一种基于电子鼻的气味识别方法及系统与流程

本发明涉及气体含量检测，具体涉及一种基于电子鼻的气味识别方法及系统。

背景技术：

1、在环境监测、医疗诊断、食品质量控制和工业过程控制等领域，对气体成分的识别与量化具有重要意义，传统的气体分析方法主要依赖于气相色谱仪、质谱仪等精密仪器，虽然这些方法具有高灵敏度和高精度，但它们往往价格昂贵、操作复杂、体积庞大且对操作环境有较高要求，不适用于实时在线监测和便携式应用。电子鼻技术作为一种新兴的气体分析方法，受到了广泛关注。电子鼻模仿生物嗅觉系统，通过传感器阵列对气体混合物进行检测，并结合模式识别算法来识别和量化气体成分。

2、考虑工业安全检测的过程中，可以利用电子鼻对化工厂和储存设施中的二氧化氮、甲醛、乙醇等物质进行实时检测，可以确保工人安全以及减少职业病风险；但传统的电子鼻进行物质浓度识别时，现有降维方法将高维传感器数据映射到低维空间，从而提取主要特征用于分类和回归，然而电子鼻系统中的不同传感器对气体成分的响应具有不同的敏感性，直接基于现有方法的降维结果对混合气体中不同气体的含量进行检测时，往往不能充分反映各个传感器的重要性，导致气体检测结果准确度不高。

技术实现思路

1、为了解决现有降维方法对电子鼻系统中的不同传感器的高维数据进行降维处理时，不能充分反映各个传感器的重要性，导致气体检测结果准确度不高的问题，本发明的目的在于提供一种基于电子鼻的气味识别方法及系统，所采用的技术方案具体如下：

2、第一方面，本发明提供了一种基于电子鼻的气味识别方法，该方法包括以下步骤：

3、获取电子鼻中的每个传感器采集到的样本浓度序列及传感器的电阻构成的样本电阻序列；样本浓度序列由预设时长内每个采集时刻混合气体中的所有气体的浓度构成，样本浓度序列中的每个元素由所述混合气体中的每种气体的浓度数据构成；

4、将所有样本浓度序列中每种气体在其他气体浓度不变的情况下对应的样本浓度序列记为对应传感器在每种气体下所对应的参考序列；根据每个传感器在每种气体下所对应的参考序列中浓度数据的变化情况以及样本电阻序列的变化情况，得到每个传感器对于每种气体的灵敏度；根据每个传感器在每种气体下所对应的参考序列中浓度随时间的变化情况和传感器的电阻，获得每个传感器对于每种气体的附着力系数；

5、结合每个传感器对于所有气体的整体灵敏度和每个传感器对于所有气体的附着力系数的离散程度，确定每个传感器的贡献程度；基于所有所述贡献程度以及所有样本电阻序列获得待分析协方差矩阵，利用待分析协方差矩阵的降维结果对神经网络进行训练获得训练好的神经网络；

6、基于电子鼻所有传感器对应的电阻数据的降维结果和所述贡献程度，利用训练好的神经网络获得待检测混合气体中每种气体的含量；所述电阻数据是电子鼻在对待检测混合气体的浓度进行检测时获得的。

7、优选的，所述根据每个传感器在每种气体下所对应的参考序列中浓度数据的变化情况以及样本电阻序列的变化情况，得到每个传感器对于每种气体的灵敏度，包括：

8、分别将候选传感器对应的样本电阻序列中每两个相邻元素的差值与候选传感器在待分析气体下所对应的每个参考序列中每两个相邻元素中待分析气体的浓度的变化量之间的比值，作为每个参考序列中每两个相邻元素之间的第一特征值；将每个参考序列中所有相邻元素之间的第一特征值的最大值作为灵敏因子；

9、将候选传感器在待分析气体所对应的所有参考序列对应的灵敏因子的均值，确定为候选传感器对于待分析气体的灵敏度；

10、所述候选传感器为电子鼻中的任一传感器，所述待分析气体为混合气体中的任意一种气体。

11、优选的，所述根据每个传感器在每种气体下所对应的参考序列中浓度随时间的变化情况和传感器的电阻，获得每个传感器对于每种气体的附着力系数，包括：

12、将混合气体中待分析气体的浓度达到恒定的首个时刻记为恢复完全时刻；其中预设时长中包括对混合气体进行放气操作的时间段；

13、分别将候选传感器在待分析气体下所对应的每个参考序列中首个元素所对应的采集时刻与所对应的恢复完全时刻之间的时间间隔，记为候选传感器在待分析气体下所对应的每个参考序列的恢复时长；

14、候选传感器在待分析气体下所对应的每个参考序列中所有采集时刻候选传感器的电阻构成候选传感器在待分析气体下所对应的样本电阻序列；对每个样本电阻序列进行二阶差分获得每个样本电阻序列对应的二阶差分序列；

15、根据候选传感器在待分析气体下所对应的每个参考序列的恢复时长和候选传感器在待分析气体下所对应的每个样本电阻序列对应的二阶差分序列中的最大值，得到候选传感器对于待分析气体的附着力系数，所述恢复时长与所述附着力系数呈正相关关系，所述最大值与所述附着力系数呈负相关关系。

16、优选的，所述结合每个传感器对于所有气体的整体灵敏度和每个传感器对于所有气体的附着力系数的离散程度，确定每个传感器的贡献程度，包括：

17、将候选传感器对于所有气体的灵敏度的平均值记为整体灵敏度；

18、计算候选传感器对于所有气体的附着力系数的标准差；

19、基于所述整体灵敏度和所述标准差得到候选传感器的贡献程度，所述整体灵敏度和所述标准差均与所述贡献程度呈正相关关系。

20、优选的，基于所述整体灵敏度和所述标准差得到候选传感器的贡献程度，包括：

21、将所述灵敏度与所述标准差之间的乘积的归一化结果，确定为候选传感器的贡献程度。

22、优选的，所述基于所有所述贡献程度以及所有样本电阻序列获得待分析协方差矩阵，包括：

23、基于所有样本电阻序列构建初始数据矩阵，结合pca主成分分析算法获得初始数据矩阵的初始协方差矩阵；

24、利用所述贡献程度对所述初始协方差矩阵进行修正获得待分析协方差矩阵。

25、优选的，所述利用所述贡献程度对所述初始协方差矩阵进行修正获得待分析协方差矩阵，包括：

26、将初始协方差矩阵中每个位置的数据与其所对应的传感器的贡献程度的乘积，替换初始协方差矩阵中对应位置的元素，将替换完成后获得的矩阵作为待分析协方差矩阵。

27、优选的，所述利用待分析协方差矩阵的降维结果对神经网络进行训练获得训练好的神经网络，包括：

28、采用pca主成分分析算法对待分析协方差矩阵进行降维处理，按照特征值从大到小的顺序筛选前预设数量个主成分，将筛选出的主成分作为每种气体对应的降维数据；

29、将每种气体对应的降维数据作为卷积神经网络的输入对卷积神经网络进行训练，获得训练好的神经网络。

30、优选的，所述基于电子鼻所有传感器对应的电阻数据的降维结果和所述贡献程度，利用训练好的神经网络获得待检测混合气体中每种气体的含量，包括：

31、基于电子鼻中的每个传感器在对待检测混合气体的浓度进行检测时的电阻数据，构建每个传感器对应的待处理电阻序列；

32、将待处理电阻序列中每个数据与所对应的传感器的贡献程度的乘积替换待处理电阻序列中对应位置的原数据，获得替换后的数据序列；

33、对替换后的数据序列进行降维处理，将降维后的结果输入到训练好的神经网络中，获得待检测混合气体中每种气体的含量。

34、第二方面，本发明提供了一种基于电子鼻的气味识别系统，该系统包括：

35、数据采集模块，用于获取电子鼻中的每个传感器采集到的样本浓度序列及传感器的电阻构成的样本电阻序列；样本浓度序列由预设时长内每个采集时刻混合气体中的所有气体的浓度构成，样本浓度序列中的每个元素由所述混合气体中的每种气体的浓度数据构成；

36、附着力系数确定模块，用于将所有样本浓度序列中每种气体在其他气体浓度不变的情况下对应的样本浓度序列记为对应传感器在每种气体下所对应的参考序列；根据每个传感器在每种气体下所对应的参考序列中浓度数据的变化情况以及样本电阻序列的变化情况，得到每个传感器对于每种气体的灵敏度；根据每个传感器在每种气体下所对应的参考序列中浓度随时间的变化情况和传感器的电阻，获得每个传感器对于每种气体的附着力系数；

37、神经网络训练模块，用于结合每个传感器对于所有气体的整体灵敏度和每个传感器对于所有气体的附着力系数的离散程度，确定每个传感器的贡献程度；基于所有所述贡献程度以及所有样本电阻序列获得待分析协方差矩阵，利用待分析协方差矩阵的降维结果对神经网络进行训练获得训练好的神经网络；

38、气体含量检测模块，用于基于电子鼻所有传感器对应的电阻数据的降维结果和所述贡献程度，利用训练好的神经网络获得待检测混合气体中每种气体的含量；所述电阻数据是电子鼻在对待检测混合气体的浓度进行检测时获得的。

39、本发明至少具有如下有益效果：

40、本发明首先通过控制变量的方式，分别分析了每种气体在不同传感器上的数据变化情况，通过对每个传感器在每种气体下所对应的参考序列中浓度数据的变化情况以及传感器电阻的变化情况进行分析，确定了电子鼻的每个传感器对于每种气体的灵敏度大小，然后根据每个传感器在每种气体下所对应的参考序列中浓度随时间的变化情况，确定了每个传感器对于每种气体的附着力系数，进一步地结合每个传感器对于所有气体的灵敏度和附着力系数的整体分布情况对每个传感器的贡献程度进行了评价，利用贡献程度对样本电阻序列的协方差矩阵进行了修正，使得协方差矩阵更加精确，能够使得后续的降维结果的区分度更大，提高神经网络鲁棒性，保证训练好的神经网络的检测结果更准确，进而对待检测混合气体对应的电阻数据进行修正，然后利用训练好的神经网络对混合气体中的气体的含量进行检测，提高了检测结果的准确度。