CN117761123A - 一种电子鼻系统气体浓度量化估计方法 - Google Patents

Abstract

本发明属于电子鼻系统信息采集技术领域，具体涉及一种电子鼻系统气体浓度量化估计方法。利用阵列气体传感器实时采集样品散发气体的有响应电阻数据，获得原始数据集，原始数据集包括一维时间序列数据；将一维时间序列数据经变分模态分解，提取有效模态分量进行数据重构完成滤波操作，获得滤波后的一维时间序列数据；将滤波后的一维时间序列数据经去基线预处理后，编码为二维纹理图像；构建气体浓度量化估计模型，通过预训练模型相关参数，将训练得到的气体浓度量化估计模型用于气体浓度结果量化。本发明的方法，可以有效实现气体浓度的量化，降低模型训练成本，提高模型训练精度与识别效率，同时相比传统方法更为高效、便捷、节省人力成本。

Description

一种电子鼻系统气体浓度量化估计方法

技术领域

本发明属于电子鼻系统信息采集技术领域，具体涉及一种电子鼻系统气体浓度量化估计方法。

背景技术

电子鼻作为模拟哺乳动物嗅觉系统以实现扩展人类嗅觉边界的检测仪器，通过专属的气体传感器阵列获取不同气体的指纹信息，与合适的模式识别算法结合，从而达到气体识别或者浓度量化的目的。相比传统的气相色谱质谱仪等气体检测方法，电子鼻系统具有体积较小、操作简单、检测周期短、易实现自动化检测等优势，在农业产品质量控制、食品工业、环境监测与保护、医疗疾病诊断、航天航空等领域发挥十分重要的作用。在食品和饮料工业中，电子鼻可以评估和监控食品的质量和新鲜度，例如，检测肉类和鱼类的腐败，评估酒类的成熟度和品质等。这样不仅有助于提升产品质量，而且有利于消费者健康。电子鼻可以用于监测和探测环境中的有害气体和化学物质，如在城市大气污染控制、工厂废气监测、危险气体泄漏检测等方面都具有广泛的应用。电子鼻也在医疗健康领域发挥着重要作用。如今，人们正在研究使用电子鼻检测患者呼出气体中的特定化合物，以此作为疾病的早期标记，这可能会在早期诊断和预防疾病方面起到关键作用。在有毒或易燃气体泄漏的场景中，电子鼻可以迅速检测出这些气体，有助于及时采取措施，避免人员伤害和财产损失。

传统的模式识别算法需要多个阶段的数据处理，包括特征提取、降维和分类等，这可能造成信息的丢失，最后的预测结果会受前期的数据过程的密切影响,并且最后浓度量化的结果大大依赖于特征提取的质量，且目前电子鼻相关的研究主要针对电子鼻的定性分析，对于气体定量回归相关方法的研究还远远不够。电子鼻模式识别算法对于气体浓度预测的精度至关重要，对于当前电子鼻模式识别算法的研究主要基于传统的神经网络算法以及支持向量机算法，虽然可以较好地对气体浓度进行预测，但在气体浓度预测精度上还有很大的提升空间。针对目前电子鼻中模式识别算法的局限性，通过使用深度学习增强电子鼻定量回归的鲁棒性和精确性。实现特征的自动提取，提高电子鼻检测精度与模式识别模型的泛化能力。

发明内容

为了克服现有技术中的问题，本发明提出了一种电子鼻系统气体浓度量化估计方法。

本发明解决上述技术问题的技术方案如下：

本发明提供了一种电子鼻系统气体浓度量化估计方法，用于实现气体浓度的量化，包括以下步骤：

步骤1.利用阵列气体传感器实时采集样品散发气体的有响应电阻数据，获得原始数据集，所述原始数据集由每一个气体传感器获得的一维时间序列数据集合组成；

步骤2.将每一个气体传感器获得的一维时间数据序列，经过变分模态分解，提取有效模态分量进行数据重构完成滤波操作，获得滤波后的一维时间序列数据；

步骤3.将所述滤波后的一维时间序列数据经去基线预处理后，编码为二维纹理图像；

步骤4.基于气体残差网络、长短时记忆网络和幽灵模块，构建气体浓度量化估计模型，通过二维纹理图像预训练模型相关参数，将训练得到的气体浓度量化估计模型用于气体浓度结果量化。

进一步地，所述步骤2中将每一个气体传感器获得的一维时间序列数据，经变分模态分解，提取有效模态分量进行数据重构完成滤波操作，获得滤波后的数据，具体包括：

采用变分模态分解滤波算法，降低冗余信息，采用互信息法对每一个气体传感器信号进行滤波算法中有效模态的选取，根据公式(1)计算每一个传感器信号的各模态分量X_i与该传感器原始信号Y的互信息量I(F_i,Y)：

式(1)中，F_i(i＝1,2,...,8)表示各个模态分量，此处提取8个分量，Y表示原始信号，f_id表示第i个模态分量F_i中的第d个值，D为F_i样本f_id的数量，y_j表示该传感器原始信号Y中的第j个值，J为Y样本y_j的数量，p(f_id,y_j)表示X_i和Y的样本的联合概率密度函数，p(f_id)表示F_i的各分量样本f_id的边缘概率密度函数，p(y_j)表示Y的各分量样本y_j的边缘概率分布函数；

根据公式(2)对每一个互信息量进行归一化处理得到β_i：

式(2)中，β_m表示对β_i取得的均值，K是变分模态分解得到的分量的个数，此处K＝8；若β_i≥β_m，则认为该分量F_i为有效分量，并予以保留，否则删除；将每一个气体传感器的原始响应信号计算得到的有效分量叠加形成新的序列，获得滤波后的传感器阵列数据H(t)：

式(3)中，h_M(t_D)表示滤波后在t_D时刻第M个传感器的响应值。

进一步地，所述步骤3中将所述滤波后的数据经过去基线预处理，将去基线预处理后的数据编码为二维纹理图像，具体包括：

对所述获得的滤波后数据H(t)，对每一列数据执行去除基线操作以消除基线电压的影响；完成去基线操作后，将传感器阵列信号按列展开，获得按照传感器序号进行首尾相接的级联信号X(t)，表示为：

X(t)＝{x₁(t₁),x₁(t₂),x₁(t₃),…,x_M(t_D-1),x_M(t_D)} (4)

x_M(t_D)表示去基线处理后在t_D时刻第M个传感器的响应值；根据公式(5)将X(t)转换成包括阵列时空信息的格拉姆角场图像G：

式(5)中，I为单位行向量，表示将序列X(t)进行归一化操作后，调整至[-1,1]范围内获得的样本序列；/>为/>的转置，φ_MD(M＝1,2,...,m,D＝1,2,...,d)表示/>中第/>点对应的极坐标角度。

进一步地，所述步骤4中基于气体残差网络、长短时记忆网络和幽灵模块，构建气体浓度量化估计模型，具体包括：

构建Gas ResNet-LSTM-Ghost浓度预测模型，所述模块包括一个7×7卷积运算模块、8个融合Ghost Module的残差模块、一个自适应平均池层、一个长短时记忆神经网络层、一个全连接层，输出气体的浓度值；

结合Gas ResNet的权值共享特性和LSTM的记忆特性挖掘出气体传感器阵列的时空特征；

8个融合Ghost Module的残差模块构成了Gas ResNet网络部分，用来提取阵列数据的时空特征，对于嵌入Ghost模块的Gas ResNet部分的每一个标准模块包括一个残差支路和一个short-cut支路，采用两个3×3卷积，传递底层的信息，Ghost Module用于提取特征矩阵中更深层的时空特征；

经过Gas ResNet网络的输出被传输到自适应平均池化层，以进一步增强感受野，从而提取更深层的传感信息；

经过处理后的传感序列信号输入到LSTM模块，LSTM模块学习输入序列中的时序关系，将Gas ResNet提取的时空特征进行时序建模，以更好地捕捉数据的时间相关性信息。

与现有技术相比，本发明具有如下技术效果：

(1)本发明使用建立的电子鼻系统获取原始气体数据集，通过气体传感器阵列获取不同气体的指纹信息，与合适的模式识别算法结合，从而达到气体浓度量化的目的；通过采用变分模态分解滤除信号中的高频干扰，同时降低信息冗余，获得高质量的输入数据，从而提高模型气体浓度量化的精度；采用将时间序列数据转换为二维纹理图像的方法，充分利用卷积神经网络在图像处理领域的显著优势，实现更准确的分析和预测；

(2)本发明采用结合气体残差网络、长短时记忆网络和幽灵模块的浓度预测模型，没有人为提取特征的步骤，利用电子鼻气体传感器阵列所获得数据集的时空相关性，气体残差网络负责提取阵列的时空相关性特征，幽灵模块嵌入气体残差网络中，用于提取特征矩阵中更深层的时空特征，长短时记忆网络接受气体残差网络提取的特征作为输入，并能够通过学习序列中的时序关系，即时序建模，生成对于序列的高级表示，这些高级表示能够更好地反映出时序数据的内在结构，从而更好地完成任务。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提供的基于Gas ResNet-LSTM-Ghost的电子鼻系统气体浓度量化估计方法示意图。

图2为本发明ResNet-LSTM-Ghost算法详细学习过程示意图。

图3为本发明气体传感器阵列对0.5％浓度过氧乙酸样本响应曲线。

图4为本发明H₂O₂(3、4、5、6、7、8、9％)转换成的GASF矩阵图像示意图。

图5为本发明CH₃COOOH(0.05、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8％)转换成的GASF矩阵图像示意图。

图6为本发明NaClO(0.125、0.25、0.5、1、2、4g/L)转换成的GASF矩阵图像示意图。

图7为本发明C₆H₅CH₂N(CH₃)₂RCl(0.25、0.5、1、2、4、6g/L)转换成的GASF矩阵图像示意图。

图8为本发明Gas ResNet-LSTM-Ghost模型结构示意图，C表示特征图的通道数。

图9为本发明嵌入幽灵模块的残差结构示意图，⊕表示添加操作。

图10为本发明Gas ResNet-LSTM-Ghost模型对H2O2的浓度量化结果示意图。

图11为本发明Gas ResNet-LSTM-Ghost模型对CH3COOOH的浓度量化结果示意图。

图12为本发明Gas ResNet-LSTM-Ghost模型对NaClO的浓度量化结果示意图。

图13为本发明Gas ResNet-LSTM-Ghost模型对C₆H₅CH₂N(CH₃)₂RCl的浓度量化结果示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本实施例提供了一种基于电子鼻系统气体浓度量化估计方法，如图1所示，包括以下步骤：

步骤1.利用阵列气体传感器实时采集样品散发的气体有响应电阻数据，获得原始数据集，所述原始数据集中包括一维时间序列数据。

建立利用传感器阵列获取目标气体响应数据的电子鼻系统，采集冷链温湿度下消毒剂散发的气体产生的响应数据，获得原始气体数据集。

如图2所示，实验室建立利用传感器阵列获取目标气体响应数据的电子鼻系统，所述电子鼻系统包括气体传感器阵列、数据采集模块、电源模块、数据通信模块及上位机，采用STM32为核心控制系统，系统配有LCD显示屏，用以观察实验进行的各项参数，以便根据实际情况调整工作状态。

气体传感器阵列包括十个商用费加罗金属氧化物半导体传感器和一个温湿度传感器。温湿度传感器用以记录气腔内的温度和湿度状况；同时，设置室内温湿度记录系统，用以观察室内温度变化对气体传感器阵列响应的影响程度。气体传感器阵列的可检测气体及检测范围等具体信息如表1所示。

表1气体传感器信息

将H₂O₂、CH₃COOOH、NaClO、C₆H₅CH₂N(CH₃)₂RCl四类消毒剂样品按照溶液稀释公式计算稀释比例，每个浓度样本溶液配置400ml，四种气体的配置浓度设置如表2所示。

表2气体样本浓度信息

将所述传感器阵列置于测试腔中，样品与气体传感器阵列形成封闭回路，采用三通阀控制样品气和空气的通入。将样品产生的气体使用气泵投入到测试腔中，气体通过传感阵列后与其中的气体传感器发生反应，每一个传感器均会产生不同的响应电压，从而生成对检测气体的特定“指纹”，通过信号采集模块和数据通信模块将响应数据传输到上位机进行保存。依据气体类别对传感器响应数据标注浓度标签。

在实验室条件下，对四类气体开展连续性检测实验。电子鼻测试前，需要先上电预热72小时，预热过程中，不定期的使用新鲜空气清洗传感器，以使MOX传感器阵列基线达到稳定状态。传感器预热完成后，传感器响应值稳定在基线状态，开始对样品进行测试。将稀释好的样品溶液倒入顶空瓶后密封放置在温度设置为5℃，湿度设置为90％的恒温恒湿箱中静置30分钟，让消毒剂气味进行充分的挥发之后进行测量。

在具体实施例中，每种气体的实验流程包括：

1)将待测溶液按照稀释公式配置400mL注入顶空瓶中，实验开始时，系统自动开启洗气功能，通过三通阀将洁净空气通入测试腔中，与其中的传感器进行响应，流速为300mL/min，持续数据10min，使传感器响应值稳定在基线值状态；

2)初始洗气结束后，系统进入测量操作，抽样品气体5min，再通入洁净空气5min，流速均为300mL/min；

3)对于每种气体，每个浓度的测量操作重复执行230次，一个浓度获得230个样本；

4)每个浓度测量结束后，抽取洁净空气清洗测试腔中的传感器阵列，流速设置为300mL/min，持续时间10min，之后进行其他浓度测量实验。

进一步地，对10个传感器在上述实验流程中的实验数据进行保存，采样频率均设置为1Hz，获得维度为600×10的响应数据，传感器采集数据的响应曲线如图3所示，测量时间为三个月，对于每种气体的每个浓度获得230个600×10的样本数据。

步骤2.将一维时间序列数据经过变分模态分解(Variational ModeDecomposition，VMD)，提取有效模态分量进行数据重构完成滤波操作，降低冗余信息，获得滤波后的一维时间序数据。

变分模态分解算法的目标是将一个给定的信号u_t分解为K个模态函数u_k(t)，以及对应的中心频率ω_k，使得这些模态函数的带宽最小化，并且满足：

变分模态分解算法变分问题可以通过拉格朗日形式进行描述，其公式如下所示：

式中，u_k(t)表示第k个模态函数，ω_k表示是与u_k(t)相关的中心频率，j表示复数单位，λ(t)表示拉格朗日乘法算子，K表示预期的模态数量，表示对t进行求导操作。

上述公式的目的包括两个方面：一方面，使每个模态围绕其中心频率ω_k集中(通过最小化第一项来实现)；另一方面，确保所有模态的和与原始信号u_t匹配(通过第二项来实现)。

在经过变分模态分解算法的迭代过程之后，得到一组模态分量函数。通过将变分模态分解算法应用于气体传感器阵列响应信号的分析，可以实现对气体浓度的识别和量化。通过分解信号并提取各个频率成分，得到关于不同气体成分的特征信息。进一步结合其他数据处理方法，建立气体浓度的预测模型，从而实现对冷链环境中消毒剂浓度的检测和监测。

为实现滤波操作，需要从这组模态分量中选择有效的内在模态函数(IMF)，然后将这些选中的内在模态函数进行叠加，通过变分模态分解算法成功实现对信号的滤波处理。

互信息法则能够定量地度量两个随机变量之间的相互依赖程度，对所述模态分量采用所述互信息法计算各模态分量与原始信号的相关性，筛选出有效模态分量进行叠加，获得滤波后的数据。

具体地，在气体传感器阵列中，每一个传感器信号的各模态分量X_i与该传感器原始信号Y的互信息量I(F_i,Y)定义为：

式(3)中，F_i(i＝1,2,...,8)表示各个模态分量，此处提取8个分量，Y表示原始信号，f_id表示第i个模态分量F_i中的第d个值，D为F_i样本f_id的数量，y_j表示该传感器原始信号Y中的第j个值，J为Y样本y_j的数量，p(f_id,y_j)表示X_i和Y的样本的联合概率密度函数，p(f_id)表示F_i的各分量样本f_id的边缘概率密度函数，p(y_j)表示Y的各分量样本y_j的边缘概率分布函数。根据公式(4)对每一个互信息量进行归一化处理得到β_i：

式(4)中，β_m表示对β_i取得的均值，K是变分模态分解得到的分量的个数，此处K＝8。若β_i≥β_m，则认为该分量F_i为有效分量，并予以保留，否则删除；将每一个气体传感器的原始响应信号计算得到的有效分量叠加形成新的序列，获得滤波后的传感器阵列数据H(t)：

式(5)中，h_M(t_D)表示滤波后在t_D时刻第M个传感器的响应值。

步骤3.将滤波后的一维时间序数据经过去基线预处理后，编码为GASF二维纹理图像，以便进行后续模型的特征学习。

具体地，对所述获得的滤波后数据H(t)，对每一列数据执行去除基线操作以消除基线电压的影响。完成去基线操作后，将阵列信号按列展开，获得按照传感器序号进行首尾相接的级联信号X(t)，表示为：

X(t)＝{x₁(t₁),x₁(t₂),x₁(t₃),…,x_M(t_D-1),x_M(t_D)} (6)

式(6)中，x_M(t_D)表示去基线处理后在t_D时刻第M个传感器的响应值。

将一维序列数据X(t)从直角坐标系统转换到极坐标系统，然后通过考虑不同点之间的角度和/差以识别每一个浓度样本的不同时间点的时间相关性。取决于是做角度和还是角度差，有两种实现方法：对应做角度和(Gramian Angular Summation Fields，GASF)，对应做角度差(Gramian Angular Difference Fields，GADF)。本实例采用对应做角度和场GASF，根据公式(7)将X(t)转换成包括阵列时空信息的格拉姆角场图像G，其目标表达式如下：

式(7)中，I为单位行向量，表示将序列X(t)进行归一化操作后，调整至[-1,1]范围内获得的样本序列。/>为/>的转置，φ_MD(M＝1,2,...,m,D＝1,2,...,d)表示/>中第/>点对应的极坐标角度。

GASF编码完成了对原始信号的完整映射，避免了信息的丢失，编码数据可以显著提高神经网络在二维卷积时间序列中的性能。当CNN模型使用GASF编码作为输入时，CNN架构可以取得出色的结果。

优选地，将滤波后的信号转换成包括阵列时空信息的112*112GASF矩阵图，四类消毒剂转换后的二维图像如图4-图7所示。

步骤4.基于气体残差网络、长短时记忆网络和幽灵模块，构建气体浓度量化估计模型，通过二维纹理图像预训练模型相关参数，将训练得到的气体浓度量化估计模型用于气体浓度结果量化。

基于Gas ResNet-LSTM-Ghost浓度量化估计模型气体残差网络(Gas ResNet)、长短时记忆网络(Long Short Term Memory，LSTM)和幽灵模块(Ghost Module)，构建GasResNet-LSTM-Ghost浓度量化估计模型。

利用电子鼻气体传感器阵列所获得数据集的时空相关性，气体残差网络提取阵列的时空相关性特征，气体残差网络提取的特征输入到长短时记忆网络，并能够通过学习序列中的时序关系，即时序建模，生成对于序列的高级表示；幽灵模块则用于提取特征矩阵中更深层的时空特征，这些高级表示能够更好地反映出时序数据的内在结构，从而更好地完成任务。

在本实施例中，Gas ResNet-LSTM-Ghost浓度量化估计模型的架构以及模块之间的信息交互如图8所示。将输入的112×112二维纹理图像依次经过7×7卷积运算、8个融合幽灵模块的气体残差模块、一个自适应平均池层、一个长短时记忆网络层、一个全连接层，最终输出气体的浓度值。

在具体实施例中，通过结合气体残差网络的权值共享特性和长短时记忆网络的记忆特性挖掘出气体传感器阵列的时空特征。融合幽灵模块的残差模块构成了气体残差网络网络部分，使用气体残差网络的卷积网络来提取阵列数据的时空特征，如图9所示，对于嵌入幽灵模块的气体残差网络部分的每一个标准模块包括一个残差支路和一个捷径(short-cut)支路，采用两个3×3卷积，能有效传递底层的信息；经过气体残差网络的输出被传输到自适应平均池化层，以进一步增强感受野，从而提取更深层的传感信息。CNN不能捕捉到这些特征的时序关系，而长短时记忆网络可以学习到输入序列中的时序关系，从而更好地对序列进行建模。经过处理后的传感序列信号输入到长短时记忆网络模块，长短时记忆网络可以模拟数据的长期依赖关系，最终经过全连接回归层，以输出气体的浓度值。

训练过程如图2所示，对划分好训练集和测试集的GASF图分别进行归一化操作后，训练集用于通过卷积池化等操作，随着迭代次数的增加不断调整模型参数，最终保留最佳模型的权重值等参数，测试集则送入训练好Gas ResNet-LSTM-Ghost网络中进行回归预测，最终通过全连接层输出预测值。

具体的，在模型训练过程中，对参数进行了优化，使用平滑L1损失函数作为损失函数，使用随机梯度下降作为优化方法。通过对不同学习率的对比实验，最终设置初始学习率为0.001，设置动量值为0.9。训练迭代值设置为50，批处理数据量设置为64。所有网络权值按照凯明正态分布进行初始化。训练样本与测试样本的数据量比例为9:1。

本发明通过整合各个模块的优势，如图10-图13为以H₂O₂、CH₃COOOH、C₆H₅CH₂N(CH₃)₂RCl、NaClO四类样品气体为实例，实现的浓度量化任务，线性拟合曲线与真实值＝预测值偏离程度越大，预测结果越差，由图中可以看出该模型预测结果的线性拟合曲线与真实值曲线(真实值＝预测值)基本重合，预测点均匀地分布在真实值＝预测值周围，95％预测带说明本文模型进行浓度量化具有良好的稳定性，证明所述模型表现出的极好的浓度量化能力，预测效果优异。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包括在本发明的保护范围之内。

Claims (4)

1.一种电子鼻系统气体浓度量化估计方法，用于实现气体浓度的量化，其特征在于，包括以下步骤：

步骤1.利用气体传感器阵列实时采集样品散发气体的有响应电阻数据，获得原始数据集，所述原始数据集由每一个气体传感器获得的一维时间序列数据集合组成；

步骤2.将每一个气体传感器获得的一维时间序列数据，经过变分模态分解，提取有效模态分量进行数据重构完成滤波操作，获得滤波后的一维时间序列数据；

步骤3.将所述滤波后的一维时间序列数据经去基线预处理后，编码为二维纹理图像；

步骤4.基于气体残差网络、长短时记忆网络和幽灵模块，构建气体浓度量化估计模型，通过所述二维纹理图像预训练模型相关参数，将训练得到的气体浓度量化估计模型用于气体浓度结果量化。

2.根据权利要求1所述的电子鼻系统气体浓度量化估计方法，其特征在于，所述步骤2中将气体传感器阵列中每一个传感器产生的一维时间序列数据，经变分模态分解，提取有效模态分量进行数据重构完成滤波操作，获得滤波后的数据，具体包括：

采用变分模态分解滤波算法，降低冗余信息，采用互信息法对每一个气体传感器信号进行滤波算法中有效模态的选取；根据公式(1)计算每一个传感器信号的各模态分量X_i与该传感器原始信号Y的互信息量I(F_i,Y)：

式(1)中，F_i(i＝1,2,...,8)表示各个模态分量，此处提取8个分量，Y表示原始信号，f_id表示第i个模态分量F_i中的第d个值，D为F_i样本f_id的数量，y_j表示该传感器原始信号Y中的第j个值，J为Y样本y_j的数量，p(f_id,y_j)表示X_i和Y的样本的联合概率密度函数，p(f_id)表示F_i的各分量样本f_id的边缘概率密度函数，p(y_j)表示Y的各分量样本y_j的边缘概率分布函数；

根据公式(2)对每一个互信息量进行归一化处理得到β_i：

β_i＝I_(Fi,Y)/max(I_(Fi,Y))

式(2)中，β_m表示对β_i取得的均值，K是变分模态分解得到的分量的个数，此处K＝8；若β_i≥β_m，则认为该分量F_i为有效分量，并予以保留，否则删除；将每一个气体传感器的原始响应信号计算得到的有效分量叠加形成新的序列，获得滤波后的传感器阵列数据H(t)：

式(3)中，h_M(t_D)表示滤波后在t_D时刻第M个传感器的响应值。

3.根据权利要求1所述的电子鼻系统气体浓度量化估计方法，其特征在于，所述步骤3中将所述滤波后的数据经过去基线预处理，将去基线预处理后的数据编码为二维纹理图像，具体包括：

对所述获得的滤波后数据H(t)，对每一列数据执行去除基线操作以消除基线电压的影响；完成去基线操作后，将阵列信号按列展开，获得按照传感器序号进行首尾相接的级联信号X(t)，表示为：

X(t)＝{x₁(t₁),x₁(t₂),x₁(t₃),…,x_M(t_D-1),x_M(t_D)} (4)

式(4)中，x_M(t_D)表示去基线处理后在t_D时刻第M个传感器的响应值；根据公式(5)将X(t)转换成包括阵列时空信息的格拉姆角场图像G：

式(5)中，I为单位行向量，表示将序列X(t)进行归一化操作后，调整至[-1,1]范围内获得的样本序列；/>为/>的转置，φ_MD(M＝1,2,...,m,D＝1,2,...,d)表示/>中第/>点对应的极坐标角度。

4.根据权利要求1所述的电子鼻系统气体浓度量化估计方法，其特征在于，所述步骤4中基于气体残差网络、长短时记忆网络和幽灵模块，构建气体浓度量化估计模型，具体包括：

构建Gas ResNet-LSTM-Ghost浓度预测模型，所述模块包括一个7×7卷积运算模块、8个融合Ghost Module的残差模块、一个自适应平均池层、一个长短时记忆神经网络层、一个全连接层，输出气体的浓度值；

结合Gas ResNet的权值共享特性和LSTM的记忆特性挖掘出气体传感器阵列的时空特征；

8个融合Ghost Module的残差模块构成了Gas ResNet网络部分，用来提取阵列数据的时空特征，对于嵌入Ghost模块的Gas ResNet部分的每一个标准模块包括一个残差支路和一个short-cut支路，采用两个3×3卷积，传递底层的信息，Ghost Module用于提取特征矩阵中更深层的时空特征；

经过Gas ResNet网络的输出被传输到自适应平均池化层，以进一步增强感受野，从而提取更深层的传感信息；

经过处理后的传感序列信号输入到LSTM模块，LSTM模块学习输入序列中的时序关系，将Gas ResNet提取的时空特征进行时序建模，以更好地捕捉数据的时间相关性信息。