楊艷菊 黃成鈞

（銅陵學(xué)院，安徽銅陵 244000）

人工神經(jīng)網(wǎng)絡(luò)的蘋果氣體識(shí)別算法研究

楊艷菊 黃成鈞

（銅陵學(xué)院，安徽銅陵 244000）

文章介紹了由氣敏傳感器陣列與人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別技術(shù)相結(jié)合的人工嗅覺系統(tǒng)對(duì)蘋果氣味的定性識(shí)別，嘗試運(yùn)用主成分分析改進(jìn)BP算法和最近鄰k-均值聚類算法，實(shí)現(xiàn)對(duì)“好”和“壞”蘋果氣味的定性識(shí)別。試驗(yàn)結(jié)果表明：采用主成分分析結(jié)合BP算法和最近鄰k-均值聚類算法對(duì)“好”和“壞”蘋果氣味準(zhǔn)確率為91.67%和95.83%,而且大大的縮短了辨識(shí)時(shí)間。

人工嗅覺系統(tǒng)；主成分分析；氣體傳感器陣列

電子鼻由氣體傳感器陣列、信號(hào)預(yù)處理和模式識(shí)別三大部分組成。電子鼻識(shí)別氣味的主要機(jī)理是在陣列中的每個(gè)傳感器對(duì)被測(cè)氣體都有不同的靈敏度。但是用于敏感氣體或氣味的傳感器通常存在著嚴(yán)重的“交叉敏”問題，因而在實(shí)際應(yīng)用中難以滿足測(cè)量精度的要求。近年來，研究人員開始將氣敏傳感器陣列與模式識(shí)別技術(shù)相結(jié)合，形成模擬人類和其他哺乳動(dòng)物嗅覺機(jī)理的人工嗅覺系統(tǒng)。實(shí)踐證明，人工嗅覺系統(tǒng)是解決氣敏傳感器“交叉敏”問題的一種有效途徑。目前采用的模式識(shí)別法：主成分分析法（PCA）、偏最小二乘法（PLS）、最小鄰域法（KNN）、歐幾里德聚類分析法（ECA）和人工神經(jīng)網(wǎng)絡(luò)法（ANN）等在電子鼻領(lǐng)域都有應(yīng)用。由于人工神經(jīng)網(wǎng)絡(luò)能夠處理非線性數(shù)據(jù)，能夠容忍傳感器的漂移和誤差，并具有較高的預(yù)測(cè)精度，因而越來越引起人工嗅覺研究人員們的重視。

本文用八個(gè)半導(dǎo)體氣敏傳感器構(gòu)成傳感器陣列，結(jié)合改進(jìn)BP算法和最近鄰-k均值RBF算法形成人工嗅覺系統(tǒng)，并對(duì)“好”和“壞”蘋果氣味進(jìn)行識(shí)別[1]。本研究采用日本費(fèi)加羅（Figro）公司生產(chǎn)的八個(gè)厚膜金屬氧化物錫傳感器（TGS800，TGS822、TGS813，TGS824，TGS825，TGS2600，TGS2610，TGS2620）。實(shí)驗(yàn)結(jié)果表明用BP算法和RBF算法對(duì)蘋果氣味的原始數(shù)據(jù)和主成分分析后的數(shù)據(jù)進(jìn)行處理，其辨識(shí)結(jié)果都在91.67%以上。從而證明主成分分析法結(jié)合人工神經(jīng)網(wǎng)絡(luò)為模式辨識(shí)提供了一種有效的方法。

1.系統(tǒng)組成

本文設(shè)計(jì)的電子鼻測(cè)量系統(tǒng)由四個(gè)基本單元組成：氣體產(chǎn)生室（容積12升的玻璃箱），測(cè)量室（容積2升的密封塑料盒），A/D轉(zhuǎn)換模塊和一臺(tái)負(fù)責(zé)數(shù)據(jù)采集和處理的電腦（見圖1）。蘋果揮發(fā)物主要成分是乙烯、乙醇、丁醇、丙醇等碳?xì)浠衔?。通過分析選取對(duì)這些氣體比較“敏感”的錫氧化物氣體傳感器組成傳感器陣列對(duì)蘋果揮發(fā)氣體進(jìn)行分析。每一次測(cè)量時(shí)將氣體室、測(cè)量室與空氣充分接觸，達(dá)到一個(gè)穩(wěn)定的標(biāo)準(zhǔn)狀態(tài)，然后在氣體室中放蘋果（大小、重量相當(dāng)），密封好放置24小時(shí)后打開閥門讓氣體通過管道與測(cè)量室中的傳感器陣列充分的接觸（約一個(gè)小時(shí)，這一過程使傳感器在測(cè)量階段有足夠的時(shí)間與蘋果氣體進(jìn)行反應(yīng)）。每一類樣本分析后再讓氣體室和測(cè)量室與空氣充分接觸，傳感器恢復(fù)初始狀態(tài)，以便下次測(cè)量。實(shí)驗(yàn)的測(cè)量系統(tǒng)如圖1所示。

圖1 測(cè)量系統(tǒng)的原理圖

傳感器陣列采集的信號(hào)是模擬信號(hào)，經(jīng)模數(shù)轉(zhuǎn)換器（ADAM-4019）轉(zhuǎn)化為數(shù)字信號(hào)后，通過RS-232接口傳送給電腦進(jìn)行處理。數(shù)據(jù)分析是在CPU主頻為2.4G、內(nèi)存512 M的計(jì)算機(jī)上用VC++6.0編程實(shí)現(xiàn)的。

圖2 蘋果氣味的數(shù)據(jù)采集

2.模式識(shí)別方法

2.1 主成分分析

主成分分析（Principle components analysis-PCA）是把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)的多元統(tǒng)計(jì)分析方法。主成分PCk的表達(dá)形式如下：

其中X是輸入數(shù)據(jù)矩陣，K為主成分為主成分序號(hào)，n為數(shù)據(jù)的維數(shù)，aik為系數(shù)。

在PCA學(xué)習(xí)中，對(duì)原始數(shù)據(jù)矩陣標(biāo)準(zhǔn)化后數(shù)據(jù)的相關(guān)矩陣[2]進(jìn)行分析，得到主成分。主成分分析的主要特點(diǎn)是通過數(shù)據(jù)坐標(biāo)軸的變化得到新的圖示——得分圖和負(fù)荷圖[3]。得分圖經(jīng)常被用來研究數(shù)據(jù)聚類、分類；負(fù)荷圖被用來表示原始數(shù)據(jù)和每個(gè)主成分的相關(guān)性。主成分分析實(shí)際上是選取主分量的過程，而分類辨識(shí)則要用到模式辨識(shí)算法。

2.2 反向傳播學(xué)習(xí)算法

2.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)(Radial Basis Function-RBF）神經(jīng)網(wǎng)絡(luò)，在選取RBF基函數(shù)中心時(shí)采用了最近鄰聚類學(xué)習(xí)算法[5]和K-均值聚類算法[6]相結(jié)合的方法。其訓(xùn)練規(guī)則如下:

（1）選擇一個(gè)適當(dāng)?shù)母咚购瘮?shù)寬度r,定義一個(gè)矢量A(L)用于存放屬于各類的輸入矢量之和,定義一個(gè)計(jì)數(shù)器B(L)用于統(tǒng)計(jì)屬于各類的樣本個(gè)數(shù),其中L為類別數(shù)。

（2）從第一個(gè)數(shù)據(jù)X1開始,在X1上建立一個(gè)聚類中心,令C1=X1，A(1)=C1，B(1)=1。這樣建立的RBF網(wǎng)絡(luò)，只有一個(gè)隱單元，該隱單元的中心為C1。

輸出層線形權(quán)的計(jì)算采用梯度下降算法。

3.實(shí)驗(yàn)及結(jié)果

3.1 實(shí)驗(yàn)系統(tǒng)

實(shí)驗(yàn)用品是從超市購買的紅富士蘋果，將蘋果分成兩類：一類“好”的富士蘋果15個(gè)（大小、顏色相近）；一類“壞”的蘋果5個(gè)有部分褐斑或腐爛的蘋果和10個(gè)好的蘋果。實(shí)驗(yàn)時(shí)將蘋果按類分別放入密閉容器內(nèi)24小時(shí)后進(jìn)行測(cè)試。實(shí)驗(yàn)數(shù)據(jù)每類蘋果取20組樣本（12個(gè)樣本作為訓(xùn)練樣本，8個(gè)樣本作為測(cè)試樣本），兩類蘋果共40組樣本進(jìn)行分析。

實(shí)驗(yàn)器件采用的半導(dǎo)體傳感器組成傳感器陣列，組成人工嗅覺系統(tǒng)前端的感應(yīng)部分。傳感器陣列用的是日本費(fèi)加羅公司的八個(gè)傳感器，并加入了溫度傳感器和濕度傳感器模塊，觀測(cè)測(cè)試過程中的溫度、濕度。

在氣體識(shí)別中，為了提高辨識(shí)效果，需要對(duì)傳感器的輸出信號(hào)進(jìn)行預(yù)處理，以基本消除氣體濃度對(duì)輸出的影響。假設(shè)金屬氧化物半導(dǎo)體的電導(dǎo)用G表示，傳感器i對(duì)氣體樣本j產(chǎn)生的響應(yīng)用Gi，j表示，則n個(gè)傳感器組成的陣列對(duì)氣體樣本j的響應(yīng)是n維狀態(tài)空間上的一個(gè)矢量Gj：Gj={g1，j，g2，j…，gn，j}，預(yù)處理算法為:

式中Gi，0－傳感器i在純凈空氣中的電導(dǎo)，經(jīng)過處理后的矢量：Xj={X1，j，X2，j，…，Xn，j}作為網(wǎng)絡(luò)的實(shí)際輸入。

3.2 辨識(shí)結(jié)果

圖3顯示了電子鼻[7]檢測(cè)和區(qū)分不同程度蘋果的PCA分析圖。在PCA分析中，第一主成分PC1和第二主成分PC2的貢獻(xiàn)率分別為95.46%，3.03%，前兩個(gè)主成分累積占到所有信息量的98.49%。由崖底碎石圖[8]確定了主成分適合的個(gè)數(shù)為2，即2個(gè)主成分即可取代原來8個(gè)變量來進(jìn)行模式識(shí)別。

圖3 PCA分析圖

圖4是兩種樣本在PC1和PC2上的得分圖和負(fù)荷圖，從圖(a)中可以看出，“好”蘋果和“壞”蘋果可以明顯地分開。在圖(b)中有相似的負(fù)荷，相似的負(fù)荷代表冗余度，所以在原始數(shù)據(jù)中有冗余的信息，可以用五個(gè)傳感器陣列代替原八個(gè)傳感器陣列[9]。

圖4 好蘋果和壞蘋果的得分圖和負(fù)荷圖

在圖5中橫坐標(biāo)代表訓(xùn)練次數(shù)，縱坐標(biāo)代表總的訓(xùn)練誤差。可以看出BP經(jīng)過4251次訓(xùn)練后誤差收斂到0.001；對(duì)于RBF算法，最終的訓(xùn)練次數(shù)為49627，誤差為0.01，兩種算法的辨識(shí)結(jié)果在網(wǎng)絡(luò)輸出值上不同，但識(shí)別結(jié)果兩者相同，辨識(shí)結(jié)果見下表。

表1說明BP算法和K均值與最近鄰RBF算法對(duì)原始數(shù)據(jù)的分類正確率分別為91.67%，95.83%。在BP和RBF兩種算法中，BP算法訓(xùn)練用的時(shí)間較RBF少，但辨識(shí)率較RBF低；經(jīng)過主成分分析后，BP和RBF兩種算法訓(xùn)練時(shí)間都縮短很多。

圖5 訓(xùn)練的誤差和訓(xùn)練次數(shù)仿真

表1 BP網(wǎng)絡(luò)和K均RBF網(wǎng)絡(luò)的計(jì)算結(jié)果

4.結(jié)束語

該研究分別對(duì)“好”和“壞”蘋果在測(cè)試環(huán)境以及測(cè)試溫度相同的條件下，運(yùn)用8個(gè)傳感器陣列構(gòu)成的8維數(shù)據(jù)作為原始數(shù)據(jù)樣本，在BP和RBF兩種算法中，分類正確率分別為91.67%，95.83%，BP算法訓(xùn)練用的時(shí)間較RBF少，但辨識(shí)率較RBF低；通過PCA分析之后，可以將維數(shù)減小到兩維，辨識(shí)的時(shí)間卻大大的減少。這說明應(yīng)用PCA分析在處理模式辨識(shí)問題上速度更快，同時(shí)可以得到滿意的結(jié)果，為人工嗅覺系統(tǒng)在實(shí)際環(huán)境中的應(yīng)用打下了基礎(chǔ)。

［1］趙杰文，劉木華，潘胤飛，鄒小波.遺傳算法優(yōu)化BP及RBF神經(jīng)網(wǎng)絡(luò)用于蘋果氣味分類[J].江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版)，2004，25 (2):39-42.

［2］孟德順.PCA應(yīng)用中的幾個(gè)問題[J].西北林學(xué)院學(xué)報(bào),1995,10（1）：89-94.

［3］M.Penza etc.Application of principal component analysis and artificial neural networks to recognize the individual VOCs of methanol/2-propanol in a binary mixture by SAW multi-sensor array[J].Sensors and Actuators B，2003，(89):269-284.

［4］王洪元，史國棟.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[M].北京:中國石化出版社,2002.29-40.

［5］朱明星，張德龍.RBF網(wǎng)絡(luò)基函數(shù)中心選取算法的研究[J].安徽大學(xué)學(xué)報(bào)（自然科學(xué)版），2000，24(1):72-78.

［6］徐秉錚，張百靈，韋崗.神經(jīng)網(wǎng)絡(luò)理論與應(yīng)[M].廣州:華南理工大學(xué)出版社,1994.312-316.

［7］J.Brezmes,etc.Fruit ripeness monitoring using an Electronic Nose[J].Sensors and Actuators B,2000，(69):223-229.

［8］J.Brezmes，E.Llobet,X.Vilanova，J.Orts,G.Saiz，X.Correig.Correlation between electronic nose signals and fruit quality indicators on shelf-life measurements with pinklady apples[J].Sensors and Actuators B,2001，(80)：41-50.

［9］Richard A.Johnson,Dean W.Wichern.實(shí)用多元統(tǒng)計(jì)分析[M].北京:清華大學(xué)出版社,2003.358-361.

TP21

：A

：1672-0547（2010）02-0076-03

2009-10-19

楊艷菊（1981-），女，河南周口人，銅陵學(xué)院電氣工程系教師，碩士。