电子鼻

电子鼻是利用气体传感器阵列的响应图案来识别气味的电子系统，它可以在几小时、几天甚至数月的时间内连续地、实时地监测特定位置的气味状况。

电子鼻主要由气味取样操作器、气体传感器阵列和信号处理系统三种功能器件组成。

电子鼻识别气味的主要机理是在阵列中的每个传感器对被测气体都有不同的灵敏度，例如，一号气体可在某个传感器上产生高响应，而对其他传感器则是低响应，同样，二号气体产生高响应的传感器对一号气体则不敏感，归根结底，整个传感器阵列对不同气体的响应图案是不同的，正是这种区别，才使系统能根据传感器的响应图案来识别气味。

电子鼻主要由气敏传感器阵列、信号预处理和模式识别三部分组成。

某种气味呈现在一种活性材料的传感器面前，传感器将化学输入转换成电信号，由多个传感器对一种气味的响应便构成了传感器阵列对该气味的响应谱。

显然，气味中的各种化学成分均会与敏感材料发生作用，所以这种响应谱为该气味的广谱响应谱。

为实现对气味的定性或定量分析，必须将传感器的信号进行适当的预处理(消除噪声、特征提取、信号放大等)后采用合适的模式识别分析方法对其进行处理。

理论上，每种气味都会有它的特征响应谱，根据其特征响应谱可区分小同的气味。

同时还可利用气敏传感器构成阵列对多种气体的交叉敏感性进行测量，通过适当的分析方法，实现混合气体分析。

电子鼻的工作可简单归纳为：传感器阵列－信号预处理－神经网络和各种算法－计算机识别(气体定性定量分析）。

从功能上讲，气体传感器阵列相当于生物嗅觉系统中的大量嗅感受器细胞，神经网络和计算机识别相当于生物的大脑，其余部分则相当于嗅神经信号传递系统。

PCA又称为主成分分析，是在电子鼻领域应用最多的两种算法之一。

设有n个样本，m个变量，则原始测量数据的矩阵向量为
将原始数据标准化，得到标准化的测量值：
式中
jx为变量j测量值的样本平均值；sj为变量j测量值的样本标准差。

将标准化的测量值组成对应的新矩阵向量，并求其协方差矩阵，然后求协方差矩阵的特征值，按大小顺序排列得
λ1≥λ2≥…≥λm，对应特征向量为β1，β2，…，βm。

所求特征向量按顺序分别称为第1，2，…，m主成分。

各主成分的贡献率按下式进行计算：
取前p个（p≤m）主成分，使得它们的累计贡献率大于80%，计算标准化后的测量值在前p 个主成分方向上的得分Z：
主元分析的实质就是寻找在最小均方意义下最能够代表原始数据的投影方法，如下图所示。

主元分析方法易于理解，便于实现，通常取原始数据在前2个或前3个主成分上的投影进行绘图，为保证绘图的可靠性，要求前2个或前3个主成分的累计贡献率应在80%以上。

二、基于人工神经网络的模式识别算法
这类算法包括BP-ANN、PNN、LVQ和SOM等。

人工神经网络算法是通过对生物神经元的数学模拟而发展起来的。

从本质上看，人脑无论多么复杂，都可以看作是由大量神经元组成的巨大神经网络。

人工神经网络通过从神经元的基本功能出发，逐步从简单到复杂组成各种网络，实现了输入、输出之间的非线性映射。

就分类而言，人工神经网络可以产生复杂的类边界，这使得它具有比统计方法更强的分类能力。

2.1 BP-ANN
反向传播人工神经网络是在电子鼻领域应用最多另一种算法。

该算法功能强大，易于理解，训练简单。

BP-ANN在概念和算法上的简便性，以及它在众多的实际问题中的成功应用，使得它目前在电子鼻模式识别中占据了主流地位。

BP-ANN的结构如下图所示，其学习过程由信号的正向传播与误差的方向传播2个过程组成。

正向传播时，样本从输入层传入，经各隐层逐层处理后（通常只有1个隐层，以避免提
高计算复杂性），传向输出层。

各层神经元之间依靠不同的权值相连接，某神经元的输入为上层所有神经元输出的加权和，通过一个激励函数的变换产生该神经元的输出。

激励函数有阶跃函数、线性函数，应用最多的还是Sigmoid函数。

若输出层的实际输出与期望的输出（教师信号）不符，则转入误差的反向传播。

误差反传是将输出误差通过隐层向输入层逐层反传，并将误差分摊给各层神经元，从而获得各神经元的误差信号，然后按梯度下降的方向对各神经元的权值进行调整。

这种信号正向传播与误差反向传播的各层权值调整过程周而复始地进行，直到网络输出误差减小到可接受的程度，或进行到预先设计的学习次数为止。

训练好的网络即可用于预测计算，记录一个BP-ANN需要存储其网络结构、权值及激励函数等。

与前述基于统计理论的算法相比，BP-ANN最大的优点是它可以实现输入和输出数据之间的非线性映射。

在电子鼻信号处理中，输入和输出之间往往是非线性的，这就使得BP-ANN 应用广泛，且效果良好。

BP-ANN在应用中的难点包括网络结构的设计、隐层神经元个数的选择、激励函数的选取、权值的初始化、网络误差的设定等。

上述参数选择还没有统一的标准，通常根据研究人员的经验进行选择。

有一些改进算法，如增加动量项、自适应调节学习率等可以在一定程度上改善BP-ANN算法。