一種基于仿生嗅覺的室內(nèi)有害氣體成分識別方法*

潘銘津，何家峰，駱德漢

(廣東工業(yè)大學(xué) 信息工程學(xué)院，廣東 廣州 510000)

0 引言

在現(xiàn)代社會中，室內(nèi)的裝修材料大多采用有機(jī)合成材料，這些材料所散發(fā)出來的甲醛、氨氣等室內(nèi)有害氣體，造成室內(nèi)環(huán)境污染，對居民的身體健康產(chǎn)生較大的惡性影響。研究[1]表明在中國家庭中，室內(nèi)氣體環(huán)境污染是“病態(tài)建筑綜合征”的一個(gè)危險(xiǎn)因素。在室內(nèi)空氣環(huán)境監(jiān)測中，對有害氣體定量分析有多種不同的方法，包括非分散紅外法、氣相色譜法、納氏試劑比色法以及離子選擇電極法。以上提到的方法所采用的儀器操作比較復(fù)雜且不能實(shí)時(shí)實(shí)地地進(jìn)行空氣質(zhì)量檢測。隨著信息科學(xué)和傳感器等技術(shù)的快速發(fā)展，仿生嗅覺系統(tǒng)憑借其快捷、簡便和經(jīng)濟(jì)等優(yōu)點(diǎn)，在醫(yī)療、食品加工、環(huán)境檢測等領(lǐng)域已經(jīng)得到了諸多應(yīng)用。

仿生嗅覺系統(tǒng)中的傳感器陣列是由多個(gè)金屬氧化物半導(dǎo)體(Metal-Oxide Semiconductor,MOS)傳感器組成，以此實(shí)現(xiàn)對不同目標(biāo)氣體信息的采集。同時(shí)因?yàn)镸OS氣體傳感器中的氣敏材料存在交叉敏感特性，因此對單一目標(biāo)氣體敏感的MOS傳感器暫時(shí)不存在。因此，仿生嗅覺系統(tǒng)需要結(jié)合合適的模式識別方法對混合氣體中的各種氣體成分信息進(jìn)行識別，為各類別的氣體濃度提供信息。

本文將結(jié)合基于仿生嗅覺和卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)[2]的方法對多元室內(nèi)有害氣體中的每種氣體進(jìn)行定量識別，從而降低因仿生嗅覺系統(tǒng)中MOS氣敏傳感器存在交叉敏感特性的影響，提高對目標(biāo)氣體識別的準(zhǔn)確率。

1 仿生嗅覺系統(tǒng)組成及工作原理

仿生嗅覺系統(tǒng)是一個(gè)識別單種或多種氣體的檢測系統(tǒng)，通過利用一組氣體傳感器陣列的響應(yīng)信號來識別氣體的電子系統(tǒng)，其檢測結(jié)果得到的是一種圖譜，這種圖譜又被稱為氣味指紋圖譜，該圖譜能描述該氣體物質(zhì)的唯一特征，類似于人類指紋的唯一性。仿生嗅覺系統(tǒng)一般由氣體傳感器陣列、信號處理和模式識別方法組成，它可以在幾小時(shí)、幾天甚至數(shù)月的時(shí)間內(nèi)連續(xù)地、實(shí)時(shí)地監(jiān)測特定位置的氣體信息。仿生嗅覺系統(tǒng)與普通的化學(xué)儀器不同，如色譜儀、光譜儀等，不能直接得到被測樣品各種成分的定性和定量結(jié)果，而是需要模式識別方法中不同的識別算法才能得到被測樣本中的不同信息。仿生嗅流工作原理圖如圖1所示。

圖1 仿生嗅覺工作原理圖

在仿生嗅覺系統(tǒng)中的模式識別方法主要由對氣體信息的特征提取和氣體成分識別兩個(gè)步驟組成。當(dāng)今，被常用于仿生嗅覺系統(tǒng)的特征提取算法主要有基于線性的方法，例如主成分分析法(Principal Component Analysis,PCA)[3]和線性判別分析法(Latent Dirichlet Allocation,LDA)[4]。這兩種算法在對單一氣體的分類識別中效果較好，但是由于室內(nèi)氣體環(huán)境中存在多種氣體，而MOS氣體傳感器陣列對混合氣體的響應(yīng)信號是非線性的，因此在一定程度上，難以通過基于PCA算法和LDA算法[5]的線性特征提取方法來提取混合氣體信號中的非線性特征，從而導(dǎo)致氣體識別準(zhǔn)確率較低。在氣體識別的過程中，一般是采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(Support Vector Machine,SVM)等機(jī)器學(xué)習(xí)方法進(jìn)行氣味識別。但是由于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network,BPNN)在處理氣體數(shù)據(jù)時(shí)需要建立較多的權(quán)值，導(dǎo)致計(jì)算量太大和需要大量樣本進(jìn)行訓(xùn)練。雖然SVM能夠處理小樣本問題，但核函數(shù)的選取和參數(shù)的設(shè)置都直接關(guān)系到氣體識別的結(jié)果。因此，在仿生嗅覺系統(tǒng)中模式識別方法的選擇對系統(tǒng)的性能有著非常重要的影響。

因此，本文提出一種基于仿生嗅覺和卷積神經(jīng)網(wǎng)絡(luò)的算法用以識別室內(nèi)空氣中的有害氣體成分。該方法利用卷積神經(jīng)網(wǎng)絡(luò)對MOS傳感器陣列的多維響應(yīng)信號進(jìn)行特征提取以進(jìn)行室內(nèi)有害氣體成分的識別，實(shí)現(xiàn)對室內(nèi)空氣中有害氣體組成成分的高準(zhǔn)確度識別。

2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是由多層感知機(jī)(Multi-Layer Perception,MLP)演化而來的，由于CNN具有局部連接、權(quán)值共享、降采樣的結(jié)構(gòu)特點(diǎn)，使得卷積神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域取得了巨大的成功。CNN相對于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的主要區(qū)別在于權(quán)值共享和局部連結(jié)兩個(gè)方面。權(quán)值共享使得卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)更加貼合生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)的局部連接不像傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，等n-1層的每一神經(jīng)元都與第n層的所有神經(jīng)元連接，而是第n-1層的神經(jīng)元與第n層的神經(jīng)元部分連接。這兩個(gè)特點(diǎn)的作用使得網(wǎng)絡(luò)模型比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)具有更低的模型復(fù)雜度，更少的權(quán)值數(shù)量。

1989年，LECUN Y[6]首次將方向傳播算法與權(quán)值共享的卷積神經(jīng)層結(jié)合起來發(fā)明了卷積神經(jīng)網(wǎng)絡(luò)，并將其用于美國郵局的手寫數(shù)字識別系統(tǒng)中，取得了巨大的成功。CNN的基本結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層以及輸出層構(gòu)成。卷積層用于提取數(shù)據(jù)的特征；池化層[7]用于對特征的抽樣，可以在使用較少的參數(shù)同時(shí)還能減輕網(wǎng)絡(luò)模型的過擬合程度；全連接層用于把提取的特征圖連接起來，最后通過分類器獲得最終的分類結(jié)果。

2.1 卷積層

卷積層通過多卷積核對輸入的數(shù)據(jù)進(jìn)行卷積處理并提取出卷積后的特征，即特征圖。即通過一個(gè)卷積核提取出對應(yīng)的一類特征。因?yàn)樵谕痪矸e核的操作中具有局部連接、參數(shù)共享和多卷積核特性，所以相比較于全連接層，卷積層在提取數(shù)據(jù)的特征時(shí)，能在參數(shù)較少的情況下提取出更加豐富的特征。由于卷積結(jié)構(gòu)不受輸入維度的影響且訓(xùn)練深度結(jié)構(gòu)簡單，因此能有效地對復(fù)雜的高緯度的輸入進(jìn)行特征提取。卷積層卷積公式為：

(1)

式中：i為第i個(gè)卷積核，g(i)為第i個(gè)卷積核提取得到的特征圖,a為輸入數(shù)據(jù),β為卷積核的偏置,x、y、z為數(shù)據(jù)的維度，在處理一維時(shí)域信號時(shí)，對其中兩個(gè)維度進(jìn)行簡化即可。

在完成對數(shù)據(jù)的卷積后需要對數(shù)據(jù)使用非線性激活函數(shù)進(jìn)行非線性轉(zhuǎn)換，CNN中常用的激活函數(shù)一般為ReLU，其公式為：

y(i)=f(g(i))=max{0,g(i)},i=1,2,…，q

(2)

2.2 池化層

池化層通過池化核對輸入特征向量進(jìn)行降采樣(down sampling)處理，在對數(shù)據(jù)進(jìn)行降維的同時(shí)更加突出提取的特征。

pl(i,j)=max(j-1)w

(3)

pl(i,j)=avg(j-1)w

(4)

式中：al(i,t)為第l層中第i個(gè)特征圖的第t個(gè)神經(jīng)元，w為卷積核的寬度，j為第j個(gè)池化核。

3 室內(nèi)有害氣體成分識別方法

本文基于一維卷積神經(jīng)網(wǎng)絡(luò)時(shí)序信號識別模型1D-CNN[8]，針對仿生嗅覺PEN3電子鼻[9]的采集數(shù)據(jù)特性，提出室內(nèi)有害氣體成分識別算法。本算法模型框圖如圖2所示。模型框架包含兩個(gè)一維卷積層、一個(gè)池化層、一個(gè)全局最大池化層[10]和一個(gè)輸出層。該模型與傳統(tǒng)的CNN模型相比，是通過加入全局最大池化層以代替?zhèn)鹘y(tǒng)的CNN模型中作為輸出的全連接層。由于全局最大池化層參數(shù)較少，因此用以解決全連接層參數(shù)過多所導(dǎo)致計(jì)算量過大和過擬合的問題。同時(shí)較少的參數(shù)也可以降低模型的復(fù)雜度和模型對訓(xùn)練樣本數(shù)據(jù)量的要求，適用于現(xiàn)階段仿生嗅覺數(shù)據(jù)量較少的情況。

圖2 本文所提出方法的算法結(jié)構(gòu)圖

4 實(shí)驗(yàn)結(jié)果

4.1 數(shù)據(jù)采集

室內(nèi)有害氣體一般包括甲醛、氨氣、甲苯和甲醇。因此，本文分別使用三種濃度分別為0.02 mg/m3、0.08 mg/m3、0.16 mg/m3的甲醛氣體，三種濃度分別為0.05 mg/m3、0.15 mg/m3、0.25 mg/m3的氨氣氣體，三種濃度分別為0.05 mg/m3、0.09 mg/m3、0.18 mg/m3的甲苯氣體以及三種濃度為0.05 mg/m3、0.10 mg/m3、0.15 mg/m3的甲醇?xì)怏w構(gòu)成81個(gè)氣體樣本組，然后使用PEN3電子鼻分別對81個(gè)樣本組進(jìn)行混合氣體數(shù)據(jù)的采集。對每個(gè)樣本組采集10個(gè)數(shù)據(jù)樣本，最后得到810個(gè)數(shù)據(jù)樣本。

4.2 有害氣體成分識別實(shí)驗(yàn)

為了說明提出的基于一維卷積神經(jīng)網(wǎng)絡(luò)時(shí)序信號識別模型1D-CNN的室內(nèi)有害氣體成分識別算法的有效性，本文將4.1小節(jié)中通過PEN3電子鼻采集的數(shù)據(jù)樣本集，分別利用PCA+ LDA算法、BP神經(jīng)網(wǎng)絡(luò)以及本文提出的CNN算法進(jìn)行氣體成分識別實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1～表4所示。

表1 不同算法對混合氣體中甲醛濃度識別率的比較 (%)

算法混合氣體中甲醛濃度/(mg/m3)0.020.080.16PCA+LDA65.2362.5563.44BPNN85.1286.3188.52本文算法90.1293.3492.81

表2 不同算法對混合氣體中氨氣濃度識別率的比較 (%)

算法混合氣體中氨氣濃度/(mg/m3)0.050.150.25PCA+LDA68.8964.1669.92BPNN88.6389.4590.25本文算法93.4094.7696.25

表3 不同算法對混合氣體中甲苯濃度識別率的比較 (%)

算法混合氣體中甲苯濃度/(mg/m3)0.050.090.18PCA+LDA61.3659.5260.47BPNN78.9879.1278.54本文算法88.8987.3688.41

表4 訓(xùn)練參數(shù)數(shù)量的比較 (%)

算法訓(xùn)練參數(shù)數(shù)量BPNN587 373本文算法5 433

由表1～表3可見本文所處提出的室內(nèi)有害氣體成分識別算法對混合氣體中各種氣體具有較高的識別率。表4說明本文提出的室內(nèi)有害氣體成分識別算法在較高的識別率情況下，擁有較少的訓(xùn)練參數(shù)數(shù)量。

5 結(jié)論

本文提出一種基于CNN與仿生嗅覺相結(jié)合的室內(nèi)有害氣體成分識別算法。該方法利用卷積神經(jīng)網(wǎng)絡(luò)權(quán)值共享和加入全局最大池化層，使得神經(jīng)網(wǎng)絡(luò)在擁有較少的訓(xùn)練參數(shù)數(shù)量的情況下，對室內(nèi)有害氣體具有較高的識別率。該算法的研究對仿生嗅覺系統(tǒng)后續(xù)濃度估計(jì)問題的解決具有重要意義。本文提出的算法在濃度回歸實(shí)驗(yàn)上還沒有得到很好的驗(yàn)證。在實(shí)驗(yàn)的過程中還沒考慮到外界因素對實(shí)驗(yàn)結(jié)果造成的影響，這將是后續(xù)的研究方向。