本发明专利技术提供了一种基于多重自组织神经网络的电子鼻漂移抑制方法，其通过样本缓存矩阵对各个自组织神经网络的神经元均值中心加以缓存并循环迭代更新，用以求取每次循环漂移抑制补偿的补偿增量阵列，在对漂移补偿训练所采用气体匹配的自组织神经网络中各神经元进行漂移补偿的同时，还利用补偿增量阵列对其它各个自组织神经网络的神经元中对于漂移补偿训练所采用气体敏感的特征电信号值都进行漂移抑制补偿，使得各自组织神经网络的神经元经过漂移补偿后都趋于接近气体传感器阵列检测其匹配气体的实际电信号输出阵列值，从而达到抑制漂移的目的，提高了电子鼻的漂移补偿执行效率，保证了电子鼻经漂移抑制补偿后依然保持良好的识别性能。
【技术实现步骤摘要】
本专利技术属于电子鼻检测、训练
，尤其涉及。
技术介绍
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, VachonB.Background modeling using mixture of Gaussians for foreground detection—a survey. Recent Patents on Computer Science, 2008. 1 (3) :219_237，，以及文献“Piccardi Μ. Background subtraction techniques :a review. In -Proceeding of the IEEE International Conference on SystemsiMan and Cybernetics. 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(Self Organizing 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 MapsProceedings of the 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“Marzia Zuppa，Cosimo DistanteiPietro Siciliano,et al· Drift counteraction with multiple self-organising maps for an electronic noseSensors 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；但这又使得一些长时间未进行漂移补偿训练的自组织神经网络上的神经元在漂移补偿训练期间几乎得不到任何漂移补偿，致使其漂移情况持续恶化，当再次进行气体检测时，未得以漂移补偿的自组织神经网络所匹配的气体检测识别准确率便会大幅降低，影响了电子鼻的识别性能。除非采用电子鼻所识别的所有种类气体分别对电子鼻进行漂移补偿训练，保证每种气体匹配的自组织神经网络均能够得以漂移补偿，才能克服上述情况的发生，但长期保持所有种类气体的漂移补偿训练是很难做到的，而且漂移补偿训练工作量大、操作麻烦，致使漂移抑制效果和电子鼻识别性能均难以得到本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：刘涛，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。