電子鼻長(zhǎng)期漂移若干問(wèn)題的研究.pdf

1、現(xiàn)代社會(huì)中，室內(nèi)及車內(nèi)的空氣污染是影響人類生活質(zhì)量的主要問(wèn)題之一。傳統(tǒng)的化學(xué)分析式空氣質(zhì)量檢測(cè)方法成本高、時(shí)間長(zhǎng)、且需要專業(yè)人員操作，不利于普及。而電子鼻方法以其檢測(cè)速度快、方便易用等優(yōu)點(diǎn)，成為一種極具潛力的氣體分析替代方法。目前的電子鼻技術(shù)研究雖然取得了較大的進(jìn)展，但距離實(shí)用化仍然存在差距，主要表現(xiàn)在長(zhǎng)期漂移、背景干擾、個(gè)體差異等問(wèn)題還沒(méi)有得到妥善解決。
　　 電子鼻漂移可以分為短期漂移和長(zhǎng)期漂移兩類，本文將其中的長(zhǎng)期漂移抑制

2、方法作為研究重點(diǎn)。首先，構(gòu)建了一套電子鼻實(shí)驗(yàn)平臺(tái)用以收集傳感器陣列受長(zhǎng)期漂移影響后的響應(yīng)信號(hào)。該實(shí)驗(yàn)平臺(tái)由進(jìn)樣系統(tǒng)、氣敏傳感器陣列、上位機(jī)等部分組成，可完成多種類型的電子鼻驗(yàn)證實(shí)驗(yàn)。實(shí)驗(yàn)平臺(tái)中的氣敏傳感器陣列部分采用4個(gè)氣敏傳感器組成。在氣敏傳感器選型過(guò)程中，觀察了每一種氣敏傳感器在不同加熱電壓下的響應(yīng)?？紤]到加熱電壓變化對(duì)氣敏傳感器響應(yīng)特性的影響，對(duì)其中的某些傳感器使用了非標(biāo)準(zhǔn)幅度的電壓作為加熱電壓，在一定程度上增強(qiáng)了傳感器陣列響應(yīng)的

3、選擇性。
　　 通過(guò)對(duì)長(zhǎng)期漂移信號(hào)的離線分析，發(fā)現(xiàn)長(zhǎng)期漂移具有緩慢且無(wú)規(guī)律的變化趨勢(shì)。主成分分析(principle component analysis，PCA)方法的Wilks準(zhǔn)則在確定最佳可視化分類的主成分時(shí)，忽視了分類面邊緣樣本對(duì)數(shù)據(jù)重心的影響，進(jìn)而使得分類效果不佳。本文采用“懲罰”機(jī)制改進(jìn)了Wilks準(zhǔn)則的重心求取方法，實(shí)驗(yàn)表明改進(jìn)后的方法避免了最佳分類主成分的誤選。
　　 正交信號(hào)校正(orthogonal

4、signal correction，OSC)方法無(wú)法于在線工作中進(jìn)行算法模型的調(diào)整，本文通過(guò)增加“記憶空間”和“識(shí)別結(jié)果處理”模塊對(duì)OSC方法進(jìn)行在線化改進(jìn)，實(shí)驗(yàn)表明，與原方法相比，改進(jìn)后的OSC方法能夠于在線工作過(guò)程中分離出一定的長(zhǎng)期漂移信號(hào)，減小其對(duì)傳感器響應(yīng)的影響。
　　 常規(guī)在線抗漂移方法包括多重自組織圖(multiple self-organizing maps，MSOM)和自適應(yīng)諧振(adaptive resonan

5、ce theory，ART)網(wǎng)絡(luò)。它們?cè)谥赜?xùn)練過(guò)程中僅對(duì)當(dāng)前類別樣本所對(duì)應(yīng)的神經(jīng)元權(quán)值進(jìn)行在線修正，這樣的做法容易造成局部補(bǔ)償問(wèn)題，給漂移補(bǔ)償結(jié)果帶來(lái)不良影響。本文針對(duì)局部補(bǔ)償方法的這一缺陷提出了全局補(bǔ)償方法，這種方法在重訓(xùn)練過(guò)程中對(duì)所有神經(jīng)元權(quán)值進(jìn)行漂移補(bǔ)償，不僅對(duì)當(dāng)前樣本所對(duì)應(yīng)神經(jīng)元權(quán)值進(jìn)行修改，而且還對(duì)其它神經(jīng)元權(quán)值進(jìn)行虛擬漂移補(bǔ)償。實(shí)驗(yàn)表明：與原方法相比，改進(jìn)后的MSOM在“多樣本間隔進(jìn)樣”的情況下可以提高網(wǎng)絡(luò)漂移補(bǔ)償?shù)臏?zhǔn)確性；

6、與此同時(shí)，ART網(wǎng)絡(luò)改進(jìn)后的識(shí)別結(jié)果一致性得到了改善。
　　 實(shí)時(shí)性能是在線漂移補(bǔ)償中的一個(gè)重要指標(biāo)。本文通過(guò)去除在線過(guò)程中冗余的重訓(xùn)練過(guò)程優(yōu)化MSOM和ART網(wǎng)絡(luò)的實(shí)時(shí)性能，提出了基于自適應(yīng)機(jī)制和變步長(zhǎng)自適應(yīng)機(jī)制的重訓(xùn)練觸發(fā)方法。基于自適應(yīng)機(jī)制的重訓(xùn)練觸發(fā)方法依據(jù)當(dāng)前樣本的誤差變化趨勢(shì)調(diào)節(jié)重訓(xùn)練過(guò)程的間隔時(shí)間，實(shí)驗(yàn)表明該方法能夠降低初始參數(shù)設(shè)置對(duì)網(wǎng)絡(luò)實(shí)時(shí)性能和識(shí)別正確率的影響；基于變步長(zhǎng)的自適應(yīng)機(jī)制根據(jù)誤差變化的趨勢(shì)和快慢動(dòng)態(tài)

7、地調(diào)節(jié)重訓(xùn)練間隔時(shí)間，實(shí)驗(yàn)表明該方法保持了自適應(yīng)機(jī)制的優(yōu)點(diǎn)，同時(shí)進(jìn)一步降低了算法對(duì)初始參數(shù)設(shè)置的敏感性。
　　 暫態(tài)樣本用于重訓(xùn)練過(guò)程之后將會(huì)使算法失效，出現(xiàn)“盲目重訓(xùn)練”。為解決這一問(wèn)題，本文提出使用樣本形態(tài)學(xué)特征和算法特征作為數(shù)據(jù)選擇依據(jù)的樣本選擇方法將暫態(tài)樣本與重訓(xùn)練過(guò)程隔離。在基于形態(tài)學(xué)特征的數(shù)據(jù)選擇方法中，通過(guò)首先考查多個(gè)適宜于在線檢測(cè)的形態(tài)學(xué)特征，選定實(shí)時(shí)斜率作為的判斷依據(jù)。通過(guò)訓(xùn)練樣本確定斜率閾值，在線過(guò)程中比較實(shí)

8、時(shí)斜率與斜率閾值的數(shù)值關(guān)系確定當(dāng)前樣本狀態(tài)。在基于算法特征的數(shù)據(jù)選擇方法中，使用earlv transitiondetection(ETD)模型中對(duì)算法特征的描述方法提取目標(biāo)向量，根據(jù)訓(xùn)練樣本中目標(biāo)向量的數(shù)值變化趨勢(shì)確定判斷閾值，在線過(guò)程中比較該目標(biāo)向量與閾值的數(shù)值關(guān)系確定當(dāng)前樣本狀態(tài)。實(shí)驗(yàn)表明，兩種方法對(duì)于氣體樣本快速進(jìn)樣的情況均可以起到篩選數(shù)據(jù)樣本的作用且基于ETD方法的判別正確率更高。
　　 論文最后對(duì)前文所涉及的研究?jī)?nèi)容