专利名称：基于多重自组织神经网络的电子鼻在线漂移补偿方法
基于多重自组织神经网络的电子鼻在线漂移补偿方法技术领域
本发明属于电子鼻检测、训练技术领域，尤其涉及一种基于多重自组织神经网络的电子鼻在线漂移补偿方法。
背景技术：
电子鼻是利用气体传感器阵列的响应图谱来识别气味的电子装置或系统，主要由气体传感器阵列、信号预处理单元和模式识别单元三部分组成。电子鼻的工作原理是当某种气味呈现在一种活性材料制成的气体传感器面前，气体传感器能够将该气体的化学输入转换成电信号输出，采用多个气体传感器构成气体传感器阵列，该多个气体传感器对一种气味的响应便构成了气体传感器阵列对该气味的电信号输出阵列；为实现对气味的定性或定量分析，必须将气体传感器的电信号输出进行适当的预处理(消除噪声、特征提取、信号放大，归一化等)后，由模式识别单元采用合适的模式识别分析方法对其进行识别处理；理论上，每种气味对于气体传感器阵列而言都会有它对应的特征电信号阵列值，将不同气味对应的特征电信号阵列值作为电子鼻的神经元存储于模式识别单元中，进行气体检测时把气体传感器阵列的电信号输出阵列值与神经元进行对比匹配识别，便可区分不同的气体， 同时还可利用气体传感器阵列对多种气体的交叉敏感性进行测量，通过适当的分析方法， 实现混合气体分析。由于电子鼻检测具有时间短、成本低等优点，目前已在食品检测、疾病诊断、环境检测等领域得到了广泛研究和关注。
电子鼻检测识别气体的神经元可以通过基准训练而建立获得，即利用电子鼻对其能够识别的多种气体样本进行先验检测，获得气体传感器阵列对该多种气体的特征电信号阵列值，将之作为该多种气体匹配的神经元加以存储，用以作为该多种气体的识别基准。然而，电子鼻气体传感器阵列感测同一种气体的电信号输出阵列值并非一成不变的，气体传感器阵列检测气体的电信号输出阵列值与该气体匹配的特征电信号阵列值(即神经元)之间发生了漂移往往正是影响电子鼻识别效果的一个重要因素。气体传感器阵列的检测值产生漂移的原因主要有两个一是由于电子鼻工作环境的变化，例如温度、湿度等，使得气体传感器阵列检测的电信号输出阵列值在相匹配的神经元值附近范围内波动漂移；另一个原因则是由于气体传感器老化等现象使自身物理化学性质发生改变，进而影响其电信号输出值的大小，导致气体传感器阵列的电信号输出阵列值与相匹配的神经元发生偏差，形成漂移。其中，前者引起的漂移属于一种暂态漂移，在本质上不影响电子鼻的识别精度。而由后者引起的漂移一般称之为长期漂移，其将伴随气体传感器的使用长期存在并累积，若不采取抑制措施将导致电子鼻的检测精度明显降低，因此抑制或降低气体传感器长期漂移的影响对于保证电子鼻的检测精度和效果而言显得尤为重要。
从目前的研究来看，主要通过纠正电子鼻中神经元的值来抑制电子鼻的长期漂移。现有的抑制电子鼻漂移的方法主要有两大类一种是将电子鼻气体传感器阵列的电信号输出阵列值漂移视为一路独立信号，通过主成分分析、独立成分分析、正交分解等数学方法将其从传感器输出的电信号中剔除(参见文件“Bouwmans Τ, BafF Ε, Vachon5B. Backgroundmodeling using mixture of Gaussians for foreground detection—a survey. Recent Patents onComputer Science, 2008. 1 (3) :219_237，，以及文献 “Piccardi Μ.Background subtractiontechniques :a review.In -Proceeding of the IEEE International Conference on Systems, Man andCybernetics. The Hague，Netherlands : IEEE 2004. 3099-3104”等)，这种方法理论上而言效果较好，但需要有完整的漂移先验信息作为剔除的依据，然而不同气体传感器其电信号输出阵列值漂移的规律性很难得以准确总结和掌握，因此要建立完整的漂移先验信息具有相当高的技术难度。另一种方法无需完整的漂移先验信息，主要采用单层自组织神经网络(klfOrganizing Maps,简称SOM网络)进行漂移补偿训练的方式对含有漂移的气体传感器阵列的电信号输出进行补偿，即将所有神经元作为一个自组织神经网络，每个神经元即为一种气体相对于气体传感器阵列的特征电信号阵列值，并且针对每一种气体设置有多个神经元，该多个神经元在一定的取值区间内取不同值进而构成对相匹配气体的神经元识别区间，然后再次利用神经元所匹配的气体对电子鼻进行漂移补偿训练，在漂移补偿训练期间，若电子鼻气体传感器阵列感测得到的电信号输出阵列值与该气体匹配的神经元识别区间的中心值发生偏差，表明气体传感器阵列检测该气体的电信号输出阵列值发生了漂移，则根据漂移量的大小对气体匹配的神经元识别区间中的各个神经元进行漂移补偿，从而达到抑制检测值漂移的目的(参见文献"Kohonen T. The Self-organizing Maps[J]. Proceedings ofthe IEEE，1990，78 (9) 1464-1480”)，但由于单层自组织神经网络相当于将存储的所有神经元都罗列在一个神经网络平面中，经漂移补偿的神经元识别区间有可能与其它气体的神经元识别区间发生交叠，致使其它气体的神经元识别区间中被交叠的部分神经元的信息遗失，这不仅会漂移补偿效果，若因漂移补偿引起的不同神经元识别区间之间交叠严重甚至会导致整个自组织神经网络中神经元信息混乱，严重影响电子鼻的识别性能。
近年来有学者提出使用多重自组织神经网络(Multiple Self Organizing Maps, 简称MS0M)解决漂移问题，即将针对一种气体的多个神经元罗列在一个独立的自组织神经网络上，针对多种气体检测构建出多重自组织神经网络，因此每个自组织神经网络对应一种气体的神经元识别区间，从而对于一种气体的漂移补偿训练只会在气体相匹配的一个自组织神经网络上进行漂移补偿，其对单个自组织神经网络的漂移补偿处理的方式与SOM网络漂移补偿方法中对单个神经元识别区间的漂移补偿处理方式相同(参见文献 “MarziaZuppa，Cosimo Distante，Pietro Siciliano，et al. Drift counteraction with multiple se1f-organisingmaps for an electronic nose[J]. Sensors and Actuators B， 2004,98 :305-317”)，这样漂移补偿就不会影响其它自组织神经网络的匹配于其它气体的神经元，避免了出现神经元因互扰出现信息遗失的情况，取得了较好的漂移补偿效果。
但是，SOM漂移补偿方法和MSOM漂移补偿方法都存在一个问题。由于气体进、出电子鼻气体传感器阵列所在的检测区域的过程均为渐变过程，同时气体传感器阵列检测气体存在敏感响应过程，这些因素使得电子鼻气体传感器阵列在一次完整的气体检测过程中的响应曲线呈现为一个动态的平滑曲线，如
图1所示，响应曲线中TO Tl阶段为气体进入检测区域以前对基线气体(通常以空气作为电子鼻的基线气体)的稳态响应阶段，Tl T2 阶段为气体进入检测区域以及气体传感器阵列对气体产生敏感响应的暂态响应上升阶段， T2 T3阶段为气体传感器阵列对气体进行充分响应检测的稳态响应阶段，T3 T4阶段为气体流出检测区域以及气体传感器阵列对气体撤离敏感响应的暂态响应下降阶段。而现有的SOM漂移补偿方法和MSOM漂移补偿方法只能够利用气体传感器阵列对气体进行充分响应检测的稳态响应阶段(即图1所示的T2 T3阶段)进行漂移补偿处理，如果在气体传感器阵列的暂态响应上升阶段(即图1所示的Tl T2阶段)或暂态响应下降阶段(即图1所示的T3 T4阶段)进行漂移补偿，电子鼻会将其误判断为气体传感器阵列正发生剧烈变化的漂移而频繁地进行补偿，并且频繁调整漂移补偿量，从而很容易打乱原有神经元的特征值分布规律，导致原本匹配较为准确的神经元经漂移补偿后反而不能够正确识别其匹配气体，影响电子鼻的检测识别准确率。此外，如果对电子鼻进行漂移补偿期间混入了电子鼻所不能够识别的气体，或称之为干扰气体，采用现有的SOM漂移补偿方法或MSOM漂移补偿方法，电子鼻也会将气体传感器阵列对该干扰气体的敏感响应误判断为气体传感器阵列发生大幅度的剧烈漂移而进行过度的补偿，导致电子鼻原有的神经元被破坏。如果采用现有的SOM漂移补偿方法或MSOM漂移补偿方法对电子鼻进行实时在线的漂移补偿处理， 电子鼻不可避免地会遭遇上述两方面的情况，导致漂移补偿训练后电子鼻的检测识别准确度难以得到保证。因此，基于现有技术的电子鼻漂移补偿训练过程中，大量工作需要人工干预，一方面需要通过人工控制确保在气体传感器阵列对气体进行充分响应检测的稳态响应阶段启动漂移补偿工作，另一方面需要通过各种方式避免漂移补偿训练的气体环境中混入干扰气体，这些因素使得电子鼻漂移补偿处理过程的实施条件相当苛刻，操作流程繁琐，还需要操作技术人员具有相当的专业能力和操作经验，极大的限制了电子鼻的广泛应用和长足发展。发明内容
针对现有技术中存在的上述问题，本发明为了增强电子鼻在漂移补偿训练中的抗干扰能力而提出一种基于多重自组织神经网络的电子鼻在线漂移补偿方法，使得电子鼻能够进行在线的漂移补偿训练，并保证电子鼻经在线漂移补偿后依然保持良好的检测识别性能。
为实现上述目的，本发明采用了如下技术手段
一种基于多重自组织神经网络的电子鼻在线漂移补偿方法，包括如下步骤
A)初始化步骤，其具体为
al)初始化时刻t = 0;
a2)获取t = 0时刻电子鼻气体传感器阵列的电信号输出阵列Xts(O)
Xts(O) = [Xtsa(O)jXt^2(O), -,Xtsii(O)]；
其中，i表示电子鼻气体传感器阵列中气体传感器的个数；Χμ(0)，xts,2(0),…， Xtsa(O)分别表示在t = 0时刻电子鼻气体传感器阵列中i个气体传感器的电信号输出值；
B)在线漂移补偿步骤；具体为
bl)时亥Ij t 自力口 1 ；
b2)获取当前时刻电子鼻气体传感器阵列的电信号输出阵列Xts(t)
Xts (t) = [xtsa(t), Xtsj2 (t), -,xtSji(t)]；
其中，xtsa(t),xts,2(t),…，XtsJt)分别表示在当前时刻电子鼻气体传感器阵列中i个气体传感器的电信号输出值；
b3)求取当前时刻的电信号输出阵列斜率礼(O
权利要求
1.基于多重自组织神经网络的电子鼻在线漂移补偿方法，其特征在于，包括如下步骤A)初始化步骤，其具体为 al)初始化时刻t = 0 ；a2)获取t = 0时刻电子鼻气体传感器阵列的电信号输出阵列Xts(O) Xts(O) = [xtsa (0), xts,2 (0), -,Xts^(O)]；其中，i表示电子鼻气体传感器阵列中气体传感器的个数Au(O)，xts,2(0),…，xts, i(0)分别表示在t = 0时刻电子鼻气体传感器阵列中i个气体传感器的电信号输出值；B)在线漂移补偿步骤；具体为 bl)时刻t自加1 ；b2)获取当前时刻电子鼻气体传感器阵列的电信号输出阵列Xts(t) Xts (t) = [XtsJt)，xts,2(t)，—, Xts, i(t)]；其中，xtsa(t),xts,2(t),…，XtsJt)分别表示在当前时刻电子鼻气体传感器阵列中i 个气体传感器的电信号输出值；b3)求取当前时刻的电信号输出阵列斜率礼(^h
2.根据权利要求1所述的基于多重自组织神经网络的电子鼻在线漂移补偿方法，其特征在于，所述距离筛选阈值θ d的取值为
3.根据权利要求1所述的基于多重自组织神经网络的电子鼻在线漂移补偿方法，其特征在于，所述符号〖1表示取归一化值的具体运算公式如下F其中，F表示包含i个元素的任意阵列，f1 f2，…，fi分别表示所述阵列F包含的i个元素。
全文摘要
本发明提供了一种基于多重自组织神经网络的电子鼻在线漂移补偿方法，该方法通过在电子鼻执行漂移补偿之前增加预判决步骤，使得电子鼻能够结合气体传感器阵列前后的电信号输出阵列值的变化情况以及气体传感器阵列电信号输出阵列值与多重自组织神经网络中各个神经元之间的差距，自行判别气体传感器阵列的敏感响应状态(暂态响应或是稳态响应)以及是否有干扰气体参与了漂移补偿训练，从而自行屏蔽气体传感器阵列的暂态响应或者对干扰气体的响应，保证电子鼻不会对神经元进行错误的漂移补偿，增强了电子鼻在漂移补偿训练中的自适应抗干扰能力，使得电子鼻能够进行在线的漂移补偿训练，并保证电子鼻经在线漂移补偿后依然保持良好的检测识别性能。
文档编号G01N27/26GK102507676SQ201110340338
公开日2012年6月20日 申请日期2011年11月1日 优先权日2011年11月1日
发明者刘涛 申请人:重庆大学