電子鼻中預(yù)處理算法選擇及陣列優(yōu)化

亓培鋒 孟慶浩 井雅琪 曾 明

(天津大學(xué)電氣與自動(dòng)化工程學(xué)院機(jī)器人與自主系統(tǒng)研究所，天津,300072)

?

電子鼻中預(yù)處理算法選擇及陣列優(yōu)化

亓培鋒 孟慶浩 井雅琪 曾 明

(天津大學(xué)電氣與自動(dòng)化工程學(xué)院機(jī)器人與自主系統(tǒng)研究所，天津,300072)

為了研究數(shù)據(jù)預(yù)處理算法和傳感器陣列優(yōu)化對(duì)電子鼻氣體辨識(shí)的影響，對(duì)3種氣體進(jìn)行了測(cè)試。使用主成分分析(Principal component analysis, PCA)法選擇預(yù)處理算法，確定分類效果最好的相對(duì)差分法對(duì)電子鼻數(shù)據(jù)進(jìn)行預(yù)處理。對(duì)初始陣列優(yōu)化前，首先通過(guò)傳感器響應(yīng)變化趨勢(shì)及變異系數(shù)剔除響應(yīng)異常的傳感器；然后進(jìn)行PCA因子載荷分析，結(jié)合相關(guān)系數(shù)分析及方差膨脹因子進(jìn)行多重共線性檢驗(yàn)確定可能的最優(yōu)陣列。最后，運(yùn)用反向傳播(Back propagation，BP)神經(jīng)網(wǎng)絡(luò)對(duì)可能的最優(yōu)陣列進(jìn)行氣體識(shí)別檢驗(yàn)并確定最終陣列，同時(shí)選取其他陣列作為對(duì)照研究。通過(guò)計(jì)算檢驗(yàn)，證明本文的陣列優(yōu)化方法不僅可以剔除異常和冗余傳感器，而且對(duì)測(cè)試樣本分類效果良好。

電子鼻；變異系數(shù)；相關(guān)系數(shù)；因子載荷分析；方差膨脹因子

引 言

有關(guān)電子鼻的研究最早可以追溯到1962年Seiyama[1]發(fā)現(xiàn)了SnO2的氣敏特性，但直到1982年P(guān)ersaud[2]等人在Nature雜志上第一次提出以陣列思想來(lái)識(shí)別幾種簡(jiǎn)單氣體，才標(biāo)志著電子鼻的誕生。1994年英國(guó)Warwick大學(xué)的Gardner[3-4]正式使用術(shù)語(yǔ)電子鼻，并定義如下：“電子鼻是一種儀器，由具備部分專一性的氣敏傳感器構(gòu)成的陣列和適當(dāng)?shù)哪Ｊ阶R(shí)別系統(tǒng)組成，用來(lái)識(shí)別簡(jiǎn)單和復(fù)雜氣味[4]。目前，電子鼻已經(jīng)應(yīng)用到質(zhì)量控制、環(huán)境監(jiān)測(cè)和疾病診斷等各個(gè)領(lǐng)域[5]。

數(shù)據(jù)預(yù)處理對(duì)于電子鼻系統(tǒng)的性能有著較大的影響，好的信號(hào)預(yù)處理方法不僅可以降噪，而且可以使得識(shí)別復(fù)雜度降低、誤差減小，從而提高系統(tǒng)辨識(shí)性能。同時(shí)，電子鼻中的數(shù)據(jù)預(yù)處理算法也為后續(xù)模式識(shí)別準(zhǔn)備相匹配的數(shù)據(jù)。陣列優(yōu)化的意義在于：一方面可以盡量剔除異常和冗余傳感器，減小陣列規(guī)模，滿足電子鼻微型化的發(fā)展需求，同時(shí)也可避免由于傳感器數(shù)量過(guò)多而導(dǎo)致的“維數(shù)災(zāi)難”；另一方面，由于剔除了異常和冗余傳感器，使后續(xù)數(shù)據(jù)處理和分析更可靠，降低了識(shí)別誤差。

文獻(xiàn)[6]采用快速傅里葉濾波加傳感器歸一化進(jìn)行數(shù)據(jù)預(yù)處理；文獻(xiàn)[7]采用6點(diǎn)平滑方法去除傳感器的噪聲并用基線校正消除環(huán)境變量的影響；文獻(xiàn)[8]以主成分貢獻(xiàn)率及馬氏距離分辨力為指標(biāo)，比較了4種數(shù)據(jù)預(yù)處理方法對(duì)電子鼻檢測(cè)雞蛋新鮮度準(zhǔn)確性的差異。文獻(xiàn)[9]運(yùn)用方差分析進(jìn)行陣列優(yōu)化；文獻(xiàn)[10]分別采用相關(guān)系數(shù)分析、第二主成分選擇性分析和基于變異系數(shù)的因子載荷分析3種方法研究了陣列優(yōu)化；文獻(xiàn)[11]通過(guò)特征選擇來(lái)確定陣列中合適的傳感器數(shù)目和種類，進(jìn)而優(yōu)化陣列。

目前，在電子鼻中采用的數(shù)據(jù)預(yù)處理方法主要有對(duì)數(shù)法、差分法、相對(duì)差分法和傳感器歸一化等[12-16]。但是對(duì)于不同的應(yīng)用，電子鼻的預(yù)處理方法效果有很大差異，因此如何針對(duì)具體應(yīng)用選擇適合的預(yù)處理方法是電子鼻數(shù)據(jù)處理準(zhǔn)確的基礎(chǔ)。本文使用硬件一階低通RC濾波，采用主成分分析[17](Principal component analysis,PCA)法比較了4種數(shù)據(jù)預(yù)處理算法，并以分類效果作為判斷準(zhǔn)則，選擇分類效果最佳的算法對(duì)電子鼻數(shù)據(jù)進(jìn)行預(yù)處理。目前，用于陣列優(yōu)化的方法較多[18-24]，但都只針對(duì)單一的應(yīng)用。本文提出了一種適合大多數(shù)電子鼻應(yīng)用的陣列優(yōu)化方法。

1 實(shí)驗(yàn)和方法

1.1 實(shí)驗(yàn)材料

實(shí)驗(yàn)中用到濃度99.8%的無(wú)水乙醇，CO和CH4標(biāo)準(zhǔn)氣體。其中CO和CH4標(biāo)準(zhǔn)氣體由某市計(jì)量監(jiān)督檢測(cè)科學(xué)研究院配制，配氣濃度分別為942 ppm和1 046 ppm，使用高壓無(wú)縫鋼瓶封裝，采用減壓閥放出氣體到測(cè)試腔中測(cè)試。

1.2 實(shí)驗(yàn)裝置

本文采用的自主設(shè)計(jì)的電子鼻系統(tǒng)結(jié)構(gòu)如圖1所示，主要包括氣體傳感器陣列及測(cè)試腔，電源和信號(hào)預(yù)處理電路，及數(shù)據(jù)采集和上位機(jī)系統(tǒng)3大部分。其中，選用對(duì)乙醇、CO和CH4氣體交叉敏感的TGS822,TGS2610，TGS2620，MiCS-5135，MiCS-5521共5只傳感器構(gòu)造初始陣列。傳感器測(cè)量采用分壓電路，各傳感器對(duì)乙醇的測(cè)量范圍為50～5 000 ppm，對(duì)CO和CH4的測(cè)量范圍為10～1 000 ppm。

圖1 電子鼻系統(tǒng)結(jié)構(gòu)框圖Fig．1 Structure diagram of electronic nose system

1.3 實(shí)驗(yàn)方法

實(shí)驗(yàn)可分為對(duì)各氣體單獨(dú)定量測(cè)試和對(duì)不同組合混合氣體定性測(cè)試兩大部分，具體實(shí)驗(yàn)步驟如下：

(1)首先將初始傳感器陣列放置在測(cè)試腔中，傳感器預(yù)熱以后，對(duì)預(yù)處理電路進(jìn)行調(diào)試，測(cè)量傳感器在空氣中的穩(wěn)態(tài)響應(yīng)。

(2)定量測(cè)試乙醇?xì)怏w時(shí)，使用移液器吸取1.3 μL(相當(dāng)于100 ppm乙醇?xì)怏w[25])整數(shù)倍體積的無(wú)水乙醇液體，注射到測(cè)試腔中，使用膠塞封閉好；定量測(cè)試CO和CH4時(shí)則用減壓閥向測(cè)試腔通入氣體(同時(shí)用MX6 iBRiD商用電子鼻測(cè)量氣體濃度作為參照值)；測(cè)試混合氣體時(shí)只需按照上述方法將混合氣體一起通入測(cè)試腔即可。

(3)等待足夠時(shí)間(針對(duì)MOS型氣體傳感器，建議等待1 m以上)，并判定各傳感器輸出穩(wěn)定后(在本文實(shí)驗(yàn)中，如果連續(xù)20組平均值絕對(duì)誤差都小于0.01 V，則認(rèn)為傳感器輸出穩(wěn)定)，將輸出電壓(Vout)連續(xù)采樣的平均值存儲(chǔ)。

(4)重復(fù)第(2，3)步操作，直到接近測(cè)量上限為止。

(5)排出氣體，用吹風(fēng)機(jī)徹底清洗測(cè)試腔直到傳感器恢復(fù)至基線，準(zhǔn)備進(jìn)行下一個(gè)樣本的實(shí)驗(yàn)。

1.4 實(shí)驗(yàn)數(shù)據(jù)

單獨(dú)定量測(cè)試實(shí)驗(yàn)中，乙醇濃度從100～4 500 ppm，間隔取樣步長(zhǎng)為100 ppm，共得到45組樣本數(shù)據(jù)；CO氣體取樣濃度從50～660 ppm，共得到21組樣本數(shù)據(jù)；CH4氣體取樣濃度從93～820 ppm，共得到28組樣本數(shù)據(jù)。這樣對(duì)單一氣體定量測(cè)試得到94組數(shù)據(jù)。4種組合混合氣體，每種組合各測(cè)試20組數(shù)據(jù)，一共測(cè)試得到80組數(shù)據(jù)，分別是：CH4和CO，CH4和乙醇，CO和乙醇，CH4，CO和乙醇。實(shí)驗(yàn)共得到174組初始傳感器陣列數(shù)據(jù)，每組數(shù)據(jù)為一個(gè)5維向量(174×5的矩陣)，分別對(duì)應(yīng)各傳感器的穩(wěn)態(tài)輸出。

2 數(shù)據(jù)預(yù)處理算法比較

本文分別采用對(duì)數(shù)法、差分法、相對(duì)差分法和傳感器歸一化法[3-5,25]對(duì)經(jīng)過(guò)硬件RC濾波的3種氣體的定量采集數(shù)據(jù)(共94組)進(jìn)行數(shù)據(jù)預(yù)處理，并進(jìn)行Z-score標(biāo)準(zhǔn)化處理[8]，最后用PCA對(duì)這4種預(yù)處理算法進(jìn)行了比較驗(yàn)證。

PCA得到的各主成分相關(guān)系數(shù)矩陣特征值和累計(jì)方差貢獻(xiàn)率如表1所示，由表1可知，選用前2個(gè)主成分組成新的樣本集就能夠代表原始數(shù)據(jù)所能提供的信息，PCA得分圖如圖2～5所示。其中橫縱坐標(biāo)分別表示第一主成分和第二主成分，括號(hào)中的值為其貢獻(xiàn)率。

由圖2～5可以看到：使用對(duì)數(shù)法預(yù)處理后3種氣體組分重合在一起，分類效果很差；使用傳感器歸一化得到的分類效果較好，但是在邊緣存在一些離散的點(diǎn)，并且各組分分布較稀疏；而使用相對(duì)差分法和差分法的分類效果更好，不僅可以實(shí)現(xiàn)3種氣體的完全分類，而且各組分分布較密集。由于相對(duì)差分法預(yù)處理后的數(shù)據(jù)更適合作為BP神經(jīng)網(wǎng)絡(luò)[26-27]的輸入，因此選擇相對(duì)差分法作為電子鼻的預(yù)處理算法。

表1 各主成分特征值和方差貢獻(xiàn)率

3 陣列優(yōu)化

本文提出的陣列優(yōu)化方法分為4步，為不同應(yīng)用電子鼻陣列優(yōu)化研究提供了一種思路。

(1)初始陣列構(gòu)造。針對(duì)具體應(yīng)用，根據(jù)被測(cè)對(duì)象選擇具有相應(yīng)交叉敏感特性的傳感器陣列，保證陣列識(shí)別能力的前提下盡量避免過(guò)多的冗余，減小后續(xù)優(yōu)化處理的復(fù)雜度。(2)剔除異常傳感器。構(gòu)成陣列的各傳感器對(duì)被測(cè)對(duì)象的響應(yīng)雖然存在差異，但是其變化趨勢(shì)一定是相同的，因此可以根據(jù)這一點(diǎn)剔除變化趨勢(shì)異常的傳感器；同時(shí)，變異系數(shù)可以反映傳感器響應(yīng)數(shù)據(jù)的離散程度，應(yīng)該剔除變異系數(shù)過(guò)大的傳感器。(3)陣列優(yōu)化分析。進(jìn)行PCA因子載荷分析，結(jié)合相關(guān)系數(shù)分析及方差膨脹因子進(jìn)行多重共線性檢驗(yàn)確定可能的最優(yōu)陣列；(4)計(jì)算檢驗(yàn)和最終陣列確定。

3.1 傳感器變化趨勢(shì)

由傳感器分壓電路原理，有如下關(guān)系

(1)

圖6 各傳感器阻值在CH4氣體中變化趨勢(shì)圖 Fig．6 Resistance change trend of each sensor in CH4

式中：RS為傳感器半導(dǎo)體敏感材料阻值，VC為傳感器分壓測(cè)試回路電壓，已知為5 V，Vout為分壓電阻兩端電壓，即采樣電壓，RL為分壓電阻。由式(1)可得到各傳感器在不同濃度氣體(以CH4為例)中阻值的變化趨勢(shì)，如圖6所示。由圖6可知，各傳感器對(duì)不同濃度的3種氣體響應(yīng)存在差異，但隨著氣體濃度的增加，各傳感器阻值均逐漸減小。

3.2 變異系數(shù)

用變異系數(shù)[28]分析各傳感器測(cè)試結(jié)果的離散程度，若變異系數(shù)的值過(guò)大，則說(shuō)明該傳感器測(cè)試結(jié)果的離散程度很大，傳感器響應(yīng)的重復(fù)性和穩(wěn)定性不好，應(yīng)該剔除該傳感器。傳感器i的變異系數(shù)RSDi的計(jì)算如下

(2)

表2為各傳感器變異系數(shù)。由上分析可以看出各傳感器變化趨勢(shì)相符，各傳感器的變異系數(shù)也都較小，因此在陣列優(yōu)化的這一步?jīng)]有剔除明顯的異常傳感器，還需進(jìn)一步分析。

表2 各傳感器變異系數(shù)

3.3 PCA因子載荷

因子載荷分析是主成分分析應(yīng)用的一個(gè)重要方面，常應(yīng)用于指標(biāo)(變量)分類。把各個(gè)傳感器當(dāng)成變量，通過(guò)因子載荷分析可以直觀的對(duì)傳感器進(jìn)行大致分類，為傳感器優(yōu)化取舍提供一種依據(jù)。

本文第2節(jié)中對(duì)經(jīng)相對(duì)差分法預(yù)處理并Z-score標(biāo)準(zhǔn)化后的傳感器響應(yīng)數(shù)據(jù)進(jìn)行主成分分析，取因子載荷矩陣的前3個(gè)主元作出各傳感器的因子載荷圖，如圖7所示?？梢钥闯觯琈ICS-5135與MICS-5521的載荷因子非常接近，可能存在隱含的相似信息。

圖7 各傳感器的因子載荷圖Fig．7 Factor loading of each sensor

3.4 相關(guān)系數(shù)

相關(guān)系數(shù)[28]是用來(lái)反映變量之間相關(guān)關(guān)系密切程度的統(tǒng)計(jì)指標(biāo)，傳感器i與j的相關(guān)系數(shù)用rij表示。兩傳感器的相關(guān)程度隨|rij|值的增大而增大。由于實(shí)驗(yàn)所用的初始傳感器較多，相互之間關(guān)系復(fù)雜，很難從單個(gè)相關(guān)系數(shù)上判斷這些傳感器的關(guān)聯(lián)程度。為此，本文取相關(guān)系數(shù)的平方和，即各傳感器變量與所有傳感器變量的總相關(guān)系數(shù)作為判定各傳感器變量相關(guān)性的判定系數(shù)

(3)

式中：Ri值越大，說(shuō)明傳感器i與其他傳感器之間的相關(guān)程度越大，可考慮去除；Ri值越小，說(shuō)明傳感器i與各傳感器之間的關(guān)聯(lián)程度越低，傳感器之間可能包含的冗余信息越少。

表3為各傳感器判定系數(shù)。由表3可知傳感器4和5的判定系數(shù)較大，這并不一定代表傳感器4和5都可能是冗余傳感器，因?yàn)榻Y(jié)合圖7分析，傳感器4和5的因子載荷非常接近，初步判定為4和5為相似傳感器，可以剔除一個(gè)以優(yōu)化陣列。而傳感器3的判定系數(shù)雖然也較高，可以從圖7(b)中看出，傳感器3，4和5的距離也較近，不過(guò)在7(a，c)中3，4和5又較遠(yuǎn)，所以不能判定3為冗余傳感器。

3.5 VIF的多重共線性

方差膨脹因子(Variance inflation factor, VIF)為容忍度的倒數(shù)，VIF越大，顯示共線性越嚴(yán)重。經(jīng)驗(yàn)判斷方法表明：當(dāng)VIF<10，可認(rèn)為不存在多重共線性；當(dāng)VIF>10，存在較強(qiáng)的多重共線性。

(4)

表4為各傳感器方差膨脹因子。可以看出，4號(hào)傳感器的VIF值大于10，明顯存在較強(qiáng)的多重共線性，而5號(hào)傳感器的VIF=7.1，也存在一定的多重共線性。所以，通過(guò)VIF分析，應(yīng)該優(yōu)先剔除4號(hào)傳感器，其次也可能剔除5號(hào)傳感器。

表3 各傳感器判定系數(shù)

表4 各傳感器方差膨脹因子

3.6 可能的最優(yōu)陣列

通過(guò)以上陣列優(yōu)化的進(jìn)一步分析，就可以確定可能的最優(yōu)陣列。PCA因子載荷分析把傳感器大致分為4類，4,5傳感器存在相似信息，需要剔除其中一個(gè)冗余傳感器?；谙嚓P(guān)系數(shù)的判定系數(shù)分析結(jié)合因子載荷圖，得出4,5傳感器的關(guān)聯(lián)程度較高，而且5比4的相關(guān)程度高，與PCA因子載荷分析結(jié)果相似。基于VIF分析的多重共線性檢驗(yàn)得到的結(jié)果是，優(yōu)先剔除4，其次可剔除5。綜合以上3種陣列優(yōu)化分析，得到可能的最優(yōu)陣列為(1,2,3,5)和(1,2,3,4)。

4 計(jì)算檢驗(yàn)

前文陣列優(yōu)化分析雖然得到了可能的最優(yōu)陣列，但是得到的最優(yōu)陣列是否具有很好的分類效果仍需要進(jìn)行計(jì)算檢驗(yàn)；此外，如何從可能的最優(yōu)陣列中確定最終陣列，也需要進(jìn)一步驗(yàn)證分析。因此，使用BP神經(jīng)網(wǎng)絡(luò)，對(duì)選取得到的可能的最優(yōu)陣列和其他對(duì)照陣列進(jìn)行氣體識(shí)別分析。按照傳感器序號(hào)分組，一共有5種陣列組合S1*,S2*～S5：(1,2,3,4)*,(1,2,3,5)*,(1,2,4,5)，(2,3,4,5)和(1,2,3,4,5)，其中上標(biāo)*表示可能的最優(yōu)陣列。

4.1 氣體辨識(shí)

4.1.1 單一氣體定量識(shí)別

用上述5種陣列的定量測(cè)試實(shí)驗(yàn)數(shù)據(jù)對(duì)乙醇、CO和CH4樣本分別單獨(dú)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)識(shí)別。每種氣體隨機(jī)選取5組數(shù)據(jù)進(jìn)行識(shí)別驗(yàn)證，其余進(jìn)行網(wǎng)絡(luò)訓(xùn)練。選取平均相對(duì)誤差和最大相對(duì)誤差作為評(píng)價(jià)指標(biāo)，識(shí)別結(jié)果如表5和6所示。從表5,6可看出，S2*～S5的最大相對(duì)誤差較小，說(shuō)明識(shí)別結(jié)果更穩(wěn)定可靠；S1,S2*，S3，S5識(shí)別乙醇的平均相對(duì)誤差較??；S2*～S5識(shí)別CO的平均相對(duì)誤差較??；S2*～S5識(shí)別CH4的平均相對(duì)誤差較小。因此，可選擇S2*，S3，S5作為傳感器陣列進(jìn)行氣體定量識(shí)別，平均相對(duì)誤差<2.6%，最大相對(duì)誤差<4.8%，滿足識(shí)別精度。

表6 各陣列組合定量識(shí)別氣體的最大相對(duì)誤差 %

4.1.2 混合氣體定性辨識(shí)

把上述5種陣列的174組7種不同組分氣體樣本響應(yīng)數(shù)據(jù)，經(jīng)過(guò)相對(duì)差分法和Z-score標(biāo)準(zhǔn)化預(yù)處理后，分別對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，考察其定性分類3種氣體的效果。網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)目與數(shù)據(jù)列數(shù)相同，輸出層節(jié)點(diǎn)數(shù)目為3，期望輸出結(jié)果共有7種：乙醇(1，0，0)，CO(0，1，0)，CH4(0，0，1)，乙醇+CO(1，1，0)，乙醇+CH4(1，0，1)，CO+CH4(0，1，1)，乙醇+CO+CH4(1，1，1)。為保證識(shí)別精度，規(guī)定輸出節(jié)點(diǎn)的輸出≥0.9時(shí)，判定為含有對(duì)應(yīng)氣體；輸出節(jié)點(diǎn)輸出≤0.1時(shí)，判定為沒(méi)有對(duì)應(yīng)氣體；輸出在0.1～0.9之間判定為識(shí)別錯(cuò)誤。每種組分氣體樣本隨機(jī)取5組數(shù)據(jù)，共5×7=35組數(shù)據(jù)用于氣體分類識(shí)別，其余進(jìn)行網(wǎng)絡(luò)訓(xùn)練，識(shí)別結(jié)果見(jiàn)表7。由識(shí)別結(jié)果可知，各陣列組合對(duì)單一氣體均能正確識(shí)別，但是對(duì)混合組分氣體存在錯(cuò)誤識(shí)別的情況。由表5可知，S2*和S5的正確識(shí)別率較高。

表7 各陣列組合氣體識(shí)別結(jié)果

4.2 最終陣列確定

根據(jù)上述實(shí)驗(yàn)結(jié)果，S2*，S3，S5對(duì)各氣體定量識(shí)別效果較好，S2*，S5對(duì)混合氣體定性分類正確率較高。因此，根據(jù)識(shí)別結(jié)果應(yīng)該選取S2*，S5陣列，而前文陣列優(yōu)化得到的可能的最優(yōu)陣列為S2*，S1*。最終結(jié)果如表8所示，綜合陣列和計(jì)算檢驗(yàn)結(jié)果，最終選取S2*作為最終陣列。

表8 陣列優(yōu)化結(jié)果

5 結(jié)束語(yǔ)

本文采用PCA選擇合適的預(yù)處理算法，適合大多數(shù)電子鼻應(yīng)用；通過(guò)選擇合適的預(yù)處理算法，為電子鼻后續(xù)數(shù)據(jù)處理提供了保證。本文通過(guò)4步陣列優(yōu)化分析后得到的最終陣列。通過(guò)計(jì)算檢驗(yàn)結(jié)果良好，無(wú)論是單一氣體的定量和混合氣體定性識(shí)別都具有較好的精度。實(shí)驗(yàn)表明，本文為電子鼻預(yù)處理算法選擇和陣列優(yōu)化提供了一種可行的思路和方法。

[1] Tetsuro S, Akio K. A new detector for gaseous components using semi-conductive thin films[J]. Analytical Chemistry. 1962, 34(11):1502-1503.

[2] Persand K, Dodd G. Analysis of discrimination mechanisms in the mammalian olfactory system using a model nose[J]. Nature, 1982, 299(5881): 352-355.

[3] Gardner J W, Bartlett P N. A brief history of electronic nose[J]. Sensors and Actuators B,1994, 18(1/2/3): 210-211.

[4] Gardner J W, Hyun W S, Hines E L. Electronic nose system to diagnose illness[J]. Sensors and Actuators B, 2000, 70(1/2/3): 19-24.

[5] Turner A P, Magan N. Electronic nose and disease diagnostics[J]. Nature Reviews, 2004, 2(2): 161-166．

[6] 蘆筱菲, 鄭麗敏. 電子鼻對(duì)干酪識(shí)別的數(shù)據(jù)預(yù)處理和特征提取[J]. 計(jì)算機(jī)應(yīng)用, 2007, 27(6): 65-67.

Lu Xiaofei, Zheng Limin. The study on the preprocessing and feature extraction of electronic nose technology to differentiate cheese[J]. Computer Applications, 2007, 27(6): 65-67.

[7] 鄒小波, 趙杰文. 電子鼻數(shù)據(jù)的預(yù)處理技術(shù)與應(yīng)用[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2006, 37(5): 83-86.

Zou Xiaobo, Zhao Jiewen. Electronic nose preprocessing and its application[J]. Transactions of the Chinese Society for Agricultural Machinery, 2006, 37(5): 83-86.

[8] 潘磊慶, 劉 明, 詹 歌, 等. 數(shù)據(jù)預(yù)處理在電子鼻評(píng)價(jià)雞蛋新鮮度中的應(yīng)用研究[J]. 上海理工大學(xué)學(xué)報(bào), 2010, 32(6): 584-588.

Pan Leiqing, Liu Ming, Zhan Ge，at al. Data processing for egg freshness evaluation by use of electronic nose[J]. Journal of Shanghai University of Science and Technology, 2010, 32(6): 584-588.

[9] 張紅梅, 王 俊. 電子鼻傳感器陣列優(yōu)化與谷物霉變程度的檢測(cè)[J]. 傳感技術(shù)學(xué)報(bào), 2007, 20(6): 1207-1210.

Zhang Hongmei, Wang Jun. Optimization of sensor array and detection of moldy degree for grain by electronic nose[J]. Chinese Journal of Sensors and Actuator, 2007, 20(6): 1207-1210.

[10]周海濤, 殷 勇. 勁酒電子鼻鑒別分析中傳感器陣列優(yōu)化方法研究[J]. 傳感技術(shù)學(xué)報(bào), 2009, 22(2): 175-178.

Zhou Haitao, Yin Yong. Optimization method of gas sensor array for identification of jing wine based on electronic nose[J]. Chinese Journal of Sensors and Actuator, 2009, 22(2): 175-178.

[11]范超群, 張順平, 占瓊, 等. 特征提取及其在電子鼻對(duì)可燃液體識(shí)別中的應(yīng)用[J]. 傳感器與微系統(tǒng), 2007, 26(8): 108-111.

Fan Chaoqun, Zhang Shunping, Zhan Qiong, at al. Feature extraction and its application in recognizing of flammable liquids with electronic nose[J]. Transducer and Microsystem Technologies, 2007, 26(8): 108-111.

[12]梁堅(jiān), 辛德瑗. 電子鼻——智能氣體傳感器 [J]. 傳感技術(shù)學(xué)報(bào), 1995, 6(2): 11-14.

Liang Jian, Xin Deyuan. Electronic nose—Smart gas sensor[J]. Chinese Journal of Sensors and Actuator, 1995, 6(2): 11-14.

[13]曹忠, 林輝概,俞汝勤. PCS陣列用作電子鼻的初探[J]. 化學(xué)傳感器, 1995, 15(1): 72-73.

Cao Zhong,Lin Huigai, Yu Ruqin. Preliminary study on the PCS array used an electronic nose[J]. Chemical Sensors, 1995,15(1):72-73.

[14]龐旭欣, 鄭麗敏, 朱虹, 等. 電子鼻對(duì)不同存儲(chǔ)時(shí)間純牛奶的檢測(cè)分析[J]. 傳感器與微系統(tǒng), 2012, 31(9): 67-70.

Pang Xuxin, Zheng Limin, Zhu Hong, et al. Critical analysis of electronic nose on pure milk of different storage time[J]. Transducer and Microsystem Technology, 2012, 31(9): 67-70.

[15]王晗, 楊建華,侯宏，等. 基于傳感器溫度動(dòng)態(tài)響應(yīng)信息和Kohonen算法的葡萄酒定性識(shí)別方法[J]. 傳感技術(shù)學(xué)報(bào), 2004, 17(2): 185-188.

Wang Han,Yang Jianhua, Hou hong, et al. Qualitatively identify wine using sensor dynamic response information on temperature and self-organize mapping network[J]. Chinese Journal of Sensors and Actuator, 2004, 17(2): 185-188.

[16]馬劍偉, 劉濤, 周宏偉, 等. 一種基于Mahalanobis距離和主成分分析的電子鼻信號(hào)預(yù)處理方法[J]. 電腦知識(shí)與技術(shù), 2010, 6(7): 1699-1700.

Ma Jianwei, Liu Tao, Zhou Hongwei, et al. An application of PCA-RBF neural network based on anomaly detection for electronic nose gas detection[J]. Computer Knowledge and Technology, 2010, 6(7): 1699-1700.

[17]彭紅星, 陳祥光, 徐巍. PCA特征抽取與SVM多類分類在傳感器故障診斷中的應(yīng)用[J]. 數(shù)據(jù)采集與處理, 2010, 25(1): 111-116.

Peng Hongxing, Chen Xiangguang, Xu Wei. Application of PCA feature extraction and SVM multi-classification on sensor fault diagnosis[J]. Journal of Data Acquisition and Processing, 2010, 25(1): 111-116.

[18]鄒慧琴, 劉勇, 陶歐, 等. 電子鼻MOS傳感器陣列優(yōu)化及其在中藥材快速鑒別中的應(yīng)用[J]. 中國(guó)中醫(yī)雜志, 2013, 38(2): 161-166.

Zou Huiqin, Liu Yong, Tao Ou, et al. Optimization method of MOS sensor array for identification of traditional Chinese medicine based on electronic nose[J]. China Journal of Chinese Materia Medica, 2013, 38(2): 161-166.

[19]閆嘉, 田逢春, 何慶華，等. 基于支持向量機(jī)和粒子群算法的電子鼻傷口感染檢測(cè)[J]. 世界科技研究與發(fā)展, 2012, 34(2): 261-264.

Yan Jia, Tian Fengchun, He Qinghua,et al. Wound infection based on electronic nose combined support vector machine and particle swarm optimization[J]. World Sci-Tech R&D, 2012, 34(2): 261-264.

[20]Wilson D M, Garrod S D. Optimization of gas-sensitive polymer arrays using combinations of heterogeneous and homogeneous subarrays[J]. IEEE Sensors Journal, 2002, 2(3): 169-178.

[21]王曉亮, 劉海燕. 電子鼻傳感器陣列優(yōu)化及其在醋的分類中的應(yīng)用[J]. 傳感器世界, 2010,11: 13-15.

Wang Xiaoliang, Liu Haiyan. Optimization of electronic nose and its application in the classification of vinegar[J]. Sensor World , 2010,11: 13-15.

[22]張雙巖, 余雋, 唐禎安, 等. 二元混合氣體識(shí)別中傳感器陣列優(yōu)化方法研究[J]. 儀表技術(shù)與傳感器, 2010, 7: 80-83.

Zhang Shuangyan, Yu Jun, Tang Zhenan, et al. Optimization of sensor array in identification of binary gas mixtures[J]. Instrument Technique and Sensor, 2010, 7: 80-83.

[23]占瓊, 張順平, 范超群, 等. 特征選擇在電子鼻系統(tǒng)陣列優(yōu)化中的應(yīng)用[J]. 傳感器與微系統(tǒng), 2008, 27(2): 114-117.

Zhan Qiong, Zhang Shunping, Fan Chaoqun，et al. Application of feature selection in sensor array optimization of E-nose[J]. Transducer and Microsystem Technology, 2008, 27(2): 114-117.

[24]胥勛濤, 田逢春, 楊先一. 醫(yī)用電子鼻氣體傳感器陣列優(yōu)化方法[J]. 傳感器世界, 2009, 5: 17-20.

Xu Xuntao, Tian Fengchun, Yang Xianyi. Gas sensors array optimization for medical electronic noses[J]. Sensor World, 2009, 5: 17-20.

[25]李飛. 小型移動(dòng)機(jī)器人嗅覺(jué)定位研究[D]. 天津：天津大學(xué)，2006.

Li Fei. Study on small mobile robot odor localization[D]. Tianjin: Tianjin University, 2006.

[26]余華, 黃程韋,金贇， 等. 基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的語(yǔ)音情感識(shí)別[J]. 數(shù)據(jù)采集與處理. 2011, 26(1): 57-62.

Yu Hua, Huang Chengwei, Jin Yun,et al. Speech emotion recognition based on particle swarm optimizer neural network[J]. Journal of Data Acquisition and Processing, 2011, 26(1): 57-62.

[27]Zhang Kezhi, Tian Weifeng, Qian Feng. Combination of distributed Kalman filter and BP neural network for ESG bias model identification[J]. Transactions of Nanjing University of Aeronautics&Astronautic, 2010, 27(3): 226-231.

[28]占瓊. 電子鼻系統(tǒng)中的傳感器陣列優(yōu)化研究 [D]. 武漢：華中科技大學(xué)，2007.

Zhan Qiong. Sensor array optimization for E-nose system by feature selection[D]. Wuhan: Huazhong University of Science & Technology, 2007.

Preprocessing Algorithm Selection and Optimization of Sensor Array in Electronic Noses

Qi Peifeng, Meng Qinghao, Jing Yaqi, Zeng Ming

(Institute of Robotics and Autonomous Systems, School of Electrical Engineering and Automation, Tianjin University, Tianjin, 300072, China)

Three gases are tested to investigate the effects of data preprocessing algorithm and optimization of sensor array on electronic noses. Preprocessing algorithms are chosen via principal component analysis (PCA), and the relative difference algorithm is determined for preprocessing data of the electronic nose for its good classification effect. To optimize the initial array, we first remove sensors abnormally responsing by observing the sensors′ response trend and coefficient of variation. Then we analyze PCA factor loading and conduct multi-collinearity test to determine possible optimal arrays using the correlation coefficient and variance inflation factor analysis. Finally, we apply back propagation(BP) neural network to verify the possible optimal arrays through gas recognition. We determine the final array as well as select other array for controlled study. The results of the check computation certify that the optimization method of sensor array can not only eliminate anomalies and redundant sensors, but also works well on the classification of test samples.

electronic nose; coefficient of variation; correlation coefficient; factor loading analysis; variance inflation factor

國(guó)家自然科學(xué)基金(61271321，60875053)資助項(xiàng)目；教育部博士點(diǎn)基金(20120032110068)資助項(xiàng)目。

2013-05-10；

2013-09-06

TP391.4

A

亓培鋒(1989-)，男，碩士研究生，研究方向：被動(dòng)嗅覺(jué)和電子鼻，E-mail: qipeifenglove@tju.edu.cn。

曾明(1973-)，男，博士，副教授，研究方向：圖像信息處理和機(jī)器人主動(dòng)嗅覺(jué)。

孟慶浩(1968-)，男，博士，教授，研究方向：自主機(jī)器人感知、超聲編碼、機(jī)器嗅覺(jué)和移動(dòng)傳感器網(wǎng)絡(luò)，Email: qh_meng@tju.edu.cn。

井雅琪(1988-)，女，博士研究生，研究方向：被動(dòng)嗅覺(jué)、嗅覺(jué)神經(jīng)網(wǎng)絡(luò)、電子鼻和超聲編碼測(cè)距。