技術(shù)特征：
1.一種基于韋恩預(yù)測的電子鼻數(shù)據(jù)挖掘方法，其特征在于，包括以下步驟：S01、獲取m個傳感器的n次實驗數(shù)據(jù)，得到原始樣本矩陣M，原始樣本矩陣表示為：其中，是一個向量，表示第i次實驗第j個傳感器隨采樣時間得到的采樣點數(shù)據(jù)，采樣點數(shù)目為s；S02、提取原始樣本矩陣M中每次實驗每個傳感器的s個采樣點中的最大響應(yīng)值，得到最大值特征矩陣X，最大值特征矩陣表示為：其中，是一個標(biāo)量，表示第i次實驗第j個傳感器s個采樣點數(shù)據(jù)中的最大值；對n次實驗的樣本種類進行編號1，2...k，k代表原始樣本的種類數(shù)，生成樣本的標(biāo)簽Y；得到樣本矩陣Z＝[XY]，zi＝{xi，yi}，i＝{1，2，...，n}；S03、將樣本矩陣Z分為訓(xùn)練集Str和測試集Ste，Str＝{z1，z2，...，zr-1}；抽取測試集中某一樣本zt進行預(yù)測；S04、假設(shè)yt＝y(tǒng)，y∈{1，2，...k}；新的數(shù)據(jù)集Zt＝[z1，z2，...，zr-1，zt]；S05、對于Zt中的每一個樣本zj，j＝{1，2，...r-1，t}，其他樣本構(gòu)成新的訓(xùn)練集進行建模，然后對zj進行預(yù)測，得到它的預(yù)測種類bj；S06、預(yù)測類別為bt的樣本集合中包括zt＝(xt，y)；令py是這個集合中不同類別的經(jīng)驗概率分布，py是Y上的概率分布；(x*，y*)是預(yù)測類別為bt的所有樣本的集合，y’的取值是1到k；S07、返回步驟S04，令y逐一等于1到k中的每一個值，重復(fù)步驟S05和S06，最終得到對于樣本zt的韋恩預(yù)測器Pt＝{py：yt∈Y}；Pt是一個K*K的概率矩陣；定義Pt每一列的最小項為q，具有最大q值的列為jbest；zt的預(yù)測種類是jbest，預(yù)測正確的概率區(qū)間是S08、逐一對步驟S03中測試集的樣本進行預(yù)測，得到相應(yīng)的韋恩預(yù)測器P，預(yù)測種類jbest和預(yù)測正確的概率區(qū)間；最終求出模型的預(yù)測的準(zhǔn)確率以及所有預(yù)測樣本預(yù)測正確的概率區(qū)間的并集。2.根據(jù)權(quán)利要求1所述的一種基于韋恩預(yù)測的電子鼻數(shù)據(jù)挖掘方法，其特征在于，建模和預(yù)測的過程如下：用新的訓(xùn)練集的數(shù)據(jù)，選擇One-vs-One的方式進行svm建模得到模型；數(shù)據(jù)集中可能的種類{1，2，...k}，有k(k-1)/2個二分類的svm模型；對于每一個可能的種類，有k-1個相關(guān)的二分類svm的決策函數(shù)；對于新的訓(xùn)練集的每一個樣本x，計算融合的決策函數(shù)D(x)，是在One-vs-One的svm模型中，通過max-wins投票方式求得的預(yù)測種類；N(f)將f值歸一化至[01]區(qū)間；對D(x)運用k平均聚類算法，找出k個中心點；對樣本zj，求出它的融合決策函數(shù)值D(xj)，找到離它最近的中心點，求出它的預(yù)測種類bj。3.根據(jù)權(quán)利要求1所述的一種基于韋恩預(yù)測的電子鼻數(shù)據(jù)挖掘方法，其特征在于，步驟S03中訓(xùn)練集和測試集是按照10-folds交叉檢驗的方法進行劃分，即對每種類別的樣本劃分為10份，每次取其中1份作為訓(xùn)練集，其他9份作為測試集，重復(fù)10次直到所有樣本都作為測試樣本1次。4.根據(jù)權(quán)利要求1或2所述的一種基于韋恩預(yù)測的電子鼻數(shù)據(jù)挖掘方法，其特征在于，svm模型選擇的核函數(shù)是RBF，其中參數(shù)gamma和C通過網(wǎng)格法進行優(yōu)化。5.根據(jù)權(quán)利要求1或2所述的一種基于韋恩預(yù)測的電子鼻數(shù)據(jù)挖掘方法，其特征在于，傳感器的個數(shù)m取16，所述實驗次數(shù)n取175。6.根據(jù)權(quán)利要求2所述的一種基于韋恩預(yù)測的電子鼻數(shù)據(jù)挖掘方法，其特征在于，是二分類svm分類器的決策方程，如果太于i，則取反。7.根據(jù)權(quán)利要求1所述的一種基于韋恩預(yù)測的電子鼻數(shù)據(jù)挖掘方法，其特征在于，步驟S05中k平均聚類算法的距離計算為歐氏距離，最大迭代次數(shù)為100次，初始中心點為[1.5，2.5，...，k+0.5]。