Feature Extraction of Electronic Nose Signals Using QPSO-Based Multiple KFDA Signal Processing.
Feature Extraction of Electronic Nose Signals Using QPSO-Based Multiple KFDA Signal Processing.
复制标题
使用基于 QPSO 的多重 KFDA 信号处理对电子鼻信号进行特征提取（开放获取）
DOI：
10.3390/s18020388
复制
发表时间：
2018-01-29
期刊：
影响因子：
--
通讯作者：
He Z
中科院分区：
文献类型：
--
作者：
Wen T;Yan J;Huang D;Lu K;Deng C;Zeng T;Yu S;He Z
本研究的目的是提高电子鼻（E-nose）在不同检测应用中的分类准确性。在电子鼻预测不同气味类型的学习过程中，由于从传感器响应中提取的原始特征被视为分类器的输入，没有进行任何特征提取处理，因此预测精度不太令人满意。因此，为了获得更多有用的信息，提高电子鼻的分类精度，本文提出了一种结合量子行为粒子群优化(QPSO)的加权核Fisher判别分析(WKFDA)，即QWKFDA，对原始特征矩阵进行重新处理。此外，我们还将所提出的方法与许多现有的方法进行了比较，包括主成分分析（PCA）、局部保留投影（LPP）、费舍尔判别分析（FDA）和核费舍尔判别分析（KFDA）。实验结果证明，QWKFDA是电子鼻预测伤口感染和可燃气体类型的有效特征提取方法，其分类精度远高于对比方法。
The aim of this research was to enhance the classification accuracy of an electronic nose (E-nose) in different detecting applications. During the learning process of the E-nose to predict the types of different odors, the prediction accuracy was not quite satisfying because the raw features extracted from sensors’ responses were regarded as the input of a classifier without any feature extraction processing. Therefore, in order to obtain more useful information and improve the E-nose’s classification accuracy, in this paper, a Weighted Kernels Fisher Discriminant Analysis (WKFDA) combined with Quantum-behaved Particle Swarm Optimization (QPSO), i.e., QWKFDA, was presented to reprocess the original feature matrix. In addition, we have also compared the proposed method with quite a few previously existing ones including Principal Component Analysis (PCA), Locality Preserving Projections (LPP), Fisher Discriminant Analysis (FDA) and Kernels Fisher Discriminant Analysis (KFDA). Experimental results proved that QWKFDA is an effective feature extraction method for E-nose in predicting the types of wound infection and inflammable gases, which shared much higher classification accuracy than those of the contrast methods.
登录
查看更多内容
影响因子：
8.4
作者：
Fonollosa, J.;Fernandez, L.;Marco, S.
通讯作者：
Marco, S.
影响因子：
2.3
作者：
Liu, Xiao-Zhang;Feng, Guo-Can
通讯作者：
Feng, Guo-Can
影响因子：
8.4
作者：
Lin, YJ;Guo, HR;Hong, RI
通讯作者：
Hong, RI
基于多核方法的电子鼻应用新型极限学习机分类模型
DOI：
10.3390/s17061434
发表时间：
2017-06-19
期刊：
Sensors (Basel, Switzerland)
影响因子：
--
作者：
Jian Y;Huang D;Yan J;Lu K;Huang Y;Wen T;Zeng T;Zhong S;Xie Q
通讯作者：
Xie Q
影响因子：
3.1
作者：
Tsuda, K;Uda, S;Asai, K
通讯作者：
Asai, K