索空间中位置最优原子个体的当前位置进行高斯变异操作，由于高斯随机分布函数具有正态分布的特性，因此高斯变异操作能够提高原子搜索空间的多样性和最优个体搜索过程的遍历性，确保原子搜索空间持续进化，有利于提高收敛速度，并避免陷入局部最优。高斯变异操作的方法如下，
Figure 219206DEST_PATH_IMAGE014
，
其中xd newbest是经过高斯变异后的最优位置，xd best为变异前的最优位置，N（0,1）为服从均值为0、方差为1的高斯随机分布函数。该分布函数的概率密度函数如式（13）所示：
Figure 523149DEST_PATH_IMAGE015
，
其中μ称为均值，σ称为标准差，当μ=0，σ=1时，称为标准正态分布。
高斯随机分布函数N（0,1）可以由如下方法得到：
function r = normrnd(mu,sigma,varargin);
if nargin < 2
error(message('stats:normrnd:TooFewInputs'));
end
[err, sizeOut] = statsizechk(2,mu,sigma,varargin{:});
if err > 0
error(message('stats:normrnd:InputSizeMismatch'));
end
sigma(sigma < 0) = NaN;
r = randn(sizeOut) .* sigma + mu;
例如：0.5377，0.8622，-0.4336，2.7694，0.7254，-0.2050，1.4090，-1.2075，0.4889， -0.3034 0.8884，-0.8095，0.3252，-1.7115，0.3192； 1.8339 ，0.3188，0.3426，-1.3499 ，-0.0631，-0.1241，1.4172，0.7172，1.0347，0.2939，-1.1471，-2.9443，-0.7549，-0.1022，0.3129，-2.2588，-1.3077，.5784，3.0349，0.7147，1.4897，0.6715，1.6302，0.7269，-0.7873，-1.0689 1.4384，1.3703，-0.2414，-0.8649即为一个3*15的高斯分布。
在当前搜索空间中进行高斯变异操作后，将会对搜索空间的更新产生较大的干扰，形成新的变异空间，使算法跳出局部最优。更新搜索空间后，计算每个位置的适应度值，即单个原子的重量，并用一个优秀的位置替换先前的位置。这既提高了搜索空间的多样性，又增强了原子搜索算法的局部搜索能力。
二（3）、改进后的原子搜索算法流程
本发明专利提出的改进后的原子搜索算法的运行过程如下。
（1）对算法的初始参数进行设置，为原子搜索空间数量N、最大搜索次数T max、原子空间维数D、原子的初速度vi d（0）和原子的初始空间位置xi d（0）进行赋值；
（2）计算原子搜索空间中每个原子的搜索空间位置的适应度函数值，记录最优的适应度函数值及其对应的搜索位置；
（3）采用公式（6）计算每个原子的加速度值，采用公式（7）计算每个原子的运动速度值，采用公式（10）更新原子的搜索空间位置，重新计算每个原子的适应度函数值；
（4）将新的适应度函数值与原子位置未更新时的适应度函数值进行比较，如果新的适应度函数值优于原子位置未更新时的适应度函数值，则用新的适应度函数值及其对应的原子空间位置数据代替位置更新前的适应度函数值及其对应的原子空间位置，否则，保持原来的适应度函数值及其对应的原子空间位置数据不变；
（5）采用公式（12）对更新后的原子搜索空间位置进行高斯变异操作，并计算高斯变异操作后的搜索空间位置对应的适应度函数值；
（6）将高斯变异操作后的搜索空间位置对应的适应度函数值与变异操作前的适应度函数值进行比较，如果高斯变异操作后的原子位置更好，则用新的适应度函数值及其对应的原子空间位置数据代替高斯变异操作前的适应度函数值及其对应的原子空间位置，否则，保持原来的适应度函数值及其对应的原子空间位置数据不变；
（7）判断是否达到最大搜索次数T max，如果是，则结束搜索并输出最佳搜索控制位置及其对应的适应度函数值，否则，继续执行步骤（3）。
改进后的原子搜索算法的流程图如图2所示。
三、改进后的原子搜索算法的性能测试
为了验证改进后的原子搜索算法的性能，选择了7个典型的标准测试函数进行最小值求解测试。7个标准的测试函数详情如表1所示。
表1 测试函数详情
Figure 893212DEST_PATH_IMAGE016
同时将改进后的原子搜索算法与果蝇优化算法（Fruit fly OptimizationAlgorithm，FOA）、粒子群优化算法（Particle Swarm optimization，PSO）和遗传算法（Genetic Algorithm，GA）的实验结果进行了对比分析。算法参数设置为搜索空间N的个数为30，函数维数D为20，最大搜索次数t为100。图3至图16为7个测试函数参数状态空间分布和四种算法对7个测试函数进行最小值求解时的收敛过程。
由图3至图16可以看出，改进后的原子搜索算法与FOA、PSO和GA相比较，前者均能够在小于100次的迭代运算是找到测试函数的最小值。即使本算法在求解的过程中短时陷入局部最优值，经过高斯变异操作后，仍能够跳出局部最优，最终找到测试函数的最小值。而且在所有的7个测试函数中，本算法的收敛速度均快于FOA、PSO和GA算法的收敛速度。
为了保证测试结果的准确性和科学性，分别对每种算法和每个测试函数的求解过程重复运行50次，最后求解50次运算结果的平均值和统计方差。最终实验结果对比情况如表2所示。
表2 运行50次后的平均值和统计方差结果对比
Figure 599000DEST_PATH_IMAGE017
由表2可以看出，对于测试函数f 1、f 4和f 6，本算法的寻优能力最强，比遗传算法的结果至少高2个数量级，比果蝇算法和粒子群算法的结果高一个数量级；对于测试函数f 2、f 3、f 5和f 7，本算法的寻优结果也是4中算法中最好的。实验数据表明，优化后的原子搜索算法不仅具有较强的全局寻优能力，而且具有稳定的寻优效果。
四、基于改进的原子搜索算法的气体传感器阵列数据融合
本发明专利所用的融合算法--广义平均算法的定义如下：
Figure 199746DEST_PATH_IMAGE018
，
其中，θ1，···，θn为气体传感器阵列所输出的n个传感器的数据；p为模糊度值； w1，···，wn分别为θ1，···，θn的加权系数，且满足
Figure 990984DEST_PATH_IMAGE002
，本例中设n=8。
由于被测试气体的真实浓度值可以通过标准测试仪器获得，因此通过改进的原子搜索算法对广义平均算法的模糊度值p和加权系数w进行最佳组合搜索，得到满意的模糊度值p和加权系数w后即可构建出该气体传感器阵列的最佳数据融合模型。
由于需要优化的参数分别为w1，w2，w3，w4，w5，w6，w7，w8，w9，p，共计9个参数，对应了改进的原子搜索算法中9个维度，即原子空间维数D=9。用于加权系数w和模糊度值p最佳组合搜索的改进原子搜索算法流程如下：
（1）对算法的初始参数进行设置，令原子搜索空间数量N=50、最大搜索次数T max=2000、原子空间维数D=9、原子的初速度vi d（0）和原子的初始空间位置xi d（0）均为0；
（2）计算原子搜索空间中每个原子的搜索空间位置的适应度函数值，记录最优的适应度函数值及其对应的搜索位置；
（3）采用公式（6）计算每个原子的加速度值，采用公式（7）计算每个原子的运动速度值，采用公式（10）更新原子的搜索空间位置，重新计算每个原子的适应度函数值；
（4）将新的适应度函数值与原子位置未更新时的适应度函数值进行比较，如果新的适应度函数值优于原子位置未更新时的适应度函数值，则用新的适应度函数值及其对应的原子空间位置数据代替位置更新前的适应度函数值及其对应的原子空间位置，否则，保持原来的适应度函数值及其对应的原子空间位置数据不变；
（5）采用公式（12）对更新后的原子搜索空间位置进行高斯变异操作，并计算高斯变异操作后的搜索空间位置对应的适应度函数值；
（6）将高斯变异操作后的搜索空间位置对应的适应度函数值与变异操作前的适应度函数值进行比较，如果高斯变异操作后的原子位置更好，则用新的适应度函数值及其对应的原子空间位置数据代替高斯变异操作前的适应度函数值及其对应的原子空间位置，否则，保持原来的适应度函数值及其对应的原子空间位置数据不变；
（7）判断是否达到最大搜索次数T max，如果是，则结束搜索并输出w1，w2，w3，w4，w5，w6，w7，w8，w9，p及其对应的适应度函数值，否则，继续执行步骤（3）。
最后得到优化后的参数值组合分别为：w 1=0.471, w 2=0.475, w 3=0, w 4=0.016, w 5=0, w 6=0.002, w 7=0, w 8=0, p=0.356，根据式（14）利用优化后的参数值计算气体传感器阵列数据的融合结果如表3所示。
表3 利用本算法对气体传感器阵列数据进行融合的结果
Figure 164739DEST_PATH_IMAGE019
由表3可知，气体传感器阵列数据的融合结果与期望值（实际的气体浓度值）的绝对误差除了一个为0.01，其他全部小于0.01，达到满意的气体传感器阵列融合效果。
本发明专利采用动态自适应位置更新系数和高斯变异操作对传统的原子搜索算法进行改进，利用7个标准测试函数对改进后原子搜索算法进行寻优性能测试，测试结果表明：本算法在求解的过程中即使短时陷入局部最优值，在经过高斯变异操作后，仍能够跳出局部最优，最终找到测试函数的最小值，而且在所有的7个测试函数中，本算法的精度和收敛速度和均优于FOA、PSO和GA算法。最后将本算法运用到气体传感器阵列数据融合的广义平均算法中，结果表明，运用该方法能够成功获得满意的气体传感器阵列数据融合结果。

Claims (2)

1.一种气体传感器阵列数据融合方法，其特征在于：数据融合值采用广义平均算法来计算，计算公式为：
Figure QLYQS_1
，
式中，θ1，···，θn为气体传感器阵列所输出的n个传感器的测试数据，
p为模糊度值，w1，···，wn分别为θ1，···，θn的加权系数，且满足
Figure QLYQS_2
；
其中加权系数w和模糊度值p的最优组合值采用改进后的原子搜索算法计算得到；
所述采用改进后的原子搜索算法计算加权系数w和模糊度值p的最优组合值的计算步骤如下：
（1）设置初始参数，分别为原子搜索空间数量N、最大搜索次数T max、原子空间维数D、原子的初速度vi d（0）和原子的初始空间位置xi d（0）进行赋值；
（2）计算原子搜索空间中每个原子的搜索空间位置的适应度函数值，记录最优的适应度函数值及其对应的搜索位置；
（3）计算每个原子的加速度值，计算每个原子的运动速度值，在原子搜索位置更新方程式中加入动态自适应位置更新系数λ后更新原子的搜索空间位置，重新计算每个原子的适应度函数值；
（4）将新的适应度函数值与原子位置未更新时的适应度函数值进行比较，如果新的适应度函数值优于原子位置未更新时的适应度函数值，则用新的适应度函数值及其对应的原子空间位置数据代替位置更新前的适应度函数值及其对应的原子空间位置，否则，保持原来的适应度函数值及其对应的原子空间位置数据不变；
（5）对更新后的原子搜索空间位置进行高斯变异操作，并计算高斯变异操作后的搜索空间位置对应的适应度函数值；
（6）将高斯变异操作后的搜索空间位置对应的适应度函数值与变异操作前的适应度函数值进行比较，如果高斯变异操作后的原子位置更好，则用新的适应度函数值及其对应的原子空间位置数据代替高斯变异操作前的适应度函数值及其对应的原子空间位置，否则，保持原来的适应度函数值及其对应的原子空间位置数据不变；
（7）判断是否达到最大搜索次数T max，如果是，则结束搜索并输出加权系数w和模糊度值p的最优组合值w1，···，wn，p及其对应的适应度函数值，否则，继续执行步骤（3）。
2.根据权利要求1所述的一种气体传感器阵列数据融合方法，其特征在于：所述动态自适应位置更新系数λ的表达式为：
Figure QLYQS_3
，
式中Ttotal为算法的最大迭代次数，t为当前迭代次数；
所述高斯变异操作的公式为：
Figure QLYQS_4
，
其中xd newbest是经过高斯变异后的最优位置，xd best为变异前的最优位置，N（0,1）为服从均值为0、方差为1的高斯随机分布函数。
CN202010900326.5A 2020-09-01 2020-09-01 一种气体传感器阵列数据融合方法 Active CN112000915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010900326.5A CN112000915B (zh) 2020-09-01 2020-09-01 一种气体传感器阵列数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010900326.5A CN112000915B (zh) 2020-09-01 2020-09-01 一种气体传感器阵列数据融合方法

Publications (2)

Publication Number Publication Date
CN112000915A CN112000915A (zh) 2020-11-27
CN112000915B true CN112000915B (zh) 2023-06-02

Family

ID=73465800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010900326.5A Active CN112000915B (zh) 2020-09-01 2020-09-01 一种气体传感器阵列数据融合方法

Country Status (1)

Country Link
CN (1) CN112000915B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951787A (zh) * 2015-06-17 2015-09-30 江苏大学 一种src框架下判别字典学习的电能质量扰动识别方法
CN110308649A (zh) * 2019-07-11 2019-10-08 东南大学 一种基于pso-soa融合算法的pid参数优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951787A (zh) * 2015-06-17 2015-09-30 江苏大学 一种src框架下判别字典学习的电能质量扰动识别方法
CN110308649A (zh) * 2019-07-11 2019-10-08 东南大学 一种基于pso-soa融合算法的pid参数优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A novel atom search optimization for dispersion coefficient estimation in groundwater;Weiguo Zhao et al;《Future Generation Computer Systems》;第91卷;601-610 *
An Improved Atom Search Optimization With Cellular Automata, a Lévy Flight and an Adaptive Weight Strategy;PU SUN et al;《IEEE Access》;第8卷;49137 - 49159 *
Modified Atom Search Optimization Based on Immunologic Mechanism and Reinforcement Learning;Yanming Fu et al;《Mathematical Problems in Engineering》;1-23 *

Also Published As

Publication number Publication date
CN112000915A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN110880369A (zh) 基于径向基函数神经网络的气体标志物检测方法及应用
CN112557034B (zh) 一种基于pca_cnns的轴承故障诊断方法
CN108182500A (zh) 基于加速寿命试验的弹药贮存可靠性预测方法
CN110675912B (zh) 一种基于结构预测的基因调控网络构建方法
CN105701512A (zh) 一种基于bbo-mlp和纹理特征的图像分类方法
CN101740029B (zh) 应用于基于矢量量化的说话人识别的三粒子协同优化方法
CN114444646A (zh) 一种基于改进多目标粒子群算法的函数测试方法
CN113012766A (zh) 一种基于在线选择性集成的自适应软测量建模方法
CN113033074A (zh) 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备
CN114004153A (zh) 一种基于多源数据融合的侵彻深度预测方法
CN116993548A (zh) 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统
CN112926251B (zh) 一种基于机器学习的滑坡位移高精度预测方法
CN112000915B (zh) 一种气体传感器阵列数据融合方法
CN113627075A (zh) 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法
CN111832645A (zh) 基于离散型乌鸦差分协同搜索算法的分类数据特征选择方法
CN113435628B (zh) 基于线性判别分析和ialo-elm的中长期径流预测方法及系统
CN114282440B (zh) 一种抽水蓄能机组调节系统鲁棒辨识方法
CN113379823B (zh) 基于构造等边平衡三角形smote算法的少数类样本生成方法
CN115062759A (zh) 一种基于改进型长短记忆神经网络的故障诊断方法
CN115394381A (zh) 一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置
CN116306199A (zh) 一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法
CN103617206A (zh) 基于自适应小生境的遗传聚类方法
CN109871953B (zh) fpRNA遗传算法的重油裂解过程小波神经网络建模方法
CN112308160A (zh) 一种k—均值聚类人工智能优化算法
CN116662859B (zh) 非遗文化数据特征选择方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant