1994年Gardner發(fā)表了關(guān)于多氣體傳感器陣列檢測(cè)的論文，首次提出了“電子鼻”的概念[1]，標(biāo)志著該技術(shù)進(jìn)入到成熟、發(fā)展階段。電子鼻技術(shù)將傳感器技術(shù)、電子技術(shù)、信號(hào)處理和計(jì)算機(jī)技術(shù)融合在一起[2]，克服了傳統(tǒng)的單一氣體傳感器在檢測(cè)中存在的交叉敏感、檢測(cè)精度及可靠性低等缺點(diǎn)，能夠?qū)?a class="innerlink" href="http://ihrv.cn/tags/混合氣體" title="混合氣體" target="_blank">混合氣體中各氣體成分進(jìn)行定性或定量分析，它在汽車、航空航天、農(nóng)業(yè)、化學(xué)分析、消防、環(huán)保、化工控制、質(zhì)量控制、安全等領(lǐng)域具有廣泛的應(yīng)用前景。電子鼻的研究與應(yīng)用逐步成為國(guó)內(nèi)外研究的熱點(diǎn)問(wèn)題，但距離工程實(shí)用化仍有很長(zhǎng)的距離[3-6]。
　越來(lái)越多的場(chǎng)合需要對(duì)混合氣體的成分和濃度進(jìn)行準(zhǔn)確檢測(cè)。但是目前單個(gè)傳感器對(duì)不同氣體敏感響應(yīng)有所不同，不具備自動(dòng)識(shí)別氣體種類和數(shù)量的能力。因此，利用多個(gè)氣體傳感器組合，構(gòu)成傳感器陣列，結(jié)合模式識(shí)別技術(shù)組成電子鼻系統(tǒng)來(lái)進(jìn)行氣體的定性、定量分析，可以大大提高對(duì)混合氣體的識(shí)別能力。
    BP神經(jīng)網(wǎng)絡(luò)是目前電子鼻系統(tǒng)中廣泛采用的一種技術(shù)。BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用在一定程度上提高了氣體識(shí)別精度。但是，由于混合氣體網(wǎng)絡(luò)學(xué)習(xí)樣本的復(fù)雜性導(dǎo)致單一的BP神經(jīng)網(wǎng)絡(luò)[7-8]或徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)[9-10]分析方法在處理復(fù)雜樣本時(shí)，學(xué)習(xí)精度較差，難以滿足識(shí)別精度要求[11-14]。因此為了提高精度，必須研究新型的網(wǎng)絡(luò)結(jié)構(gòu)，提高網(wǎng)絡(luò)對(duì)于復(fù)雜樣本的學(xué)習(xí)能力，使它具有理想的精度和泛化能力等。本文由此提出了基于Gabor原子神經(jīng)網(wǎng)絡(luò)的電子鼻系統(tǒng)，具有識(shí)別能力強(qiáng)、工作特性好等優(yōu)點(diǎn)，因而具有重要的工程應(yīng)用價(jià)值。
1 Gabor原子神經(jīng)網(wǎng)絡(luò)原理
　Gabor原子神經(jīng)網(wǎng)絡(luò)就是將Gabor原子變換與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，將Gabor原子變換運(yùn)用到網(wǎng)絡(luò)的輸入層完成對(duì)特征的提取，神經(jīng)網(wǎng)絡(luò)的其他部分則用于特征的選擇與分析。Gabor原子網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，整個(gè)網(wǎng)絡(luò)共分兩個(gè)部分，下部分為特征提取層，上部分為分析層。圖中的圓圈表示網(wǎng)絡(luò)節(jié)點(diǎn)，節(jié)點(diǎn)內(nèi)的符號(hào)表示該節(jié)點(diǎn)的輸出，節(jié)點(diǎn)右下角的圖形表示該節(jié)點(diǎn)激勵(lì)函數(shù)的示意圖，即在特征提取層采用絕對(duì)值函數(shù)，在分類層采用Sigmoid函數(shù)。圖中與各個(gè)節(jié)點(diǎn)相連的線段表示加權(quán)連接，實(shí)線表示數(shù)量乘積，虛線表示向量乘積，線段旁邊的符號(hào)表示連接權(quán)值。   
    如圖1所示 ，輸入層為特征抽取部分，而隱層和輸出層組成信號(hào)分析部分。所使用的學(xué)習(xí)算法為誤差反傳(BP)算法。
2 基于Gabor原子神經(jīng)網(wǎng)絡(luò)的電子鼻系統(tǒng)
    基于Gabor原子神經(jīng)網(wǎng)絡(luò)的電子鼻系統(tǒng)原理圖如圖2所示。采用靜態(tài)配氣法配置不同濃度的混合氣體，通過(guò)氣體傳感器陣列獲得氣敏陣列輸出組。將這些輸出作為Gabor原子神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)應(yīng)的混合氣體各組分濃度作為該神經(jīng)網(wǎng)絡(luò)的輸出，構(gòu)建網(wǎng)絡(luò)的學(xué)習(xí)樣本集，并對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至網(wǎng)絡(luò)的輸出誤差達(dá)到精度，這時(shí)網(wǎng)絡(luò)各連接權(quán)上存儲(chǔ)了從傳感器陣列信號(hào)到氣體濃度的映射關(guān)系，它近似于傳感過(guò)程的逆映射，可用于識(shí)別陣列的未知模式。

    如圖2所示，假設(shè)混合氣體中包含m種氣體，相應(yīng)的每種氣體的濃度為s1，s2，…，sm。傳感器陣列中每種氣體傳感器的輸出為x1，x2，…，xj。由于氣體傳感器除對(duì)特定氣體具有較強(qiáng)敏感度以外，對(duì)其他的氣體也存在不同程度的敏感性，即“交叉敏感”。因此，氣體傳感器陣列的輸出可表示為：

3 實(shí)驗(yàn)結(jié)果及分析
    本文以混合氣體H2、CO和CH4為實(shí)驗(yàn)對(duì)象。傳感器陣列選取SnO2型半導(dǎo)體氣體傳感器，由TGS系列的TGS825、TGS813、TGS2611和MQ系列的MQ136、MQ-7、MQ-4 6個(gè)傳感器來(lái)組成陣列元素。這6個(gè)氣體傳感器分別對(duì)這三種氣體具有不同的靈敏度。根據(jù)這6個(gè)氣體傳感器對(duì)三種氣體的敏感特性曲線，配制好如下體積分?jǐn)?shù)范圍的混合氣體。每種氣體的體積分?jǐn)?shù)范圍分別為：CH4：100~500 ppm；CO：10~100 ppm；H2：10~100 ppm,模擬給出訓(xùn)練樣本集G(0)，共包括1 800個(gè)學(xué)習(xí)樣本。
    在本文中應(yīng)用了6個(gè)氣體傳感器來(lái)對(duì)混合氣體進(jìn)行檢測(cè)，而應(yīng)用單一的BP神經(jīng)網(wǎng)絡(luò)時(shí)，輸入特征向量的維數(shù)決定網(wǎng)絡(luò)的輸入節(jié)點(diǎn)的個(gè)數(shù)，因此輸入層節(jié)點(diǎn)數(shù)為6。而應(yīng)用Gabor原子神經(jīng)網(wǎng)絡(luò)時(shí)，Gabor原子變換的強(qiáng)特征提取功能使得Gabor原子神經(jīng)網(wǎng)絡(luò)輸入層Gabor原子個(gè)數(shù)理論上應(yīng)該小于輸入信號(hào)的維數(shù)。經(jīng)過(guò)反復(fù)的實(shí)驗(yàn)，最終得出結(jié)論，當(dāng)輸入層原子個(gè)數(shù)為4時(shí)，Gabor原子神經(jīng)網(wǎng)絡(luò)較為理想。因此可以看出在BP神經(jīng)網(wǎng)絡(luò)分析之前對(duì)輸入特征向量進(jìn)行Gabor原子變換，可以簡(jiǎn)化BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)個(gè)數(shù)。
　 而Gabor原子神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)個(gè)數(shù)由其檢測(cè)的氣體種類確定,在本文中對(duì)3種混合氣體進(jìn)行檢測(cè)，因此Gabor原子神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)個(gè)數(shù)為3個(gè)。
　隱層節(jié)點(diǎn)個(gè)數(shù)的確定首先根據(jù)式(6)所示的經(jīng)驗(yàn)公式大致算出隱層節(jié)點(diǎn)個(gè)數(shù)的取值范圍。
  
式(6)中Q為Gabor原子的個(gè)數(shù)，M為輸出節(jié)點(diǎn)個(gè)數(shù),α為1~10之間的常數(shù)。再根據(jù)相關(guān)實(shí)驗(yàn)結(jié)果改變隱層節(jié)點(diǎn)個(gè)數(shù)，比較網(wǎng)絡(luò)收斂速度，觀測(cè)誤差情況。最終得出，當(dāng)隱層節(jié)點(diǎn)個(gè)數(shù)為9時(shí)，精度最高。因此，Gabor原子神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)個(gè)數(shù)為9個(gè)。
    應(yīng)用訓(xùn)練樣本訓(xùn)練整個(gè)網(wǎng)絡(luò)，并在剩余的數(shù)據(jù)中隨機(jī)挑選5組作為測(cè)試樣本驗(yàn)證網(wǎng)絡(luò)的學(xué)習(xí)效果，最終得出實(shí)驗(yàn)結(jié)果。表1為普通單一BP神經(jīng)網(wǎng)絡(luò)的定量分析結(jié)果,表2為采用Gabor原子神經(jīng)網(wǎng)絡(luò)定量分析的結(jié)果。

    從表2中可以得到，各種氣體的測(cè)量絕對(duì)誤差不超過(guò)7 ppm，CH4的平均相對(duì)誤差為1.7%，CO的平均相對(duì)誤差為3.7%，H2的平均相對(duì)誤差為4.1%。圖3給出了網(wǎng)絡(luò)的誤差收斂曲線圖，其中圖3(a)為采用單一BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)誤差收斂曲線，而圖3(b)為采用Gabor原子神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)誤差收斂曲線。通過(guò)比較可以很明顯地看出，單一的BP神經(jīng)網(wǎng)絡(luò)在收斂速度上遠(yuǎn)低于雙層復(fù)合神經(jīng)網(wǎng)絡(luò)，從而導(dǎo)致單一的BP神經(jīng)網(wǎng)絡(luò)的測(cè)試結(jié)果準(zhǔn)確度較低，而改進(jìn)后的Gabor原子神經(jīng)網(wǎng)絡(luò)的分析精度有了很大的提高，可以較準(zhǔn)確地分析出混合氣體中不同氣體的濃度值。

    本文提出了應(yīng)用Gabor原子神經(jīng)網(wǎng)絡(luò)的電子鼻系統(tǒng)對(duì)混合氣體定量分析的方法，大大提高了分析精度。Gabor原子神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度和收斂速度均優(yōu)于傳統(tǒng)的單一BP網(wǎng)絡(luò)，能夠?qū)崿F(xiàn)對(duì)復(fù)雜學(xué)習(xí)任務(wù)的分解，具有很好的應(yīng)用前景。
參考文獻(xiàn)
[1] GARDNER J W, BARTLETT P N. A brief history of electronic nose[J]. Sensors and Actuators B,1994,18(1-3):211-220.
[2] SCHALLER E,BOSSER J O,ESCHER F. Electronic Noses  and their application to food.Lebensmittel-Wissenschaft und-Technologie,1994,31(4):305-316.
[3] 黃暉,楊鵬,姜海青,等.仿生氣體測(cè)量系統(tǒng)－電子鼻[J].傳感器技術(shù),2003,22(1):1-4,8.
[4] 石志標(biāo),左春怪,張學(xué)軍. 新穎的仿生檢測(cè)技術(shù)－電子鼻[J]. 測(cè)試技術(shù)學(xué)報(bào),2004,18(1):50-55.
[5] 聶雪梅,劉仲明,張水華,等.電子鼻及其在食品領(lǐng)域的應(yīng)用[J]. 傳感器技術(shù),2004,23(10):1-3.
[6] 高大啟,楊根興.嗅覺(jué)模擬技術(shù)[J].電子學(xué)報(bào),2001,29(12A):1749-1752.
[7] 童敏明,葉小婷,王都霞.基于信息融合的礦井一氧化碳檢測(cè)方法的研究[J]. 計(jì)量學(xué)報(bào),2007,28(4):388-390.
[8] 葉小婷,湯劼.基于BP神經(jīng)網(wǎng)絡(luò)的礦井一氧化碳檢測(cè)方法研究[J]. 儀表技術(shù),2007(10):40-42.
[9] 常柄國(guó).基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)識(shí)別變壓器油中微量特征氣體[J].西安交通大學(xué)學(xué)報(bào),1999,33(12):13-17.
[10] 龐全,楊翠容,張玉清.人工神經(jīng)網(wǎng)絡(luò)氣體分析方法的研究[J].儀器儀表學(xué)報(bào),1999,20(2):121-124.
[11] EKLOV T, LUNDSTROM I. Gas mixture analysis using a distributed chemical sensor system, Sensors and Actuators B,1999,57:274-282.
[12] HUYBERECHTS G, SZECOWKA P, ROGGEN J, et al. Simultaneous quantification of carbon monoxide and methane in humid air using a sensor array and an artificial neural network[J].Sensors and Actuators B,1997,45(2):123-130.
[13] SZCZUREK A, SZECOWKA P M, LICZNERS B W. Application of sensor array and neural networks for quantification of organic solvent vapours in air[J].Sensors and Actuators B,1999,58:427-432.
[14] MARTIN M A, SANTOS J P, VASQUEZ H. Study of the interferences of NO2 and CO in solid state commercial sensors[J]. Sensors and Actuators B,1999,58:469-473.