CN101135689A - 一种电子鼻开发平台 - Google Patents
一种电子鼻开发平台 Download PDFInfo
- Publication number
- CN101135689A CN101135689A CNA2007100533519A CN200710053351A CN101135689A CN 101135689 A CN101135689 A CN 101135689A CN A2007100533519 A CNA2007100533519 A CN A2007100533519A CN 200710053351 A CN200710053351 A CN 200710053351A CN 101135689 A CN101135689 A CN 101135689A
- Authority
- CN
- China
- Prior art keywords
- module
- sample
- recognition
- pattern
- storehouse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明属于电子鼻技术,为一种电子鼻开发平台。本发明的电子鼻开发平台,可根据用户应用需求,从传感器库中选择最优的传感器组成阵列,并从特征提取方法库中挑选合适的特征提取方法,同时从模式识别方法库中选择最优的模式识别方法,对该应用的待测样本进行测试与学习,并将学习结果建立知识库,从而快速地开发出了针对该应用的电子鼻。电子鼻在众多领域有广泛应用,使得电子鼻存在很多不同的应用需求。非电子鼻专业人员很难开发电子鼻,并且现有商用电子鼻价格昂贵,功能单一,不能满足多种应用需求。非电子鼻专业人员利用本发明可快速实现针对特定应用的电子鼻系统,能极大地减小电子鼻开发难度,降低开发成本,缩短开发时间。
Description
技术领域
本发明属于电子鼻技术,具体涉及一种电子鼻开发平台。电子鼻技术涉及气体敏感材料合成、传感器阵列微加工、信号采集与处理、人工智能等许多技术领域,本发明可供非电子鼻专业人员开发特定应用的电子鼻时使用。
背景技术
电子鼻一种能够识别单一或复合气体或气味的仪器。其主要由气敏传感器阵列、信号预处理和模式识别等部分组成,信号预处理模块中最重要的部分是特征提取方法。电子鼻通过将传感器阵列与某种气味反应产生的信号转化成数值信号,对其进行降噪等预处理后,通过特征提取方法获取特征,利用模式识别模块对特征进行学习和识别,以此实现气味检测和分析功能。由于电子鼻具有快速检测气体和气味的能力,其能被应用到食品质量检测、食品加工控制、环境监测、疾病探测、安全检查、航空航天等众多领域,因而电子鼻存在许多不同的应用需求。
目前国外出现了一些商用电子鼻的产家,其主要通过选择合适的传感器阵列、特征提取方法和模式识别方法,建立模式识别数据库,以此来满足用户不同的应用需求。其提供的电子鼻存在以下缺点:价格昂贵;产家需对用户的应用背景进行详细的了解,并由产家建立和更新数据库,开发电子鼻的周期较长;当用户需要扩大应用方向或改变应用方向时,产家需更换或调整电子鼻中的传感器阵列、特征提取方法和模式识别方法,并由产家重新建立数据库,使得用户使用电子鼻的自由度受到严重限制。因此,研发出能供非电子鼻专业人员使用的电子鼻开发平台,让用户根据应用需求快速实现具有特定应用功能的电子鼻系统,具有非常重要的意义。
发明内容
本发明的目的在于提供一种电子鼻开发平台,用户可利用该电子鼻开发平台,快速实现针对特定应用的电子鼻,减小电子鼻开发难度,降低开发成本,缩短开发时间。
本发明提供的电子鼻开发平台,其特征在于:该开发平台包括待测样本库,气体传感器库,信号采集电路,计算机以及优化气体传感器阵列;
待测样本库用于存放所有的待测样本;
气体传感器库包括有n个不同的气体传感器,用于对待测样本库中的待测样本进行测试,其中,n≥6;
信号采集电路与气体传感器库中的各气体传感器相连,将各气体传感器传送来的采集信号调理成模拟信号,再转化成数值信号传送给计算机;
优化气体传感器阵列用于存放优化后的气体传感器阵列;
计算机包括数据预处理模块,样本数据库,特征提取方法库,特征提取模块,传感器阵列优化模块,模式识别方法库,模式识别方法选择模块,模式识别模块,以及知识库;
样本数据库用于存储所有已测试样本的传感器响应信号St-t;
特征提取方法库用于存储多个特征提取子模块,每个特征提取子模块对应一种特征提取方法;
模式识别方法库用于存储多个模式识别子模块,每个模式识别子模块对应一种模式识别方法;
知识库用于中存储模式识别模块训练得到模式识别数据;
数据预处理模块用于对信号采集电路传送来的数值信号进行降噪,并转化为传感器的物理属性信号Pt,之后将各传感器的响应信号St-t储存在样本数据库中;
特征提取模块用于接收用户指令,根据指令要求在特征提取方法库中选定一个特征提取子模块,并读取样本数据库中所有样本的传感器响应信号St-t,特征提取模块运行所选定的特征提取子模块,对气体传感器的每个响应信号St-t进行特征提取,得到由样本的个数和特征的个数构成的二维特征数组;特征提取模块再将二维特征数组输出到传感器阵列优化模块;
传感器阵列优化模块接受到特征提取模块输入的二维特征数组,并利用遗传算法对特征进行搜索,寻找最有利于区分各样本类别的特征组合,得到优化的特征组合,将该优化的特征组合所对应的传感器构成的组合作为优化气体传感器阵列,同时将该传感器组合对应的特征数组输入模式识别方法选择模块中;
模式识别方法选择模块用于从模式识别方法库中挑选出最优的模式识别子模块;模式识别方法选择模块将传感器阵列优化模块输入的特征数组分成训练样本和识别样本;模式识别方法选择模块同时根据用户要求,分别利用模式识别方法库对应的模式识别方法对应的所有模式识别子模块,对训练样本进行学习,之后对识别样本进行检测,得到各模式识别子模块对样本的正确识别率;并将最高的正确识别率对应的模式识别子模块和特征数组输入到模式识别模块中;
模式识别模块利用模式识别方法选择模块输入的模式识别子模块,对特征数组进行训练,并将训练得到的模式识别数据输入到知识库中。
本发明实现了对气体和气味分析检测的电子鼻开发平台,该电子鼻开发平台具有选择最优的传感器阵列、特征提取方法和模式识别方法的功能,可按用户应用要求,从传感器库中选择合适的传感器组成阵列,从特征提取方法库中挑选一种特征提取方法,从模式识别库中选择较好的模式识别方法,并自行训练建立知识库,从而方便地实现用户应用需求的电子鼻。该电子鼻开发平台可供非电子鼻专业人员开发特定应用的电子鼻时使用。用户可利用该电子鼻开发平台,快速实现针对特定应用方向的电子鼻,减小了电子鼻开发难度,降低了开发成本,缩短了开发时间。同时该开发平台具有升级能力,能及时地更新传感器库、特征提取方法库和模式识别方法库,使得开发的电子鼻具有最优的性能。
附图说明
图1是本发明电子鼻开发平台的结构示意图;
图2是本发明开发出的电子鼻的检测过程方框图;
图3是本发明中传感器阵列优化模块45进行特征搜索的流程示意图;
图4是应用实例1中模式识别方法选择模块47中各定性模式识别方法的正确识别率。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示,本发明电子鼻开发平台包括待测样本库1,气体传感器库2,信号采集电路3,计算机4以及优化气体传感器阵列5。
待测样本库1用于存放所有的待测样本。在某一特定的应用中,待测样本的类别和数量与该应用有关。若应用中所需检测的气体种类为m个,待测样本的类别为对应的m个气体种类,根据各类别气体所需检测的浓度范围,取q个浓度点作为该类气体样本的待测样本(q≥1,依据检测的浓度范围而定)。即待测样本的类别为m个,各类别待测样本的数量为q个,总的待测样本的数量为m×q个。
气体传感器库2包括有n(n≥6)个不同的气体传感器,用于对待测样本库1中的待测样本进行测试。
信号采集电路3与气体传感器库2中的各气体传感器相连,将各气体传感器传送来的采集信号调理成模拟信号,再转化成数值信号传送给计算机4。
计算机4包括数据预处理模块41,样本数据库42,特征提取方法库43,特征提取模块44,传感器阵列优化模块45,模式识别方法库46,模式识别方法选择模块47,模式识别模块48,以及知识库49。
数据预处理模块41用于对信号采集电路3传送来的数值信号进行降噪,并转化为传感器的物理属性信号Pt,之后将各传感器的响应信号St-t储存在样本数据库42中。
电阻变化型气体传感器的物理属性信号Pt为电阻;频率变化型气体传感器的物理属性信号Pt为频率;气体传感器的响应信号St-t定义为:
St=P0/Pt,P0为未与待测样本反应时气体传感器的信号,Pt为时间t时气体传感器的信号。
样本数据库42用于存储所有已测试样本的传感器响应信号St-t。在本发明开发电子鼻的过程中,待测样本库1中含有m×q个待测样本,各样本均与气体传感器库2中所有的气体传感器重复反应p次(p≥4),即共测试m×q×p个样本,每个样本的测试信号均包括n个传感器的响应信号St-t,样本数据库42共包括m×q×p×n个传感器响应信号。
特征提取方法库43用于存储多个特征提取子模块。每个特征提取子模块对应一种特征提取方法,目前常用的特征提取方法有如下三种:
整体信息提取方法有二种,其中一种方法提取max(St)、max(dSt/dt)/max(St)和min(dSt/dt)/max(St)作为特征,可参见文献[C.Distante,M.Leo,P.Siciliano,K.C.Persaud,On the study of feature extractionfor an electronic nose,Sens.Actuators B87(2002)247-288];另一种方法利用双指数模型拟和响应信号,并将拟和系数作为特征,可参见文献[L. Carmel,S.Levy,D.Lancet,D.Harel,A feature extraction method for chemical sensorsin electronic noses,Sens.Actuators B93(2003)67-76.]。
特征快速提取方法提取响应后第10秒的和St,响应后第6秒的和作为特征,可参见文献[S.Zhang,C.Xie,D.Zeng,Q.Zhang,H.Li,Z.Bai,A feature extraction method and a sampling system for fast recognition offlammable liquids with a portable E-nose,Sens.Actuators B 124(2007)437-443.]。
特征提取模块44用于接收用户指令,根据指令要求在特征提取方法库43中选定一个特征提取子模块,并读取样本数据库42中所有样本的传感器响应信号St-t,特征提取模块44运行所选定的特征提取子模块,对气体传感器的每个响应信号St-t进行特征提取,每个响应信号St-t获得k个特征,每个气体样本共计有n×k个特征。特征提取模块44对样本数据库42中所有样本的传感器响应信号St-t进行特征提取后,得到的是(m×q×p)×(n×k)的二维特征数组,其中(m×q×p)为样本的个数,(n×k)为特征的个数。特征提取模块44再将二维特征数组输出到传感器阵列优化模块45。
传感器阵列优化模块45接受到特征提取模块44输入的(m×q×p)×(n×k)二维特征数组,并利用遗传算法对n×k个特征进行搜索,寻找最有利于区分各样本类别的特征组合,得到优化的特征组合,设该优化的特征组合中的特征数目为j,j≤n×k,该j个特征对应i个传感器,i≤n。该i个传感器所构成的组合作为优化气体传感器阵列5,同时将该传感器组合对应的特征数组(m×q×p)×(i×k)输入模式识别方法选择模块47中。
遗传算法可参见文献[J.W. Gardner,P. Boilot,E.L Hines,Enhancingelectronic nose performance by sensor selection using a new interger-basedgenetic algorithm approach,Sens.Actuators 106(2005)114-121],特征搜索过程的流程图如图3所示,针对输入传感器阵列优化模块45中的特征集,创建初始特征组合种群,随机产生指定数目的个体数,每个个体即为一种特征组合。初始种群产生后,要对其进行种群检验,对创建的初始种群中不符合要求的个体进行过滤和重新生成。之后利用准则来评价各特征组合下的各样本类别的可分类程度,并分别计算所有个体的准则值,并找到使准则最优的个体。此时若算法的终止条件不满足,则根据所有个体的准则值用适应度函数计算各自的适应度,并通过选择算子按概率选择其中生命力较强、包含更多优良“基因”的个体。选择后的个体进一步经过交叉和变异,以期保存个体的优良基因的同时跳出局部最优解。若算法满足终止条件,该代的最优个体即为遗传算法搜索到的最优特征组合。
模式识别方法库46用于存储多个模式识别子模块。每个模式识别子模块对应一种模式识别方法,目前常用的模式识别方法有如下七种:
定性的模式识别方法有五种,分别为:k-近邻法(可参见文献:[F.Marcelloni.Recognition of olfactory signals based on supervised fuzzy C-meanand k-NN algorithms,Pattern Recognit.Lett.22(2001)1007-1019.])、判别函数分析(可参见文献:[L. P. Pathange,P.Mallikarjunan,R.P.Marini,et al,Non-destructive evaluation of apple maturity using an electronic nose system,J.Food Eng.77(2006)1018-1023.])、反向传播人工神经网络(可参见文献:[R.E.Shaffer,S.L.Rose-Pehrsson,R.A.McGill,A comparison study of chemicalsensor array pattern recognition algorithms,Anal.Chim.Acta 384(1999)305-317.])、学习矢量量化(可参见文献:[R.Dutta,E.L Hines,J.W. Gardner,et al,Tea quality prediction using a tin oxide-based electronic nose:an artificialintelligence approach,Sen.Actuators B 94(2003)228-237.])和概率神经网(可参见文献:[Z.Hai,J.Wang,Electronic nose and data analysis for detection ofmaize oil adulteration in sesame oil,Sen.Actuators B119(2006)449-445.]);
定量的模式识别方法有两种,分别为:多元线性回归(可参见文献:[WWei,Z.Mo,S.Yao,Analytica Chimica Acta,1991,251-143.])和反向传播人工神经网络。
模式识别方法选择模块47用于从模式识别方法库46中挑选出最优的模式识别子模块。模式识别方法选择模块47将传感器阵列优化模块45输入的特征数组(m×q×p)×(i×k)中m×q×p个样本分成两部分,一部分样本作为训练样本,另一部分作为识别样本。模式识别方法选择模块47同时根据用户要求,分别利用模式识别方法库46对应的模式识别方法对应的所有模式识别子模块,对训练样本进行学习,之后对识别样本进行检测,从而得到各模式识别子模块对样本的正确识别率。并将最高的正确识别率对应的模式识别子模块和特征数组(m×q×p)×(i×k)输入到模式识别模块48中。
模式识别模块48利用模式识别方法选择模块47输入的模式识别子模块,对特征数组(m×q×p)×(i×k)进行训练,并将训练得到的模式识别数据输入到知识库49中。
知识库49用于中存储模式识别模块48训练得到模式识别数据。
气体传感器库2、特征提取方法库43和模式识别方法库46具有升级功能:气体传感器库2可扩充所包含气体传感器的数量;特征提取方法库43可扩充所包含特征提取方法的数量;模式识别方法库46可扩充所包含模式识别方法的数量。
下面详细说明本发明电子鼻开发平台的使用过程:
(1)针对某一特定的应用方向,首先确定该特定应用方向的待测样本库1。之后将气体传感器库2中的所有传感器分别对待测样本库1中的所有待测样本进行测试,且对每个样本重复测试p次(p≥4),并将经信号采集电路3和数据预处理模块41处理后得到的传感器响应信号St-t储存到样本数据库42中。
(2)特征提取模块44根据用户指令,选择特征提取方法库43中的一种特征提取子模块,并读取样本数据库42中所有样本的传感器响应信号St-t,特征提取模块44运行所选定的特征提取子模块,对气体传感器的每个响应信号St-t进行特征提取,得到(m×q×p)×(n×k)的二维特征数组。特征提取模块44再将二维特征数组输出到传感器阵列优化模块45。
(3)传感器阵列优化模块45利用遗传算法对所有特征进行搜索,寻找最有利于区分各样本类别的特征组合,搜索得到的特征组合中特征数目为j个(j≤n×k),所对应的传感器组合中传感器的数目为i个(i≤n)。并将该传感器组合作为优化气体传感器阵列5,同时将该传感器组合对应的特征数组(m×q×p)×(i×k)输入模式识别方法选择模块47中。
(4)模式识别方法选择模块47将传感器阵列优化模块45输入的特征数组(m×q×p)×(i×k)中m×q×p个样本分成两部分,一部分样本作为训练样本,另一部分作为识别样本。模式识别方法选择模块47同时根据用户定性或定量识别要求,分别利用模式识别方法库46中所有的定性或定量模式识别方法对应的模式识别子模块,对训练样本进行学习,之后对识别样本进行检测,从而得到各模式识别子模块对样本的正确识别率。并将最高的正确识别率对应的模式识别子模块和特征数组(m×q×p)×(i×k)输入到模式识别模块48中。
(5)模式识别模块48利用模式识别方法选择模块47输入的模式识别子模块,对特征数组(m×q×p)×(i×k)进行训练,并将训练得到的模式识别数据输入到知识库49中。
按照本发明电子鼻开发平台的技术方案,可开发出针对特定应用的电子鼻,其包括:优化气体传感器阵列5、信号采集电路3、数据预处理模块41、特征提取模块44、模式识别模块48和知识库49。利用该电子鼻,可完成该应用方向的样本检测。如图2所示,开发出的电子鼻检测样本的过程为:将优化气体传感器阵列5中的所有传感器对待测样本1.i进行测试,信号采集电路3将各气体传感器传送来的采集信号调理成模拟信号,再转化成数值信号。数据预处理模块41将信号采集电路3输出的数值信号转化为传感器的物理属性信号Pt,并进一步转化成传感器的响应信号St-t。特征提取模块44从传感器响应信号中提取特征,并输入到模式识别模块48中,模式识别模块48结合知识库49对该特征进行识别,并将识别结果(样本的类别与浓度信息)输出,从而完成了对待测样本1.i的检测。
实例1:
应用实例1为开发能快速识别易燃液体的电子鼻。该应用方向是体育场馆入口处的安检,以防止恐怖分子将易燃液体混作饮料带入体育场馆内。开发的电子鼻必须能够快速地识别常见的可燃液体与饮料。该方向的待测样本库为四种常见的可燃性液体(汽油、煤油、柴油、酒精)和三种常见的不可燃性饮料(可乐、橙汁、冰红茶)。气体传感器库中含有六个商用传感器:TGS2201,TGS2600,TGS2602,TGS2610,TGS2611和TGS2620。利用本发明开发能快速识别易燃液体的电子鼻的步骤为:
(1)将六个传感器置于一密封容器中,并将待测样本库中的七种待测样本分别放置于七个密封瓶中,取瓶口挥发的气体注入密封容器中与传感器阵列反应,并将经信号采集电路3和数据预处理模块41处理后的信号储存到样本数据库42中。各类别样本均重复测试12次,样本数据库42中含有的样本为84个。
(2)信号采集电路中,采用分压器型调理电路进行测试,其中分压器电源电压为Vc,匹配电阻阻值为RL,并将匹配电阻上的负载电压VRL接A/D转换器,将其转化为数值信号输出。即通过对负载电压VRL的变化测量就可以实现对气体传感器在气体响应过程中敏感电阻Rs变化测量。A/D转换采样频率为1000HZ,即每通道每秒钟采集1000个数据点。
(3)输入到数据预处理模块41的数值信号,取各通道采集的每100个数据点的平均值作为该段时间的采集数据,依次对数据进行降噪处理,即数据与处理模块对各通道每秒钟保留10个数据点。根据电阻分压原理,负载电压与待测气体传感器之间存在以下关系: 后改写为:(4) 数据预处理模块41将输入的VRL信号计算出Rs,并进一步转换为传感器的响应信号St-t,输入到样本数据库42中。
(5)由于所开发的电子鼻需要具有快速检测功能,必须从特征提取方法库5中选择特征快速提取方法对应的模式识别子模块,故选择提取响应后第10秒的和St,响应后第6秒的和作为特征,并将该特征提取方法对应的模式识别字模块输入特征提取模块44中。特征提取模块44对样本数据库42中的所有样本进行特征提取,并将特征输出到传感器阵列优化模块45中。
(6)传感器阵列优化模块45利用遗传算法对所有特征进行搜索,寻找最优的特征组合对应的传感器组合为TGS2201,TGS2600,TGS2602和TGS2610,并将该传感器组合放入优化气体传感器阵列5,同时将该传感器组合对应的特征组合输入模式识别方法选择模块47中。
(7)由于所开发的电子鼻需要具有定性识别功能,故在模式识别方法库46中选择定性识别方法对应的模式识别子模块。模式识别方法选择模块47将输入的特征组合对应的样本数据库42中的所有样本共有84个,将其分成两份,42个样本作为训练样本,另外42个样本作为识别样本。模式识别方法选择模块47分别将定性模式识别方法对应的所有模式识别字模块对训练样本进行学习,之后对识别样本进行检测,从而得到各模式识别子模块对样本的正确识别率。如图4所示,定性模式识别方法概率神经网与反向传播人工神经网络的正确识别率均为100%,故挑选其中一种方法概率神经网对应的模式识别字模块输入到模式识别模块48中。
(8)将优化气体传感器阵列5和样本数据库42所对应的特征组合,输入到模式识别模块48中进行训练,将训练的结果输入到知识库49中。
经以上步骤即可实现快速识别易燃液体的电子鼻,开发出的电子鼻可按图2所示过程检测新的待测样本。该电子鼻检测新样本的时间为10秒钟,故实现了快速检测的目的。
实例2:
应用实例2为开发能定量识别四种VOCs的电子鼻。该应用方向的待测样本库1为苯、丙酮、甲醇和正戊烷四种VOCs。气体传感器库2中含有十个商用传感器:TGS813、TGS816、TGS822、TGS823、TGS830、TGS832、TGS842、QM-J1、QM-J2和MQ-5。利用本发明开发定量识别VOCs的电子鼻的步骤为:
(1)将十个传感器置于一密封容器中,并将待测样本库1中的四种待测样本分别取100ppm、200ppm、300ppm和400ppm的浓度注入密封容器中与传感器阵列反应,并将经信号采集电路3和数据预处理模块41处理后的信号储存到样本数据库42中。各类别样本在同浓度重复测试12次,样本数据库42中含有的样本为192个。信号采集电路3和数据预处理模块41与应用实例1中的结构相同。
(2)由于所开发的电子鼻不需要具有快速检测功能,故从特征提取方法库43中选择整体信息提取方法,提取max(St)、max(dSt/dt)/max(St)和min(dSt/dt)/max(St)作为特征,并将该特征提取方法对应的特征提取子模块输入特征提取模块44中。特征提取模块44对样本数据库42中的所有样本进行特征提取,并将特征输出到传感器阵列优化模块45中。
(3)传感器阵列优化模块45利用遗传算法对所有特征进行搜索,寻找最优的特征组合对应的传感器组合为TGS813、TGS822、TGS830、TGS842、QM-J1、和MQ-5,并将该传感器组合放入优化气体传感器阵列5,同时将该传感器组合对应的特征组合输入模式识别方法选择模块47中。
(4)由于所开发的电子鼻需要具有定量识别功能,故在模式识别方法库46中选择定量识别方法对应的模式识别子模块。模式识别方法选择模块47将输入的特征组合对应的样本数据库42中的所有样本共有192个,将其分成两份,96个样本作为训练样本,另外96个样本作为识别样本。模式识别方法选择模块47分别将定量模式识别方法对应的所有模式识别字模块对训练样本进行学习,之后对识别样本进行检测,从而得到各模式识别子模块对样本的正确识别率。其中,定量模式识别方法多元线性回归与反向传播人工神经网络的正确识别率分别为93.8%和100%,故挑选反向传播人工神经网络对应的模式识别字模块输入到模式识别模块48中。
(5)将优化气体传感器阵列5和样本数据库42所对应的特征组合,输入到模式识别模块48中进行训练,将训练的结果输入到知识库49中。
经以上步骤即可实现能定量识别四种VOCs的电子鼻,开发出的电子鼻可按图2所示过程检测新的待测样本。
Claims (1)
1.一种电子鼻开发平台,其特征在于:该开发平台包括待测样本库(1),气体传感器库(2),信号采集电路(3),计算机(4)以及优化气体传感器阵列(5);
待测样本库(1)用于存放所有的待测样本;
气体传感器库(2)包括有n个不同的气体传感器,用于对待测样本库1中的待测样本进行测试,其中,n≥6;
信号采集电路(3)与气体传感器库(2)中的各气体传感器相连,将各气体传感器传送来的采集信号调理成模拟信号,再转化成数值信号传送给计算机(4);
优化气体传感器阵列(5)用于存放优化后的气体传感器阵列;
计算机(4)包括数据预处理模块(41),样本数据库(42),特征提取方法库(43),特征提取模块(44),传感器阵列优化模块(45),模式识别方法库(46),模式识别方法选择模块(47),模式识别模块(48),以及知识库(49);
样本数据库(42)用于存储所有已测试样本的传感器响应信号St-t;
特征提取方法库(43)用于存储多个特征提取子模块,每个特征提取子模块对应一种特征提取方法;
模式识别方法库(46)用于存储多个模式识别子模块,每个模式识别子模块对应一种模式识别方法;
知识库(49)用于中存储模式识别模块(48)训练得到模式识别数据;
数据预处理模块(41)用于对信号采集电路(3)传送来的数值信号进行降噪,并转化为传感器的物理属性信号Pt,之后将各传感器的响应信号St-t储存在样本数据库(42)中;
特征提取模块(44)用于接收用户指令,根据指令要求在特征提取方法库(43)中选定一个特征提取子模块,并读取样本数据库(42)中所有样本的传感器响应信号St-t,特征提取模块(44)运行所选定的特征提取子模块,对气体传感器的每个响应信号St-t进行特征提取,得到由样本的个数和特征的个数构成的二维特征数组;特征提取模块(44)再将二维特征数组输出到传感器阵列优化模块(45);
传感器阵列优化模块(45)接受到特征提取模块(44)输入的二维特征数组,并利用遗传算法对特征进行搜索,寻找最有利于区分各样本类别的特征组合,得到优化的特征组合,将该优化的特征组合所对应的传感器构成的组合作为优化气体传感器阵列(5),同时将该传感器组合对应的特征数组输入模式识别方法选择模块(47)中;
模式识别方法选择模块(47)用于从模式识别方法库(46)中挑选出最优的模式识别子模块;模式识别方法选择模块(47)将传感器阵列优化模块(45)输入的特征数组分成训练样本和识别样本;模式识别方法选择模块(47)同时根据用户要求,分别利用模式识别方法库(46)对应的模式识别方法对应的所有模式识别子模块,对训练样本进行学习,之后对识别样本进行检测,得到各模式识别子模块对样本的正确识别率;并将最高的正确识别率对应的模式识别子模块和特征数组输入到模式识别模块(48)中;
模式识别模块(48)利用模式识别方法选择模块(47)输入的模式识别子模块,对特征数组进行训练,并将训练得到的模式识别数据输入到知识库(49)中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2007100533519A CN101135689B (zh) | 2007-09-21 | 2007-09-21 | 一种电子鼻开发平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2007100533519A CN101135689B (zh) | 2007-09-21 | 2007-09-21 | 一种电子鼻开发平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101135689A true CN101135689A (zh) | 2008-03-05 |
CN101135689B CN101135689B (zh) | 2010-12-15 |
Family
ID=39159879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007100533519A Expired - Fee Related CN101135689B (zh) | 2007-09-21 | 2007-09-21 | 一种电子鼻开发平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101135689B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825621A (zh) * | 2009-03-04 | 2010-09-08 | 中国农业机械化科学研究院 | 一种储藏粮食活性检测装置及其方法 |
CN101871898A (zh) * | 2010-07-23 | 2010-10-27 | 华中科技大学 | 一种基于气味蒸发特征谱的嗅觉检测方法及其系统 |
CN102326078A (zh) * | 2009-01-09 | 2012-01-18 | 技术研究及发展基金有限公司 | 包括含有涂覆的导电纳米颗粒的传感器阵列的通过呼气检测癌症 |
CN103416469A (zh) * | 2013-06-03 | 2013-12-04 | 江苏大学 | 一种基于电子鼻审评的热泵冷风风干鲢鱼的生产方法 |
CN103487537A (zh) * | 2013-07-30 | 2014-01-01 | 中国标准化研究院 | 一种基于遗传算法优化西湖龙井茶产地检测方法 |
CN103499616A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于遗传算法的龙井茶品质检测产地模型中传感器的选择方法 |
CN103499665A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于遗传算法优化西湖龙井茶树种检测方法 |
CN103499613A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种电子鼻龙井茶品质检测系统中智能感官图谱特征传感器的选择方法 |
CN103499663A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于遗传算法的龙井茶品质检测等级模型中传感器的选择方法 |
CN103499615A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于遗传算法的龙井茶品质检测树种模型中传感器的选择方法 |
CN104535618A (zh) * | 2014-12-30 | 2015-04-22 | 天津大学 | 一种基于电子鼻技术的白酒识别方法 |
CN105005790A (zh) * | 2015-07-06 | 2015-10-28 | 西南大学 | 基于半监督学习的电子鼻室内毒气智能识别方法 |
CN106018511A (zh) * | 2016-05-27 | 2016-10-12 | 北京科技大学 | 一种茶叶等级识别中电子鼻传感器的筛选方法及系统 |
US9678059B2 (en) | 2010-05-23 | 2017-06-13 | Technion Research & Development Foundation Ltd. | Detection, staging and grading of benign and malignant tumors |
CN107421991A (zh) * | 2017-06-13 | 2017-12-01 | 潘志君 | 一种农药残留及气体检测方法、检测系统 |
CN107958234A (zh) * | 2017-12-26 | 2018-04-24 | 深圳云天励飞技术有限公司 | 基于客户端的人脸识别方法、装置、客户端及存储介质 |
CN109781947A (zh) * | 2019-02-27 | 2019-05-21 | 华中科技大学 | 一种基于量子点的电子鼻芯片及其设计方法 |
CN110823966A (zh) * | 2019-12-10 | 2020-02-21 | 山东工商学院 | 一种基于电子鼻的葡萄酒so2浓度的快速测定方法 |
CN110940773A (zh) * | 2019-11-22 | 2020-03-31 | 苏州慧闻纳米科技有限公司 | 检测冰箱中气味的响应及恢复曲线的处理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5571401A (en) * | 1995-03-27 | 1996-11-05 | California Institute Of Technology | Sensor arrays for detecting analytes in fluids |
US6739180B2 (en) * | 2002-08-30 | 2004-05-25 | Industrial Technology Research Institute | Intelligent gas identification system and method thereof |
CN1228625C (zh) * | 2003-07-11 | 2005-11-23 | 华东理工大学 | 一种基于模块化组合神经网络的机器嗅觉气味识别方法 |
-
2007
- 2007-09-21 CN CN2007100533519A patent/CN101135689B/zh not_active Expired - Fee Related
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102326078A (zh) * | 2009-01-09 | 2012-01-18 | 技术研究及发展基金有限公司 | 包括含有涂覆的导电纳米颗粒的传感器阵列的通过呼气检测癌症 |
US9696311B2 (en) | 2009-01-09 | 2017-07-04 | Technion Research And Development Foundation Ltd. | Detection of cancer through breath comprising a sensor array comprising capped conductive nanoparticles |
CN101825621B (zh) * | 2009-03-04 | 2014-07-23 | 中国农业机械化科学研究院 | 一种储藏粮食活性检测装置及其方法 |
CN101825621A (zh) * | 2009-03-04 | 2010-09-08 | 中国农业机械化科学研究院 | 一种储藏粮食活性检测装置及其方法 |
US9678059B2 (en) | 2010-05-23 | 2017-06-13 | Technion Research & Development Foundation Ltd. | Detection, staging and grading of benign and malignant tumors |
CN101871898A (zh) * | 2010-07-23 | 2010-10-27 | 华中科技大学 | 一种基于气味蒸发特征谱的嗅觉检测方法及其系统 |
CN101871898B (zh) * | 2010-07-23 | 2012-05-09 | 华中科技大学 | 一种基于气味蒸发特征谱的嗅觉检测方法及其系统 |
CN103416469B (zh) * | 2013-06-03 | 2014-12-24 | 江苏大学 | 一种基于电子鼻审评的热泵冷风风干鲢鱼的生产方法 |
CN103416469A (zh) * | 2013-06-03 | 2013-12-04 | 江苏大学 | 一种基于电子鼻审评的热泵冷风风干鲢鱼的生产方法 |
CN103487537A (zh) * | 2013-07-30 | 2014-01-01 | 中国标准化研究院 | 一种基于遗传算法优化西湖龙井茶产地检测方法 |
CN103499663A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于遗传算法的龙井茶品质检测等级模型中传感器的选择方法 |
CN103499615A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于遗传算法的龙井茶品质检测树种模型中传感器的选择方法 |
CN103499665A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于遗传算法优化西湖龙井茶树种检测方法 |
CN103499616A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种基于遗传算法的龙井茶品质检测产地模型中传感器的选择方法 |
CN103499663B (zh) * | 2013-07-30 | 2015-09-30 | 中国标准化研究院 | 一种基于遗传算法的龙井茶品质检测等级模型中传感器的选择方法 |
CN103499613A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种电子鼻龙井茶品质检测系统中智能感官图谱特征传感器的选择方法 |
CN104535618A (zh) * | 2014-12-30 | 2015-04-22 | 天津大学 | 一种基于电子鼻技术的白酒识别方法 |
CN105005790B (zh) * | 2015-07-06 | 2018-01-09 | 西南大学 | 基于半监督学习的电子鼻室内毒气智能识别方法 |
CN105005790A (zh) * | 2015-07-06 | 2015-10-28 | 西南大学 | 基于半监督学习的电子鼻室内毒气智能识别方法 |
CN106018511A (zh) * | 2016-05-27 | 2016-10-12 | 北京科技大学 | 一种茶叶等级识别中电子鼻传感器的筛选方法及系统 |
CN107421991A (zh) * | 2017-06-13 | 2017-12-01 | 潘志君 | 一种农药残留及气体检测方法、检测系统 |
CN107958234A (zh) * | 2017-12-26 | 2018-04-24 | 深圳云天励飞技术有限公司 | 基于客户端的人脸识别方法、装置、客户端及存储介质 |
CN109781947A (zh) * | 2019-02-27 | 2019-05-21 | 华中科技大学 | 一种基于量子点的电子鼻芯片及其设计方法 |
CN110940773A (zh) * | 2019-11-22 | 2020-03-31 | 苏州慧闻纳米科技有限公司 | 检测冰箱中气味的响应及恢复曲线的处理方法 |
CN110823966A (zh) * | 2019-12-10 | 2020-02-21 | 山东工商学院 | 一种基于电子鼻的葡萄酒so2浓度的快速测定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101135689B (zh) | 2010-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101135689B (zh) | 一种电子鼻开发平台 | |
Gamboa et al. | Validation of the rapid detection approach for enhancing the electronic nose systems performance, using different deep learning models and support vector machines | |
CN108519768B (zh) | 一种基于深度学习和信号分析的故障诊断方法 | |
Srivastava | Detection of volatile organic compounds (VOCs) using SnO2 gas-sensor array and artificial neural network | |
Keller et al. | Electronic noses and their applications | |
CN108287184A (zh) | 基于电子鼻的石蜡嗅味等级评定方法 | |
CN116994709A (zh) | 一种个性化的饮食与运动推荐方法、系统及电子设备 | |
CN111460101A (zh) | 知识点类型的识别方法、装置及处理器 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
Gao et al. | Quantitative analysis of multiple kinds of volatile organic compounds using hierarchical models with an electronic nose | |
CN115324698A (zh) | 基于神经网络的柴油机尾气分析传感方法 | |
Heredia et al. | Olfactory classification using electronic nose system via artificial neural network | |
Kusumoputro et al. | Fuzzy-neuro LVQ and its comparison with fuzzy algorithm LVQ in artificial odor discrimination system | |
KR102575032B1 (ko) | 가스 탐지 지능 학습 시스템 및 그의 동작 방법 | |
Wu et al. | A novel electronic nose classification prediction method based on TETCN | |
CN116189896B (zh) | 一种基于云端的糖尿病健康数据预警方法及系统 | |
Villarrubia et al. | Virtual organization with fusion knowledge in odor classification | |
Tudu et al. | Comparison of multivariate normalization techniques as applied to electronic nose based pattern classification for black tea | |
Sun et al. | Detecting and identifying industrial gases by a method based on olfactory machine at different concentrations | |
CN113988311B (zh) | 质量变量的预测方法、装置、终端及存储介质 | |
Gao et al. | Performance evaluation of multilayer perceptrons for discriminating and quantifying multiple kinds of odors with an electronic nose | |
Lowongtrakool et al. | Iot based water quality measurement using hybrid sensors and data mining | |
JP7420214B2 (ja) | 学習データ生成装置、学習データ生成方法、学習モデル生成方法、プログラム | |
Karlik et al. | Real time monitoring odor sensing system using OMX-GR sensor and neural network. | |
Gholam Hosseini et al. | Intelligent fish freshness assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101215 Termination date: 20180921 |
|
CF01 | Termination of patent right due to non-payment of annual fee |