基于人工智能学习机的电子鼻中非目标干扰气味的在线识别和抑制方法技术

本发明专利技术涉及一种电子鼻中非目标干扰气味的在线识别和抑制方法。其识别方法的步骤有目标气体和典型非目标干扰气味数据样本的采集、传感器阵列信号预处理、目标气体和非目标干扰气味样本的特征提取、人工智能学习机的训练学习和智能学习机对非目标干扰气味的实时在线识别。一种非目标干扰气味的抑制方法包含上述识别方法的步骤，还有以下步骤：阵列信号动态矩阵的存储及更新、动态存储矩阵加权修正及干扰抑制和目标气体浓度预测。另一种非目标干扰气味的抑制方法包含上述识别方法的步骤，还有以下步骤：目标气体浓度预测、目标气体预测浓度动态矩阵的存储及更新和动态存储矩阵加权修正及干扰抑制。本发明专利技术的有益效果为：利用人工智能模式识别出了目标气体和非目标干扰气味，赋予了检测信号的类别标志；抑制了非目标干扰气味造成的干扰，能准确检测出目标气体的含量。

【技术实现步骤摘要】

本专利技术涉及一种电子鼻的气体检测领域，具体涉及一种。
技术介绍
由于金属氧化物传感器对环境参数较为敏感，在实时应用时极易受到环境因素比如温度、湿度、外界非目标干扰气味等的影响。对温度、湿度的影响，目前已经得到大量研究，比如，有的通过设定相同的温度和湿度来避免因其变化而对传感器带来的影响；有的通过在不同的温度和湿度下进行实验样本的采集，通过神经网络泛化性而忽视由于温度和湿度带来的影响。另外，传感器漂移也是影响电子鼻预测能力的一种因素，目前已经有大量针 对漂移补偿的研究。然而，对非目标干扰气味或者说非目标气体影响的研究到目前一直处在难以克服阶段。而大多数金属氧化物气体传感器对非目标干扰气味比如酒精、香水、水果等敏感度极高，因此基于金属氧化物气体传感器的电子鼻在非目标干扰气味环境下根本无法正常工作，而并不像电化学传感器对要检测的目标气体选择性较好。在实际应用中，非目标干扰气味产生的信号能量通常远远高于温湿度和漂移等干扰产生的信号能量. 因此，该问题的难点也就在于非目标气味干扰源不同于高斯白噪声或环境对传感器造成的微弱影响，非目标干扰气味造成的传感器响应幅度远远高于本电子鼻所测量的目标气体甲醛、苯、甲苯、一氧化碳、二氧化氮和氨气，即非目标干扰气味造成的传感器阵列响应与期望的目标信号是极为相似，因此通过常用的电子鼻信号预处理方法，例如平滑滤波、小波、独立分量分析、主成分分析、自适应滤波等，根本无法将这类非目标干扰气味抑制，将导致电子鼻所要检测的目标气体浓度完全预测错误。比如，在干净的环境中，甲醛浓度应很低，但是在非目标气味干扰的影响下，甲醛浓度会比较高，从而造成电子鼻检测器产生误报警。从目前的国内文献研究中，未曾看到有关抑制非目标干扰气味对基于金属氧化物传感器阵列的电子鼻干扰研究的报道。
技术实现思路
本专利技术所要解决的第一个技术问题就是提供一种基于人工智能学习机的电子鼻对非目标干扰气味的识别方法，它能识别目标气体和非目标干扰气味，并给检测的信号赋予类别标志。本专利技术所要解决的第二个技术问题就是提供一种基于人工智能学习机的电子鼻对非目标干扰气味的抑制方法，它能抑制非目标干扰气味造成的干扰，准确检测出目标气体的含量。为了解决本专利技术所提出的第一个技术问题，本专利技术包括以下步骤 步骤I、目标气体和典型非目标干扰气味样本的采集本步骤将待检测气体视为目标气体，将待检测气体之外的气味统一视为非目标干扰气味，调整实验箱体的温度和湿度，对不同浓度的目标气体和典型非目标干扰气味分别进行采样实验； 步骤2、传感器阵列信号预处理 将上述采集的传感器阵列信号进行平滑滤波和归一化，平滑滤波的公式如下权利要求1.基于人工智能学习机的电子鼻中非目标干扰气味的识别方法，其特征是，该方法包括以下步骤 步骤I、目标气体和典型非目标干扰气味数据样本的采集 本步骤将待检测气体视为目标气体，将待检测气体之外的气味统一视为非目标干扰气味，调整实验箱体的温度和湿度，对不同浓度的目标气体和典型非目标干扰气味分别进行采样实验； 步骤2、传感器阵列信号预处理 将上述采集的传感器阵列信号进行平滑滤波和归ー化，平滑滤波的公式如下2.根据权利要求I所述的电子鼻中非目标干扰气味的识别方法，其特征是，在步骤3之后增加ー个步骤3 '； 步骤3 '、基于遗传交叉算子的同分布样本生成 算木交叉方式如下3.基于人工智能学习机的电子鼻中非目标干扰气味的抑制方法，其特征是，该方法包括权利要求I或2所述的基于人工智能学习机的电子鼻对非目标干扰气味识别方法的所有步骤，还包括以下步骤 步骤A、阵列信号动态矩阵的存储及更新 人工智能学习机的输出连接有一个阵列信号动态存储矩阵P，动态存储矩阵P的大小为ffiX/7，其中《为传感器阵列的维数，/7为存储量，若当前信号的类别标志Γ为目标气体吋，该存储矩阵P开始继续存储当前传感器阵列信号，P存储满量后，刷新最先存入的単元； 步骤B、利用动态存储矩阵对当前电子鼻信号进行加权修正及干扰在线抑制 依据当前信号的类别标志八判断当前电子鼻信号是否为干扰信号，那么干扰抑制的表述式为4.基于人工智能学习机的电子鼻中非目标干扰气味的抑制方法，其特征是，该方法包括权利要求I或2所述的基于人工智能学习机的电子鼻对非目标干扰气味识别方法的所有步骤，还包括以下步骤 步骤Α、目标气体浓度预测 利用现有的目标气体浓度预测方法对当前信号)T进行分析，计算出当前的目标气体浓度预测值； 步骤B、目标气体预测浓度动态矩阵的存储及更新 人工智能学习机的输出连接有ー个预测浓度动态存储矩阵P，动态存储矩阵P的大小为ffiX/7，其中《为所要检测的目标气体数目，/7为存储量，若当前信号的类别标志Γ为目标气体时，该存储矩阵P开始存储当前传感器信号对应的ー组目标气体的预测浓度值；否则，停止存储，存储满量程后，刷新最先存入的単元； 步骤C、利用动态存储矩阵对当前电子鼻系统预测输出进行加权修正及干扰在线抑制依据当前信号的类别标志r是否为非目标干扰气味，对预测浓度动态矩阵P进行如下函数处理，并获得不受干扰影响的预测浓度矢量Y，全文摘要本专利技术涉及一种电子鼻中非目标干扰气味的在线识别和抑制方法。其识别方法的步骤有目标气体和典型非目标干扰气味数据样本的采集、传感器阵列信号预处理、目标气体和非目标干扰气味样本的特征提取、人工智能学习机的训练学习和智能学习机对非目标干扰气味的实时在线识别。一种非目标干扰气味的抑制方法包含上述识别方法的步骤，还有以下步骤阵列信号动态矩阵的存储及更新、动态存储矩阵加权修正及干扰抑制和目标气体浓度预测。另一种非目标干扰气味的抑制方法包含上述识别方法的步骤，还有以下步骤目标气体浓度预测、目标气体预测浓度动态矩阵的存储及更新和动态存储矩阵加权修正及干扰抑制。本专利技术的有益效果为利用人工智能模式识别出了目标气体和非目标干扰气味，赋予了检测信号的类别标志；抑制了非目标干扰气味造成的干扰，能准确检测出目标气体的含量。文档编号G01N27/00GK102866179SQ201210336450公开日2013年1月9日 申请日期2012年9月13日 优先权日2012年9月13日专利技术者田逢春, 张磊, 胡波, 郭洁莲, 冯敬伟, 党丽君, 黄智勇, 李国瑞, 叶奇, 肖博 申请人:重庆大学本文档来自技高网...

【技术保护点】
基于人工智能学习机的电子鼻中非目标干扰气味的识别方法，其特征是，该方法包括以下步骤：步骤1、目标气体和典型非目标干扰气味数据样本的采集本步骤将待检测气体视为目标气体，将待检测气体之外的气味统一视为非目标干扰气味，调整实验箱体的温度和湿度，对不同浓度的目标气体和典型非目标干扰气味分别进行采样实验；步骤2、传感器阵列信号预处理将上述采集的传感器阵列信号进行平滑滤波和归一化，平滑滤波的公式如下：其中，X为平滑滤波后的信号，i是指滤波后信号X中的第i次观测；n为平滑滤波器长度，S为传感器所测信号，N为传感器所测信号S的长度；归一化的公式为？？？？？？？X’=X/4095其中，4095为12位AD转换器的最大值，X’为平衡滤波及归一化后的传感器信号；步骤3、目标气体和非目标干扰气味样本的特征提取对目标气体样本，将气体在每个传感器的稳态响应点作为用来表达气体类别和浓度的实时特征点，对于非目标干扰气味样本，将该气体在各传感器的吸附点、最大点、稳态点和解吸附点作为用于实时表征干扰类气体的最佳特征点；步骤4、智能学习机的训练学习将提取的目标气体训练特征和非目标干扰气味训练特征，训练一个人工智能学习机，训练目标气体与非目标干扰气味的训练目标通过设置类别标志T加以区分；步骤5、智能学习机对非目标干扰气味的实时在线识别传感器阵列检测信号，对传感器阵列信号预处理，与步骤2相同；对预处理后的当前信号X’，依据智能学习机训练学习获得学习机内部参数，通过相应的参数计算获得当前信号X’的类别标志T。139660dest_path_image001.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：田逢春，张磊，胡波，郭洁莲，冯敬伟，党丽君，黄智勇，李国瑞，叶奇，肖博，
申请(专利权)人：重庆大学，
类型：发明
国别省市：