CN102866179A - 基于人工智能学习机的电子鼻中非目标干扰气味的在线识别和抑制方法 - Google Patents

Abstract

本发明涉及一种电子鼻中非目标干扰气味的在线识别和抑制方法。其识别方法的步骤有目标气体和典型非目标干扰气味数据样本的采集、传感器阵列信号预处理、目标气体和非目标干扰气味样本的特征提取、人工智能学习机的训练学习和智能学习机对非目标干扰气味的实时在线识别。一种非目标干扰气味的抑制方法包含上述识别方法的步骤，还有以下步骤：阵列信号动态矩阵的存储及更新、动态存储矩阵加权修正及干扰抑制和目标气体浓度预测。另一种非目标干扰气味的抑制方法包含上述识别方法的步骤，还有以下步骤：目标气体浓度预测、目标气体预测浓度动态矩阵的存储及更新和动态存储矩阵加权修正及干扰抑制。本发明的有益效果为：利用人工智能模式识别出了目标气体和非目标干扰气味，赋予了检测信号的类别标志；抑制了非目标干扰气味造成的干扰，能准确检测出目标气体的含量。

Description

基于人工智能学习机的电子鼻中非目标干扰气味的在线识别和抑制方法

技术领域

本发明涉及一种电子鼻的气体检测领域，具体涉及一种基于人工智能学习机的电子鼻中非目标干扰气味的在线识别和抑制方法。

背景技术

由于金属氧化物传感器对环境参数较为敏感，在实时应用时极易受到环境因素比如温度、湿度、外界非目标干扰气味等的影响。对温度、湿度的影响，目前已经得到大量研究，比如，有的通过设定相同的温度和湿度来避免因其变化而对传感器带来的影响；有的通过在不同的温度和湿度下进行实验样本的采集，通过神经网络泛化性而忽视由于温度和湿度带来的影响。另外，传感器漂移也是影响电子鼻预测能力的一种因素，目前已经有大量针对漂移补偿的研究。

然而，对非目标干扰气味或者说非目标气体影响的研究到目前一直处在难以克服阶段。而大多数金属氧化物气体传感器对非目标干扰气味比如酒精、香水、水果等敏感度极高，因此基于金属氧化物气体传感器的电子鼻在非目标干扰气味环境下根本无法正常工作，而并不像电化学传感器对要检测的目标气体选择性较好。在实际应用中，非目标干扰气味产生的信号能量通常远远高于温湿度和漂移等干扰产生的信号能量.

因此，该问题的难点也就在于非目标气味干扰源不同于高斯白噪声或环境对传感器造成的微弱影响，非目标干扰气味造成的传感器响应幅度远远高于本电子鼻所测量的目标气体甲醛、苯、甲苯、一氧化碳、二氧化氮和氨气，即非目标干扰气味造成的传感器阵列响应与期望的目标信号是极为相似，因此通过常用的电子鼻信号预处理方法，例如平滑滤波、小波、独立分量分析、主成分分析、自适应滤波等，根本无法将这类非目标干扰气味抑制，将导致电子鼻所要检测的目标气体浓度完全预测错误。比如，在干净的环境中，甲醛浓度应很低，但是在非目标气味干扰的影响下，甲醛浓度会比较高，从而造成电子鼻检测器产生误报警。从目前的国内文献研究中，未曾看到有关抑制非目标干扰气味对基于金属氧化物传感器阵列的电子鼻干扰研究的报道。

发明内容

本发明所要解决的第一个技术问题就是提供一种基于人工智能学习机的电子鼻对非目标干扰气味的识别方法，它能识别目标气体和非目标干扰气味，并给检测的信号赋予类别标志。

本发明所要解决的第二个技术问题就是提供一种基于人工智能学习机的电子鼻对非目标干扰气味的抑制方法，它能抑制非目标干扰气味造成的干扰，准确检测出目标气体的含量。

为了解决本发明所提出的第一个技术问题，本发明包括以下步骤：

步骤1、目标气体和典型非目标干扰气味样本的采集

本步骤将待检测气体视为目标气体，将待检测气体之外的气味统一视为非目标干扰气味，调整实验箱体的温度和湿度，对不同浓度的目标气体和典型非目标干扰气味分别进行采样实验；

步骤2、传感器阵列信号预处理

将上述采集的传感器阵列信号进行平滑滤波和归一化，平滑滤波的公式如下：

其中，X为平滑滤波后的信号，X(i)表示第i次观测，n为平滑滤波器长度，S为传感器所测信号，N为传感器所测信号的个数。

归一化的公式为       X ’=X/4095

其中，4095为12位AD转换器的最大值，X ’为平衡滤波及归一化后的传感器信号；

步骤3、目标气体和非目标干扰气味样本的特征提取

对目标气体样本，将气体在每个传感器的稳态响应点作为用来表达气体类别和浓度的实时特征点，对于非目标干扰气味样本，将该气体在各传感器的吸附点、最大点、稳态点和解吸附点作为用于实时表征干扰类气体的最佳特征点；

步骤4、智能学习机的离线训练学习

将目标气体训练样本特征和非目标干扰气味训练样本特征训练一个智能学习机，目标气体与非目标干扰气味的训练目标通过设置类别标志T加以区分(比如“0”代表目标气体；“1”代表非目标干扰气味)；

步骤5、人工智能学习机对非目标干扰气味的实时在线识别

传感器阵列检测信号，对传感器阵列信号预处理，与步骤2相同；对预处理后的当前信号X ’，依据智能学习机训练学习获得学习机内部参数，通过相应的参数计算获得当前信号X ’的类别标志T。

为了解决两类样本不均衡所造成的将样本数较少的一类判别为样本数较多的一类的问题，在上述步骤3之后增加一个步骤3ˊ；

步骤3ˊ、基于遗传交叉算子的同分布特征生成

算术交叉方式如下

其中，p ₁, p ₂为父代特征，p'₁,p'₂为两个新产生的染色体，rand为介于[0，1]的随机数，

检验新特征是否满足与原始父代特征空间具有相同的分布，定义新特征与原特征中心的欧氏距离为

其中，p'表示新特征，

表示2-范数，center为该类原始特征中心，可以定义为

其中 X ={ x ₁, x ₂,…, x _m }， x _i 表示原始特征中第i个特征矢量，m为特征矢量数目。

定义容忍门限

那么对新样本p'按照

 进行取舍 。

为了解决本发明所提出的第二个技术问题，本发明的第一种技术方案为：

包括上述的基于人工智能学习机的电子鼻对非目标干扰气味识别方法的所有步骤，还包括以下步骤；

步骤A、阵列信号动态矩阵的存储及更新

智能学习机的输出接有一个阵列信号动态存储矩阵P，动态存储矩阵P的大小为m×n，其中m为传感器阵列的维数，n为存储量，若当前信号的类别标志T为目标气体时，该存储矩阵P开始继续存储当前传感器阵列信号，P存储满量后，刷新最先存入的单元；

步骤B、利用动态存储矩阵对当前电子鼻信号进行加权修正及干扰在线抑制

依据当前信号的类别标志T来判别当前气体是否为非目标干扰气味，那么干扰抑制的表述式为

其中n为气体传感器数目，i为传感器阵列输出通道编号，x _i  为传感器阵列的第i路输出，y _i 为抑制干扰后的传感器信号，f(·)为干扰信号抑制函数；

通过本步骤获得干扰抑制后的实时阵列信号Y；

步骤C、目标气体浓度预测

利用现有的目标气体浓度预测方法对干扰抑制后的实时阵列信号Y进行分析，计算出当前电子鼻对目标气体浓度的预测值。

为了解决本发明所提出的第二个技术问题，本发明的第二种技术方案为：

包括上述的基于人工智能学习机的电子鼻对非目标干扰气味识别方法的所有步骤，还包括以下步骤；

步骤A、目标气体浓度预测

利用现有的目标气体浓度预测方法对当前信号X ’进行分析，计算出当前的目标气体浓度预测值；

步骤B、目标气体预测浓度动态矩阵的存储及更新

人工智能学习机的输出连接有一个预测浓度动态存储矩阵P，动态存储矩阵P的大小为m×n，其中m为所要检测的目标气体数目，n为存储量，若当前信号的类别标志T为目标气体时，该存储矩阵P开始存储当前传感器信号对应的一组目标气体的预测浓度值；否则，停止存储。当P存储满量后，刷新最先存入的单元；

步骤C、利用动态存储矩阵对当前电子鼻预测输出进行加权修正及干扰在线抑制

依据当前信号的类别标志T是否为非目标干扰气味，对预测浓度动态矩阵P进行如下处理，并获得不受干扰影响的预测浓度矢量Y，

其中f(·)为预测浓度动态矩阵P的计算函数；x为当前传感器的实时信号；y _i 表示第i类目标气体的当前实时预测浓度值；P _i,n 表示当前预测值；i表示第i类目标气体；n为存储量；m为目标气体种类数目。

采用人工智能模式识别技术，判别出目标气体和非目标干扰气味，并赋予检测信号的类别标志，根据类别标志，设置一个阵列信号动态存储矩阵P，然后采用抑制系数对干扰气味进行抑制，或是设置一个目标气体预测浓度存储矩阵P，然后采用动态矩阵计算函数f(·)对当前电子鼻的预测输出值进行在线修正，从而保证在干扰的作用下电子鼻预测准确度不受影响。本发明的有益效果为：

1、本发明利用人工智能模式识别技术检测出了目标气体和非目标干扰气味，并准确赋予了检测信号的类别标志。

2、本发明抑制了非目标干扰气味造成的干扰，能准确检测出目标气体的含量。

附图说明

本发明的附图说明如下：

图1为本发明实施例中的传感器在香水干扰环境下响应曲线；

图2为利用指数移动平均算法获得传感器响应曲线的最大点位置；

图3为多层感知器神经网络结构图；

图4为TGS2620传感器在无目标气体环境下的干扰和干扰抑制后的响应曲线；

图5为TGS2602传感器在无目标气体环境下的干扰和干扰抑制后的响应曲线；

图6为TGS2201A传感器在无目标气体环境下的干扰和干扰抑制后的响应曲线；

图7为TGS2201B传感器在无目标气体环境下的干扰和干扰抑制后的响应曲线；

图8为TGS2620传感器在目标气体环境下的干扰和干扰抑制后的响应曲线；

图9为TGS2602传感器在目标气体环境下的干扰和干扰抑制后的响应曲线；

图10为TGS2201A传感器在目标气体环境下的干扰和干扰抑制后的响应曲线；

图11为TGS2201B传感器在目标气体环境下的干扰和干扰抑制后的响应曲线。

具体实施方式

本发明所涉及的室内目标污染气体包含六种：甲醛、苯、甲苯、一氧化碳、二氧化氮和氨气，而在室内常见的干扰气味源主要有酒精、香水、花露水和水果香味（桔子、橙子）。在大气环境中，可能存在的干扰源有无数多种，可以理解为除了目标气体之外的非目标气味均为干扰气味，那么获得每种干扰的气味模式是不可能实现的。因此，本发明仅仅需要设置模式不变量，即除了目标气体模式之外的所有模式均被视为干扰。

另外，在实施例中，本发明的人工智能学习机的建立采用多层感知器神经网络方法。同样，专业技术人员也可以采用自组织神经网络、支持向量机、线性\非线性判决分析、聚类分析等模式识别技术代替多层感知器神经网络，可以训练一个与多层感知器神经网络同样效果的人工智能学习机。为描述该发明的具体实施过程，首先设置类别标志T=0表示当前信号为目标气体信号，T=1表示当前信号为非目标干扰信号。

下面结合附图和实施例对本发明作详细说明：

本发明的实施例中，基于多层感知器神经网络的电子鼻中非目标干扰气味的识别方法，包括以下步骤：

步骤1、目标气体和典型非目标干扰气味数据样本的采集

本实施例所使用的传感器阵列有4个传感器，分别为TGS2620、TGS2602、TGS2201（该传感器有两路输出A/B，故实际上传感器阵列的输出维数为4）。调整实验箱体的温度和湿度，对不同浓度的目标气体以及典型非目标干扰气体分别进行采样实验。其中，目标气体被视为模式不变量，从而提高后续的模式识别器对非目标干扰的识别能力。在温度和湿度的调整过程中，由于本项目开发的电子鼻是应用于室内环境检测，因此，我们将温度调整为15℃，20℃,25℃,30℃以及35℃；相对湿度调整为40%，60%以及80%。在每组温湿度组合下，分别进行相应的实验。

步骤2、传感器阵列信号预处理

该步骤是用于电子鼻采集的传感器阵列信号进行平滑滤波和归一化。设平滑滤波器长度为n，传感器观测信号矢量为S，信号长度为N，获得平滑滤波后的信号为X，X(i)表示滤波后的第i次观测信号。平滑滤波模型如下：

归一化的目的是为了更易于后续模型建立，归一化方法为

X ’=X/4095

其中，4095为12位AD转换器的最大值，X ’为平衡滤波及归一化后的传感器信号。采用滤波及归一化后的信号作为特征，训练神经网络对非目标干扰气体进行识别。

步骤3、目标气体和非目标干扰气味样本的特征提取

对目标气体样本，将气体在每个传感器的稳态响应点作为用来表达气体类别和浓度的实时特征点；考虑到非目标干扰气味对传感器影响的过程是从响应开始即吸附过程到最大响应，再逐渐响应平稳，最后到响应结束即解吸附过程，因此，要保证电子鼻对干扰在线识别和消除的灵敏性及实时性，防止电子鼻因对干扰的准确识别在吸附阶段具有延迟性，在解吸附阶段过早结束的问题，从而造成干扰消除效果不理想，因此，对非目标干扰气味特征提取时，将传感器响应过程中的吸附点、最大点、稳态点和解吸附点作为用于实时表征干扰类气味纹理的最佳特征点，从而有效扩大了对干扰的准确识别宽度。

 

在金属氧化物传感器实时应用中，稳态响应点被常用来作为该传感器对某种气味预测时的最佳特征点。另外，特征提取仅仅用于模型建立所需的训练和测试数据集，因此，在模型建立时，本发明研究的目标气体样本中每个传感器的稳态响应点被选为用来表达气体类别和浓度的实时特征点。然而，对于非目标干扰气味样本，为了保证干扰抑制模型的实时有效及灵敏性，仅仅采取稳态响应点是不够的，因为非目标干扰气味对传感器的影响不局限在稳态点，而是传感器表面与干扰源开始发生吸附反应以及反应即将结束时解吸附过程的点。因此，吸附点、最大点、稳态点和解吸附点被选为用于实时表征干扰纹理特征的最佳特征点。

如图1所示，四个金属氧化物传感器在香水干扰环境下从基线到稳态响应再回归基线结束的整个响应曲线，四条虚线对应的位置为每个传感器响应曲线中的特征点。其中，四个位置的点即吸附点、最大点、稳态点及解吸附点被选为可以表达香水干扰的特征点。

上述瞬态点即最大点的位置是通过指数移动平均算法获得，指数移动平均算法如下：

其中  r  表示传感器观测矢量， y  表示指数移动平均矢量, α 为平滑参数，其值在[0, 1]范围内, M 表示传感器观测矢量的长度。

该算法可以找出传感器响应变化过程中的最大点，如图2所示，从该图中可以确定传感器响应曲线的最大点位置。

步骤4、多层感知器神经网络模型的训练学习

如图3所示，多层感知器神经网络由输入层，单个或多个隐含层，和输出层组成的。在每层均有不同数量的神经网络构成，其中输入层与隐含层，隐含层与输出层之间由权值和阈值连接，基于梯度下降的后向传播算法是常用的权值训练算法。多层感知器神经网络的隐含层的激励函数为Sigmoid对数曲线函数，输出层的激励函数为线性函数；目标气体的训练目标设为0或1，非目标干扰气味的训练目标设为1或0，因函数输出值不是整数，则输出值大于0.5，置为1；否则，置为0，训练学习采用误差后向传播算法，确定多层感知器网络中各层之间的权值W和阈值B；

多层感知器神经网络作为非线性拟合模型，常被用于回归预测和模式识别。

本发明中，网络隐含层和输出层的传递函数分别为Sigmoid对数曲线函数和purelin线性函数。

Sigmoid 对数曲线函数为

purelin线性函数为

y=x

本实施例的多层感知器网络结构为一个输入层、两个隐含层和输出层。输入层有6个神经元、第一隐含层和第二隐含层均有25个神经元、输出层有1个神经元。

本发明中多层感知器离线学习算法采用误差后向传播算法，其算法基本原理为：

初始化阶段，网络自身随机产生初始权值W1,B1,W2,B2,W3,B3，其中W1，B1为输入层到第一隐含层之间的权值和阈值；W2，B2为第一隐含层到第二隐含层之间的权值和阈值；W3,B3为第二隐含层到输出层之间的权值和阈值。在训练时，首先对训练样本矩阵X进行前向计算，然后再根据误差后向传播，通过梯度下降法减小输入信号与训练目标之间的误差，从而达到输入样本不断逼近训练目标的目的。多层感知器神经网络的训练和识别过程可描述为:

1, 计算第一隐含层的输出为

2, 计算第二隐含层的输出为

3, 计算输出层的输出为

4，均方误差计算

均方误差计算是在整个训练集上，

，N为训练样本数（包括目标气体样本和非目标干扰样本），y_d为训练目标矢量（由0和1组成）；

到此，第一次训练的前向计算已完成，接下来就是网络权值W和B的调整过程即更新过程，该过程是将前向计算的输出值与训练目标值之间的差值进行后向传播。该调整过程即是学习过程，目的是对输入的训练样本向其对应的训练目标不断的逼近，使得网络的输出值和训练目标值之间的误差经过迭代，不断的减小，直到算法收敛。收敛条件由设定的迭代次数（训练次数）和允许的最小均方误差决定的。本发明中的迭代次数设为2000，允许的最小误差(均方误差)为0.05。

5，权值W（W1，W2，W3）和阈值B(B1，B2，B3)的更新

多层感知器输入层到隐含层的权值的基本调整公式为：

其中，

为第i个节点的输入信号；和

分别为前后两次训练后的第i个输入层节点和第j个隐层节点之间的权值；

为隐含层第j个节点的偏差信号。

隐含层到输出层的权值的基本调整公式为：

其中，

为隐含层第j个节点的输出信号；

和

分别为前后两次训练后第j个隐层节点和第k个输出层节点；

为输出层第k个节点的偏差信号；

为神经网络权值调整的学习率。

隐含层每个节点阈值的调整公式为：

其中，为隐含层第j个节点的阈值。

输出层每个节点阈值的调整公式为： 

其中，

为输出层第k个节点的阈值；

为神经网络阈值调整的学习率。

隐含层每个节点的偏差信号表达式为： 

输出层每个节点的偏差信号表达式为：

其中，

为输出层第k个节点的输出信号。

6，检验收敛条件，若没达到收敛要求，返回第1步，进行下一次迭代学习；否则，网络训练结束，获得最终的各层网络权值W和阈值B。

多层感知器学习算法收敛条件说明：

1) 当学习次数达到系统设定的最大迭代次数后，算法收敛；

2) 当训练目标函数值（目标）达到系统设定的最小值后，算法收敛。

步骤5、多层感知器神经网络对非目标干扰气味的实时在线识别

传感器阵列检测信号，对传感器阵列信号预处理，与步骤2相同；对预处理后的当前信号 X ’，依据多层感知器神经网络模型训练学习所获得的各层之间的权值W和阈值B，利用多层感知器神经网络进行非线性的前向计算，计算过程为：

(1)： 第一隐含层的输出为

(2)：第二隐含层的输出为

(3)：输出层的输出为

(4)：对输出值y ₃进行判断，若y ₃≥0.5, T置为1；否则，T置为0。从而获得类别标志T的值。若T=0即为目标气体，否则为非目标干扰。

为了解决两类样本不均衡所造成的将样本数较少的一类判别为样本数较多的一类的问题，在上述步骤3之后增加一个步骤3ˊ

步骤3ˊ、基于遗传交叉算子的同分布特征生成

在多层感知器神经网络模型的训练学习的步骤中，由于各类特征的不均衡（本实施例中，目标气体特征数目为321，高于非目标干扰特征数为186）导致分类器的识别性能具有倾向性，即将特征数较少的类判别为特征数较多的类，非目标干扰很容易被判别为目标气体，这就影响了整个分类器在识别中的准确性和鲁棒性，从而对非目标干扰的识别就不够准确，也同时影响干扰抑制的效果，最终造成电子鼻系统预测误报警。因此，针对特征不均衡问题，本发明可以采用了一种基于遗传交叉算子的同分布特征生成方法，使得在运用模式识别模型分类时，将训练集中不同类别的特征数趋于平衡，减小识别倾向性，提高模型鲁棒性，从而增强抗干扰模型的实时灵敏有效性。遗传交叉算子是遗传算法中用于产生新染色体的最重要的一步操作。交叉是对两个染色体中的部分基因按照某种方式交换，从而形成新的染色体。采用如下算术交叉方式

其中，p ₁, p ₂为父代特征，p'₁,p'₂为两个新产生的染色体，rand为介于[0，1]的随机数。

  在新染色体生成过程中，采用随机配对的方式，即从某类别的原特征中随机选择两个父代特征进行交叉，生成新的特征，直到各类间特征数均衡。为了检验新特征是否满足与原始父代特征空间具有相同的分布，定义新特征与原特征中心的欧氏距离为

其中，p'表示新特征，表示2-范数，center为该类原始特征中心，可以定义为

其中X={ x ₁, x ₂,…, x _m }， x _i 表示原始特征中第i个样本观测矢量。

定义容忍门限

那么对新特征p'按照下列方式进行取舍

       

本发明中的基于人工智能学习机的电子鼻对非目标干扰气味的抑制方法的第一种技术方案，即传感器阵列信号前期抑制干扰的方法，包括上述的基于多层感知器神经网络的电子鼻对非目标干扰气味识别方法的所有步骤，还包括以下步骤；

步骤A、阵列信号动态矩阵的存储及更新

在电子鼻系统中，多层感知器神经网络模式的输出设有一个阵列信号动态存储矩阵P。设动态存储矩阵P的大小为m×n。其中m为传感器阵列的大小，n的值可根据实际需要进行确定，本实施例设为100。该存储矩阵P的动态性由电子鼻系统的在线运行时间及步骤2中模式识别的判决类别标志T决定的。当系统开机时，矩阵P开始存储数据，当模式识别的判决类别标志T为非目标干扰时，由于当前传感器信号已被干扰，因此该存储矩阵P停止当前阵列信号的存储。当模式识别的判决类别标志T为目标气体时，该存储矩阵P开始继续存储当前传感器阵列信号，若矩阵P已经存满100组，那么当前实时阵列信号即为第101组，那么距离当前时刻最远的第1组阵列信号将被擦除，第2组取代第1组，第3组取代第2组，第4组取代第3组，……，以此类推，那么第101组（当前信号）将取代第100组，从而新的P产生，随着开机运行时间，该矩阵P内部储存的阵列信号将不断更新。该动态矩阵P的变化频率取决于采样频率及当前模式识别标志T。

步骤B、利用动态存储矩阵对当前电子鼻系统输出信号进行加权修正及干扰在线抑制

根据模式识别类别标志T（可能值为0或1），干扰抑制模型可表述为

其中x _i  为传感器阵列的第i路输出，y _i 为抑制干扰后的传感器信号，f(·)为信号抑制函数。为了简化问题的复杂性，本实施例中，我们采用了线性模型f(x)=h·x。其中h (0<h≤1)是与距离当前时刻最近的无干扰时的传感器响应状态有关的抑制系数。

其中 x _i,pre 和 x _i,curr 分别表示第i个传感器先前无干扰时响应和当前有干扰时的响应。

通过本步骤获得干扰抑制后的实时阵列信号Y。

步骤C、目标气体浓度预测

利用现有的目标气体浓度预测方法对干扰抑制后的实时阵列信号Y进行分析，计算出当前的目标气体浓度预测值。

本发明中的基于多层感知器神经网络的电子鼻对非目标干扰气味的抑制方法的第二种技术方案，即目标气体浓度预测后期抑制干扰的方法，包括上述的基于多层感知器神经网络的电子鼻对非目标干扰气味识别方法的所有步骤，还包括以下步骤；

步骤A、目标气体浓度预测

利用现有的目标气体浓度预测方法对当前信号X ’进行分析，计算出当前的目标气体浓度预测值，实现电子鼻对目标气体浓度预测的抗干扰效果。

步骤B、目标气体预测浓度动态矩阵的存储及更新

在电子鼻系统中，多层感知器神经网络模式的输出设有一个预测浓度动态存储矩阵P。设动态存储矩阵P的大小为m×n。其中m为所要检测的目标气体数目，n的值可根据实际需要进行确定，本发明中设为100。该存储矩阵P的动态性由电子鼻系统的在线运行时间及步骤2中模式识别的判决类别标志T决定的。当系统开机时，矩阵P开始存储步骤3中预测的目标气体浓度，当模式识别的判决类别标志T为非目标干扰时，由于当前传感器信号已被干扰，因此当前的目标气体预测浓度值已经发生错误，因此该存储矩阵P停止当前预测浓度值的存储。当模式识别的判决类别标志T为目标气体时，该存储矩阵P开始继续存储当前预测浓度值，若矩阵P已经存满100组，那么当前实时预测的浓度值即为第101组，那么距离当前时刻最远的第1组预测浓度将被擦除，而第2组取代第1组，第3组取代第2组，第4组取代第3组，……，以此类推，那么第101组（当前预测浓度值）将取代第100组，从而新的P产生，随着开机运行时间，该矩阵P内部储存的预测浓度值将不断更新。该动态矩阵P的变化频率取决于采样频率及当前模式识别标志T，本实施例中，电子鼻信号采样间隔为2s。

步骤C、利用动态存储矩阵对电子鼻系统预测输出加权修正及干扰在线抑制

依据当前信号的类别标志T是否为非目标干扰气味，对预测浓度动态矩阵P进行如下处理，并获得不受干扰影响的预测浓度Y。

其中f(·)为预测浓度动态矩阵P的计算函数；x为当前传感器的实时信号；y _i 表示第i类目标气体的当前实时预测浓度值；P _i,n 表示当前预测值；i表示第i类目标气体；n为存储量；m为目标气体种类数目；

本实施例中，根据模式识别类别标志T（可能的T值为0或1），动态矩阵计算函数f(·)选择加权均值滤波函数，即对该动态矩阵P进行如下矩阵加权均值滤波

其中y _i 表示第i类目标气体的当前实时预测浓度值；P _i,100表示当前第100组预测值；i表示第i类目标气体；M可根据实际需要进行确定，0<M≤100；T=0表示当前信号为目标气体信号，T=1表示当前信号为非目标干扰信号。

本发明的实验效果

依据电子鼻应用的两种环境，本实验设定在两种环境下测试：

1、无目标气体环境下的干扰抑制

由于当前状态不含目标气体，我们认为是干净空气下，当各类非目标干扰气味出现时，传感器会出现高能量的信号，因此，干扰抑制的目标是使得传感器信号在干扰出现时依然能与原始干净的空气状态是一致的。在气候箱内实验时，我们分四个阶段分别打入香水和花露水，前两个阶段为香水，后两个阶段为花露水。为了体现干扰抑制效果，每个阶段的干扰信号采集完毕后，用泵将箱内的干扰气味基本吸除。

图4、图5、图6和图7 分别给出了TGS2620、TGS2602、TGS2201A和TGS2201B传感器在被香水和花露水干扰的情况下，采用本发明后的结果。在这4个图中，矩形窗表示本发明的分类器模型识别出的干扰区，其中前两个波峰为香水干扰引起，后两个波峰为花露水干扰引起；通过矩形窗可以看出分类器模型已经正确识别出了干扰区。虚线也表明干扰抑制效果较为明显。

2、目标气体环境下的干扰抑制

   为了检验在目标气体存在的环境下干扰抑制模型的有效性，本实验选择室内常出现的甲醛目标气体做为参考气体。实验过程分为三个阶段，表述如下：

(1)    打入甲醛气体，等待达到稳定状态；开始打入酒精，等待稳定后，用泵抽气，十分钟后，停止抽气；

(2)    打入甲醛，等待达到稳定状态；开始打入花露水干扰气味，等待稳定后，用泵抽气，十分钟后，停止抽气；

(3)    打入甲醛，等待达到稳定状态；开始打入香水与橙子混合气味，等待稳定后，用泵抽气，采集数据完毕后，停止抽气。

该实验方法的目的是为了研究在目标气体环境下打入干扰气味和在干扰环境下打入目标气体时，干扰抑制模型的应用效果。

图8、图9、图10和图11 分别给出了在目标甲醛气体环境下，当非目标干扰气味出现时TGS2620、TGS2602、TGS2201A和TGS2201B传感器能够得到较好的干扰抑制效果。在每个图中均有3个矩形窗区，它们分别表示酒精干扰区、花露水干扰区、香水与橙子混合干扰区；另外，矩形窗外的区域为目标甲醛气体区域，从结果可以看出，本发明能够准确的识别三个干扰区，同时也没有将目标气体区错判为干扰区，虚线表明了干扰抑制效果较为明显。图8~11与图4~7的区别在于，图8~11是在甲醛目标气体的环境下完成了干扰区的识别，而图4~7是在干净的空气中完成了干扰区域的识别。图4~11中矩形窗的位置是模式识别获得的干扰识别结果，对应窗内的传感器响应上升很多，正是由于干扰造成的，而虚线也提升是由于实验时，传感器基线也在提升。由于采用的是金属氧化物半导体传感器，即使在干净的空气中，传感器也是有响应的即传感器基线。传感器基线与温度、湿度等环境因素有关。

Claims (4)

1.基于人工智能学习机的电子鼻中非目标干扰气味的识别方法，其特征是，该方法包括以下步骤：

步骤1、目标气体和典型非目标干扰气味数据样本的采集

本步骤将待检测气体视为目标气体，将待检测气体之外的气味统一视为非目标干扰气味，调整实验箱体的温度和湿度，对不同浓度的目标气体和典型非目标干扰气味分别进行采样实验；

步骤2、传感器阵列信号预处理

将上述采集的传感器阵列信号进行平滑滤波和归一化，平滑滤波的公式如下：

其中，X为平滑滤波后的信号，i是指滤波后信号X中的第i次观测；n为平滑滤波器长度，S为传感器所测信号，N为传感器所测信号S的长度；

归一化的公式为       X ’=X/4095

其中，4095为12位AD转换器的最大值，X ’为平衡滤波及归一化后的传感器信号；

步骤3、目标气体和非目标干扰气味样本的特征提取

对目标气体样本，将气体在每个传感器的稳态响应点作为用来表达气体类别和浓度的实时特征点，对于非目标干扰气味样本，将该气体在各传感器的吸附点、最大点、稳态点和解吸附点作为用于实时表征干扰类气体的最佳特征点；

步骤4、智能学习机的训练学习

将提取的目标气体训练特征和非目标干扰气味训练特征，训练一个人工智能学习机，训练目标气体与非目标干扰气味的训练目标通过设置类别标志T加以区分；

步骤5、智能学习机对非目标干扰气味的实时在线识别

传感器阵列检测信号，对传感器阵列信号预处理，与步骤2相同；对预处理后的当前信号X’，依据智能学习机训练学习获得学习机内部参数，通过相应的参数计算获得当前信号X’的类别标志T。

2.根据权利要求1所述的电子鼻中非目标干扰气味的识别方法，其特征是，在步骤3之后增加一个步骤3ˊ；

步骤3ˊ、基于遗传交叉算子的同分布样本生成

算术交叉方式如下

       

其中，p ₁, p ₂为父代特征，p'₁,p'₂为两个新产生的染色体，rand为介于[0，1]的随机数，

检验新特征是否满足与原始父代特征空间具有相同的分布，定义新特征与原特征中心的欧氏距离为

其中，p'表示新特征，

表示2-范数，center为该类原始特征中心，可以定义为

其中 X ={ x ₁, x ₂,…, x _m }， x _i 表示原始特征中第i个特征矢量，m表示特征矢量数目；

定义容忍门限

那么对新特征p'按照

 进行取舍。

3.基于人工智能学习机的电子鼻中非目标干扰气味的抑制方法，其特征是，该方法包括权利要求1或2所述的基于人工智能学习机的电子鼻对非目标干扰气味识别方法的所有步骤，还包括以下步骤：

步骤A、阵列信号动态矩阵的存储及更新

人工智能学习机的输出连接有一个阵列信号动态存储矩阵P，动态存储矩阵P的大小为m×n，其中m为传感器阵列的维数，n为存储量，若当前信号的类别标志T为目标气体时，该存储矩阵P开始继续存储当前传感器阵列信号，P存储满量后，刷新最先存入的单元；

步骤B、利用动态存储矩阵对当前电子鼻信号进行加权修正及干扰在线抑制

依据当前信号的类别标志T，判断当前电子鼻信号是否为干扰信号，那么干扰抑制的表述式为

其中n为气体传感器数目，i为传感器阵列的输出通道编号，x _i  为气体传感器阵列的第i路输出，y _i 为抑制干扰后的传感器信号，f(·)为干扰信号抑制函数；

通过本步骤获得干扰抑制后的实时阵列信号Y；

步骤C、目标气体浓度预测

利用现有的目标气体浓度预测方法对干扰抑制后的实时阵列信号Y进行分析，计算出当前的目标气体浓度预测值。

4.基于人工智能学习机的电子鼻中非目标干扰气味的抑制方法，其特征是，该方法包括权利要求1或2所述的基于人工智能学习机的电子鼻对非目标干扰气味识别方法的所有步骤，还包括以下步骤：

步骤A、目标气体浓度预测

利用现有的目标气体浓度预测方法对当前信号X ’进行分析，计算出当前的目标气体浓度预测值；

步骤B、目标气体预测浓度动态矩阵的存储及更新

人工智能学习机的输出连接有一个预测浓度动态存储矩阵P，动态存储矩阵P的大小为m×n，其中m为所要检测的目标气体数目，n为存储量，若当前信号的类别标志T为目标气体时，该存储矩阵P开始存储当前传感器信号对应的一组目标气体的预测浓度值；否则，停止存储，存储满量程后，刷新最先存入的单元；

步骤C、利用动态存储矩阵对当前电子鼻系统预测输出进行加权修正及干扰在线抑制

依据当前信号的类别标志T是否为非目标干扰气味，对预测浓度动态矩阵P进行如下函数处理，并获得不受干扰影响的预测浓度矢量Y，

其中f为预测浓度动态矩阵P的计算函数；x为当前传感器的实时信号；y _i 表示第i类目标气体的当前实时预测浓度值；P _i,n 表示当前预测值；i表示第i类目标气体；n为存储量；m为目标气体种类数目。

Images