自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)及其在白酒電子鼻中的應(yīng)用

周紅標(biāo)，張宇林，丁友威，劉佳佳

(1.淮陰工學(xué)院 電子與電氣工程學(xué)院，江蘇 淮安 223003;2.南京師范大學(xué)電氣與自動(dòng)化工程學(xué)院，江蘇南京 210042)

白酒電子鼻最主要的應(yīng)用場(chǎng)合是對(duì)白酒生產(chǎn)過(guò)程進(jìn)行質(zhì)量監(jiān)控，以保證白酒的品質(zhì)［1］，其核心要求就是要實(shí)現(xiàn)基于計(jì)算機(jī)技術(shù)的白酒品質(zhì)智能鑒別.目前，白酒品質(zhì)識(shí)別主要是使用電子鼻對(duì)不同品牌、不同酒精度和不同香型的白酒進(jìn)行識(shí)別［2-3］，期望能夠通過(guò)氣味數(shù)據(jù)的處理將它們區(qū)分開來(lái).傳感器所測(cè)量的信號(hào)與被測(cè)量的氣體之間并沒有直接對(duì)應(yīng)關(guān)系，因而需要通過(guò)模式識(shí)別算法對(duì)其進(jìn)行處理.

目前，電子鼻數(shù)據(jù)分析中的模式識(shí)別算法主要有 k-近鄰法(k-nearest neighbor，k-NN)、聚類分析(clustering analysis，CA)、判別分析(discriminant analysis，DA)、主成分分析(principal component analysis，PCA)、反傳人工神經(jīng)網(wǎng)絡(luò)(back-propagation artificial neural network，BP-ANN)、概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，PNN)、學(xué)習(xí)向量量化(learning vector quantization，LVQ)、自組織映射(self-organizing maps，SOM)和支持向量機(jī)［4］(support vector machine，SVM)等.上述模式識(shí)別算法按輸入輸出之間的關(guān)系可分為線性算法和非線性算法2類.線性算法只能實(shí)現(xiàn)輸入到輸出的線性映射，它們都是基于統(tǒng)計(jì)理論而發(fā)展起來(lái)的.非線性算法，顧名思義，可實(shí)現(xiàn)輸入到輸出的非線性映射，與神經(jīng)網(wǎng)絡(luò)理論有關(guān)，由于這類算法能實(shí)現(xiàn)更復(fù)雜的映射關(guān)系，所以通常其識(shí)別效果要優(yōu)于線性算法［5］.

本文提出的自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)電子鼻白酒識(shí)別模型的主要步驟是:首先求取傳感器陣列的穩(wěn)態(tài)響應(yīng)值、響應(yīng)階段斜率、恢復(fù)階段斜率及溫濕度值作為原始特征向量;然后利用主成分分析法對(duì)輸入量進(jìn)行降維，獲取2個(gè)主元作為識(shí)別模型的輸入;再進(jìn)一步利用遺傳算法和粒子群算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的σ參數(shù)集;最后運(yùn)用優(yōu)化的自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行白酒品牌的鑒別.本文以不同品牌、不同酒精度的4種白酒電子鼻氣味數(shù)據(jù)為樣本，進(jìn)行電子鼻的模式識(shí)別算法研究.

1 自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)

1.1 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，PNN)是一種前饋型神經(jīng)網(wǎng)絡(luò)，是D.F.Specht博士于1989年根據(jù)貝葉斯決策理論(即貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則)首先提出的［6］.PNN由輸入層、模式層、求和層和輸出層組成，如圖1所示.

圖1 PNN拓樸結(jié)構(gòu)Fig.1 The topology of PNN

各層的功能如下［7-8］:

1)輸入層:輸入樣本為

式中:XIi和 YIi分別為輸入層第i(i=1，2，…，d)個(gè)神經(jīng)元的輸入和輸出.

2)模式層:XPj=YIj，j=1，2，…，d，第 i類模式的第j個(gè)模式層神經(jīng)元所確定的輸入輸出關(guān)系定義為

4)輸出層:XEi=YTi，由基于最小誤分率的貝葉斯決策規(guī)則可知

式中:XEi和YE分別為輸出層神經(jīng)元的輸入和輸出，YE為樣本的類別號(hào).

1.2 自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)

模式層中采用徑向基函數(shù)作為輸入輸出的傳遞函數(shù)，平滑因子σ決定了高斯曲線的寬度，由于在傳統(tǒng)的概率神經(jīng)網(wǎng)絡(luò)中其值固定不變，影響了網(wǎng)絡(luò)識(shí)別性能［9］.因此，采用自適應(yīng)的平滑參數(shù)將能提升網(wǎng)絡(luò)的性能［10］.即式(1)變?yōu)?/p>

差異演化算法(DE)與遺傳算法(GA)、粒子群算法(PSO)一樣，都是一種優(yōu)化算法，不同的是DE是基于群體差異的演化算法，具有穩(wěn)定性高、算法簡(jiǎn)單、收斂速度快的優(yōu)點(diǎn)，能克服GA、PSO等優(yōu)化算法的早熟現(xiàn)象［11］.利用差異演化算法對(duì)徑向基傳遞函數(shù)進(jìn)行優(yōu)化的主要步驟如下:

1)種群初始化在D維空間隨機(jī)產(chǎn)生Np個(gè)個(gè)體

式中:rand(0，1)是［0，1］上服從均勻分布的隨機(jī)數(shù).

3)交叉操作.其主要是用來(lái)增加種群的多樣性.其對(duì)變異后的擾動(dòng)量和父代個(gè)體按式(2)進(jìn)行交叉.

式中:CR為交叉概率，rand(i)是［1，D］之間隨機(jī)整數(shù).

4)選擇操作.對(duì)新矢量和預(yù)定矢量進(jìn)行比較選擇

反復(fù)執(zhí)行2)～4)，直至滿足最大進(jìn)化代數(shù)或預(yù)先設(shè)定的收斂精度.

2 實(shí)驗(yàn)數(shù)據(jù)獲取

2.1 實(shí)驗(yàn)系統(tǒng)及方案

課題組以STM32為核心處理器，將Zigbee無(wú)線通訊和虛擬儀器等技術(shù)融為一體，設(shè)計(jì)了無(wú)線白酒電子鼻.硬件電路主要實(shí)現(xiàn)信號(hào)采集、信號(hào)調(diào)理、A/D轉(zhuǎn)換、無(wú)線通信、數(shù)據(jù)傳輸、人機(jī)對(duì)話等功能，主要包括氣敏傳感器陣列(TGS2600、TGS2602、TGS2610、TGS2611、TGS2620)、AM2302 溫濕度傳感器模塊、信號(hào)調(diào)理模塊、STM32F103控制器模塊、電源模塊、鍵盤模塊、液晶顯示模塊、CC2430Zigbee無(wú)線通信模塊、RS232轉(zhuǎn)USB通訊模塊等.在上位機(jī)采用虛擬儀器軟件Labview設(shè)計(jì)一套能對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)顯示、存儲(chǔ)、回放和分析等操作的平臺(tái).算法采用數(shù)據(jù)處理能力更強(qiáng)的Matlab平臺(tái)實(shí)現(xiàn)，并通過(guò)ActiveX技術(shù)將預(yù)處理、特征提取和模式識(shí)別算法集成到Labview當(dāng)中.硬件實(shí)物圖如圖2所示.

圖2 電子鼻硬件實(shí)物Fig.2 The diagram of electronic nose hardware

在超市購(gòu)置了洋河海之藍(lán)42 480 mL、牛欄山陳釀36°400 mL、今世緣省接待40°500 mL和安徽迎駕大曲45°500 mL共4種不同酒精度不同品牌的白酒作為實(shí)驗(yàn)樣品.實(shí)驗(yàn)時(shí)，每次準(zhǔn)確取量樣本2 mL，注入樣本池中.每個(gè)樣本的檢測(cè)時(shí)間為60 s，為了消除測(cè)量數(shù)據(jù)的漂移現(xiàn)象，每次檢測(cè)前后，傳感器陣列都需要清洗和標(biāo)準(zhǔn)化(即加熱處理)，時(shí)間不少于100 s，這將能有效保證測(cè)量數(shù)據(jù)的準(zhǔn)確性和穩(wěn)定性.每種樣品重復(fù)檢測(cè)20次，4種不同白酒總計(jì)得80個(gè)樣本，建立一個(gè)小型的白酒氣味指紋圖譜庫(kù).圖3所示為洋河海之藍(lán)的傳感器陣列信號(hào)響應(yīng)強(qiáng)度圖(取自編號(hào)haizhilan_6)，其中橫坐標(biāo)是數(shù)據(jù)采集點(diǎn)數(shù)(3 000點(diǎn)，180 s)，縱坐標(biāo)是響應(yīng)強(qiáng)度，每條曲線代表一個(gè)傳感器在采樣時(shí)間內(nèi)的響應(yīng)值變化，5個(gè)傳感器共有5條響應(yīng)曲線，此外還有溫濕度傳感器顯示當(dāng)前的溫度值和濕度值.數(shù)據(jù)采集過(guò)程中由于儀器的影響(電子鼻與上位機(jī)采用一問(wèn)一答的Modbus通信協(xié)議，采樣點(diǎn)間隔60 ms)，曲線有抖動(dòng)，不光滑，故需要進(jìn)行平滑處理.本文采用移動(dòng)平均法對(duì)信號(hào)進(jìn)行平滑處理，處理后的信號(hào)如圖4所示，平滑濾波后的曲線光滑、干凈，消除了鋸齒狀的失真，便于進(jìn)一步的特征提取.

圖3 傳感器陣列信號(hào)響應(yīng)強(qiáng)度Fig.3 Signal response intensity of sensor array

圖4 數(shù)據(jù)平滑后信號(hào)響應(yīng)強(qiáng)度Fig.4 Signal response intensity after smoothing

2.2 氣味數(shù)據(jù)特征提取

目前電子鼻中使用的數(shù)據(jù)特征提取方法主要有穩(wěn)態(tài)響應(yīng)值、響應(yīng)和恢復(fù)階段的斜率、對(duì)數(shù)法、一階差分法、二階差分法等.目前大都數(shù)都只采用穩(wěn)態(tài)響應(yīng)值.本文在選擇穩(wěn)態(tài)響應(yīng)值的基礎(chǔ)上，還計(jì)算出響應(yīng)階段和恢復(fù)階段的斜率作為特征值，其計(jì)算公式如下:

式中:kx和kh分別是響應(yīng)階段斜率和恢復(fù)階段斜率，(ax，bx)和(xx，yx)分別是曲線響應(yīng)階段起始點(diǎn)和響應(yīng)穩(wěn)定點(diǎn)，(xh，yh)和(ah，bh)分別是曲線恢復(fù)階段穩(wěn)定點(diǎn)和恢復(fù)階段起始點(diǎn).可通過(guò)time=(180 s/3 000)×dianshu公式將點(diǎn)數(shù)轉(zhuǎn)換成時(shí)間.斜率計(jì)算中各點(diǎn)坐標(biāo)采用差值法自動(dòng)獲取.穩(wěn)態(tài)響應(yīng)值及斜率特征自動(dòng)計(jì)算示意圖如圖5所示.

圖5 穩(wěn)態(tài)響應(yīng)值及斜率特征值提取Fig.5 The steady state response values and feature extraction of gradient

從圖5可以發(fā)現(xiàn)，由于橫、縱坐標(biāo)的不對(duì)應(yīng)，斜率值很小，比如 kx=0.072 4與 wx=3.106 9相差40多倍;如果不對(duì)其進(jìn)行處理，直接將它們作為識(shí)別模型的輸入數(shù)據(jù)，必定影響識(shí)別結(jié)果的準(zhǔn)確性.因此，對(duì)斜率值擴(kuò)大100倍，并將負(fù)值取正，如:0.072 4調(diào)整后為7.24，－0.028 1調(diào)整后為2.81.

此外，系統(tǒng)顯示的溫濕度值數(shù)值較大.如H_1樣本分別為24.4℃和71.6RH，與穩(wěn)態(tài)值和處理后的斜率值不匹配，因此，對(duì)它們進(jìn)行單獨(dú)歸一化處理.對(duì)80個(gè)樣本數(shù)據(jù)采取前述的預(yù)處理和特征提取方法進(jìn)行處理，每個(gè)樣本獲得5個(gè)穩(wěn)態(tài)響應(yīng)值、10個(gè)斜率值、2個(gè)溫濕度數(shù)值，總共形成17個(gè)輸入?yún)⒘?從4種白酒中每種隨機(jī)選擇2個(gè)樣本，每個(gè)樣本列出陣列中某一個(gè)傳感器的穩(wěn)態(tài)值、響應(yīng)階段斜率和恢復(fù)階段斜率及溫濕度共5個(gè)數(shù)據(jù)，如表1所示(H_編號(hào)代表海之藍(lán)、N_編號(hào)代表牛欄山、S_編號(hào)代表省接待、Y_編號(hào)代表迎駕，為了顯示的直觀性，表1數(shù)據(jù)未處理，均為原始數(shù)據(jù)).

2.3 氣味數(shù)據(jù)主成分分析

17個(gè)輸入量之間存在一定的相關(guān)性，可以利用主成分分析實(shí)現(xiàn)降維，即通過(guò)對(duì)數(shù)目較多的特征向量進(jìn)行變換得到數(shù)目較少的新變量，新變量能最大限度地表征原變量的數(shù)據(jù)信息，是原變量的線性組合.從每種白酒中隨機(jī)選擇5個(gè)樣本組成20組樣本進(jìn)行主成分分析，樣本前2個(gè)主成分得分圖如圖6所示，前5個(gè)主成分的貢獻(xiàn)率分別為70.73%、12.39%、8.23%、6.76% 和 1.04%，累計(jì)貢獻(xiàn)率為70.73%、83.12%、91.35%、98.11%和 99.15%.

圖6 PC1和PC2主成分得分Fig.6 The chart of principal component score

由圖6可見，前2個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)83.12%，已能達(dá)到分類要求.而這之后，隨著主成分?jǐn)?shù)量的增加，累計(jì)貢獻(xiàn)率增加相當(dāng)緩慢，所以每個(gè)白酒樣本的電子鼻氣味數(shù)據(jù)可以用前2個(gè)主成分代替.

3 實(shí)驗(yàn)結(jié)果分析

在建立識(shí)別模型之前，首先給特征數(shù)據(jù)集中的每個(gè)樣本附上標(biāo)簽，其中海之藍(lán)定義為1號(hào)標(biāo)簽，牛欄山陳釀定義為2號(hào)標(biāo)簽，省接待定義為3號(hào)標(biāo)簽，迎駕大曲定義為4號(hào)標(biāo)簽.從白酒氣味指紋圖譜庫(kù)中隨機(jī)選擇40個(gè)作為訓(xùn)練集，剩余40個(gè)作為測(cè)試集，先進(jìn)行PCA處理，然后將每個(gè)樣本的前2個(gè)主成分得分輸入到DE-PNN模型進(jìn)行識(shí)別，識(shí)別結(jié)果如表2所示.

表2 DE-PNN識(shí)別結(jié)果Table 2 The recognition results of DE-PNN

從表2可見，DE-PNN識(shí)別算法的總體敏感度和特異度分別為87.5%和92.1%，證實(shí)了模型具有較好的分類性能.徑向基函數(shù)的擴(kuò)展速度SPREAD對(duì)網(wǎng)絡(luò)有影響，當(dāng)SPREAD在0.002～0.007之間取值時(shí)，模型的分類和泛化能力較好.

表2只是一次隨機(jī)性的測(cè)試，可能存在誤差.為了全面評(píng)價(jià)分類器的性能，本文采取了留一交叉驗(yàn)證法(leave-one-out cross-validation，LOOCV).該方法能夠彌補(bǔ)樣本不足的缺陷，其原理是:每次從樣本集中隨機(jī)抽取1個(gè)作為測(cè)試樣本，剩余的n－1個(gè)作為訓(xùn)練樣本;然后，再輪流提取另一個(gè)樣本，直到所有樣本都輪完，最終由準(zhǔn)確分類的樣本與樣本總數(shù)之比來(lái)決定分類器的分類準(zhǔn)確率.表3給出了在不同的分類方法下，全部80個(gè)樣本采用LOOCV進(jìn)行驗(yàn)證對(duì)應(yīng)的識(shí)別結(jié)果.

表3 各種分類方法的識(shí)別結(jié)果Table 3 The recognition results of different methods

從表3可以看出，3種PNN算法的留一交叉分類準(zhǔn)確率要遠(yuǎn)高于BP和RBF神經(jīng)網(wǎng)絡(luò);參數(shù)集經(jīng)過(guò)DE優(yōu)化后的PNN識(shí)別模型得到的準(zhǔn)確率最高(訓(xùn)練集為100%、測(cè)試集為97.5%)，優(yōu)于PSO、GA優(yōu)化的和未經(jīng)優(yōu)化的PNN;未經(jīng)優(yōu)化的PNN耗時(shí)較短，遠(yuǎn)低于BP，能夠滿足在線分析的要求，但由于優(yōu)化算法尋求過(guò)程復(fù)雜，GA-PNN和PSO-PNN耗時(shí)較長(zhǎng);本文還對(duì)SVM模型進(jìn)行測(cè)試，發(fā)現(xiàn)其在白酒識(shí)別中的效果并不理想(經(jīng)過(guò)簡(jiǎn)單分析，可能的原因是SVM需要整體歸一化，而本文數(shù)據(jù)集特征值采取的是分屬性歸一化).

4 結(jié)束語(yǔ)

電子鼻技術(shù)融合了傳感器技術(shù)、嵌入式技術(shù)、信息處理技術(shù)和模式識(shí)別技術(shù)等，目前在農(nóng)學(xué)、工學(xué)、醫(yī)學(xué)和生物學(xué)等多個(gè)領(lǐng)域都有著廣泛應(yīng)用.利用電子鼻技術(shù)識(shí)別白酒種類、檢測(cè)白酒品質(zhì)、監(jiān)控白酒生產(chǎn)質(zhì)量是目前研究的主要方向，本文正是針對(duì)白酒分類提出一種基于APNN的識(shí)別模型，其利用DE、GA、PSO優(yōu)化PNN的σ參數(shù)集.實(shí)驗(yàn)結(jié)果表明，與其他神經(jīng)網(wǎng)絡(luò)以及未優(yōu)化的PNN相比，基于DEPNN的方法具有較好的分類效果和較快的收斂速度.

［1］楊國(guó)強(qiáng)，張淑娟.電子鼻技術(shù)在酒類識(shí)別應(yīng)用中的研究進(jìn)展［J］.山西農(nóng)業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版，2010，30(1):92-96.

YANG Guoqiang，ZHANG Shujuan.Development of the electronic nose technology on the identification of spirit［J］.Journal of Shanxi Agric ultural University:Natural Science Edition，2010，30(1):92-96.

［2］YU Huichun，WANG Jun.Discrimination of longjing greentea grade by electronic nose［J］.Sensors and Actuators B，2007，122:134-140.

［3］ALEIXANDRE M，LOZANO J，GUITERREZ J，et al.Portable e-nose to classify different kinds of wine［J］.Sensors and Actuators B，2008，131:71-76.

［4］劉紅秀，李洪波，李衛(wèi)東，等.基于電子鼻的魚類新鮮度估計(jì)研究［J］.中山大學(xué)學(xué)報(bào):自然科學(xué)版，2010，49(2):28-30.

LIU Hongxiu，LI Hongbo，LI Weidong，et al.Research on the fish freshness assessment based on electronic nose［J］.Acta Scientiarum Natralium Universitatis Sunyatseni，2010，49(2):28-30.

［5］李純，盧志茂，楊朋.基于快速譜聚類的圖像分割算法［J］.應(yīng)用科技 ，2012，39(2):26-30.

LI Chun，LU Zhimao，YANG Peng.Image segmentation based on fast spectral clustering algorithm［J］.Applied Science and Technology，2012，39(2):26-30.

［6］姬東朝，宋筆鋒，易華輝.基于概率神經(jīng)網(wǎng)絡(luò)的設(shè)備故障診斷及仿真分析［J］.火力與指揮控制，2009，34(1):82-85.

JI Dongchao，SONG Bifeng，YI Huahui.Equipment fault diagnosis based on probabilistic neural networks and simulation analysis［J］.Fire Control and Command Control，2009，34(1):82-85.

［7］明利特，蔣蕓，王勇，等.基于鄰域粗糙集和概率神經(jīng)網(wǎng)絡(luò)集成的基因表達(dá)譜分類方法［J］.計(jì)算機(jī)應(yīng)用研究，2011，28(12):4440-4444.

MING Lite，JIANG Yun，WANG Yong，et al.Gene expression profiles classification method based on neighborhood rough set and probabilistic neural networks ensemble［J］.Application Research of Computers，2011，28(12):4440-4444.

［8］KIM D，KIM D H，CHANG S.Application of probabilistic neural network to design breakwater armor blocks［J］.O-cean Engineering，2008，35:294-300.

［9］嚴(yán)文娟，林凌，趙靜.概率神經(jīng)網(wǎng)絡(luò)用于舌診的近紅外光譜分類［J］.激光與紅外，2010，40(11):1201-1204.

YAN Wenjuan，LIN Ling，ZHAO Jing.Probability neural network for the classification of tongue diagnosis by near infrared spectroscopy［J］.Laser and Infrared，2010，40(11):1201-1204.

［10］李鵬，王樂(lè)新，趙志敏.基于概率神經(jīng)網(wǎng)絡(luò)的熒光光譜法識(shí)別高甘油三脂血清［J］.發(fā)光學(xué)報(bào)，2011，32(11):1192-1196.

LI Peng，WANG Lexin，ZHAO Zhimin.Hypertriglyceridemia serum recognition using fluorescence spectroscopic analysis based on probabilistic neural networks［J］.Chinese Journal of Luminescence，2011，32(11):1192-1196.

［11］盧青波，張學(xué)良，溫淑花，等.差異演化算法改進(jìn)與應(yīng)用［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(2):193-197.

LU Qingbo，ZHANG Xueliang，WEN Shuhua，et al.Modified differential evolution and its application［J］.Transactions of the Chinese Society for Agricultural Machinery，2010，41(2):193-197.

［12］蔣鼎國(guó)，周紅標(biāo)，耿忠華.基于PSO-SVM的白酒品質(zhì)鑒別電子鼻［J］.中國(guó)釀造，2011(11):149-152.

JIANG Dingguo，ZHOU Hongbiao，GENG Zhonghua.Liquor recognition electronic nose based on PSO-SVM［J］.China Brewing，2011(11):149-152.