CN109799269A - 基于动态特征重要度的电子鼻气体传感器阵列优化方法 - Google Patents

Abstract

本发明涉及一种基于动态特征重要度的电子鼻气体传感器阵列优化方法，其属于传感器阵列优化技术领域。包括如下步骤：步骤1、通过电子鼻采集目标环境中的气体信息；步骤2、通过方差筛去对目标环境中气体没有响应的气体传感器；步骤3、提取初步筛选后的气体传感器阵列中每个传感器的特征参数；步骤4、根据动态特征重要度对当前传感器阵列中的传感器进行排序，选择最重要的传感器加入优化阵列，判断当前优化阵列是否符合需求。本发明的有益效果是：本发明解决了电子鼻系统中依据经验设计传感器阵列或简单相关性优化阵列的低效问题，具有简单快速，易于实施，普适性强和可解释性强的特点。

Description

基于动态特征重要度的电子鼻气体传感器阵列优化方法

技术领域

本发明涉及一种基于动态特征重要度的电子鼻气体传感器阵列优化方法，其属于传感器阵列优化技术领域。

背景技术

气体传感器目前已广泛应用于食品工业、环境监测、军事安全等领域，但因其交叉敏感的特点，单一气体传感器往往无法完成复杂的需求，而电子鼻将多个气体传感器组成的传感器阵列，并通过模式识别技术对气味/气体进行分析和识别，有效地改善了气体传感器的选择性差、交叉敏感的问题，然而气体传感器阵列所产生的高维数据中包含的冗余信息也增加后续数据处理的难度。气体传感器阵列的优化可以在最大程度上减小传感器阵列的规模，降低数据维度和处理难度，符合目前电子鼻系统微型化的趋势。因此，如何优化气体传感器阵列也就成为了目前电子鼻系统中亟需解决的关键技术之一。

在此前的气体传感器阵列优化问题中，特征选择技术和特征提取技术是最常用的降维手段，尤其是序列前向选择(SFS)、主成分分析(PCA)和线性判别分析(LDA)等。参见张红梅，邹光宇，王淼森等(ZHANG Hongmei,ZOU Guangyu,WANG Miaosen,et al.)：基于传感器阵列多特征优化融合的茶叶品质检测研究(Detection Method for Tea Quality UsingSensor Array Coupled with Multi-Feature Optimization Fusion).传感技术学报(Chinese Journal of Sensors and Actuators),2018,31(3)：491-496。但是，这些方法大多将重点放在特征对分类的贡献而对特征的冗余性缺乏关注。随着电子鼻系统的不断发展和推广，越来越多的行业开始引入电子鼻系统，缩短电子鼻系统的工作时间以及提高识别精度显得尤为重要。气体传感器阵列中包含无关和冗余的传感器都会对识别准确率、识别速度等造成影响，因此，设计一种可以同时考虑传感器有效性和冗余性的电子鼻气体传感器阵列优化的方法具有重要意义。

发明内容

本发明针对上述现有技术中存在的不足，提供一种基于动态特征重要度的电子鼻气体传感器阵列优化方法。

本发明解决上述技术问题的技术方案如下：

一种基于动态特征重要度的电子鼻气体传感器阵列优化方法，包括如下步骤：

步骤1、通过电子鼻采集目标环境中的气体信息；

步骤2、通过方差筛去对目标环境中气体没有响应的气体传感器；

步骤3、提取初步筛选后的气体传感器阵列中每个传感器的特征参数；

步骤4、根据动态特征重要度对当前传感器阵列中的传感器进行排序，选择最重要的传感器加入优化阵列，判断当前优化阵列是否符合需求，若符合，则确定优化阵列；若不符合，重复步骤4。

优选地，所述电子鼻的气体传感器根据其具体应用选择，使其能对应用环境中的目标气体响应不同类型的气体传感器。

优选地，所述步骤2中设定方差阈值γ，计算每个传感器对每种气体响应曲线的方差，方差的计算方法为：

计算每个传感器对所有类别气体响应曲线的方差之和，与方差阈值γ进行比较，当方差和大于γ时，则保留该传感器；当方差和小于或等于γ时，则删除该传感器；

优选地，对步骤3中所述的特征参数在提取时进行相应的处理，如稳态响应值需要差分处理，导数值需要在求导之前对曲线进行平滑处理。

优选地，步骤4中所述的动态特征重要度DFI的计算方法如下：

公式(2)中，i是当前选择的轮数；ρ_xk则是该特征与第k轮选择的特征之间的相关性系数；FI(x)是特征x的特征重要度，在选择过程中，当i＝1时，特征x的DFI(x)₁等于其FI(x)；当i>1时，DFI(x)_i会受到前i-1轮选择的特征的影响，因此在选择过程中DFI(x)是动态计算的。

优选地，在电子鼻气体传感器阵列优化的过程中，气体传感器等效于特征。

优选地，所述步骤4具体包括如下步骤：

步骤41：计算初步筛选后的传感器阵列的识别率，记作θ₀；

步骤42：计算每个传感器特征参数的特征重要度和特征相关性，并根据特征重要度对传感器进行排序，选择排名最高的传感器加入优化阵列；特征重要度定义为：对于特征空间X中任意一个特征x与类别Y，特征重要度用于描述特征x对分类的贡献，并通过FI(x)表示，常用的FI(x)的种类和计算方法如下，基于学习模型的特征重要度，为每个单独的特征和类别变量建立预测模型，预测精度可以作为该特征的重要度，学习算法有误差逆传播神经网络(BP)、支持向量机(SVM)、随机森林(RF)和k近邻(KNN)；基于回归模型的特征重要度，回归、正则化方法的权值系数可作为该特征的重要度；基于随机森林的基尼重要度，通过将某个特征的所有特征值置换，随机森林每棵树置换前后父节点与子节点的基尼指数之差作为基尼重要度；基尼指数的计算方法为：

特征相关性定义为：对于特征空间X中任意两个特征x_i和x_j(i≠j)，通过特征相关性描述两个特征x_i和x_j之间的关系，用相关性系数ρ_ij表示两特征之间的相关性的强度，ρ_ij由皮尔逊相关系数、互信息、最大信息系数方法获得，之后通过归一化手段将其取值范围缩放为[0，1]；

皮尔逊相关系数的计算式为：

互信息的计算式为：

最大信息系数的计算式为：

公式(4)中，Cov(x_i，x_j)是特征x_i与x_j的协方差，var(x_i)和var(x_j)分别是特征x_i与x_j的方差；公式(5)中，P(x_i)和P(x_j)表示特征x_i与x_j的边缘分布，P(x_i，x_j)表示特征x_i与x_j的联合分布；公式(6)中，首先确定划分数a与b，将特征x_i与x_j的散点图进行a行b列的网格化，再将相同划分数得出的不同网格化方案，对其求出最大的互信息值，将其标准化，即MIC(x_i，x_j)_a，b表示划分数为a与b时的最大信息系数；再计算不同划分数下最大信息系数MIC(x_i，x_j)；此外，n是数据量，B(n)是关于n的函数，即为n^0.6。

步骤43：计算优化阵列的识别率θ，比较θ和θ₀两识别率的大小，当θ>θ₀时，则确定优化阵列；当θ<θ₀时，则重新计算传感器特征参数的动态特征重要度，选择动态特征重要度最大的传感器加入优化阵列，重复步骤43。

与现有技术相比，本发明的有益效果是：采用动态特征重要度来衡量电子鼻中气体传感器的重要程度，通过待选传感器与已选传感器的相关性来修正待选传感器在当前优化阵列中对分类的贡献，从而得到既考虑传感器有效性又考虑传感器冗余性的优化阵列，解决了电子鼻系统中依据经验设计传感器阵列或简单相关性优化阵列的低效问题，该方法选择有效且具有不同“功能”的传感器组成阵列，且优化过程和结果的可解释性强。

附图说明

图1为本发明的工作流程示意图。

图2为初始传感器阵列对不同浓度气体的稳态响应曲线。

图3为初始传感器阵列对不同浓度气体的稳态响应曲线。

图4为初始传感器阵列对不同浓度气体的稳态响应曲线。

图5为初始传感器阵列对不同浓度气体的稳态响应曲线。

图6为初始传感器阵列对不同浓度气体的稳态响应曲线。

图7为初步筛选后的气体传感器阵列的稳态响应值分布示意图。

图8为初步筛选后的气体传感器阵列的稳态响应值分布示意图。

图9为初步筛选后的气体传感器阵列的稳态响应值分布示意图。

图10为初步筛选后的气体传感器阵列的稳态响应值分布示意图。

图11为初步筛选后的气体传感器阵列的稳态响应值分布示意图。

图12为进行归一化处理且消除量纲影响后的结果示意图。

图13为优化阵列在不同模式识别算法的识别率示意图。

图14为优化阵列在不同模式识别算法的识别率示意图。

图15为优化阵列在不同模式识别算法的识别率示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

一种基于动态特征重要度的电子鼻气体传感器阵列优化方法，包括如下步骤：

步骤1、通过电子鼻采集目标环境中的气体信息；

步骤2、通过方差筛去对目标环境中气体没有响应的气体传感器；

步骤3、提取初步筛选后的气体传感器阵列中每个传感器的特征参数；

步骤4、根据动态特征重要度对当前传感器阵列中的传感器进行排序，选择最重要的传感器加入优化阵列，判断当前优化阵列是否符合需求，若符合，则确定优化阵列；若不符合，重复步骤4。

所述电子鼻的气体传感器根据其具体应用选择，使其能对应用环境中的目标气体响应不同类型的气体传感器。

所述步骤2中设定方差阈值γ，计算每个传感器对每种气体响应曲线的方差，方差的计算方法为：

计算每个传感器对所有类别气体响应曲线的方差之和，与方差阈值γ进行比较，当方差和大于γ时，则保留该传感器；当方差和小于或等于γ时，则删除该传感器；

对步骤3中所述的特征参数在提取时进行相应的处理，如稳态响应值需要差分处理，导数值需要在求导之前对曲线进行平滑处理。

步骤4中所述的动态特征重要度DFI的计算方法如下：

公式(2)中，i是当前选择的轮数；ρ_xk则是该特征与第k轮选择的特征之间的相关性系数；FI(x)是特征x的特征重要度，在选择过程中，当i＝1时，特征x的DFI(x)₁等于其FI(x)；当i>1时，DFI(x)_i会受到前i-1轮选择的特征的影响，因此在选择过程中DFI(x)是动态计算的。

在电子鼻气体传感器阵列优化的过程中，气体传感器等效于特征。

所述步骤4具体包括如下步骤：

步骤41：计算初步筛选后的传感器阵列的识别率，记作θ₀；

步骤42：计算每个传感器特征参数的特征重要度和特征相关性，并根据特征重要度对传感器进行排序，选择排名最高的传感器加入优化阵列；特征重要度定义为：对于特征空间X中任意一个特征x与类别Y，特征重要度用于描述特征x对分类的贡献，并通过FI(x)表示，常用的FI(x)的种类和计算方法如下，基于学习模型的特征重要度，为每个单独的特征和类别变量建立预测模型，预测精度可以作为该特征的重要度，学习算法有误差逆传播神经网络(BP)、支持向量机(SVM)、随机森林(RF)和k近邻(KNN)；基于回归模型的特征重要度，回归、正则化方法的权值系数可作为该特征的重要度；基于随机森林的基尼重要度，通过将某个特征的所有特征值置换，随机森林每棵树置换前后父节点与子节点的基尼指数之差作为基尼重要度；基尼指数的计算方法为：

特征相关性定义为：对于特征空间X中任意两个特征x_i和x_j(i≠j)，通过特征相关性描述两个特征x_i和x_j之间的关系，用相关性系数ρ_ij表示两特征之间的相关性的强度，ρ_ij由皮尔逊相关系数、互信息、最大信息系数方法获得，之后通过归一化手段将其取值范围缩放为[0,1]；

皮尔逊相关系数的计算式为：

互信息的计算式为：

最大信息系数的计算式为：

公式(4)中，Cov(x_i，x_j)是特征x_i与x_j的协方差，var(x_i)和var(x_j)分别是特征x_i与x_j的方差；公式(5)中，P(x_i)和P(x_j)表示特征x_i与x_j的边缘分布，P(x_i,x_j)表示特征x_i与x_j的联合分布；公式(6)中，首先确定划分数a与b，将特征x_i与x_j的散点图进行a行b列的网格化，再将相同划分数得出的不同网格化方案，对其求出最大的互信息值，将其标准化，即MIC(x_i,x_j)_a，b表示划分数为a与b时的最大信息系数；再计算不同划分数下最大信息系数MIC(x_i,x_j)；此外，n是数据量，B(n)是关于n的函数，即为n^0.6。

步骤43：计算优化阵列的识别率θ，比较θ和θ₀两识别率的大小，当θ>θ₀时，则确定优化阵列；当θ<θ₀时，则重新计算传感器特征参数的动态特征重要度，选择动态特征重要度最大的传感器加入优化阵列，重复步骤43。

实施例1

对空气中的CO₂和SO₂及其混合气体的分类识别，其具体步骤如下：

步骤一、通过电子鼻测试系统采集环境中目标气体的信息；

在室温、实验室环境下对气体传感器加热，时间为一周；在室温、干燥空气环境下测试不同型号的气体传感器对不同类型不同浓度的目标气体成分的响应。本例中，初始传感器阵列包含7个传感器，分别是Figaro公司的TGS2600、TGS2610、TGS2611、TGS2603、TGS2602、TGS2620金属氧化物型气体传感器和霍尼韦尔公司的4SO2-2000电化学型传感器。各传感器的型号及参数详细信息见表1

表1

根据实际需求和数据分析的需要，每种气体测试4个或8个浓度点，其中CO₂气体测试4个浓度点，如测试1％，4％，6％和8％的CO₂气体；而SO₂气体和混合气体均测试8个浓度点，为了确保特征的重复性和稳定性，在相同的实验条件下每组测试重复5次，具体气体成分及浓度设置如表2所示，共有(4+8+8)×5＝100个数据样本，分为CO₂、SO₂和混合气体3类。

表2

在上述实验环境与测试气体的设置下，获取初始传感器阵列对不同浓度气体的稳态响应，典型曲线如图2、图3、图4、图5和图6所示。

步骤二、计算每个传感器对所有气体的响应曲线的方差之和，淘汰方差和小于阈值的传感器。

在对待测对象进行测量之前，难以获知某个传感器对分类判别结果是否起作用，因此初始传感器阵列中除了电化学型的二氧化硫传感器4SO2-2000，其余的都是金属氧化物型的广谱气体传感器。在步骤二中通过计算方差可以快速淘汰对目标气体没有明显响应的传感器，降低数据处理的难度。初始传感器阵列各传感器对气体响应曲线的方差之和见表3，将阈值设置为0.2，故在本例中步骤二淘汰的是TGS2620和TGS2602，此时气体传感器阵列中仍有5个传感器。

TGS2600	TGS2610	TGS2611	TGS2602	TGS2603	TGS2620	4SO2-2000
							0.2817	0.4353	0.4704	0.05	1.1459	0.0162	1.5491

表3

步骤三、提取初步筛选后的气体传感器阵列中每个传感器的特征参数；

实例中选择稳态响应值作为特征参数，提取稳态响应值后，对其进行差分处理，即减去对应传感器在空气中的基线值，以抑制基线漂移对稳态响应值的影响，初步筛选后的气体传感器阵列的稳态响应值分布分别如图7、图8、图9、图10和图11所示。

步骤四、根据动态特征重要度对当前传感器阵列中的传感器进行动态排序，并作选择，不断地将排名最高的传感器纳入优化阵列，直至优化阵列符合需求。

1、计算初步筛选后气体传感器阵列的识别率，设定终止条件，即阵列的识别率作为终止条件，计算初步筛选后的传感器阵列在SVM、BP、KNN和RF算法下的识别率，详情可见表4。

表4

2、计算各传感器的特征相关性和特征重要度；

其中传感器稳态响应值之间的最大信息系数，如表5所示。

	TGS2600	TGS2610	TGS2611	TGS2611	4SO2-2000
						TGS2600	1	0.545965	0.591734	0.699311	0.721928
TGS2600	0.545965	1	0.98	0.432036	0.766173
						TGS2600	0.591734	0.98	1	0.451826	0.811278
TGS2600	0.699311	0.432036	0.451826	1	0.553622
						4SO2-2000	0.721928	0.766173	0.811278	0.553622	1

表5

各传感器的特征重要度见表6，其中包括了5种特征重要度，分别是基尼重要度及基于SVM、BP、KNN和RF算法的特征重要度，其中基于BP的特征重要度表示为BPI，其他特征重要度同理。此外，为方便比较，对所有特征重要性进行归一化处理，消除量纲的影响，其结果呈于图12。

表6

3、计算各传感器每轮中的动态特征重要度，每轮选择一个当前最优的传感器加入优化阵列，直至优化阵列的识别率超过终止条件的识别率。

第一轮选择时，传感器的特征重要度等同于动态特征重要度，可见表6。在该轮选择中，4SO2-2000在所有的特征重要度中都是最高的，而在与特征重要度对应的算法下，4SO2-2000传感器的识别率(表6中前4个特征重要度等同于识别率)明显低于表4中初步筛选后传感器阵列的识别率，遂进行下一轮选择，此时的优化阵列中包含4SO2-2000。

第二轮选择时，各传感器的动态特征重要度如表7所示。在该轮选择中，排名第一的传感器均是TGS2603。

表7

将TGS2603加入优化阵列，此时优化阵列在不同模式识别算法的识别率可见于图13最下面的一行，优化阵列的识别率在大多数算法下满足要求，优化结束；只有SVM算法下的传感器阵列需要进行第三轮选择，并在第三轮选择了TGS2610，识别率达到97.6％，见图14。图14对角线上侧是BP算法，下侧是SVM算法；图15对角线上侧是RF算法，下侧是KNN算法。

优化过程结束。本例中，使用了5种特征重要度，其优化结果并不完全相同，不同设置下的优化阵列如表8所示。

SVMI	BPI	KNNI	RFI	基尼重要度
					4SO2-2000	4SO2-2000	4SO2-2000	4SO2-2000	4SO2-2000
TGS2603	TGS2603	TGS2603	TGS2603	TGS2603
					TGS2610

表8

为了证明该电子鼻气体传感器阵列优化方法的有效性，计算了所有二元阵列和所有包含4SO2-2000的三元阵列的性能，分别如图13、图14和图15所示，图中所有的阵列均包含4SO2-2000，因为4SO2-2000传感器的每种重要度都是最高的，在第一轮中4SO2-2000总被选中，而且通过验证不含4SO2-2000的阵列效果都非常差，故没有列出。

从图13、图14和图15可以看出本发明基于动态特征重要度的电子鼻气体传感器阵列优化方法，可在不同的特征重要度和模式识别下对传感器阵列进行优化，且优化结果都是当前的最优解或近似最优解。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于动态特征重要度的电子鼻气体传感器阵列优化方法，其特征在于：包括如下步骤：

步骤1、通过电子鼻采集目标环境中的气体信息；

步骤2、通过方差筛去对目标环境中气体没有响应的气体传感器；

步骤3、提取初步筛选后的气体传感器阵列中每个传感器的特征参数；

步骤4、根据动态特征重要度对当前传感器阵列中的传感器进行排序，选择最重要的传感器加入优化阵列，判断当前优化阵列是否符合需求，若符合，则确定优化阵列；若不符合，重复步骤4。

2.根据权利要求1所述的基于动态特征重要度的电子鼻气体传感器阵列优化方法，其特征在于：所述电子鼻的气体传感器根据其具体应用选择，使其能对应用环境中的目标气体响应不同类型的气体传感器。

3.根据权利要求1所述的基于动态特征重要度的电子鼻气体传感器阵列优化方法，其特征在于，所述步骤2中设定方差阈值γ，计算每个传感器对每种气体响应曲线的方差，方差的计算方法为：

计算每个传感器对所有类别气体响应曲线的方差之和，与方差阈值γ进行比较，当方差和大于γ时，则保留该传感器；当方差和小于或等于γ时，则删除该传感器。

4.根据权利要求1所述的基于动态特征重要度的电子鼻气体传感器阵列优化方法，其特征在于：对步骤3中所述的特征参数在提取时进行相应的处理，如稳态响应值需要差分处理，导数值需要在求导之前对曲线进行平滑处理。

5.根据权利要求1所述的基于动态特征重要度的电子鼻气体传感器阵列优化方法，其特征在于，步骤4中所述的动态特征重要度DFI的计算方法如下：

公式(2)中，i是当前选择的轮数；ρ_xk则是该特征与第k轮选择的特征之间的相关性系数；FI(x)是特征x的特征重要度，在选择过程中，当i＝1时，特征x的DFI(x)1等于其FI(x)；当i>1时，DFI(x)i会受到前i-1轮选择的特征的影响，因此在选择过程中DFI(x)是动态计算的。

6.根据权利要求5所述的一种基于动态特征重要度的电子鼻气体传感器阵列优化方法，其特征在于，在电子鼻气体传感器阵列优化的过程中，气体传感器等效于特征。

7.根据权利要求1所述的一种基于动态特征重要度的电子鼻气体传感器阵列优化方法，其特征在于，所述步骤4具体包括如下步骤：

步骤41：计算初步筛选后的传感器阵列的识别率，记作θ₀；

步骤42：计算每个传感器特征参数的特征重要度和特征相关性，并根据特征重要度对传感器进行排序，选择排名最高的传感器加入优化阵列；

特征重要度定义为：对于特征空间X中任意一个特征x与类别Y，特征重要度用于描述特征x对分类的贡献，并通过FI(x)表示，FI(x)的种类和计算方法如下，基于学习模型的特征重要度，为每个单独的特征和类别变量建立预测模型，预测精度可以作为该特征的重要度，学习算法有误差逆传播神经网络(BP)、支持向量机(SVM)、随机森林(RF)和k近邻(KNN)；基于回归模型的特征重要度，回归、正则化方法的权值系数可作为该特征的重要度；基于随机森林的基尼重要度，通过将某个特征的所有特征值置换，随机森林每棵树置换前后父节点与子节点的基尼指数之差作为基尼重要度；

特征相关性定义为：对于特征空间X中任意两个特征x_i和x_j(i≠j)，通过特征相关性描述两个特征x_i和x_j之间的关系，用相关性系数ρ_ij表示两特征之间的相关性的强度，ρ_ij由皮尔逊相关系数、互信息、最大信息系数方法获得，并对其归一化，使其取值范围为[0，1]；

步骤43：计算优化阵列的识别率θ，比较θ和θ₀两识别率的大小，当θ>θ₀时，则确定优化阵列；当θ<θ₀时，则重新计算传感器特征参数的动态特征重要度，选择动态特征重要度最大的传感器加入优化阵列，重复步骤43。