基于新型QPSO RBM技术增强电子鼻的性能

提出了一种基于电子鼻技术的细菌检测分类新技术,即基于量子行为粒子群优化的受限玻尔兹曼机(QPSO-RBM)。 为了提高QPSO-RBM技术的性能,在RBM的训练过程中分别采用了三个训练目标功能。 QPSO-RBM中采用了一种新的同步优化方法,以确保研究最佳性能。 通过比较这三种训练目标函数的分类性能,我们发现判别式训练目标比其他两种方法具有更好的效果。 已经开发了从时域和频域提取的四种特征,以证明该分类技术对四种不同类别的伤口的有效性。 当采用小波系数作为特征时,QPSO-RBM表现最佳。 然后探讨了RBM中隐藏节点的数量与模型识别率之间的联系。 最后,将QPSO-RBM与四个现有分类器进行比较:根基基函数神经网络(RBFNN),支持向量机(SVM),k最近邻(KNN)和线性判别分析(LDA)。 结果表明,QPSO-RBM优于四个分类器。