基于电子鼻的特征提取及模式分类方法研究优秀毕业论文 参考文献 可复制黏贴.pdf

北京化工大学位论文原创性声明 本人郑重声明 所呈交的学位论文 是本人在导师的指导下 独立 进行研究工作所取得的成果 除文中已经注明引用的内容外 本论文不含 任何其他个人或集体已经发表或撰写过的作品成果 对本文的研究做出重 要贡献的个人和集体 均己在文中以明确方式标明 本人完全意识到本声 明的法律结果由本人承担 作者签名 塑鱼 日期 塑卫堡垒d2 自 关于论文使用授权的说明 学位论文作者完全了解北京化工大学有关保留和使用学位论文的规 定 即 研究生在校攻读学位期间论文工作的知识产权单位属北京化工大 学 学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘 允 许学位论文被查阅和借阅 学校可以公布学位论文的全部或部分内容 可 以允许采用影印 缩印或其它复制手段保存 汇编学位论文 保密论文注释 本学位论文属于保密范围 在上年解密后适用本授 权书 非保密论文注释 本学位论文不属于保密范围 适用本授权书 作者签名 益垄 日期 塑 垒垒丑兰亟 导师签名 金翌墨 日期 鱼f j 2 学位论文数据集 中图分类号 t p l 8 l 学科分类号 5 1 0 8 0 4 0 论文编号 1 0 0 1 0 2 0 1 1 0 7 6 6 密级 公开 学位授予单位代码 l o o l o 学位授予单位名称北京化工大学 作者姓名崔瑶学号 2 0 0 8 0 0 0 7 6 6 获学位专业名称控制科学与工程获学位专业代码 0 8 1 1 0 0 课题来源自选研究方向电子鼻模式识别 论文题目基于电子鼻的特征提取及模式分类方法研究 关键词电子鼻主成分分析核主成分分析支持向量机粒子群优化算法 论文答辩日期2 0 1 1 年5 月2 6 日事论文类型应用研究 学位论文评阅及答辩委员会情况 姓名职称工作单位学科专长 智能检测电子鼻模式 指导教师金翠云讲师北京化工大学 识别 评阅人1林伟国教授北京化工大学 检测技术与自动化装置 评阅人2王颖副教授北京化工大学光电检测技术 评阅人3 评阅人4 评阅人5 徽员脚王建林 教授北京化工大学 智能检测技术 答辩委员1赵众教授北京化工大学控制理论与控制工程 答辩委员2林伟国教授北京化工大学检测技术与自动化装置 答辩委员3王颖副教授北京化工大学光电检测技术 答辩委员4祝海江副教授北京化工大学模式识别与智能系统 答辩委员5 注 一 论文类型 1 基础研究2 应用研究3 开发研究4 其它 二 中图分类号在 中国图书资料分类法 查询 三 学科分类号在中华人民共和国国家标准 g b t1 3 7 4 5 9 学科分类与代码 中 查询 四 论文编号由单位代码和年份及学号的后四位组成 摘要 基于电子鼻的特征提取及模式分类方法研究 摘要 电子鼻作为一种模仿生物嗅觉系统的智能装置能够可靠并且快速的 实现对简单或复杂气味的辨别 相对于传统的气相色谱仪等昂贵的气体分 析仪器 它操作简单 分析结果可靠 且适合现场检测 因而广泛的应用 在食品 农业 医疗 环境检测等各行业 特征提取和模式识别是一个电 子鼻系统中的两个关键部分 其中特征提取很大程度上影响了分类模型的 可靠性以及对未知样本识别的准确性 模式识别是对特征提取后的信息再 进行适当处理 从而获得准确的气体成分和浓度的信息 因此研究先进的 特征提取和模式分类方法并将其应用到电子鼻系统中具有较高的理论研 究意义和实际应用价值 本文在论述了现有的特征提取和模式识别方法的基础上 基于电子鼻 系统 在特征提取方面 研究了传统的主成分分析法 在此基础上进一步 研究核主成分分析 并分别用这两种方法对两组不同类型的电子鼻数据进 行处理 在模式识别方面 在统计学习理论基础上重点研究了支持向量机 理论 并用该方法对不同浓度的c 0 c h 4 h 2 气体组成的三十个气体样 本进行定性识别 对不同浓度的c h 4 气体的三十个气体样本进行定量分 析 针对支持向量机核参数的选取问题 为进一步减小定量分析中的平均 相对误差 得到参数的最优组合 引入了粒子群优化算法对支持向量机的 参数进行优化 最后 研究了核主成分分析与支持向量机结合的算法 对 北京化t 大学硕 1 学位论文 高维的电子鼻数据进行处理并对实验结果进行讨论 通过上述的研究表明 核主成分分析对于处理非线性问题或者样本维 数很高的情况下具有良好的效果 能够提取更多有用的信息 支持向量机 相比于结构复杂的神经网络方法 用于分类识别过程简洁快速 准确率高 具有良好的分类和泛化能力 而其在定量分析中也有效的降低了相对误 差 且通过粒子群优化算法能够对支持向量机参数进行优化进一步提高了 电子鼻预测精度 核主成分分析与支持向量机结合能够有效的应用到电子 鼻模式识别单元中 对于处理非线性或维数很高的情况具有良好的效果 验证了该方法的可行性 关键词 电子鼻 主成分分析 核主成分分析 支持向量机 粒子群优化 算法 f e a t u r ee x t r a c t i o n a n dp a t t e r n r e c o g n i t i o nm e t h o d ss t u d y b a s e do n e l e c t r o n i cn o s e a b s t r a ct e j e c t r o n l cn o s ea sa m i m i c b i o l o g i c a lo l f a c t o 巧 s y s t e mo f i n t e l l i g e n td e v i c e sc a nb er e l i a b l ya n dq u i c k l yr e a l i z et h e s i m p l eo r c o m p l e xo d o rd i s c r i m i n a t i o n c o m p a r e dw i t ht h et r a d i t i o n a l g a s c h r o m a t o g r a p h ya n do t h e re x p e l l s i v eg a sa n a l y s i se q u i p m e n t j l ti ss i m p l e r e l i a b l er e s u l t s a n df o rf i e l dt e s t i n g a n dt h e r e f o r e w i d e l yu s e di nf o o d a g r i c u l t l l r e h e a l t hc a r e e n v i r o n m e n t a lm o n i t o r i n ga n do m e r i n d u s t r i e s fe a m r ee x t r a c t i o n a n dp a t t e m r e c o g n i t i o na r et w ok e yp a r t si na n e l e c t r o n l cn o s es y s t e m w h i c hf b a t u r ee x t r a c t i o n s i g n i f i c a n t l ya f 艳c tt h e r e l i a b i l i t yo ft h ec l a s s i f i c a t i o nm o d e l a n dt h ea c c u r a c yo f i d e n t i f i c a t i o n o fu n l 1 1 0 w ns 锄p l e s p a t t e mr e c o g n i t i o n i sa p p r o p 打a t er e t r e 锄e n ta r e r f e a t u r ee x t r a c t i o no fi n f o n l l a t i o nt oo b t a i na c c u r a t ei n f o m a t i o no n g a s c o n l p o s l t l o na n dc o n c e n t r a t i o n s o a d v a n c e d 危a t l l r ee x t r a c t i o na n d p a t t e mr e c o g l l i t i o nm e t h o da 1 1 di t s 印p l i c a t i o nt oe l e c 怕n i c n o s es v s t e m h a sal l i g ht h e o r d i c a ls i g n 维c a n c ea n d p r a c t i c a lv a l u e t h i sp a p e rd i s c u s s e st t l e e x i s t i n gf e a t u r ee x 舰c t i o na n dp a t t e m r e c o 盟1 t l o nm e t h o d sb a s e do ne l e c t r o n i cn o s e s y s t e m s t u d yo ft h e i i i 北京化工大学硕 学位论文 一 一 t r a d i t i o n a lp r i n c i p a lc o m p o n e n ta n a l y s i s 如r t h e rs t u d yk 锄e lp r i n c i p a l c o m p o n e n ta n a l y s i so nm i sb a s i s a n dt h e nu s e dt h e s et w om e t h o d s t o p r o c e s st w o 帅e so fe l e c t r o n i cn o s e d a t a i np a t t e mr e c o g n i t i o n i t f o c u s e so nt h es u p p o r tv e c t o rm a c h i n et h e o 巧b a s e do ns t a t i s t i c a l l e a m i n gt h e o r y a n d u s et h ei n e t h o df o rq u a l i t a t i v ei d e n t i f i c a t i o no ft h i r t y d i f r e r e n tc o n c e n t r a t i o n so fa d c h 4 h 2g a sc o m p o s i t i o n a n d q u a n t i t a t i v ea n a l y s i so fd i 虢r e n tc o n c e n t r a t i o n so fc h 4g a ss a m p l e s f o r t h es u p p o r tv e c t o rm a c h i n ek e m e lp a r a m e t e r s e l e c t i o ne 玎o r o b t a i n e dt h e o p t i m a lc o m b i n a t i o no fp a r a m e t e r s i n t r o d u c i n g p s ot oo p t i m i z em e p a r a m e t e r so fs u p p o r tv e c t o rm a c h i n e s f i n a l l 弘i t u s e dt h ea l g o r i t h m b a s e do nt h es m d yo ft h ek e m e lp r i n c i p a lc o m p o n e n ta 1 1 a l y s i s a n d s u p p o r tv e c t o rm a c h i n e st op r o c e s sa n dd i s c u s sn l eh i g h d i m e n s i o n a l d a t ao fe l e c t r o n i cn o s e t h r o u g ht h ea b o v es t u d i e ss u g g e s tt h a t k 锄e lp r i n c i p a lc o m p o n e n t a i l a l y s i so fn o n l i n e a rp r o b l e m so ri nd e a l i n gw i t ht h es a m p l ec a s eo f h i g hd i m e n s i o nw i t hg o o dr e s u l t s t oe x t r a c tm o r eu s e 如li n f o m a t i o n s u p p o r tv e c t o rm a c h i n e sc o m p a r e d t ot h es t m c t u r eo fm ec o m p l e xn e u r a l n e t 釉r kf o rc l a s s i f i c a t i o na n dr e c o 印i t i o np r o c e s ss i m p l ea n df a s t a c c u m t ea 1 1 dh a sag o o dc l a s s i f i c a t i o na i l dg e n e r a l i z a t i o na b i l i 以b u ta l s o i nq u a n t i t a t i v ea n a l y s i se f f b c t i v e l yr e d u c e sm er e l a t i v ee r r o r a n db y p 狃i c l es w a n l lo p t i 1 i z a t i o na l g o r i t h mc a no p t i m i z et h ep a r 锄e t e r so f s u p p o r tv e c t o rm a c h i n e s 如r d l e ri m p r o v et h ep r e d i c t i o na c c u r a c yo f t h e a b s t r a c t 北京化工大学硕士学位论文 v i 目录 目录 第一章绪论 1 1 1 引言 1 1 2 电子鼻技术及其特征提取和模式识别方法的研究现状 1 1 2 1 电子鼻技术的发展及研究现状 2 1 2 2 特征提取技术的研究现状 4 1 2 3 模式识别技术的研究现状 5 1 3 课题的研究意义和主要研究内容 7 1 3 1 课题的研究意义 7 1 3 2 课题的主要研究内容 一7 第二章电子鼻系统中特征提取方法的研究 9 2 1 引言 9 2 2 主成分分析法 9 2 2 1 主成分分析的原理 9 2 2 2 主成分分析的实现步骤 1 1 2 3 核主成分分析法 核p c a 1 2 2 3 1 核函数 1 3 2 3 2 核p c a 原理 1 3 2 4 电子鼻数据特征提取实验及讨论 1 6 2 5 本章小结 19 第三章电子鼻系统中模式识别方法的研究 2 l 3 1 引言 2 1 3 2 统计学习理论 2 l 3 2 1 经验风险最小化原则 2 l 3 2 2 统计学习理论 2 2 3 3 支持向量机 s v m 2 5 3 3 1 支持向量分类机 2 7 3 3 2 支持向量回归机 2 8 v i i 北京化工人学硕十学位论文 3 3 3 核函数 2 9 3 4 本章小结 3 0 第四章s v m 在气体定性和定量分析的应用 3 l 4 1s v m 用于气体定性识别 31 4 1 1 多类支持向量机 m u l t i s n 订 3 2 4 1 2 实验数据及预处理 3 4 4 1 3 实验验证及结果分析 3 5 4 2s 用于气体定量分析 3 7 4 2 1 实验数据及预处理 3 7 4 2 2 实验及结果分析 3 7 4 3 基于粒子群参数优化的s v m 算法气体定量分析 4 l 4 3 1 粒子群优化算法 4 l 4 3 2 群能量守恒粒子群优化算法 4 2 4 3 3 基于s e c p s o 参数优化的s v m 算法 4 4 4 3 4 实验结果及分析 4 6 4 4 本章小结 4 6 第五章k p c a 和s v m 结合算法在电子鼻模式分类中的应用 4 7 5 1 核p c a 支持向量机算法 4 7 5 2 实验验证及分析 4 8 5 3 本章小结 4 9 第六章结论与展望 5 l 6 1 结论 5 l 6 2 展望 5 1 参考文献 5 3 附 录 5 5 致谢 6 l i 研究成果及发表的学术论文 6 3 作者介绍 6 5 皇垡三奎堂堕生兰垡堡鉴一 一一 x 1 1 2 4 7 7 7 di ne l e c t l o n i cn o s e 9 2 1f o r e w o r d 9 2 2p r i n c i p a lc o m p o n e l l t 锄a l y s i s 9 2 2 1p r i n c i p a lo fp c a 9 2 2 2c a l c u l a t i o ns t e p so f p c a 9 2 3k e n l e lp d n c i p a lc o m p o n e i l ta 1 1 a l y s i s 12 2 3 1k 锄e l 矗m c t i o n 1 2 2 3 2p 咖c i p a lo fk i 暑m e lp c a 1 3 2 4f e a t l u ee x n a c t i o no fe l e c t r i n i cn o s ed a t aa n dd i s i l s s i o n 16 2 5s u n m a r v 1 9 c h a p t e r3r e s e a r c h o fp a t t e r nr e c o g n i t i o nm e t h o di ne l e c t r o n i cn o s e s y s t e m 2 1 3 1f o r i 孙 o r d 2 1 3 2s t a t i s t i c a ll e a m i i l gt h e o r y 2 1 3 2 1e m p i r i c a lr i s kl i l i i l i m i z a t i o n 2 1 3 2 2s t a t i s t i c a ll e 鲫 l i l 唱t h e o r y 2 2 北京化工大学硕士学位论文 3 3s u p p o r tv e c t o rm a c h i n e 2 5 3 3 1s u p p o r tv e c t o rc l a s s i f i c a t i o n 2 7 3 3 2s u p p o r tv e c t o rr e 兽 e s s i o n 2 9 3 3 3k e n l c l 缸l c t i o n 3 0 3 4s m m a r y 3 0 c h a p t e r 4 a p p l i c a t i o no fs v m i nt h eg a sq u a i i t a t i v ea n d q u a n t i t a t i v ea n a l y s i s 3 l 4 1s v mf o rq u a l i t a t i v ei d e l l t i 6 c a t i o no f g 勰 3l 4 1 1m u l t i s v m 3 2 4 1 2e x p 耐m 铋t a ld a t aa i l dp r e t r e a t i n 饥t 3 4 4 1 3e x p 甜m e n ta n dr c s u l t 觚a l y s i s 3 5 4 2s v mf o rq u a n t i t a t i v ea l l a l y s i so fg 醛 3 7 4 2 1e x p e r i m e l l t a ld a t aa i l dp r e 口e a 缸n 锄t 3 7 4 2 2e x p 嘶m e n ta n dr e s u l ta l l a l y s i s 3 7 4 3s v ma 1 9 0 r i t h mf o rq u a i l t i t a t i v ea 砌y s i so fg 嬲b a s e d0 np a n i c l es w a n n 0 p t i m i z a t i o n 4 0 4 3 1p 砒i c l es w 锄o p t i m i z a t i o n 4 l 4 3 2s e c p s o 4 2 4 3 3s v m a l g o f i t h mb a s e d0 ns e c p s o 矗 p a r a m e t e fo p t i m i z a t i o n 4 3 4 3 4e x p e r i m e n ta i l dr e s u l t 眦a l y s i s 4 3 4 4s u m m a r y 4 4 c h a p t e r 5c o m b i n a t i o no fk p c aa n ds v m a l g o r i t h mf o rp a t t e r n c l a s s i f i c a t i o ni ne i e c t r o m cn o s ea p p i i c a t i o n s 4 5 5 1k 锄e lp c a s u p p o r t v e c t o fm a c h i n ea 1 9 0 r i t h m 4 5 5 2e x p e r i m e n ta n dr e s l l l t 锄a l y s i s 4 6 5 3s l n m a r y 4 7 c h a p t e r6c o n c l u s i o na n dp e r s p e c 廿v e 5 1 6 1c o n c l u s i o n 51 6 2p e r 印l c c t i v e 51 i r e f e r e n c e 5 3 a p p e n d i x 5 5 a c i n o w l e d g e m e n t s 6 l r e s e a r c hr e s u l t sa n dp u b l i s h e da c a d e m i c p a p e r s 6 3 b r i e fi n t r o d u c t i o no f a u t h o r 6 5 i 一 第一章绪论 1 1 引言 第一章绪论 嗅觉模拟是研究如何模仿生物嗅觉机能对气味进行辨别的一门技术 同时也是一 门包含传感器技术 计算机模式识别技术 微机械制造 应用数学等多学科交叉的新 兴技术 电子鼻作为一种嗅觉模拟装置最早出现2 0 世纪6 0 年代 随着传感器技术 微机械制造 机器学习等综合技术的快速发展 近十余年来 这一技术也有了飞速的 发展 人类的生产和生活都离不开对各种气味 气体准确的检测 如果仅凭人或动物 的嗅觉并不能准确检测出各种气体 相对于气相色谱仪 气相色谱 质谱仪等传统的 昂贵的气体成分分析仪器 电子鼻使用起来操作简单 对气体的分析客观可靠 能够 快速进行在线的检测因而适合现场监测 电子鼻凭借其自身的优势在环境污染监测 食品行业 医疗诊断 能源 防爆等方面发挥着重要的作用 因而对电子鼻技术的深 入研究具有重要的意义 这也是当今研究的热点之一 具有广阔的前景 气体传感器阵列 信号预处理单元 模式识别单元是电子鼻系统中三个重要组成 部分 其中模式识别单元又主要包括了特征提取和模式分类两个重要部分 气体传感 器的敏感机理一般比较复杂 如果想从工艺和材料等方面进一步改善其交叉敏感特性 具有一定难度 所以 在现有的气体传感器条件下 研究先进的模式识别方法进一步 加强它的信息处理能力使电子鼻具有更高的识别精度来完成气体的定性 定量分析是 十分必要的 对电子鼻技术的发展有重要意义 因此 对特征提取和模式识别方法的 研究成为电子鼻技术的重要研究内容 1 2 电子鼻技术及其特征提取和模式识别方法的研究现状 对气敏传感器研究的初期阶段 主要研究内容集中在提高单个气敏传感器的灵敏 度和选择性方面 1 应用领域比较单一 例如只检测简单混合物中某一种化学成分 受到人的嗅觉系统的启发 电子鼻模仿了人的嗅觉的感知过程 以多个传感器组合形 成一个阵列相当于人的 嗅觉细胞 经过计算机的模式识别环节对被测对象进行定 性 定量分析 一个电子鼻系统主要由传感器阵列 预处理单元和模式识别单元三部 分构成 如图1 1 所示 气味 卜 气敏传 感器阵 信号预 卜 模式识 卜 结果 处理 别 列 图1 1 电子鼻系统结构 f i g 1 一le le l c t r o n i cn o s e 町噶t e ms t m c i 瑚f e 北京化工大学硕十学位论文 其中气敏传感器阵列相当于嗅觉系统中的初级神经元 由一些高灵敏度且具有广 谱响应特性的气敏元件组成 这里所说的 广谱响应特性 是指一个气敏传感器一般都 能对较宽范围的或者其它种类气体分子有响应 而不只是对一种气体有响应 这样 多个传感器组成一个阵列的话 除了每个传感器有各自的响应强度之外 还形成一个 多维空问的响应模式 这个 多维空间 包含了很多有用的信息 通过对数据的处理 分析 然后经过模式识别单元识别出气体的成分 传感器阵列可以采用多个分立元件 的形式 或者采用集成的形式 目前 气敏传感器的类型很多 基本可以分为几大类 1 金属氧化物半导体气敏传感器 m e t a l o x i d es e m i c o n d u c t o r m o s 如s n 0 2 w 0 3 z n o 等 2 导电聚合物传感器 c o n d u c t i n gp o l y m e r s c p 比如吡咯 苯胺 噻吩 吲哚等碱性有机物的聚合物 3 质量型气敏传感器 它主要有石英压电型和声表面波 型气敏传感器两种类型 信号预处理单元主要是对传感器的响应信号进行去噪 加工 去除噪音 漂移等 干扰信号 它也是模式识别单元进行数据分析的基础步骤 它主要实现了以下主要功 能 1 滤除信号的噪声和干扰 提高信噪比 2 消除信号的模糊和失真 并增强有 用的信号 3 对信号进行适当变化 方便后续处理 电子鼻中信号采集和预处理方法 选择较多 一般根据模式识别方式及最终的识别任务选择相适应的方法 目前常用的 方法有差分法 相对差分法 对数法 平方归一化等 2 1 2 1 电子鼻技术的发展及研究现状 电子鼻起源于上世纪6 0 年代 1 9 6 2 年 第一届国际嗅觉学术交流会在瑞典的斯 德哥尔摩召开 3 1 随后 日本的公司f i g a f 0 开始将金属氧化物半导体气敏传感器商品 化 英国晰i c k 大学的p e r s 锄d 和d o d d 教授于1 9 8 2 年第一次提出了电子鼻的概念 4 而后1 9 8 9 年北大西洋公约组织召开了关于化学传感器的高级会议 第二年举行 了第一届电子鼻国际学术会议 1 9 9 4 年 g a r d n e r 等研究人员发表了关于电子鼻的综 述性文章 5 1 正式提出 电子鼻 这一概念 2 这也是目前学术界公认的概念 电子鼻 是一种由一定选择性的电化学传感器阵列和适当的识别装置组成的仪器 能识别简单 和复杂的气味 此后 关于电子鼻系统的研究也进入一个快速的发展时期 无论从 它的使用性能 外观设计 还是内部相关的技术上都作出了很大的改观和进步 逐步 得使它应用更多领域当中 现阶段从事电子鼻开发的研究机构比较多 但是大部分都集中在欧美一些发达国 家 比如欧洲1 7 家 美国和加拿大共有9 家 商品化电子鼻的供应商已经达到十几 家 一些具有代表性的产品有 法国触p h 小m o s 的桌面型f o x 英国的l e e d 大学的 b h l l 4 美国加利尼亚c 舢s c i e n c 髂公司的c r 粕o s e 路易发展公司生产的面向食 品和包装材料的觚m a s 咖等 6 这些电子鼻产品的技术都达到了很成熟的标准 我 2 第一章绪论 们国内对电子鼻的研究由于起步较晚 目前大都集中在实验室内部研究的阶段 要想 使电子鼻真正达到商品化还需要一段时间的努力 一些研究者在应用上也取得很多具 有价值的实验成果 例如 李洪涛等研发了一套专门针对香蕉品质检测的电子鼻系统 通过传感器阵列及气腔的小型化设计 实现了系统的便携化 并采用数据预处理和 b p b a c kp r o p a g a t i o n 神经网络组合的算法进行分类识别 刀 曾峰等设计一种基于模糊 神经网络的自适应电子鼻 具有良好的自适应能力和容错能力 并对混合气味进行不 断学习 8 1 电子鼻代替人的嗅觉的功能更加科学的 可靠的去实现气味的辨别 近年来 它 的应用范围也逐渐扩大 除了在传统的食品行业 环境监测 烟草业有广泛的应用之 外 同时在医疗诊断 农业生产 防爆工作等方面中发挥了重要的作用 1 食品科学 电子鼻在食品行业的应用研究比较深入 包括食品的新鲜度评估 货架寿命监测 等 刘辉 牛智有通过检测酸价的含量对不同新鲜度的鱼粉样本进行验证 用自制的 电子鼻系统对样本进行数据采集 利用b p 神经网络和支持向量机回归建立回归模型 f 9 付湘晋等使用a l p h am o s 公司生产的f o x 4 0 0 0 型电子鼻对具有不同土霉味 鱼 腥昧 哈喇味的白鲢鱼进行检测 1 0 1 江琳琳等利用p e n 3 型电子鼻系统对水蜜桃采后 7 天货架期内的芳香成分进行检测分析 利用主成分分析 p c ap 咖c i p a lc o m p o n e n t a n a l y s i s 和l a d 进行数据分析 为探索水蜜桃的无损检测提供依据 1 1 1 b i p a i lt u d u 等利用电子鼻对红茶进行质量评估 提出用r b f r a d i a lb a s i sf u n c t i o n 神经网络进行 模式识别对它的气味分类 取得良好的识别效果 1 2 作为一种检测食品品质的新技术 电子鼻也广泛应用于白酒 茶叶等酒类的品质检测中 王立川等采用7 只t g s 型号 传感器构成的阵列对8 种市售的白酒进行动态测量并加以分类 1 3 s b 眦砌等利用电 子鼻来预测不同品质意大利的红酒的感官描述 1 4 1 2 农业科学 农业生产过程中 电子鼻可以用来检测水果 农作物等农产品的成熟度 还可以 对农产品进行分类和分级 1 5 1 监控农作物的健康状况等 伟利国研制了一套对小麦活 性进行识别的电子鼻检测系统 通过分析小麦的气味 对小麦的活性程度做等级评判 正确识别率达到9 1 1 6 m a m 破o m 等提出了一种内置人工智能的电子鼻 可以对 健康的 感染的植物茎进行区别 1 7 j a eh os o l l i l 等利用电子鼻对养鸡场连续的气味 进行监测 基于特定的模型算法 对气味浓度进行监控 1 3 1 3 医疗诊断 作为一种无创的医学检测技术 电子鼻在临床方面能帮助医生对病人的病情作出 正确的判断 比如患有肺癌等一些疾病的病人呼出气体中含有某些特定成分 可以用 电子鼻对这些气体进行识别从而快速分析出病人是否得病 使病人能够进行早期治 疗 此外它还可以用于对尿毒症 细菌感染的检测 喻勇新等利用金属氧化物传感器 3 北京化工大学硕 仁学位论文 组成的电子鼻检测三种致病菌培养液的挥发性代谢产物 并用p c a 和聚类分析 c a c l u s t e ra n a l y s i s 对原始数据进行分析 1 9 1 d a m i c 0 用电子鼻区分良性的皮肤损伤和黑 素瘤 2 0 1 王平等研究了一种新型的基于虚拟气体传感器阵列的无创肺癌检测电子鼻系 统 2 l 4 环境科学 对大气和水质的环境监测方面 电子凭借它成本低 可靠性高 体积小 易操作 等优点发挥了很大作用 张良谊等制作可定量检测空气中甲醛含量的便携式电子鼻 结果精确 也可用于现场检测 2 2 1 郭希山等开发了一种用于室内空气质量检测的便携 式电子鼻 对低浓度复杂混合气体能进行快速检测 具有良好的选择性和灵敏度 2 3 o c a i l l l o t o 等利用电子鼻对饮用水里面的微生物和化学污染物进行检测 可以辨别饮 用水早期含有的细菌和真菌 2 4 1 s d e t 0 等利用电子鼻技术来预测大气中的苯浓度 用来防止环境污染的问题 2 5 1 随着对传感器技术深入的研究 微细加工技术的逐步提高和纳米技术的广泛应 用 电子鼻性能将会越来越完善 实用性也会越来越强 将有更多商品化便携式的电 子鼻出现 电子鼻模式识别系统的数据处理能力也会更强大 能够在复杂的环境中实 现对气味的识别 应用前景更加广阔 1 2 2 特征提取技术的研究现状 一个样本由多维向量来描述 每一维向量应该能够反映出样本的本质特征 一般 为了保证提取足够的表达样本特征的信息 通常描述样本的参数很多 使得样本空间 存在信息的冗余 如果在样本数不是很多的情况下 依然用很多特征进行分类模型的 建立 无论从计算的复杂程度还是模型的性能考虑都是不适宜的 当维数很高而拥有 的样本数又很少的时候 会出现 维数灾难 为了避免这种情况的出现 就需要进 行特征提取 对这些特征的选择在很大程度上都影响了模式分类模型的可靠性 以及 对未知样本识别的准确性 特征提取的目的就是从众多的特征当中找出那些最有效的特征进行分类模型的 建立 它通过某种方法进行变换 将全部的原始特征参数进行某种组合 变成个数减 少的新数据集作为模式识别的输入集 特征提取可以对原始数据进行有效的降维处理 1 2 6 1 从而提高分类器性能 未来电子鼻正渐渐向微型化 商业化发展 如果没有特征 提取这一步骤 则对数据处理就需要很大的存储空间 对硬件设备要求更高 也会造 成一定的空间资源浪费 分类模型在一个低维空间中建立要比一个高维空间中容易得多 故需要降维处 理 进行信息综合 挖掘主要的合成特征 这种信息综合过程可以称为特征提取 常 用的特征提取方法有主成分分析法 p c a f i s h e r 判别分析法 f d a f i s h e r 4 d i s 耐m i n a t i o na n a l y s i s 自组织映射法 s o m s e l g o 糟a l l i z i n gm a p p i n g 等 各种方法都 有各自特点及优势 p c a 方法作为一种无导师方法在特征提取中应用较为广泛 b 舢c a 等应用p c a 做四种香气的聚类分析 2 7 f d a 也是一种常用的线性 有导师方 法 它主要用来观察样本的聚类情况 它属于一种有导师方法 映射后的样本保留了 主要的类别信息 在观察不同类样本的聚类情况时 f d a 分析效果优于p c a 但它 也有自己的缺点 若样本散布矩阵为奇异矩阵时 这种方法就不适用了 s o m 是一 种基于神经网络的方法 其容错能力较强 它将输入空间的样本模式类有序得映射到 输出层上 该方法显示的是高维空间中的样本之间距离信息 在电子鼻中应用并不是 很多 在对这些传统方法研究基础之上 一些改进的算法被提出来 比如以核函数为基 础的核主成分分析法 核p c a 核自组织映射聚类算法等 在实际应用中 经常会出 现非线性及线性不可分的情况 核p c a 对于处理这类非线性问题具有良好效果 例 如 韦振中等将核p c a 应用在区分六类红细胞的试验中取得了更好的效果 对于不 同样本数据 采用不同的特征提取方法可能效果会不同 所以应根据数据特点来选取 不同的方法 2 8 殷勇等借助主成分分析法 f i s h e r 判别分析研究了牛奶开封后不同天 数质量的变化 证明了用电子鼻是分析质量变化有效的手段 2 9 1 殷勇 田先亮将w i l k s 准则引入主成分分析中 解决了酒类鉴别中主成分主轴向量选择的问题 对3 种类型 的酒进行正确鉴别 3 0 范超群等对4 种易燃液体和3 种不可燃饮料进行测试 分别用 p c a f i s h e r 判别法 自组织映射法 s o m s 锄m o n 映射法对数据进行预处理并加 以比较 分别验证了每种方法的优缺点 3 l 电子鼻系统中特征提取方法众多 各有特 点 关键是要结合数据的特点与模式识别方法组合起来 以提高电子鼻识别效率 提 高运算速度为主要目标 1 2 3 模式识别技术的研究现状 电子鼻系统中模式识别单元是对经过预处理和特征提取之后的信号再进行适当 处理来获得气体组成成分和浓度的信息 模式识别也是整个系统的核心部分 对电子 鼻整体性能具有重要影响 是电子鼻的研究重点 模式识别的过程可以分为两个阶段 1 监督学习阶段 用被测样品来训练电子鼻 实现自我学习 2 应用阶段 经过训 练的电子鼻对被测气体进行定性 定量分析 模式识别是一种利用计算机对信息进行处理 判别分类的技术 目前模式识别方 法有很多 面对不同对象各个方法都有自己的优点 若按照各方法的原理及特点分类 可主要分为以下几类 l 基于统计理论的模式识别算法 主要有k 邻近澍3 2 1 聚类分析 c l u s t e ra n a l y s i s c a 线性判别分析 偏最小二乘 5 北京化工大学硕十学位论文 法等 它们都以统计理论为基础 其中近邻法主要依据样本间多维空间的距离来分类 属于一种简单的非参数模式识别方法 聚类分析是根据数据集内部存在若干 分组 聚类 等特性而产生得一种数据描述方式 它属于典型的无监督学习算法 利用该技 术可以把事先不能确定 不同种类的对象加以正确分类或分级 判别分析是通过求出 权向量和阈值来确定判别函数进行分类 偏最小二乘法也是线性处理方法 它可以最 大程度得减弱系统的噪声并消除变量之间相关性的干扰问题 对于选择性较差的气敏 传感器阵列用此方法比较合适 基于统计理论方法发展较早 应用得也比较广泛 一 般比较适用于样本集数量比较多的情况下 张勇等在电子鼻已有的基础上提出分步分 档识别法 将其应用到四组分混合气体识别中 学习速度和识别精度都有所提高 使 电子鼻适用于危险环境下气体的识别p 引 2 基于神经网络的模式识别方法 人工神经网络是一种模仿人类大脑思维的仿生算法 是一种典型非线性数据处理 方法 在电子鼻系统中常用的神经网络主要有反向传播人工神经网络 b p a n n 3 4 概率神经网络 p n n p 0 b a b i l i s t i cn e u r a ln e 铆o r k 学习向量量化 l v q l e 锄i n g v e c t o r q 吣a i l t i z a t i o n 自组织特征映射神经网络 k 曲o n e i l 网络 等 b p a n n 在电子鼻领域应 用得非常多 相对于传统的基于统计理论方法 它最大的优点是实现了输入和输出之 间的非线性映射 且容易理解和实现 所以占据了重要地位 p n n 是一种非参数的概 率密度估计方法 它的优点是新训练样本很容易加入训练好的分类器中 l v q 由竞争 层和线性层两层组成 属于混合型网络 应用的虽不是很多 但功能比较强大 k 0 h o n e i l 网络是基于无监督学习方法 它只有输入层和输出层 在对外部输入信息形成拓扑映 射的过程中具有和人脑的信息映射相类似特点 刘雪莹 关柯研制了一套电子鼻系统 由5 1 单片机和厚膜传感器阵列组成 利用b p 神经网络方法对气体的样本进行分析识 别 实现了气体成分的定性和定量分析并在显示终端加以显示 3 引 b i p 锄t u d u 等利用 p n n 算法对红茶进行等级鉴别取得良好效果 3 6 1 虽然基于神经网络的方法在模式识 别中应用广泛 但其并不能克服自身的 过学习 局部最小化等问题 具有一定的局 限性 3 基于核函数的模式识别方法 支持向量机 s v m 是在统计学习理论基础上发展起来的新一代机器学习算法 3 7 这种算法结构简单泛化能力强 相对于神经网络经常出现的结构难确定 过学习等问 题 s v m 显示了它独特的优势 现在 它已经在模式识别 图像处理 回归分析等 问题中有广泛的应用 在电子鼻系统中的模式识别单元 s v l 也逐渐被应用起来 邹小波等用支持向量机建立识别模型区分富士 姬娜和花牛3 种苹果的气味 取得良 好效果 提高了电子鼻检测的精度和鲁棒性 3 8 1 谢亮用支持向量机算法对丁烷和乙醇 混合气体测量的原始数据进行处理 并与b p 神经网络方法进行对比 不仅预测的精 度高于传统的神经网络方法 训练速度也更快速 3 叼 6 第一章绪论 在电子鼻系统中 对模式识别的方法的选择对识别或鉴别结果有较大的影响 对 模式识别算法的研究和讨论一直都很活跃 出现了各种具有鲁棒性的模式识别方法 有力的推动了电子鼻技术的发展 1 3 课题的研究意义和主要研究内容 1 3 1 课题的研究意义 人类的日常生活和生产活动都会与周围的大气密切相关 比如要检测环境中是否 含有危害人类健康的有害气体 化工厂要检测是否有可燃性的气体发生了泄漏等 电 子鼻作为一种能够快速检测气体成分及浓度等信息的智能装置 目前已经广泛的应用 在环境监测 食品科学 医疗诊断 农业生产 安全防爆等多个领域 发挥了重要的 作用 电子鼻使用操作简单 对气体的分析客观可靠 并能够快速进行在线的检测 应用前景广阔 因而国内外有众多研究机构正其进行更深入研究 我国的电子鼻发展 相对于国外较为缓慢 目前仍多数停留在实验室研究阶段 为了尽快发展商业化的电 子鼻 有必要对其进行深入的研究 在电子鼻系统中 特征提取和模式分类等一系列对电子鼻信息进行处理的技术对 检测的结果具有很大的影响 采用不同的特征提取及模式识别方法 其分析出的结果 也存在差异 为了准确 快速的进行气体或气味的定性定量分析 研究先进的 有效 的特征提取及模式识别方法具有重要的意义和价值 传统的一些特征提取及模式识别 方法比如主成分分析法 独立主成分分析 人工神经网络