多传感器数据融合-双面版research electronic nose system for chinese liquors recognition

Softmax回归BPBP网11种浓香型白酒进行识别实验，得到的初始特征首先通过八种KPCA和KECA三种特征提取算法，发现KECA算法对本文白酒识别效果更好，降维后最终特征为12维。较高的识别准确率。结合浓香型白酒特点，分别按度、产地、原料和品牌对BP网络对白酒识别效果更好，经过90.9%、93.6%91.8%。：白酒，电子鼻，人工嗅觉系统，模式识别，交叉验证China,themostancientcivilizationstandingintheworld,isthehometownofwine.Chineseliquorculture paniedwiththehistoryofChinashowsitsgloriousfascinationandisenjoyabletoeveryChinesepeople.Businessrelatedwithwineoccupiesamajorityinthenationaleconomy.Withthedevelopmentofliquorindustryinthepastfewdecades,theliquor’squalityhadbeenpaidmoreandmoreattention.Fortheextraordinaryprofit,adulteratedliquorattachedwithfakebrandandagehaswidelybeenproduced.ThemostcommonmethodforyzingChineseliquoraregaschromatographyandmassspectrometrywhichrenderevidentdrawbackssuchasthenecessaryneedforlarge-scaleinstruments,highcost,longtimeprocessing,lowinsituandonlineunmeasurable.Electronicnose,asaportabledevice,whichinspiredbythemammalanimal’solfactorysystem,hasbeenwidelyusedinmanyfields.Itcanmimictheremarkableabilityoftheolfactorysystemwhileperformingrapidandaccurateysis.Inthisthesis,anelectronicnosesystemisdevelopedtoperformChineseliquorrecognition.Thissystemcombinedwithrelevantdataysismethodsiscarriedoutonluzhou-flavorliquorinthisthesis.Themajorworkispresentedasfollows:Anelectronicnosesystemforliquorrecognitionisdesigned.Thesystemiscomposedofliquordynamicevaporationsamplingdevice,sensorschamberreactiondevice,controlanddataacquisitionunitandpre-processingunit.Thedynamicevaporationsamplingdeviceensuresreliableaccesstosampleinformation.Thethesisalsoshowstheoptimizeddesignofthesensorschamber.ThearrayresponsesignalcanbeacquiredthroughasamplingsystembasedonARMatlast.Dataysismethodsforelectronicnosearestudied.Adatapre-processingmethod,inthesequenceofeliminatingfrequencyinterference,one-dimensionalwaveletthresholdfiltering,smoothingfilteringandthennormalizedoperation,isproposedtoobtaintherelativerateofvaryinginconductance.Theinitialcharacteristicsaregeneratedfromtherelativerateofvaryinginconductance,itsdifferential,integration,curvatureandinequalityofMean.Anewideaforfeaturedimensionreductionisputforward,whichrenderssynthesizingtheresultsfromvarietyoffeatureselectionalgorithmsfirstly,andthenreducingdimensionsviafeatureextractionfurther.SoftmaxregressionandBPneuralnetworkisemployedaspatternclassificationmethods,wheretheBPneuralnetworkisimprovedrejectingitslowlearningefficiencyandlocaloptimumproblem.Theinfluenceofgasflowandtheevaporationtemperatureoftheliquoronisstudiedwithliquorclassificationexperimenttoinspecttheperformanceofliquoridentificationsystem.Thebestgasflowturnsouttobe200sccm,whilethemostexcellentevaporationtemperatureis70℃.Inthisthesis,weutilizethewinedetectingelectronicnosetoidentifythe11differentkindsofwine.Thesynthesizedalgorithm,combinedofseveralalgorithms,isemployedtoobtainthelowerdimensionalfeatureswhichprovidethedataforyzingtheSammonmap,KPCAandKECAinfeatureextractingrespectively.TheresultdemonstratesthatthebetteridentificationofwineisachievedbyusingtheKECAalgorithmandthefinaldimensionoffeatureissettledin12.Afterclassifying11kindsoftheluzhou-flavorliquoraccordingtothealcoholcontent,theorigin,therawmaterialsandthebrandrespectively,itisfoundthattemperatureandhumiditycompensationcouldimproveclassificationaccuracyandrecognitionprecision.ItisalsofoundthattheBPnetworkhasbetterperformanceofliquorrecognition.Theoverallclassificationaccuracyrate,equippedwiththetemperatureandhumiditycompensation,canreach91.4%,90.9%,93.6%and91.8%.：liquors,electronicnose/E-nose,artificialolfactorysystem,patternrecognition,crossvalidation 第一章绪 课题的背景和意 中国白酒简 白酒行业现 课题的意 酒类检测技术研究进 感官评价 色谱 光谱 可视化阵列传感 电子鼻和电子舌技 哺乳动物嗅觉系统简 嗅觉系统概 嗅觉传导机 电子鼻技术概 气体传感器简 气体传感器阵列概 电子鼻及其工作原 国内外电子鼻研究现 国内外电子鼻研究进 电子鼻研究中存在的问 本文研究目的和内容安 第二章白酒识别电子鼻系统设 气体传感器阵列设 金属氧化物半导体气体传感 气体传感器选 气体传感器阵 传感器气室设 气室的Fluent仿 气室的CAD机械结构设 动态采样气路设 气体采样方式的比较与设 气路流量控制与恒温水 系统电路设 电源模 信号预处理模 AD模 温湿度测量模 系统整体电 基于ARM的信号系 白酒识别电子鼻系统整体结构及工作流 本章小 第三 白酒识别电子鼻中的数据分析方法研 电子鼻数据分析方法概 信息预处 特征降 分类识 数据预处 消除工频干 一维多尺度小波阈值去 平滑滤 规范化—相对电导变化 特征生 相对电导变化率的微分、积分、曲率及曲率半 平均数不等 响应起始点的确 特征的生 特征降 特征选 特征提 特征的归一 分类识 Softmax回 改进的BP神经网 交叉验 本章小 第四章白酒识别实验、分析及结果讨 白酒识别实 实验材 实验方 实验数据获取与分 白酒识别电子鼻中特征降维方法比较研 特征选择降 特征提取降 样本的可视化分 气路流量和蒸发温度对白酒识别的影响研 气路流量对白酒识别的影 蒸发温度对白酒识别的影 讨 浓香型白酒识别研 按度对白酒分 按产地对白酒分 按原料对白酒分 按品牌/系列对白酒分 本章小 第五章总结与展 总 展 参考文 和参加科研情况说 典型哺乳动物嗅觉系统和嗅觉传导通路图 典型的生物神经元结构和连接示意图 哺乳动物主嗅球突触组织结构的基本回路示意图 电子鼻信息处理机制示意图 带有优化反馈的电子鼻结构示意 白酒识别电子鼻系统设计框 典型的硅基SnO2金属氧化物膜传感器横截面(对称结构 氧离子陷阱势垒模型 典型的SnO2气敏传感器微加热单元原理 典型的气体传感器响应曲 图2- （a）SnO2型气敏传感器电阻与氧分压关系（b）初始响应过程 SnO2型气敏传感器灵敏度特性 型气敏传感器特性影响 SnO2型气敏传感器的稳定性 气体传感器基本测试回 仿真气室的3维网格结 Z=2.3mm横截面速度云 Z=19mm横截面速度云 Z=23mm横截面速度云 气室侧视2维细节示意 气室前视2维细节示意 气室顶视2维细节示意 侧孔（包含壁厚）2维细节示意 顶孔（包含壁厚）2维细节示意 孔与壁衔接2维细节示意 不锈钢气室实物 白酒识别电子鼻动态气路测试系 微型真空泵和过滤器实物 气体质量流量控制器和流量显示 D型接头示意 双卡套接头安装示意 气体质量流量控制器工作原 硬件电路设计框 LM2596-5电路原理 电源电压波动情况监 电源电压概率分布情 气体传感器信号预处理电路原理 TLC1543与ARM控制器连接示意 SHT75内部集成模块示意图及主要技术指 SHT75与ARM连 整体硬件电路实物 ARM控制与信号..................................................................... ARM系统程序流程 白酒识别电子鼻系统整体结 电子鼻数据分析框 特征数量和样本量之间的峰值现象 电子鼻中的模式识别方 （a）快速傅里叶（FFT）滤波（b）一维多尺度小波阈值去 一维多尺度小波阈值去 原始传感器阵列响应曲 滤波后的新阵列响应曲 相对电导变化率曲 归一化后相对电导变化率曲 响应曲线的微分、积分、曲率及曲率半径变化情 响应初始点确定及特征提 生成的阵列原始特 ‘特征环’—特征之间的关 各信息量关系示意 一个由低维到高维变成线性可分的例 分类器工作原 BP神经网络结构和原 BP网络结构示 BP算法权值调整的直观表 改进后BP算法流程 k轮n倍交叉验证流程 白酒识别电子鼻系统平 阵列时序响应（测试条件 初始特征空 特征选择降维后的特征空 特征提取前的41维特 三种特征提取方法的交叉验证结果比 样本的可视化表 四种白酒样本特征差异性的可视化分 五个同类样本之间相似性的可视化分 气路流量对白酒识别影 200sccm时五种白酒的PCA分类结 70℃时六种白酒的PCA分类结 浓香型白酒按度识别结果比 按度分类温湿度补偿前后识别结果比 浓香型白酒按产地划分识别结果比 浓香型白酒按原料识别结果比 按品牌分类温湿度补偿前后识别结果比 用图对九种品牌浓香型白酒进行模式可视 主要香型中国白酒特 部分商业电子鼻 气体传感器选型 电压波动情况分 各气体传感器匹配电 相对湿度转换系数及其温度补偿系 温度转换系 实验白酒样 配制溶液浓 八种特征选择算法选取前10个特征结 特征选择降维后的特征编号分 交叉验证的准确率和置信区 不同气路流量白酒样本识别交叉验证结 不同蒸发温度白酒样本识别交叉验证结 对三类度浓香型白酒的识别结果（温湿度补偿前 温湿度补偿前后交叉验证结果比 对不同产地浓香型白酒的识别结果（温湿度补偿前 对不同原料浓香型白酒的识别结果（温湿度补偿前 温湿度补偿前后交叉验证结果比 对不同品牌/系列浓香型白酒的识别结 第一章绪论课题的背景和占据着重要地位，几乎渗透到社会生活中的各个领域。1956年，组中国白酒的蒸馏酒与威士白兰朗姆伏特加和金酒并列为世界六大蒸馏酒[1-3]。表1- 酒1%～2%[3]，但它们作为白酒的呈香同风格的白酒[5]（见表1-1。素的不同，形成了各具特色、风格典型的各种香型白酒[6-10]。中国白酒按其香型[11-13]可分为：浓香型、酱香型、清香型、米香型、芝麻香型、凤香型、董香型、直占据着白酒消费的主流市场，占白酒销售总量的70%左右。白酒行业20102421.6230.33%；2011年，同比增长15.1%。胡润2012年发布的“中国千万品牌倾向报告”中，120亿的品牌价值成为全球第四的奢侈品牌，超过了轩尼诗、酩悦香槟和人头马，五粮液的品牌价值则为70亿，排在第七位。充好等严重损害了消费者的利益，更不利于白酒行业的良性发展[7]。2013年中冒一些知名品牌白酒的包装，造成与真品的。课题的酒类检测技术研究感官评分[20]。目前已发展到全面应用气相色谱-质谱(GC-MS)、气相色谱-质谱分为原子光谱法和分子光谱法。具体到酒类检测中常用的光谱分析方法2128原子吸收光谱法，红外光谱法，紫外可见分光光度法，分子荧光光谱法等。其中原子吸收光谱法、红外光谱法、紫外可见分光光度法利用吸收光谱，分子荧光光谱法利用发射光谱。可视化阵列传R、G、B三颜色分量5种不同香型白酒的区分。电子鼻和电子舌传统的检测（如光谱、色谱等，能够对白酒进行定性、定量检测，是哺乳动物嗅觉系统嗅觉系统2004年生理学或医学奖授予了的两位科学家RichardAxel和LindaBuck，表彰了他们在气味受体和嗅觉系统组织研究中做出的开创性贡献。图1- 型的细胞组成：嗅觉受体神经元、支持细胞和基底细胞。(2)嗅球内的主要结构图1- 嗅觉传导典型的哺乳动物嗅觉传导机制[34-35]如图1-3所示。哺乳动物进行嗅觉信1000种气味受体以特定组合完成机体对（1000:1③僧帽细胞（Mitralcell，M）和丛状细胞（Tuftedcell，T）（Periglomerularcell，PG）通过局部神经回路侧抑制[36]④僧帽细胞和丛状细胞被颗粒细胞（Granulecell，Gr）通过局部神经回路M/T细胞产生同步振荡，对不同丝球体的输出信号在嗅皮层水平上进行整合[31,36,37]。至此，嗅觉完成了其独特的时空编码。⑥嗅觉中枢的锥状细胞发出纤维可下行传导至嗅球，从而形成反馈通路对反馈控嗅上气味嗅至嗅皮图1- 电子鼻技术析仪器[31,40-41]。1962SeiyamaSnO2气敏特性的研究是有关电子鼻的最道[42]PersaudDodd1982Nature上首次提出气体识别的阵列思想[43]。1994年J.W.Gardner正式使用电子鼻这一术语，并气体传感器器，光离子化（PID,PhotoIonizationDetector）传感器和石英晶体微天平（QCM,QuartzCrystalMicrobalance）压电型传感器等利用物理测量原理的气体20世纪初在英国诞生至今，一直是气体传感器研究的欧洲，但是由人将这一技术推向了极致，尤其是1968年，费加罗公司Pd、Pt的气体传感器，此后各种气体传感器开始在市场上出现，并广泛应用于各个方面。金属氧化物半导体（MOS,MetalOxide气体传感器阵列一般地，气体传感器阵列n个传感器组成，输出信yin维传感器测yaaxk1a i1, (1- i i1 im其中，ai0,,aim是对各气味成分的系数，ai0是传感器在空气中的输出。化系数aijj1m上；另外，传感器的老化会引起系统漂移，使基线参数ai0变电子鼻及其工作维后进行模式识别，最终得到样本的定性或定量识别结果用于决策判断(图图1- (图1-5为带有优化反馈的电子鼻结构示意图)图图1- 有操作简单、快速检测、便携、成本低廉、可定性/定量分析的特点，因此国内外电子鼻研究国内外电子鼻研究20年来电子鼻技术在各个方面都获得了长足的发展，并且正越表1- AlphaMOS、CP、ANN、DFA、Fox、BloodhoundANN、CA、BHCyranoScienceCyranoseElectronicSensorPCA、HKRANN、DFA、LenartzQCM、MOS、ANN、PCA、CP、MOS、PCA、e-NosePCA、PLS、PCA、ANN、QTS-注：a、传感器型号缩写：MOS=MetalOxideSemiconductor，CP=ConductingPolymer，SAW=SurfaceAcousticWave，QCM=QuartzCrystalMicrobalance，EC=ElectroChemical。b、模式识别算法缩写：ANN=ArtificialNeuralNetwork，DFA=DiscriminantFunctionys=rncalsiusteysiSaraSPR=StatisticPatternRecognition2电子鼻研究中存在的本文研究目的和内容第一章论述了课题的背景和意义；简要介绍了现有酒类检测技术，哺乳动动态采样系统设计、系统电路设计以及基于ARM的信号系统设计，最后得第三章主要对电子鼻中的数据分析方法进行研究。首先对电子鼻的数据分第五章第二章本章在了解了白酒对象特点和电子鼻基本知识的基础上设计基于电子鼻的系统三大部分（21于ARM的信号系统设计的角度对整系统设计进行介绍。图图2- 气体传感器阵列(MOS)、石英晶体微天平(QCM)、导电聚合物P)、声表面波(SW)等[63。构建对各种气味广谱敏感(即弱选择性)，并且阵列中各传感器对同种气味要交叉敏以证限量传器取的信息64]。文择属化金属氧化物半导体气体面电阻控制型和体电阻控制型。二氧化锡掺杂气体传感器（表面电阻控制型，SnO2金属氧化物膜传感器横截面(对称结构)[61,65]2-2所图2- 典型的硅基SnO2金属氧化物膜传感器横截面(对称结构受；而Figaro公司于1996年氧离子陷阱势垒模型[68]对其进行了完善。氧离半导体材料（SnO2为例）SnO2晶粒连边界处晶粒会吸附氧化性气体（如空气中的氧气，这些吸附态的氧从SnO2晶使气敏材料的电导率明显增加（如图2-3(b)所示。新的模型不仅解释了气敏元图2- O22eRH22OROH

（2-（2-传感器阻值和还原性气体浓度之间的关系由下面的气体浓度方程[68]表示RsAC RS=传感器电阻；A=常数；[C]=气体浓度；=RSMOS型气体传感器需要工作在加热状态下，气敏层工作温度对气敏传感器200-400VHVH5V左右（4绝绝缘材加气敏传感元底图例说明---典型的SnO气敏传感器微加热单元。微加热器和SO气敏传感元件位于微加热单元上，中间用绝缘层隔开，1,2和S1,2分别为独立的加热电极和传感电极。微加热单元与基底(Sbstat)中间存在空气间隙(irGa)，起到很好的热绝缘作用；即使微加热单元达到了很高的温度(如300℃)，基底仍能保持在室温(约25℃)，同时也大大降低了加热功耗。图2- 典型的SnO2气敏传感器微加热单元原理图2- 体不存在时，在相当宽的氧分压范围内，SnO2气体传感器电阻值与氧分压呈对数线性关系；当氧分压很低时，其关系偏离线性（2-6（a。2-初始过程2-6（b）所示，半导体气体传感器通常是在加热状态下工作，SnO2气SnO2Pd的掺杂量有关。2-灵敏度2-8（a）温、湿度对SnO2（b）加热电压对SnO2型气敏传感图2- 长期稳定2-9SnO2型气敏传感器的稳定性。一般来说，SnO2型气敏传感气体传感器要为己酸乙酯，还有其它醇、酸、酯等11（SnO2型）气体传感器（表2-1表2- 加热电压 VOC、氢气、Figaro VOC、天然气、可燃Figaro VOC、甲烷、Figaro VOC、、Figaro VOC、、Figaro VOC、CO，甲烷，FigaroMICS- VOC、CO、烃类，MICS- VOC、CO、烃类，MICS- VOC、CO、烃类，MICS- VOC、CO、烃类，MICS- VOC、CO、烃类，2个电压：加热器电压（VH）和回路电压（VC。VH是用于维持敏感素子处于与对象气体相适应的特定温度而施加在集成的加热器上。VC则是用于测定与传感器串联的匹配电阻（RL）上的两端电压（VRL）传感器具有极性，所以VC需用直流电源。气体传感器的气敏元件电阻RS可由下式得到：图2- R=VCRL 其中，Figaro公司（）的TGS系列传感器在使用前需要至少预热7天（图2-10（a而英国E2V公司（ 的MICS系列传感器使用前无需长时间预热（图2-10（b。在满足电压极性的条件下，VC和VH可以共用同一个电源，为了使MICS传感器加热电压仍保持为气体传感器11种传感器构成的气体传感器阵列（图2-11），阵列集成在一块电路板（100100mm2区域）上作为独立的阵列模块。气电路板2.3mm、19mm及23mm三个高度上；此外，气体传感器阵列还集成了一个温湿度传感器SHT75。图2- 传感器气室外界较大，如果把传感器阵列在环境中进行检测，响应会受环境条， 了获得较好的气室结构设计且为了节约成本，本文利用计算流体力学（CFD,ComputationalFluidDynamics）Fluent对不同气室设计内部的气体流动Fluent

*i p

(2-N-S方 i (2-j R

Pu*c* (2-e i i i 式中：u*u/u，c*c/c，x*x/d，p*p/u2，u是平均速度 0 Reuindin/Pe|u|LD。此处u表示来流速L是特征长D是物气体传感器阵列位于100mm100mm的方形电路板底座上，共有11个气敏传感器，分布在距2.3mm，19mm，23mm三个高度上（图2-11。根据上述本，最终确定了如下气室3维网格模型设计（2-12。图2- 仿真气室的3维网格结器响应条件的一致性（注：3.3.3节中将通过阵列响应起始点确定具体验证图2- Z=2.3mm横截面速度云图2- 图2- 气室的CAD机械结构顶厚6mm，外部长、宽、高分别为108mm、108mm、31mm，在对称的两侧各 图2- 图2- 图2- 图2- 图2- 图2- 孔与壁衔接2维细节示意图2- mm并在气室与电路板之间夹有无味弹性硅胶垫（厚3mm），保证气室与电路板的密闭动态采样气路能多被测对象的特息，从而提高整个系统的精度和性能。气体采样方式的比较与设计加入气体质量流量控制器（MFC,MassFlowController）以控制气路中的流量，采样装置和相关气路（图2-23。图2- 载保护功能。采样泵型号为VLC7602，空载峰值流量为2L/min，工作电压为免破坏真空泵和气体流量控制器的内部结构。图2-24所示为微型真空泵和过滤图2- 气路流量控制与恒温持恒定且合理，需要采用气体质量流量控制器（图2-25）来控制气体的流速。图2- 本文采用七星华创电子的D07-7B型质量流量控制器，由D07D08系列流量显示仪等产品配套使用，MFC与设定MFC流量和工作状态（、阀控、关闭，并可实时显示流量。图2- D型接头示意1000SCCM（1L/min接头（2-27）图2- 定主通道的流量。与之配套的D08系列流量显示仪上设置有稳压电源，3位数字电压表，设定电位器，外设、内设转换和三位阀控开关等。MFC与流量显示仪连接后的工作原理如图2-28所示。图2- 门关闭；当置“”位时，阀门开到最大，以便气路，或作为流量计使用；100mL的锥形瓶，动态采样时置于恒温水浴箱内，可以获得特HH-1型，加热功400瓦，工作电压220AC、50HZ，工作环境为5℃-40℃、相对湿度80%，温控范围：室温-100℃，温控精度0.3℃（10分钟以后系统电路转换成阵列数字信号，并到控制器或上位机中。这样得到阵列的数字信及AD系统设计的好坏直接影响了数字信号的质量，其中硬件电路设计入到AD转换成数字信号，最后同温湿度数字信号一同被ARM控制器并传输至上位机（图2-29。下面将分别介绍硬件电路各个模块的设计。图2- 电源5V和10V电压，AD模块需要5V电压，温湿度测量模块需要3.3V电压。（VCC10）5V3.3VLM2596-5、LM1117-5、LM1117-3.3及其辅助电路设计电源模块。530 530图2- LM2596开关电压调节器是降压型电源管理集成，能够输出3A的驱动电流，同时具有很好的线性和负载调节特性。采用LM2596-5及其电路把（DVCC5理如图2-30所示。

3 0

2 02 0图2- LM1117是一款低功耗、低压差电压调节。当负载电流为800mA时其（VCC5为ADTLC1543提供电源和参考电（图2-31采用LM1117-3.3及其电路把DVCC5转换为高精度的3.3V电压（VCC3.3为温湿度传感器SHT75提供电源（图2-32。 图2- 求它们的精度很高，波动很小。使用示波器不同时间（2013年6月25日、在不同时段（早上9点、下午3点和晚上10点）分别两电压波动情况，并表2- 平均电压波动范围123123DVCC5电压波动情况监 VCC5电压波动情况监

电压电电压电压

时间

时间图2- 2-2DVCC5VCC5数数

数数

VCC5电压分布0

5.05755.0585.05855.0595.05955.065.06055.0615.06155.062电压值 电压值图2- 信号预处理波降噪和保持，以满足AD对信号的需求。在节中介绍了TGS和MICS系统传感器的基本测试回路（2-10），在基本测试回路之后添加运算放图2- 电压跟随器作为信号源与AD之间的缓冲级（buffer它的特点就是高了信号精度。气体传感器的信号预处理模块电路如图2-35所示，由基本测试回路，电压跟随器和一阶RC低通滤波器三部分构成。表2- 匹配电阻(RLMICS-MICS-MICS-MICS-MICS-——AD模三种自检模式、提供EOC（转换完成）信号等。该与控制器的接口采用串2-36TLC1543ARM控制器连接示A0~A1011路模拟信号输入，VCCGND（需要与信号源共地将REF-共地，以减少干扰。选图2- 其余的引TLC1543ARM通信的接CS为片选端I/OARMARM提出中断请求；也可将该引脚接入一个普通的I/O引脚，ARM通过查询该引脚的状态来了解当前的状态；也可以不接，在ARM向TLC1543发出转换命令后，固定延时后转换结果即可。TLC1543I/OTI公司技术手册，此处限于温湿度测量影响，本文采用智能温湿度集成传感器SHT75 SHT75是Sensirion公司生产的插针型封装系列温湿度传感器。传感器将传件，并在同一上，与14位的A/D转换器以及串行接口电路实现无缝连接。因感器都在极为精确的湿度腔室中进行标定，校准系数以程序形式在OTP内存中，用于内部的信号校准。两线制的串行接口与内部的电压调整，使系统集成变得快速而简单。图2-37为SHT75内部集成功能模块示意图及其主要技术指标。SHT75I/OSensirion公司技术手册，此图2- SHT75输出为经过内部调制的数字信号，需要通过输出信号转换将数表RHlinear=c1c2.SORHc3.SORH2%RH (2-RHtrueTC25t1t2SORH (2-T2-T2-d1 - -1.5955e- - -4.0845e- 表2- --SHT75高度集成，只有四个插针引脚，与控制器之间仅通过两个引电阻，将信号提拉至高电平。SHT75与ARM控制器连接如图2-38所示。图图2- 系统整体息到ARM控制器，最终传输到上位机。图2- 基于ARM的信号系并其输出串行数字信号，一共使用了ARM的7个I/O引脚（图2-40。AD转换TLC154311路传感器模拟信号，由ARM发送命令控制信号根据2.4.4节温湿度输出转换公式对数据进行转换并输出结果。程序流程如2-41所示。图图2- 图图2- 白酒识别电子鼻系统整体结构及工作图2- 2-422-42连接白酒识别电子鼻系统，接通电源，利用该系统进行气体样初次测试前打开泵12及阀门13，用洁气气路30min，使气体传感器阵列基线稳定。关闭泵1、2及阀门1、3。10min100mL样本瓶，使用移液枪（ThermoFinnpipette系列单道数字式移液枪，量程0.5～10μL，精度0.1μL）移入一定量（如2μL）白酒样品。在测试开始前30min30min后，先打开采样泵。然后流量控制仪的阀控开开阀门2、3，用洁气作为载气把白酒饱和蒸汽带入传感器气室反应。同时ARMKEY1，采样开始（LED计时开启，上位机同时记录采样数（5）3min2、3ARMKEY5，采样结束，同时在上位机。阀控开关拨到“关闭打开泵1、2及阀门1、3，气室及气路30min，使气体传感器阵列基线稳定。关闭泵1、2及阀门1、3。样本瓶，干燥后备用。等待下（3）～（6本章了TLC1543和SHT75的工作原理和与ARM通信方式。最后ARM信号传第三章数据传输到上位机的过程。接下来就是数据处理工作，电子鼻的数据处理在图3- 电子鼻数据分析方法信息预+一阶RC低通滤波），可以很好的滤除电路的高频噪声。正常情况下，电子鼻的信是对的数据进行滤波去噪，漂移补偿，规范化（如标准化、归一化）等操[77]。数据预处理可以提高信噪比，得到更加可靠、精确的数据；并对数据进行里叶滤波[79]、小波滤波[80]、卡尔曼滤波[81]、随机[82]等。目前，常用的数据规范化方法有相对尺度法（式3-1、差分（式3-2）和相对差分（式3-3、对数（3-4、归一化（3-53-6、Z-score标准化（3-7）等[74] xij maxxxijxijminxjxijxijminxjminxj

（3-

xijminxj maxxjminxj2xijminxj

xijmaxxminx

（3-

xijx

（3-xXnp，维数为n 。虽然它包含了样本最全面的信息，但其也同样包含了很（假设n=10000，p=10，则维数是105）的分类器，即使有也会出现严重的“维数灾换，选择能够充分代表样本特息的特征参数构成初始特征空间（高维再程度上还增强了电子鼻的能力。特征③分类器设计的峰值现象（Peakingphenomenon）[95,86]；对有限的样本集N和特征数量l，峰值现象很好地解释了两者间关系对分类器性能的影响（3-2。当N>>N时，N的错误率比N小；在 l时，产生峰值现象。对 上升。通常，曲线的最小值发生在lN附近，其中2～10l2 图3- （dD）的搜索问题[75]计分类器，然后再各个特征在分类器中的贡献，逐步剔除贡献“最小”的特[75]。这样得到的也是次D个特征中选出d个特征dD)法是特征提取，即通过适当的变换把D个特征转换成d（D）个新特征。[75]。特征提取的方法又可以分为线性变换方法和非线性变换方法两大类。yRd

yWT 其中，WDd维矩阵，称为变换矩阵。特征提取就是根据训练样本求取适当的WyWx此处W()为非线性变换。常用的线性变换方法有：主成分分析（PCA,principalysisK-FDAPCA，Projection， 分类参数化的人工神经网络以及仿生信息处理方法，如图3-3所示，它们各有优缺个评价标准[100]，包括识别率、运算速度、训练难易度、内存容量和能力

小波神经网络仿生信息处理方

K-III嗅觉神经网络模图3- 过程透明，且容易实现。因此在目前商业化产品中使用广泛，例如AlphaMOSFOX4000、TechnobiochipLibraNoseAIRSENSEAna-lyticsPEN3电子鼻均内置PCAPLS等多种多元统计算法。但这些多元统计方法通常缺乏在和漂移补偿方面具有优势。此外，也有学者提出了仿生信息处理的方法，从生物嗅觉机理[103-105出发，对气味的分类识别进行研究。hite等[106提出了一种具有时空信息处理能力的分布式嗅觉神经网络对气味进行分类。brosIngron等107]提出了一种嗅球-皮层模型用来模拟嗅球与高级皮层区之间的闭环相互作用。Pre等108建立了一个简单的嗅觉前端模型，Rn等109Frn等1012以大量生理解剖和神经电生理实验为基础，建立的具有多层并行和延时反馈结构的嗅觉神经网络—平上以非线性动力学理论给出了一种嗅觉神经系统工作机理的可能解释。近年的03。数据预能够很好的滤除电路高频噪声，并且保证采样数据不会存在坏点和数据丢失情相对电导变化率。消除工频对应的标准数字量为1023（十进制。则可以通过下式消除电路工频干扰：LL VRVref LL一维多尺度小波阈值FFTFFT滤波在FFT

小波去 响应值响应值响应值响应值 时间

时间 图3- s(t)f(t) t0,1,,n （3-而小波去噪就是尽量抑制e(t)噪声，得到真实信号f(t)的近f(t)。j，对含噪信号进行正交小波变换，得到相应的各尺度分解系数j,k。及阈值函数，对各尺度小波系数进行阈值处理，得到估计小波系数，使得 jj,k图3- 其中小波函数为sym5，分解层数j=6，采用软阈值函数（3-11）

j,k

j,k0.3936 n

log0

n

平滑verage鲁棒局部回归（RobustLowess，RobustLoess。其函数原型为：ZSMOOTH(Y,SPAN, 其中，Z为平滑后数据，Y代表原始数据，SPANy(i)

(y(iN)y(iN1)y(iN 2Nys(iN2N1为Span必须是奇数，当前被平滑Span=5为例，平滑后数据ys的前四项分别为：ys(1)ys(2)(y(1)y(2)y(3))/ys(3)(y(1)y(2)y(3)y(4)y(5))/ys(4)(y(2)y(3)y(4)y(5)y(6))/

局部回归（LocalRegressionSmoothing：的值）内的数据进行回归得到的，回归方程可用一次的（lowess）或者（loess

x

3

x为当前被平滑点数xi为其在平滑窗内的紧邻dxx到对权值采用线性（一阶多项式）回归获取被平滑数据的算法为Lowess；相Span(3)鲁棒局部回归(RobustLocal

ri

ri为窗内每个数据点通过局部回归计算得到的残差。MAD是残差的中位数：MADmedianr （3-如果ri小于6MAD，则鲁棒权值接近于1；如果ri大于6MAD，则鲁棒权值鲁棒权值之前，若采用lowess算法计算残差，就是rlowess算法；若采用loess算法计算残差，即为rloess算法。4digitaldigitalty21 图3- 4digitaldigitalty21 图3- 规范化--LL新的传感器的敏感度表示方法，称为相对电导变化率，符号为S。Gt tS S t

S

S RL S

R

RLRSSttRSGttS导，G0为传感器在基线附近电导值 V VS S1 RL （3- V V 由上式推导可知St的值与匹配电RL无关，这样可以减少计算量。这只是数学推导的结果，并不意味RL的值不重要，可以随便选取。事RL的选取RL，可以得到更加理想的响应曲线。图3-8为相对电导变化率曲线图。50 图3- S Stmin(S =

（3-归一化后电导相对变化率曲线(#样本0 图3- 特征生 9 7integralintegralderivative/derivative/ 4 210

0 xx10曲率半径(dcure)变化曲线(#样本radiusofradiusof664 020

图图3- a10（b1（c10（d10个特征，分别为：达到最大相对电导变化率的时间t1，相对电导变RMSSAMS、几何平均数GMSHMS，相对电导变化率一阶微分最大值Mder，达到最大微分的时间t2，平均微分Kder，t1It1，相对电导变化率曲线的几何平均曲率GMcure。按上述顺序分别记为特征f1～f10，下面将分别介绍各特征的生成方法。相对电

（3-t ISt0St yDi

（3-牛顿-科斯特（Newton-Cotes）积分公式 yI C （3- j0kk式（3-25）中Cn为Cotes系数，系数仅取n和k，可以通过查表得到。k

C(n)1Cn kk

nyI1

4x （3-6 j j6jAB的平均曲率为：K

Klimsy

dyB

N(xx,y

（3-

M(x, x 图3- 如图3-11（b），设曲线的弧长s由点A算起。任取弧MN=s，有N2

MN

2y yx x01可导时，可用弧MN代替MN，令x ds2 dy2，于是01

dx dxds1y2 （3-ytan，也即：arctanyd y dx （3-1 1132132K

平均数不x1,x2,,xn是正数1

x1x2nx1xnx1x2xx nxinxinnxi也 nnxi

（3-n i1 x时，上式等号成立。上式即对应四种平均数：调 mean）平方平均数（Rootmeansquare，方均根。响应起始点的要准确的获取上述10个特征1～10的波，使据处理，接响曲线找应起点较。果对相对电导变化率求微分曲线，基线的波动就会反映为在零点附近波动的微分。N点100点）实际编程实现时发现，由于波动的存在，若N值取较大时，起始点很可能00。搜索算法首先求取微分（d）曲线的极大值dm出现采样位置10个采样点为步长，向前逆向搜索，直到ddm以1个采样点为步长，继续逆向搜索，直到首次出现d则其后一个采样点即为响应起始点

t210t1S/derivativeofS/derivativeof0图3- 特征的t1

pos2

pos1

t2pos3

pos1

几何平均数GMSHMS计算公式如下，其中N1pos2pos1apos1，bpos2S S b

SaSa1

（3-GMSN1SaSa1

HM

11 b Kder N1 11

（3-N1aN1aa1

（3-图3- 图3- 10110个特3-13所示，特征之间的关系可特征降特征 量的不确定性测度，px是概率密度函数，随量X的熵[113-114]为：HXpxlogp

（3-HX,Y为联合熵（JointEntropy，HXY为条件熵（ConditionalEntrop：HX,Ypx,ylogpx,xXHXYpx,ylogpxyxX

（3-（3-HX,YHXHYXHYHXY X和Y的互信息（MutualInformation）IX;YHXHXYpxy p （3-xX pxpyX和Y的条件互信息（ConditionalMutualInformation）IX;YZHXZHXYZpxyz

pxyz

（3-xXyY

pxzpyz图3- 1992年，Lewis提出了MIM（Mutual ization）算法JmimXkIXk;Y MIFS1994年，Battiti了MIFS（MutualInformationFeatureSelection）算法JmifsXkIXk;YXj

（3-1999年，YangandMoodJMI（JointMutualInformation）算法[117]，其 XIX;Y1IX;XIX; Y （3-

Xj

2004，Fleuret提出CMI（ConditionalMutualInfo ization JcmimXkIXk;YmaxIXk;XjIXk;XjY （3- X XIX;Y1IX;X XjSICAPJicapXkIXk;Ymax0,IXk;XjIXk;XjY XjS CIFE2006年，LinandTangCIFE（ConditionalInfomaxFeatureExtraction） JcifeXk

IX;YkXjk

IXk;XjIXk;XjY

（3-DISR2006MeyerandBontempi提出DISR（DoubleInputSymmetricalIXkXj;YHXXYJdisrHXXYXj

（3-特征本文选择三种非线性的特征提取方法：Sammon映射[123]（SammonProjection、核主成分分析[124-125]（KernelPrincipalComponent 和核熵成分分析[126-127]（KernelEntropyComponent ysis，KECASammonSammon映射是Sammon于1969年一种将高映射到低的非线性映射方法（Qq，并且使映射后的特征空间中点与点之间距离尽量保持原始高中点与点之间的距离关系[123]。 x,x,,x

维（q）空间中的样本向量为Yyy,y

，样本总数为N

i1,2,,Ndij

XiXjdijYiYj表示样本点在高维和低中的距离 2dk

xjk

2dk

yjk

（3-ES j

2

d 39） j

c j

m1y(m) ES2dpjd y （3-

d

jpj pj

d

pjES2

d

（3-2 jpjd pj 法。但是PCA的缺点是需要很大的空间和计算复杂度。如果原始空间的维数是n，PCA需要分解一个nn的非稀疏矩阵。因为PCA是一种线性映射方PCA方法的效果。核主成分分析是线性PCA的非线性扩展算法，它采用非线性的方法抽取主成分，即KPCA是在通过映射函数把原始向量映射到高F，在F上进行PCA分 中16（a上是线性不可分的，然而Fxxaxb将其转化到（b）上的二维空图3- xixj为数据空间中的样本空间到特征F的映射函数为，(xi,xj)K(xi,xj)(xi)(xj （3-对于核函数必须满足Mercer定理：对于任意给定的对称Kxi,xj)，它0g(x满g(x)2dx，有K(x,y)g(x)g(y)dxdy KxixjHilbertH,对映射RdLH，有K(xi,xj) n(xi)(xj式中dFH空间的维数。高斯径向基（RBF）

（3-K(x,x)i

xxi （3-i假设x1,x2xM为训练样本，用{xi表示输入空间。核主成分方法的基征空间中实现PCA[188]。假设相应的映射为，其定义如下xF;xH，H为Hilbert空

0，以简化讨论。特征空间中的协方差矩阵M1MC (x)(x对C进行本征分解，即求C的特征值0

（3-C （3-考虑到所有的特征向量可表示为x1),x2xM)的线性张成，Mvi(xi核矩阵（Gram矩阵）KL是一个MMKLi,jKxi,xj

（3- ,KLM 其中α1,2,,MT。式（3-73）中对K的第k个（非零 特征向量，即C的第kMvkki(xi)

k1,2,, 12p表示以降序排列的特征值，p是最小的非零特征值，αT1,2,,M是核矩阵的第k M1vk,vkkikjKLi,jMi1 （3-TKn L k

Mykvk,xkiKxi,x

（3- a1n维数据矩阵：A mn）式(3-72)，计算KL；③运用Jacobi迭代方法计算KL的特征值1n及对应的特征向量v1,v1,...,vn 相应调整得vvv ④通过施密特正交化方法对特征向量单位正交化，得到1,2 则提取k个主分量1,2,...,k⑥计算已在提取出的特征向量上的投影YKLα，其中α(1,...,k) PCAKPCA在实现数据降维的过程中，都是按照特征值降序，理是将原始数据投影到高维特征空间，对核矩阵进行特征分解，选取前k个对Renyi熵贡献最大的特征向量，然后将原始数据向这些特征向量投影构成新的数据集[126]。与KPCA相比，KECA具有以下两条其特点：保持降维后数据与降维前相比的Renyi确定数据投影方向时按照特征向Renyi熵值贡献大小选择，不再根KECA基本原理N维样本DNX1,XNpXRenyiHplogp2X 令Vp p2XdX引入Parzen窗密度估计

px1KXXVp进行估计

tNXtN VpNpXt NKXt,XtN21

tN Xt其中KKXtXt为NN的核矩1为N1的向量K, 的对角矩阵，E=[e1,e2,eN]。式（3-77）可以改写为 Vp 2eT NiN假设kkN维数据通过映射到子空间Uk，当且仅当子空间与Renyi二成分分析的映射eca：

1PD2 （3-U U D2:1 D2:1

（3- kk1,e1,,N 1 D21

1

K 1 NN kk,e,,1 NN其中 T EDET kN维向量数据集DNX1,XN②确定核函数和参数，通过Parzen窗函数建立核矩阵Keca③对核矩阵 进行特征分解，并计算特征值和特征向量kkKECA映射ecaD2ET特征的归xSoftmax比例（SoftmaxScaling）法对生成的特征进行归一化。它xx

xi

（3-

1xx 分类本文采用了两种分类方法：Softmax回归（SR,SoftmaxRegression）和改BP神经网络（BPNNBackPropagationneuralnetwork3-17为分类器预训练学习 图3- Softmax回yi可以取k个不同的值（k2。因此，对于训练集x1,y1,,xm,ymyi12,k。对于给定的测试输入x，用假设函数针对每一个类别j估算出概率值将要输出一个k维的向量（1）来表示这k个估计的概率值。具体地说，假设函数hx形式如下：Tpyi1xi;; TxiTp

e1ihxETyx; 2x;; e

keTjxi p kx;; e T其中,

1

jkeTjSoftmax回归时，将kn1的矩阵来表示会很方便，该矩阵是将 T T Softmax回归的代价函数如下1m jJj

1yi

T

（3-

e 1，反之为0。对J的最小化问题，使用迭代的优化算法（如梯度下降法）。J11yijpyijxi; mi1 J本身是一个向量，它的第l个元素JJ对的第l个jj小化J。在梯度下降法的标准实现中，每一次迭代需要进行如下更新：jjjJ j1,2,,k j上述推导过程中出现的均是mJ最小化的参数1,2,,k，代入hx就可以得到输出分类估计概率。改进的BP神经网BP神经网络是由Rumelhart和McClelland于1985年误差反传的多层图3- [129]LNMLBP网络的算法步骤[129]。jkk图3- BP网络结构示M隐含层第j个节点的输入可写为：netjwijOi，则第j个节点的输出Ojf(netj （3-其中，f(net)为激发函数，本文采用sigmoid函数，则f(net) jf(netjf(netj)[1f(netj)]q

1enetOkf(netk 1 2Ep (dpkOpk2k

（3-在BP算法中采用一阶梯度法（最速下降法。

（3-k

信EEOkO(1O)(dO O

又 k

(

O)

jk EO(1O)(dO)OO （3- jk

（3- Enetj，定义反向误 信号，推导得到 net

E j Oj(1Oj)k （3-net Ojnet k又 w wijOiOi

wEO(1O)(Lw)OO

kjk ijk1pwjkOpjpwijOpi

（3- E>0，此时Δw

E<0,此时Δw 图3- 3-20（b）中，误差对权值的偏导数0，实际输出小于期望输出，权值BP网络的优点和缺陷①非线性映射能力。在未知具体数学模型的情况下，能学习和存贮大量输入-输出模式的映射关系。只要有足够多的样本进行学习训练，便能够完成由n维输入空间到m维输出空间的非线性映射。②泛化能力。网络对未训练过的样本类别也能完成由输入空间向输出空间BP算法的实质是误差函数的极小值问题。由于它采用的梯度下降算法按误小的学习率限制网络权值的改变，从而显著影响算法的速度。BP网络连接权值wt1wtwtwtE,w

其中，用w代表了wij或wjk，下面出现w时有相同含义。由于二次型函数误差的网络陷入误差曲面的平坦区域时将经过许多次迭代才能收敛。如果步长过大，附加动量法性系数），带有附加动量系数的权值和阈值调节公式为：wt1wt1 很小，于是wt1wt。从而防止了w0

E

11

EtEt （3-Et为第t步时总的误差平BP算法解决具体问题时，要选择适当的学习速率并不容易。而且随着对 E(t1)(t1) E(t1)1.04 其它其中，kinc11.05；0kdec1Et为第t0的影响变得很小，本文取0.01动量-自适应学习速率调整算法将自适应学习速率法和附加动量法相结合。在网络训练时,不