CN109239207A - 基于电子鼻的气味识别方法、装置和电子鼻系统 - Google Patents
基于电子鼻的气味识别方法、装置和电子鼻系统 Download PDFInfo
- Publication number
- CN109239207A CN109239207A CN201810812710.2A CN201810812710A CN109239207A CN 109239207 A CN109239207 A CN 109239207A CN 201810812710 A CN201810812710 A CN 201810812710A CN 109239207 A CN109239207 A CN 109239207A
- Authority
- CN
- China
- Prior art keywords
- odor
- sample
- samples
- matrix
- abstract
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 163
- 238000001179 sorption measurement Methods 0.000 claims abstract description 96
- 238000001514 detection method Methods 0.000 claims abstract description 83
- 235000019645 odor Nutrition 0.000 claims description 465
- 238000007781 pre-processing Methods 0.000 claims description 33
- 230000004044 response Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 125000004432 carbon atom Chemical group C* 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 229910044991 metal oxide Inorganic materials 0.000 claims description 2
- 150000004706 metal oxides Chemical class 0.000 claims description 2
- 239000004065 semiconductor Substances 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 abstract 2
- 210000001331 nose Anatomy 0.000 description 107
- 238000004458 analytical method Methods 0.000 description 9
- 239000002304 perfume Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000002872 Statistical quality control Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000012159 carrier gas Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000003205 fragrance Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N2030/0095—Separation specially adapted for use outside laboratory, e.g. field sampling, portable equipments
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及一种基于电子鼻的气味识别方法、装置和电子鼻系统，其中方法包括：获取电子鼻系统采集的多个气味样品的检测数据；对各个气味样品的检测数据进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在电子鼻系统中的各个传感器上的吸附量缩放矩阵和气味分子特征矩阵；根据各个气味样品的吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别构建各个气味样品的抽象气味因子图；计算两两气味样品的抽象气味因子图之间的相似度；根据两两气味样品的所述相似度，识别两两气味样品是否为相同气味的样品。上述方法具有预处理简单、检测周期短、检测成本低的优点，能够实现对相似度和复杂度高的不同气味样品的高精准度地识别。
Description
技术领域
本发明涉及电子鼻技术领域，特别是涉及一种基于电子鼻的气味识别方法、装置和电子鼻系统。
背景技术
气味的识别与人类的生活息息相关。在食物品质判别、工业生产、环境监测、安全监控、疾病诊断等方面都会涉及气味识别。目前，应用于复杂气味样品识别的方法主要是依靠气相色谱分析方法和气质联用分析技术。但是，这些方法，在分析复杂气味样品时常常需要复杂的前处理步骤，而且样品的分析周期较长，仪器的运行和维护成本较高。因此，这些方法存在是分析效率低而且分析成本高的缺点。
电子鼻系统是自1982年起快速发展起来的一种新型的气味分析设备。相对气相色谱等气味样品分析设备，电子鼻系统具有样品前处理简单、响应灵敏，分析速度快、分析成本低等优点，因而在多个领域应用于气味识别。
现有的电子鼻系统，在进行气味识别时，通常采用的气味识别方法例如主成分分析法(Principal Component Analysis，PCA)、判别因子分析法(Discriminant FactorAnalysis，DFA)、簇类独立软模式分类法(Soft Independent Modeling of ClassAnalogy，SIMCA)、统计质量控制分析法(Statistical Quality Control，SQC)等，存在不符合电子鼻系统的响应机理，对不同气味的识别的精确度低的缺陷，一般只能识别一些简单的气味样品，或是差异性较大的气味样品。
发明内容
基于此，有必要针对现有的电子鼻系统在气味识别时精准度低的技术问题，提供一种基于电子鼻的气味识别方法、装置和电子鼻系统。
一种基于电子鼻的气味识别方法，包括以下步骤：
获取电子鼻系统采集的多个气味样品的检测数据；
对各个气味样品的检测数据进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在电子鼻系统中的各个传感器上的吸附量缩放矩阵和气味分子特征矩阵；
根据各个气味样品的所述吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别构建各个气味样品的抽象气味因子图；
计算两两气味样品的抽象气味因子图之间的相似度；
根据两两气味样品的所述相似度，识别两两气味样品是否为相同气味的样品。
上述基于电子鼻的气味识别方法，从电子鼻系统的检测数据中分解出吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵作为提取的特征数据，并基于这些特征数据，生成抽象气味因子图，抽象气味因子图中即包含了气味的特征信息，将抽象气味因子图作为特征谱图，识别两个气味的特征谱图之间的相似度，根据相似度识别两种气味样品是否为相同气味的样品，具有预处理简单、检测周期短、检测成本低的优点，能够实现对相似度和复杂度高的不同气味样品的高精准度地识别。
在一个实施例中，所述获取电子鼻系统采集的多个气味样品的检测数据包括：
获取电子鼻系统采集的多个气味样品的检测数据；其中，所述电子鼻系统中含有k个传感器，在采集检测数据时，采集t个时间的数据，每个样品采集n个平行样，每个样品的检测数据组成一个t×k×n的三维数组。
上述实施例的技术方案，将电子鼻系统中k个传感器在t个时刻采集的n个平行样的数据，生成一个t×k×n的三维数组，从而可以满足后续数据处理需求。
在一个实施例中，所述获取电子鼻系统采集的多个气味样品的检测数据之后，还包括对各个气味样品的所述检测数据进行预处理的步骤；
所述对各个气味样品的所述检测数据进行预处理的步骤包括：
对采集的各个气味样品的检测数据组成的三维数组中的各个数据分别依照下式进行预处理：
上式中，r为预处理得到的数据，St是时间t时电子鼻系统的传感器采集的瞬时响应值；S0是电子鼻系统的传感器采集的初始响应值；
所述对各个气味样品的检测数据进行分解的步骤包括：对各个气味样品预处理后的检测数据进行分解。
上述实施例的技术方案，通过选用合适的数据预处理方法，能够降低数据的复杂程度以及减少识别误差，从而得到更好的识别效果。在本发明的实施例中，除了通过上述技术方案对数据进行预处理之外，在分析电子鼻数据时需要对采集到的信号进行扣除基线、降低噪声、漂移补偿和压缩信息等预处理方法以获得较好的数据分析结果，有效提升数据处理的准确性。
在一个实施例中，所述对各个气味样品的检测数据进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在电子鼻系统中的各个传感器上的吸附量缩放矩阵和气味分子特征矩阵包括：
根据电子鼻信号模型，对各个气味样品的所述三维数组依照下式进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在电子鼻系统中的各个传感器上的吸附量缩放矩阵和气味分子特征矩阵：
上式中，是三维数组的第i个切片，t是记录的时间点数，k是电子鼻的传感器数目，c是抽象分子种类数，p是抽象因子数；Ct×p是吸附质量矩阵；是吸附量缩放矩阵，表示第i个样品中每组抽象因子在各个传感器上的吸附比率；Γ(ck)×k是气味分子特征矩阵，其非零元素呈带状-对角化分布。
上述实施例的技术方案，所述的电子鼻信号模型是根据MOS传感器响应原理推导而来的，通过电子鼻信号模型对各个气味样品的检测数据分解，更适用于分析基于MOS传感器阵列的电子鼻系统，能更有效地提取数据中的特征信息。
在一个实施例中，所述根据各个气味样品的所述吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别构建各个气味样品的抽象气味因子图包括步骤：
根据各个气味样品的所述吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别依照下式构建各个气味样品中的各个抽象因子的子气味因子图：
上式中，气味样品的第j个抽象因子的子气味因子图，p为该气味样品中抽象因子的总数，cj是吸附质量矩阵的第j列，是吸附量缩放矩阵的第j行；
将各个气味样品中的各个抽象因子的子气味因子图组装起来，得到各个气味样品的抽象气味因子图如下式所示：
上式中，AOFM为气味样品的抽象气味因子图。
在一个实施例中，所述计算两两气味样品的抽象气味因子图之间的相似度包括：
计算每两个气味样品的抽象气味因子图之间的差异度矩阵如下式所示：
ΔR*＝AOFMA-AOFMB
上式中，AOFMA为其中一个气味样品A的抽象气味因子图，AOFMB为另一个气味样品B的抽象气味因子图，ΔR*为差异度矩阵；
计算所述差异度矩阵中各个差异度数据的平均值如下式所示：
上式中，m和n分别是差异度矩阵的总行数和总列数，ΔR*(i,j)为差异度矩阵中第i行第j列的差异度数据；
根据每两个气味样品的所述平均值，计算该两个气味样品的抽象气味因子图之间的相似度如下式所示：
POR＝α×LR
其中，
上式中，POR为两个气味样品的抽象气味因子图之间的相似度，H0为两个气味样品的抽象气味因子图之间的差异度为零的零假设，H1为两个气味样品的抽象气味因子图之间的差异度不为零的备择假设。
通过上述实施例的技术方案，生成的各个样品的抽象气味因子图包含了该样品的气味的特征信息，因此可以作为特征谱图，用于气味识别。
在一个实施例中，所述根据两两气味样品的所述相似度，识别两两气味样品是否为相同气味的样品包括：
针对任意两个气味样品，分别判断该两个气味样品之间的相似度是否达到设定的阈值；若达到，则识别该两个气味样品为相同气味的样品；若未达到，则识别该两个气味样品为不同气味的样品。
上述实施例的技术方案，通过设置合适的阈值，并通过计算的相似度与阈值比对，即可快速实现对气味样品是否为相同样品的鉴别。
一种基于电子鼻的气味识别装置，包括：
数据采集模块，用于采集待识别的各个气味样品的检测数据；
数据分解模块，用于对各个气味样品的检测数据进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在各传感器上的吸附量缩放矩阵和气味分子特征矩阵；
因子图构建模块，用于根据各个气味样品的所述吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别构建各个气味样品的抽象气味因子图；
相似度计算模块，用于计算两两气味样品的抽象气味因子图之间的相似度；
气味识别模块，用于根据两两气味样品的所述相似度，识别两两气味样品是否为相同气味的样品。
上述基于电子鼻的气味识别装置，从电子鼻系统的检测数据中分解出吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵作为提取的特征数据，并基于这些特征数据，生成抽象气味因子图，抽象气味因子图中即包含了气味的特征信息，将抽象气味因子图作为特征谱图，识别两个气味的特征谱图之间的相似度，根据相似度识别两种气味样品是否为相同气味的样品，具有预处理简单、检测周期短、检测成本低的优点，能够实现对相似度和复杂度高的不同气味样品的高精准度地识别。
一种电子鼻系统，包括存储器、处理器以及多个传感器；
所述存储器用于存储可在所述处理器上运行的计算机程序；
所述传感器用于检测气味样品的气味的检测数据；
所述处理器执行所述计算机程序时实现如上任一实施例所述的基于电子鼻的气味识别方法的步骤。
上述电子鼻系统，其处理器执行程序时，通过实现如上步骤，从而可以从电子鼻系统的检测数据中分解出吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵作为提取的特征数据，并基于这些特征数据，生成抽象气味因子图，抽象气味因子图中即包含了气味的特征信息，将抽象气味因子图作为特征谱图，识别两个气味的特征谱图之间的相似度，根据相似度识别两种气味样品是否为相同气味的样品，具有预处理简单、检测周期短、检测成本低的优点，能够实现对相似度和复杂度高的不同气味样品的高精准度地识别。
附图说明
图1为一个实施例中基于电子鼻的气味识别方法的应用环境图；
图2为一个实施例中基于电子鼻的气味识别方法的流程示意图；
图3为另一个实施例中基于电子鼻的气味识别方法的流程示意图；
图4为一个应用示例中三种气味样品的电子鼻信号数据经过预处理的平均响应图；
图5为一个应用示例中第一种气味样品分解得到的吸附质量矩阵图、吸附量缩放矩阵图和气味分子特征矩阵图；
图6为一个应用示例中第二种气味样品分解得到的吸附质量矩阵图、吸附量缩放矩阵图和气味分子特征矩阵图；
图7为一个应用示例中第三种气味样品分解得到的吸附质量矩阵图、吸附量缩放矩阵图和气味分子特征矩阵图；
图8为一个应用示例中三种气味样品的抽象气味因子图；
图9为一个实施例中基于电子鼻的气味识别装置的结构框图；
图10为一个实施例中电子鼻系统的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供的基于电子鼻的气味识别方法，可以应用于如图1所示的应用环境中。其中，电子鼻系统101与计算机102通信连接。电子鼻系统101内含有多个传感器，通过传感器分别采集多个气味样品的检测数据，并将采集的检测数据传输给计算机102，计算机102处理接收的检测数据，分析获取各个气味样品是否为相同气味样品的气味识别结果。其中，计算机102为具有运算处理功能的设备或部件，其可以与电子鼻系统101作为两个设备相对独立的设置，例如可以通过与电子鼻系统101通信连接的终端设备例如各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等等实现，也可以与电子鼻系统101作为一个整体设备，例如可以通过内置于电子鼻系统中的处理器实现。
在一个实施例中，如图2所示，提供了一种基于电子鼻的气味识别方法，以该方法应用于图1中的计算机为例进行说明，包括以下步骤：
S210，获取电子鼻系统采集的多个气味样品的检测数据；
S220，对各个气味样品的检测数据进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在电子鼻系统中的各个传感器上的吸附量缩放矩阵和气味分子特征矩阵；
S230，根据各个气味样品的吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别构建各个气味样品的抽象气味因子图；
S240，计算两两气味样品的抽象气味因子图之间的相似度；
S250，根据两两气味样品的相似度，识别两两气味样品是否为相同气味的样品。
上述基于电子鼻的气味识别方法，从电子鼻系统的检测数据中分解出吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵作为提取的特征数据，并基于这些特征数据，生成抽象气味因子图，抽象气味因子图中即包含了气味的特征信息，将抽象气味因子图作为特征谱图，识别两个气味的特征谱图之间的相似度，根据相似度识别两种气味样品是否为相同气味的样品，具有预处理简单、检测周期短、检测成本低的优点，能够实现对相似度和复杂度高的不同气味样品的高精准度地识别。
在一个实施例中，如图3所示，S210获取电子鼻系统采集的多个气味样品的检测数据包括：
S211，获取电子鼻系统采集的多个气味样品的检测数据；其中，电子鼻系统中含有k个传感器，在采集检测数据时，采集t个时间的数据，每个样品采集n个平行样，每个样品的检测数据组成一个t×k×n的三维数组。
上述实施例的技术方案，将电子鼻系统中k个传感器在t个时刻采集的n个平行样的数据，生成一个t×k×n的三维数组，从而可以满足后续数据处理需求。
在一个实施例中，如图3所示，S210获取电子鼻系统采集的多个气味样品的检测数据之后，还包括对各个气味样品的检测数据进行预处理的步骤；
对各个气味样品的检测数据进行预处理的步骤包括：
S212，对采集的各个气味样品的检测数据组成的三维数组中的各个数据分别依照下式进行预处理：
上式中，r为预处理得到的数据，St是时间t时电子鼻系统的传感器采集的瞬时响应值；S0是电子鼻系统的传感器采集的初始响应值；
相应的S220所述对各个气味样品的检测数据进行分解的步骤包括：对各个气味样品预处理后的检测数据进行分解。
数据的预处理的选用会对分析效果产生重大的影响，上述实施例的技术方案，通过选用合适的数据预处理方法，能够降低数据的复杂程度以及减少识别误差，从而得到更好的识别效果。在本发明的实施例中，除了通过上述技术方案对数据进行预处理之外，在分析电子鼻数据时需要对采集到的信号进行扣除基线、降低噪声、漂移补偿和压缩信息等预处理方法以获得较好的数据分析结果，有效提升数据处理的准确性。
在一个实施例中，如图3所示，S220对各个气味样品的检测数据进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在电子鼻系统中的各个传感器上的吸附量缩放矩阵和气味分子特征矩阵包括：
S221，根据电子鼻信号模型，对各个气味样品的三维数组依照下式进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在电子鼻系统中的各个传感器上的吸附量缩放矩阵和气味分子特征矩阵：
上式中，是三维数组的第i个切片，t是记录的时间点数，k是电子鼻的传感器数目，c是分子种类数，p是抽象因子数；Ct×p是吸附质量矩阵；是吸附量缩放矩阵，表示第i个样品中每组子抽象因子在各个传感器上的吸附比率；Γ(ck)×k是气味分子特征矩阵，其非零元素呈带状-对角化分布。
在目前电子鼻系统的应用中，一般直接套用现有的模式识别方法，比如PCA、DFA、SIMCA等来处理数据。这些方法一般都是基于双线性模型，然而电子鼻的响应数据并不是双线性的，因此，这些现成的模式识别方法并不适用分析电子鼻数据。
上述实施例的技术方案，电子鼻信号模型是根据MOS传感器响应原理推导而来的，通过电子鼻信号模型对各个气味样品的检测数据分解，更适用于分析基于MOS传感器阵列的电子鼻系统，能更有效地提取数据中的特征信息。
在一个实施例中，如图3所示，S230根据各个气味样品的吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别构建各个气味样品的抽象气味因子图包括步骤：
S231，根据各个气味样品的吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别依照下式构建各个气味样品中的各个抽象因子的子气味因子图：
上式中，气味样品的第j个抽象因子的子气味因子图，p为该气味样品中抽象因子的总数，cj是吸附质量矩阵的第j列，是吸附量缩放矩阵的第j行；
S232，将各个气味样品中的各个抽象因子的子气味因子图组装起来，得到各个气味样品的抽象气味因子图如下式所示：
上式中，AOFM为气味样品的抽象气味因子图。
在一个实施例中，如图3所示，S240计算两两气味样品的抽象气味因子图之间的相似度包括：
S241，计算每两个气味样品的抽象气味因子图之间的差异度矩阵如下式所示：
ΔR*＝AOFMA-AOFMB
上式中，AOFMA为其中一个气味样品A的抽象气味因子图，AOFMB为另一个气味样品B的抽象气味因子图，ΔR*为差异度矩阵；
S242，计算差异度矩阵中各个差异度数据的平均值如下式所示：
上式中，m和n分别是差异度矩阵的总行数和总列数，ΔR*(i,j)为差异度矩阵中第i行第j列的差异度数据；
其中差异度矩阵中第i行第j列的差异度数据如下式所示：
ΔR*(i,j)＝AOFMA(i,j)-AOFMB(i,j)
上式中，AOFMA(i,j)为其中一个气味样品A的抽象气味因子图中第i行第j列数据，AOFMB(i,j)另一个气味样品B的抽象气味因子图中第i行第j列数据；ΔR*(i,j)为气味样品A和气味样品B的抽象气味因子图中第i行第j列数据之间的差异度。
S243，根据每两个气味样品的平均值，计算该两个气味样品的抽象气味因子图之间的相似度如下式所示：
POR＝α×LR
其中，
上式中，POR为两个气味样品的抽象气味因子图之间的相似度，H0为两个气味样品的抽象气味因子图之间的差异度为零的零假设，H1为两个气味样品的抽象气味因子图之间的差异度不为零的备择假设。
其中，POR的计算公式可以通过下述过程推出：
建立以下假设：
零假设是两个样品的AOFM之间差异度为零，备择假设是两个样品的AOFM之间差异度不为零；
POR可以如下式计算：
当T是已知的时候，根据贝叶斯公式，两种假设的概率比表达如下：
令：
因此可将POR由下式表示：
POR＝α×LR
其中，LR可以通过公式计算得到，α是通过训练集样品的数据计算得到。采集若干个A气味样品的平行样品作为训练集，α则等于是使训练集中所有样品均满足POR≥1的最大α值。
通过上述实施例的技术方案，生成的各个样品的抽象气味因子图包含了该样品的气味的特征信息，因此可以作为特征谱图，用于气味识别。
在一个实施例中，如图3所示，S250根据两两气味样品的相似度，识别两两气味样品是否为相同气味的样品包括：
针对任意两个气味样品，分别判断该两个气味样品之间的相似度是否达到设定的阈值；若达到，则识别该两个气味样品为相同气味的样品；若未达到，则识别该两个气味样品为不同气味的样品。
具体地，以使用POR的值作为气味样品的识别标准为例，阈值设置为1。则在POR≥1时，判定两个AOFM之间没有统计学上的差别，两个气味样品被识别为相同样品；在POR＜1时，判定两个AOFM之间在统计学上存在差别，两个气味样品被识别为不同样品。
上述实施例的技术方案，通过设置合适的阈值，并通过计算的相似度与阈值比对，即可快速实现对气味样品是否为相同样品的鉴别。
应该理解的是，虽然上述实施例中的各个步骤按照编号依次排列，但是这些步骤并不是必然按照编号的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例的步骤中至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为了使本发明的基于电子鼻的气味识别方法更加清晰明白，下面以一个具体的应用示例来阐述。
在本应用示例中，以某品牌的三款男士香水样品作为待识别的气味样品，用本发明的基于电子鼻的气味识别方法对三种气味样品的气味进行识别。
S11、样品制备：在一张1cm×5cm空白滤纸上喷洒上香水。滤纸在室温下在空气中干燥90分钟，然后放入一个玻璃瓶20ml的样品瓶中并密封，作为待测样品。每个香水做6个平行样品。
待测样品放在HS-100自动取样器上，在60℃中平衡600s。然后，以250ml/min的流速，由采样泵将250μL气体样品的顶空注入FOX-4000电子鼻系统中，同时载气(高纯空气)的流速为500ml/min。FOX-4000电子鼻系统每1秒记录一次响应值，共采集100s的数据，测量完成后通1080s载气净化传感器。上述检测条件的设定均是通过实验优化确定的。
S12、将S11中采集到的三种气味样品的数据，构建成3个100×18×6的三维数组。
S2、对S12中构建的3个三维数组分别进行数据预处理。其中，对每个三维数组中的各个数据均分别依照下式进行预处理得到预处理后的数据：
上式中，St是时间t时传感器的瞬时响应值；S0是传感器的初始响应值。三种气味样品的电子鼻信号数据经过预处理的平均响应如图4所示。
S3、用电子鼻信号模型对S2中经过数据预处理的3个三维数据进行分解。每一款香水样品的数据都可以分解得到吸附质量矩阵C、吸附量缩放矩阵N和气味分子特征矩阵Γ，三种气味样品分解得到的结果图分别如图5、图6和图7所示。
S4、根据S3分解得到的三种气味样品的吸附质量矩阵C、吸附量缩放矩阵N和气味分子特征矩阵Γ，分别构建三种气味样品的抽象气味因子图(AOFM)，结果如图8所示。
S5、对三种不同气味样品其中每两种气味样品之间的AOFM进行相似度计算，用POR值表示算得的相似度，结果如下表所示：
表1三种气味样品AOFM相似度计算结果
S6、根据得到的POR值对气味样品进行识别。
从上表的结果来看，当依次将CK1、CK2和CK2三种气味样品中的一种作为训练集，计算另外两种样品与训练集样品的相似度时，6种情况计算得到的POR无限接近0，这意味着三种气味样品的AOFM两两差异比较大。因此，两两气味样品的AOFM的相似度计算均有0＜POR＜1。即可以识别出这三种气味样品相互之间为不同气味的样品，分属不同款的香水。
在一个实施例中，如图9所示，提供了一种基于电子鼻的气味识别装置，包括：
数据采集模块910，用于采集待识别的各个气味样品的检测数据；
数据分解模块920，用于对各个气味样品的检测数据进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在各传感器上的吸附量缩放矩阵和气味分子特征矩阵；
因子图构建模块930，用于根据各个气味样品的吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别构建各个气味样品的抽象气味因子图；
相似度计算模块940，用于计算两两气味样品的抽象气味因子图之间的相似度；
气味识别模块950，用于根据两两气味样品的相似度，识别两两气味样品是否为相同气味的样品。
上述基于电子鼻的气味识别装置，从电子鼻系统的检测数据中分解出吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵作为提取的特征数据，并基于这些特征数据，生成抽象气味因子图，抽象气味因子图中即包含了气味的特征信息，将抽象气味因子图作为特征谱图，识别两个气味的特征谱图之间的相似度，根据相似度识别两种气味样品是否为相同气味的样品，具有预处理简单、检测周期短、检测成本低的优点，能够实现对相似度和复杂度高的不同气味样品的高精准度地识别。
在一个实施例中，数据采集模块910进一步用于获取电子鼻系统采集的多个气味样品的检测数据；其中，电子鼻系统中含有k个传感器，在采集检测数据时，采集t个时间的数据，每个样品采集n个平行样，每个样品的检测数据组成一个t×k×n的三维数组。
在一个实施例中，基于电子鼻的气味识别装置还包括预处理模块911，用于对各个气味样品的检测数据进行预处理；
预处理模块在执行对各个气味样品的检测数据进行预处理的步骤时，进一步用于对采集的各个气味样品的检测数据组成的三维数组中的各个数据分别依照下式进行预处理：
上式中，r为预处理得到的数据，St是时间t时电子鼻系统的传感器采集的瞬时响应值；S0是电子鼻系统的传感器采集的初始响应值。
数据分解模块920执行对各个气味样品的检测数据进行分解的步骤时，进一步用于对各个气味样品预处理后的检测数据进行分解。
在一个实施例中，数据分解模块920进一步用于根据电子鼻信号模型，对各个气味样品的三维数组依照下式进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在电子鼻系统中的各个传感器上的吸附量缩放矩阵和气味分子特征矩阵：
上式中，是三维数组的第i个切片，t是记录的时间点数，k是电子鼻的传感器数目，c是分子种类数，p是抽象因子数；Ct×p是吸附质量矩阵；是吸附量缩放矩阵，表示第i个样品中每组抽象因子在各个传感器上的吸附比率；Γ(ck)×k是气味分子特征矩阵，其非零元素呈带状-对角化分布。
在一个实施例中，因子图构建模块930包括：
子气味因子图构建模块，用于根据各个气味样品的吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别依照下式构建各个气味样品中的各个抽象因子的子气味因子图：
上式中，气味样品的第j个抽象因子的子气味因子图，p为该气味样品中抽象因子的总数，cj是吸附质量矩阵的第j列，是吸附量缩放矩阵的第j行；
抽象气味因子图构建模块，用于将各个气味样品中的各个抽象因子的子气味因子图组装起来，得到各个气味样品的抽象气味因子图如下式所示：
上式中，AOFM为气味样品的抽象气味因子图。
在一个实施例中，相似度计算模块940包括：
差异度矩阵计算模块，用于计算每两个气味样品的抽象气味因子图之间的差异度矩阵如下式所示：
ΔR*＝AOFMA-AOFMB
上式中，AOFMA为其中一个气味样品A的抽象气味因子图，AOFMB为另一个气味样品B的抽象气味因子图，ΔR*为差异度矩阵；
差异度平均值计算模块，用于计算差异度矩阵中各个差异度数据的平均值如下式所示：
上式中，m和n分别是差异度矩阵的总行数和总列数，ΔR*(i,j)为差异度矩阵中第i行第j列的差异度数据；
相似度获取模块，用于根据每两个气味样品的平均值，计算该两个气味样品的抽象气味因子图之间的相似度如下式所示：
POR＝α×LR
其中，
上式中，POR为两个气味样品的抽象气味因子图之间的相似度，H0为两个气味样品的抽象气味因子图之间的差异度为零的零假设，H1为两个气味样品的抽象气味因子图之间的差异度不为零的备择假设。
在一个实施例中，气味识别模块950进一步用于：
针对任意两个气味样品，分别判断该两个气味样品之间的相似度是否达到设定的阈值；若达到，则识别该两个气味样品为相同气味的样品；若未达到，则识别该两个气味样品为不同气味的样品。
关于基于电子鼻的气味识别装置的具体限定可以参见上文中对于基于电子鼻的气味识别方法的限定，在此不再赘述。上述基于电子鼻的气味识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明的基于电子鼻的气味识别装置与本发明的基于电子鼻的气味识别方法一一对应，在上述基于电子鼻的气味识别方法的实施例阐述的技术特征及其有益效果均适用于基于电子鼻的气味识别装置的实施例中，特此声明。
在一个实施例中，如图10所示，还提供一种电子鼻系统，包括存储器、处理器以及多个传感器；
存储器用于存储可在处理器上运行的计算机程序；
传感器用于检测气味样品的气味的检测数据；
处理器执行计算机程序时实现如上任一实施例的基于电子鼻的气味识别方法的步骤。
在一个实施例中，多个传感器为金属氧化物半导体传感器阵列。
上述电子鼻系统，其处理器执行程序时，通过实现如上步骤，从而可以从电子鼻系统的检测数据中分解出吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵作为提取的特征数据，并基于这些特征数据，生成抽象气味因子图，抽象气味因子图中即包含了气味的特征信息，将抽象气味因子图作为特征谱图，识别两个气味的特征谱图之间的相似度，根据相似度识别两种气味样品是否为相同气味的样品，具有预处理简单、检测周期短、检测成本低的优点，能够实现对相似度和复杂度高的不同气味样品的高精准度地识别。
本发明实施例所提供的电子鼻系统，其处理器可执行指令不限于如上的基于电子鼻的气味识别方法操作，还可以执行本发明任意实施例所提供的基于电子鼻的气味识别方法中的相关操作，且具备相应的功能和有益效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可查询存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于电子鼻的气味识别方法，其特征在于，包括：
获取电子鼻系统采集的多个气味样品的检测数据；
对各个气味样品的检测数据进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在电子鼻系统中的各个传感器上的吸附量缩放矩阵和气味分子特征矩阵；
根据各个气味样品的所述吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别构建各个气味样品的抽象气味因子图；
计算两两气味样品的抽象气味因子图之间的相似度；
根据两两气味样品的所述相似度，识别两两气味样品是否为相同气味的样品。
2.根据权利要求1所述的基于电子鼻的气味识别方法，其特征在于，所述获取电子鼻系统采集的多个气味样品的检测数据包括：
获取电子鼻系统采集的多个气味样品的检测数据；其中，所述电子鼻系统中含有k个传感器，在采集检测数据时，采集t个时间的数据，每个样品采集n个平行样，每个样品的检测数据组成一个t×k×n的三维数组。
3.根据权利要求2所述的基于电子鼻的气味识别方法，其特征在于，所述获取电子鼻系统采集的多个气味样品的检测数据之后，还包括对各个气味样品的所述检测数据进行预处理的步骤；
所述对各个气味样品的所述检测数据进行预处理的步骤包括：
对采集的各个气味样品的检测数据组成的三维数组中的各个数据分别依照下式进行预处理：
上式中，r为预处理得到的数据，St是时间t时电子鼻系统的传感器采集的瞬时响应值；S0是电子鼻系统的传感器采集的初始响应值；
所述对各个气味样品的检测数据进行分解的步骤包括：
对各个气味样品预处理后的检测数据进行分解。
4.根据权利要求2或3所述的基于电子鼻的气味识别方法，其特征在于，所述对各个气味样品的检测数据进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在电子鼻系统中的各个传感器上的吸附量缩放矩阵和气味分子特征矩阵包括：
根据电子鼻信号模型，对各个气味样品的所述三维数组依照下式进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在电子鼻系统中的各个传感器上的吸附量缩放矩阵和气味分子特征矩阵：
上式中，是三维数组的第i个切片，t是记录的时间点数，k是电子鼻的传感器数目，c是分子种类数，p是抽象因子数；Ct×p是吸附质量矩阵；是吸附量缩放矩阵，表示第i个样品中每组抽象因子在各个传感器上的吸附比率；Γ(ck)×k是气味分子特征矩阵，其非零元素呈带状-对角化分布。
5.根据权利要求2或3所述的基于电子鼻的气味识别方法，其特征在于，所述根据各个气味样品的所述吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别构建各个气味样品的抽象气味因子图包括步骤：
根据各个气味样品的所述吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别依照下式构建各个气味样品中的各个抽象因子的子气味因子图：
上式中，气味样品的第j个抽象因子的子气味因子图，p为该气味样品中抽象因子的总数，cj是吸附质量矩阵的第j列，是吸附量缩放矩阵的第j行；
将各个气味样品中的各个抽象因子的子气味因子图组装起来，得到各个气味样品的抽象气味因子图如下式所示：
上式中，AOFM为气味样品的抽象气味因子图。
6.根据权利要求2或3所述的基于电子鼻的气味识别方法，其特征在于，所述计算两两气味样品的抽象气味因子图之间的相似度包括：
计算每两个气味样品的抽象气味因子图之间的差异度矩阵如下式所示：
ΔR*＝AOFMA-AOFMB
上式中，AOFMA为其中一个气味样品A的抽象气味因子图，AOFMB为另一个气味样品B的抽象气味因子图，ΔR*为差异度矩阵；
计算所述差异度矩阵中各个差异度数据的平均值如下式所示：
上式中，m和n分别是差异度矩阵的总行数和总列数，ΔR*(i,j)为差异度矩阵中第i行第j列的差异度数据；
根据每两个气味样品的所述平均值，计算该两个气味样品的抽象气味因子图之间的相似度如下式所示：
POR＝α×LR
其中，
上式中，POR为两个气味样品的抽象气味因子图之间的相似度，H0为两个气味样品的抽象气味因子图之间的差异度为零的零假设，H1为两个气味样品的抽象气味因子图之间的差异度不为零的备择假设。
7.根据权利要求1至3任一项所述的基于电子鼻的气味识别方法，其特征在于，所述根据两两气味样品的所述相似度，识别两两气味样品是否为相同气味的样品包括：
针对任意两个气味样品，分别判断该两个气味样品之间的相似度是否达到设定的阈值；
若达到，则识别该两个气味样品为相同气味的样品；
若未达到，则识别该两个气味样品为不同气味的样品。
8.一种基于电子鼻的气味识别装置，其特征在于，包括：
数据采集模块，用于采集待识别的各个气味样品的检测数据；
数据分解模块，用于对各个气味样品的检测数据进行分解，得到各个气味样品的吸附质量矩阵、各个气味样品中气味分子在各传感器上的吸附量缩放矩阵和气味分子特征矩阵；
因子图构建模块，用于根据各个气味样品的所述吸附质量矩阵、吸附量缩放矩阵和气味分子特征矩阵，分别构建各个气味样品的抽象气味因子图；
相似度计算模块，用于计算两两气味样品的抽象气味因子图之间的相似度；
气味识别模块，用于根据两两气味样品的所述相似度，识别两两气味样品是否为相同气味的样品。
9.一种电子鼻系统，其特征在于，包括存储器、处理器以及多个传感器；
所述存储器用于存储可在所述处理器上运行的计算机程序；
所述传感器用于检测气味样品的气味的检测数据；
所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的基于电子鼻的气味识别方法的步骤。
10.根据权利要求9所述的电子鼻系统，其特征在于，所述多个传感器为金属氧化物半导体传感器阵列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810812710.2A CN109239207B (zh) | 2018-07-23 | 2018-07-23 | 基于电子鼻的气味识别方法、装置和电子鼻系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810812710.2A CN109239207B (zh) | 2018-07-23 | 2018-07-23 | 基于电子鼻的气味识别方法、装置和电子鼻系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109239207A true CN109239207A (zh) | 2019-01-18 |
| CN109239207B CN109239207B (zh) | 2020-07-24 |
Family
ID=65072832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810812710.2A Expired - Fee Related CN109239207B (zh) | 2018-07-23 | 2018-07-23 | 基于电子鼻的气味识别方法、装置和电子鼻系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109239207B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110850045A (zh) * | 2019-11-27 | 2020-02-28 | 上海秒针网络科技有限公司 | 咖啡豆的气味识别方法及装置、存储介质和电子装置 |
| CN112927763A (zh) * | 2021-03-05 | 2021-06-08 | 广东工业大学 | 一种基于电子鼻的气味描述符评级的预测方法 |
| CN115980286A (zh) * | 2022-12-03 | 2023-04-18 | 吉林大学 | 一种利用电子鼻对污水处理厂不同阶段废水检测的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820077A (zh) * | 2015-05-29 | 2015-08-05 | 广东中烟工业有限责任公司 | 一种卷烟识别方法及装置 |
| CN104850753A (zh) * | 2015-05-29 | 2015-08-19 | 广东中烟工业有限责任公司 | 一种烟用纸张材料识别方法及装置 |
| CN104897855A (zh) * | 2015-05-29 | 2015-09-09 | 广东中烟工业有限责任公司 | 一种烟用香精识别方法及装置 |
| CN106841308A (zh) * | 2016-12-26 | 2017-06-13 | 浙江工商大学 | 一种便携式智能电子鼻系统及气味识别方法 |
| CN107518898A (zh) * | 2017-08-08 | 2017-12-29 | 北京航空航天大学 | 基于传感器阵列分解和波束成形的脑磁图源定位装置 |
-
2018
- 2018-07-23 CN CN201810812710.2A patent/CN109239207B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820077A (zh) * | 2015-05-29 | 2015-08-05 | 广东中烟工业有限责任公司 | 一种卷烟识别方法及装置 |
| CN104850753A (zh) * | 2015-05-29 | 2015-08-19 | 广东中烟工业有限责任公司 | 一种烟用纸张材料识别方法及装置 |
| CN104897855A (zh) * | 2015-05-29 | 2015-09-09 | 广东中烟工业有限责任公司 | 一种烟用香精识别方法及装置 |
| CN106841308A (zh) * | 2016-12-26 | 2017-06-13 | 浙江工商大学 | 一种便携式智能电子鼻系统及气味识别方法 |
| CN107518898A (zh) * | 2017-08-08 | 2017-12-29 | 北京航空航天大学 | 基于传感器阵列分解和波束成形的脑磁图源定位装置 |
Non-Patent Citations (5)
| Title |
|---|
| BAI, WENLIANG; REN, MING; HOPKE, PHILIP K: "A Similarity Measure for Two-Dimensional Fluorescent Spectra", 《APPLIED SPECTROSCOPY》 * |
| GUO, WEIQING; GAN, FENG; KONG, HAOHUI: "Signal model of electronic noses with metal oxide semiconductor", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
| 吴君章: "基于Flash GC电子鼻全色谱数据的卷烟类型快速判别的研究", 《分析测试学报》 * |
| 吴君章: "电子鼻技术结合化学计量学用于卷烟包装纸VOCs残留量的表征", 《烟草科技》 * |
| 毛雪峰: "基于电子鼻技术的烟叶霉变提前预警系统设计", 《2010年亚太地区信息论学术会议论文集》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110850045A (zh) * | 2019-11-27 | 2020-02-28 | 上海秒针网络科技有限公司 | 咖啡豆的气味识别方法及装置、存储介质和电子装置 |
| CN112927763A (zh) * | 2021-03-05 | 2021-06-08 | 广东工业大学 | 一种基于电子鼻的气味描述符评级的预测方法 |
| CN112927763B (zh) * | 2021-03-05 | 2023-04-07 | 广东工业大学 | 一种基于电子鼻的气味描述符评级的预测方法 |
| CN115980286A (zh) * | 2022-12-03 | 2023-04-18 | 吉林大学 | 一种利用电子鼻对污水处理厂不同阶段废水检测的方法 |
| CN115980286B (zh) * | 2022-12-03 | 2024-08-23 | 吉林大学 | 一种利用电子鼻对污水处理厂不同阶段废水检测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109239207B (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ziyatdinov et al. | Drift compensation of gas sensor array data by common principal component analysis | |
| 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 | |
| Sadygov et al. | Large-scale database searching using tandem mass spectra: looking up the answer in the back of the book | |
| Distante et al. | Support vector machines for olfactory signals recognition | |
| CN111443165B (zh) | 一种基于气体传感器与深度学习的气味识别方法 | |
| CN110912867B (zh) | 工业控制系统的入侵检测方法、装置、设备和存储介质 | |
| CN109239207B (zh) | 基于电子鼻的气味识别方法、装置和电子鼻系统 | |
| Amini et al. | Improving gas identification accuracy of a temperature-modulated gas sensor using an ensemble of classifiers | |
| Hsu et al. | Intelligent ICA–SVM fault detector for non-Gaussian multivariate process monitoring | |
| US20200025737A1 (en) | Chemical sensor data recognition | |
| CN110008082B (zh) | 异常任务智能监测方法、装置、设备及存储介质 | |
| EP3699582A1 (en) | Gas sensing device and method for operating a gas sensing device | |
| CN103926919B (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
| CN108107086B (zh) | 一种基于阵列气体传感器的气体检测方法及气体传感器 | |
| CN114049525A (zh) | 气体种类和浓度识别的融合神经网络系统、装置与方法 | |
| CN117313015A (zh) | 一种基于时序和多变量的时间序列异常检测方法及系统 | |
| Wilson et al. | Rank extraction in tin-oxide sensor arrays | |
| Valledor et al. | Standardization of data processing and statistical analysis in comparative plant proteomics experiment | |
| Hu et al. | Statistical monitoring of fed-batch process using dynamic multiway neighborhood preserving embedding | |
| CN113740381A (zh) | 一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法 | |
| Maho et al. | Real-time gas recognition and gas unmixing in robot applications | |
| CN114401205B (zh) | 无标注多源网络流量数据漂移检测方法和装置 | |
| Yang et al. | An algorithm based on transformer and temporal convolution network for early identification of ternary gas mixture | |
| Choi et al. | Data reconstruction using subspace analysis for gas classification | |
| Wójcik et al. | Deep learning assisted distinguishing of honey seasonal changes using quadruple voltammetric electrodes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200724 Termination date: 20210723 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |