李 培，牛智有,2，譚鶴群,2，張偉健，皇甫季璇

魚粉品質(zhì)檢測(cè)電子鼻傳感器陣列的多特征數(shù)據(jù)融合優(yōu)化

李 培1，牛智有1,2※，譚鶴群1,2，張偉健1，皇甫季璇1

（1. 華中農(nóng)業(yè)大學(xué)工學(xué)院，武漢 430070；2. 農(nóng)業(yè)部長(zhǎng)江中下游農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，武漢 430070）

為了提高基于仿生嗅覺的魚粉品質(zhì)檢測(cè)裝置的鑒別能力，該文利用自主設(shè)計(jì)的仿生嗅覺魚粉品質(zhì)檢測(cè)裝置，提取魚粉樣本的響應(yīng)特征信息，對(duì)其傳感器陣列進(jìn)行多特征數(shù)據(jù)融合優(yōu)化。依據(jù)各傳感器對(duì)樣本的響應(yīng)曲線，提取傳感器特征值（10×6個(gè)）構(gòu)成原始特征矩陣，后對(duì)傳感器陣列特征值進(jìn)行歸一化處理，以緊湊性作為評(píng)價(jià)特征選擇方法合理性的標(biāo)準(zhǔn)，采用了3種單特征排序方法（MIC、2、-test），3種多特征排序方法（RF、LR、SVM），4種特征遞減消除方法（RFRFE、SVMRFE、DTRFE、LRRFE）對(duì)不同品質(zhì)的魚粉進(jìn)行分類準(zhǔn)確率檢驗(yàn)，得到基于隨機(jī)森林的特征遞減消除算法（RFRFE）的緊湊性最好，此時(shí)最佳的分類準(zhǔn)確率為98.3%，特征數(shù)目為33個(gè)。優(yōu)化后的傳感器陣列特征發(fā)生了明顯的變化，傳感器陣列由原來的10個(gè)變?yōu)榱?個(gè)，去掉了傳感器TGS2620和傳感器TGS2600，特征值也減少了45%。為了避免選擇偏差，采用了10折交叉驗(yàn)證方法，再次得到了RFRFE算法具有更佳的緊湊性。該特征選擇方法為利用仿生嗅覺技術(shù)鑒別其他動(dòng)物源性原料樣本的特征優(yōu)化提供了新的方法和參考。

品質(zhì)控制；無損檢測(cè)；飼料；魚粉；歸一化；隨機(jī)森林；特征遞減消除

0 引 言

魚粉（fish meal）是優(yōu)質(zhì)的蛋白質(zhì)飼料，不但蛋白質(zhì)含量高，而且氨基酸種類齊全，磷、鈣含量高，并含有豐富的維生素A、維生素D、維生素B12和未知生長(zhǎng)因子，是飼料工業(yè)主要的動(dòng)物源性飼料原料，因此其品質(zhì)直接影響飼料產(chǎn)品的質(zhì)量[1-2]。在魚粉儲(chǔ)藏過程中，由于儲(chǔ)藏環(huán)境和儲(chǔ)藏方法等因素影響，魚粉品質(zhì)會(huì)隨之發(fā)生變化，這將直接使魚粉營(yíng)養(yǎng)價(jià)值降低，從而影響動(dòng)物的消化與免疫能力[3]。因此魚粉品質(zhì)的檢測(cè)是確保飼料產(chǎn)品質(zhì)量的重要技術(shù)環(huán)節(jié)和手段。目前，魚粉品質(zhì)檢測(cè)主要是采用化學(xué)檢測(cè)、感官評(píng)定、光譜分析[4]等傳統(tǒng)方法。傳統(tǒng)的檢測(cè)方法存在操作繁瑣、耗時(shí)、主觀性強(qiáng)等缺點(diǎn)，已難以滿足現(xiàn)代飼料生產(chǎn)的需要。雖然有學(xué)者將電子舌應(yīng)用在魚粉品質(zhì)檢測(cè)當(dāng)中，但檢測(cè)結(jié)果并不理想[5]。電子鼻則應(yīng)用廣泛并具有很好的應(yīng)用效果，沈飛等[6]將該檢測(cè)系統(tǒng)應(yīng)用在花生有害霉菌種類識(shí)別當(dāng)中，鑒別正確率高達(dá)100%，Sanaeifar等[7]將檢測(cè)系統(tǒng)應(yīng)用在香蕉品質(zhì)檢測(cè)當(dāng)中。所以，電子鼻系統(tǒng)作為一種樣本品質(zhì)的檢測(cè)工具，具有非常大的潛力。

在電子鼻系統(tǒng)中，氣體傳感器陣列是尤為關(guān)鍵的一部分，同時(shí)，傳感器之間的交叉響應(yīng)所產(chǎn)生的冗余信息，對(duì)鑒別結(jié)果也極為不利[8]。因此，采用該檢測(cè)系統(tǒng)進(jìn)行魚粉樣本品質(zhì)檢測(cè)鑒別時(shí)，傳感器特征的提取與表征特征的優(yōu)化尤為重要。

常用的電子鼻系統(tǒng)優(yōu)化特征方法有相關(guān)性分析[9-10]、聚類分析[11]、因子載荷分析[12]、方差分析[13-14]、Wilks統(tǒng)計(jì)量[15-16]等。徐克明等[17]通過基于非搜索性特征優(yōu)化方法，對(duì)用于山核桃陳化時(shí)間的仿生嗅覺系統(tǒng)傳感器陣列進(jìn)行優(yōu)化，優(yōu)化后的山核桃組內(nèi)聚集度增大，組間更易區(qū)分；殷勇等[18]通過基于多種變量的分析方法對(duì)用于食醋種類區(qū)分的仿生嗅覺系統(tǒng)傳感器特征值進(jìn)行篩選，獲得了最佳的傳感器陣列；尹芳緣等[19]利用隨機(jī)共振非線性信號(hào)分析方法對(duì)區(qū)分霉變燕麥的檢測(cè)系統(tǒng)進(jìn)行傳感器陣列優(yōu)化。但這些方法的實(shí)用性皆因不同的鑒別目標(biāo)而存在應(yīng)用效能上的差異，且這些方法基本上都是單特征變量選擇方法，與多特征變量選擇方法和特征遞減消除特征選擇方法相比在應(yīng)用效能方面有一定的局限性。目前，在基于電子鼻的魚粉品質(zhì)檢測(cè)裝置研究中，由于缺少對(duì)傳感器陣列的優(yōu)化，導(dǎo)致系統(tǒng)檢測(cè)數(shù)據(jù)冗余，從而影響后續(xù)建模及檢測(cè)結(jié)果[20]。所以，針對(duì)基于電子鼻技術(shù)的魚粉品質(zhì)檢測(cè)方面，對(duì)傳感器陣列進(jìn)行優(yōu)化顯得尤為重要。

在實(shí)際應(yīng)用中，常用積分值、平均微分值、穩(wěn)定值用來表征樣本信息[21]。本文在常用的特征值基礎(chǔ)上增加了能量值、最大梯度值、方差值。在提取了不同儲(chǔ)藏時(shí)間魚粉樣本的多個(gè)特征值構(gòu)成初始特征矩陣的基礎(chǔ)上，以特征子集的緊湊性為評(píng)價(jià)標(biāo)準(zhǔn)，采用4種遞歸特征消除（RFE，recursive feature elimination）的算法對(duì)傳感器特征值進(jìn)行提取，且將該方法與以卡方、方差分析、最大信息系數(shù)為主的單特征變量排序方法（SFR，single feature ranking）和以SVM、RF、Logistic regression為主的多特征變量排序方法（MFR，multi-feature ranking）相比較，為傳感器陣列多特征融合的魚粉品質(zhì)檢測(cè)提供一種新的優(yōu)化方法。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)采用不同儲(chǔ)藏時(shí)間等級(jí)的魚粉樣本，該樣本經(jīng)過氣候箱的高溫高濕環(huán)境逐漸腐敗變質(zhì)，總共獲得了6個(gè)不同儲(chǔ)藏時(shí)間的樣本。每種樣本平均分成30份，每份質(zhì)量為80 g，總共進(jìn)行180次試驗(yàn)。其中，126個(gè)樣本為訓(xùn)練集用于建立模型，其余54個(gè)樣本為測(cè)試集用于對(duì)模型的驗(yàn)證。

1.2 儀器與設(shè)備

采用自行研制的基于仿生嗅覺的的魚粉品質(zhì)檢測(cè)裝置，如圖1所示。該裝置主要由氣體采集與傳輸模塊、以樹莓派為核心的控制處理存儲(chǔ)模塊、ARPI600數(shù)據(jù)采集模塊、傳感器陣列模塊組成。傳感器陣列模塊為該裝置的核心部件，主要由10個(gè)氣體傳感器組成，即傳感器1（TGS822）、傳感器2（TGS2602）、傳感器3（TGS813）、傳感器4（TGS2620）、傳感器5（MQ136）、傳感器6（TGS2600）、傳感器7（MQ139）、傳感器8（TGS2610）、傳感器9（MQ137）、傳感器10（TGS2611）。

1.3 試驗(yàn)方法

首先對(duì)該檢測(cè)裝置進(jìn)行預(yù)熱，再經(jīng)活性炭過濾之后的純凈空氣對(duì)裝置進(jìn)行清洗，由于清洗時(shí)間對(duì)裝置的影響較大，即清洗時(shí)間若較短，則吸附在傳感器上的樣品氣體無法全部被清洗干凈，殘留的氣體分子會(huì)影響下一個(gè)樣品的測(cè)試結(jié)果，導(dǎo)致不同品質(zhì)樣品的區(qū)分度不大；若清洗時(shí)間太長(zhǎng)，則會(huì)造成能量的浪費(fèi)以及儀器的損耗，經(jīng)試驗(yàn)優(yōu)化得到清洗時(shí)間為77 s；然后將魚粉樣本置于250 mL的高硼硅采樣瓶中，由微型氣泵將樣本產(chǎn)生的頂空氣體抽至檢測(cè)裝置的氣體采樣室中，與位于采樣室中的氣體傳感器發(fā)生化學(xué)反應(yīng)，進(jìn)而引起傳感器的阻值發(fā)生變化。當(dāng)采樣時(shí)間較短時(shí)，電子鼻傳感器響應(yīng)值未達(dá)到最大值且保持穩(wěn)定，導(dǎo)致檢測(cè)結(jié)果無法全面正確地反映樣品的所有氣味特征；當(dāng)采樣時(shí)間過長(zhǎng)時(shí)，樣品瓶中的氣體被抽空后，空氣會(huì)被繼續(xù)抽進(jìn)反應(yīng)室，此時(shí)傳感器的響應(yīng)值逐漸下降，致使檢測(cè)結(jié)果產(chǎn)生誤差，經(jīng)試驗(yàn)優(yōu)化得到該裝置的檢測(cè)時(shí)間為39 s，數(shù)據(jù)采樣間隔為1 s。最后每次采樣完之后對(duì)裝置進(jìn)行清洗復(fù)原，進(jìn)行下一個(gè)樣本的測(cè)試。通過測(cè)試，獲得各個(gè)傳感器對(duì)腐敗樣本的響應(yīng)曲線如圖2所示。從圖2可以看出，每個(gè)傳感器對(duì)魚粉樣本都有響應(yīng)，響應(yīng)趨勢(shì)大致相同，且隨著傳感器表面富集樣本氣體的不斷增大，電導(dǎo)比值呈現(xiàn)先增大后趨于平緩，達(dá)到一個(gè)相對(duì)穩(wěn)定的狀態(tài)。所以在后期特征值優(yōu)化中，每一個(gè)傳感器的特征值都將作為初始特征值。

注：電導(dǎo)比G/G0即R0/R，也就是處于經(jīng)活性炭過濾之后的空氣當(dāng)中氣體傳感器的電阻值與處在樣品氣體中氣體傳感器的電阻值之比, 1～10為傳感器編號(hào)。

1.4 數(shù)據(jù)處理

1.4.1 預(yù)處理

采用Savitzky-Golay進(jìn)行5點(diǎn)濾波平滑處理[22]，用來消除噪聲信號(hào)的影響，提取積分值（integral value，INV）、能量值（wavelet energy value，WEV）、最大梯度值（maximum gradient value，MGV）、平均微分值（average differential value，ADV）、相對(duì)穩(wěn)定均值（relation steady-state response average value，RSAV）、方差值（variance value，VARV）6種特征作為魚粉樣本特征信息的特征參量，共提取10×6個(gè)特征參數(shù)，構(gòu)成60維特征矩陣。由于6種特征值的量綱不同，需對(duì)各特征值進(jìn)行數(shù)據(jù)歸一化處理。各特征編號(hào)與傳感器編號(hào)的對(duì)應(yīng)關(guān)系如表1所示。

表1 各特征編號(hào)與傳感器編號(hào)的對(duì)應(yīng)關(guān)系

1.4.2 算 法

SFR算法：本文采用卡方（2）、-test（-value）和最大信息系數(shù)[23-24]（MIC，maximum information coefficient）3種單特征排序（SFR，single feature ranking）方法。由于單特征選擇方法并不能直接得出分類結(jié)果，必須與分類器結(jié)合，因此選擇了隨機(jī)森林分類器對(duì)魚粉樣本品質(zhì)進(jìn)行分類。其方法為：根據(jù)計(jì)算各個(gè)特征與分類標(biāo)簽之間的卡方、值、最大信息系數(shù)，按從大到小的順序進(jìn)行排列，并依據(jù)特定的分類器，依次去掉值較小的特征，最終得到最佳的特征子集以及最佳分類正確率。

MFR算法：在進(jìn)行特征選擇方法之前，采用網(wǎng)格搜索方法對(duì)各分類器下的參數(shù)進(jìn)行優(yōu)化，并得出最優(yōu)參數(shù)。在最優(yōu)參數(shù)下分別采用RF分類方法[25-26]、SVM分類方法（線性核）[27-28]和Logistic Regression[29]方法建立分類器，并得到各個(gè)特征的重要性得分或系數(shù)的絕對(duì)值，得分越高或系數(shù)絕對(duì)值越大，則該特征的貢獻(xiàn)越大，此為多特征排序方法（MFR），且這些算法都可以用來處理非線性問題。

RFE算法：遞歸特征消除（RFE，recursive feature elimination）的主要思想是反復(fù)構(gòu)建模型，通過重要性得分或系數(shù)絕對(duì)值對(duì)特征按從大到小排列，刪除最差的特征，在剩余的特征上重復(fù)上述過程，直到只剩下一個(gè)特征或達(dá)到用戶設(shè)定的特征數(shù)[30]。因此，這是一種尋找最優(yōu)特征子集的貪心算法。本文選擇了RFRFE、DTRFE、SVMRFE、LRRFE4種基于RFE的特征選擇方法，通過得到最佳的分類正確率得到最優(yōu)子集，各種特征選擇方法的選擇過程如下：

輸入：訓(xùn)練數(shù)據(jù)集（個(gè)樣本，個(gè)特征），類標(biāo)簽（，1）。

1）初始化當(dāng)前特征集合now為原始數(shù)據(jù)集，最優(yōu)特征集合best為空，最優(yōu)特征子集分類正確率best為0；

2）由now分別建立RF、DT、SVM、Logistic Regression分類模型，分別得到正確率評(píng)估值now以及按特征評(píng)分的絕對(duì)值降序排列now中的特征；

3）分別刪除當(dāng)前子集now中排名靠后的個(gè)特征直至當(dāng)前特征集合now為空。若當(dāng)前特征子集now的正確率now大于best：best＝now，否則執(zhí)行2）～3）；

輸出：最優(yōu)特征子集best。

1.4.3 評(píng)價(jià)指標(biāo)

本文以特征子集的緊湊性[31]作為評(píng)價(jià)指標(biāo)。給定一個(gè)訓(xùn)練集，如果和是2種不同的特征選擇方法，其中1和1分別是由和在上創(chuàng)建的特征子集，2和2分別是和在特征子集1和1上得到的最大識(shí)別精度，如果2>2或者2=2且|1|<|1|，則認(rèn)為特征子集比特征子集更緊湊。如果|22<1%，則采用比值的方法進(jìn)行評(píng)價(jià)，若2/12/1，則認(rèn)為特征子集比特征子集更緊湊。

特征選擇的目的是獲得一組有較強(qiáng)識(shí)別能力且有較少特征的特征子集。從某種意義上來說，一個(gè)更緊湊的特征子集可以減少由原始特征中冗余信息和不相關(guān)信息產(chǎn)生的學(xué)習(xí)過程的復(fù)雜性，增強(qiáng)學(xué)習(xí)速度和提高泛化能力。

2 結(jié)果與分析

2.1 原始特征矩陣歸一化處理

由于每種特征值的量綱不同，為了消除數(shù)據(jù)屬性間的差別，避免大數(shù)值的數(shù)據(jù)變化掩蓋掉小數(shù)值的變化，需對(duì)數(shù)據(jù)進(jìn)行歸一化處理[32-34]。歸一化處理是一種無量綱處理手段，可減小計(jì)算量和訓(xùn)練時(shí)間，便于數(shù)據(jù)處理。本文所采用的歸一化方法為正規(guī)化方法，該方法將傳感器特征數(shù)據(jù)映射到0～1的范圍內(nèi)，計(jì)算公式如式（1）所示。

式中x'為歸一化后的特征值；x為原始數(shù)據(jù)特征值；max為原始特征最大值；min為原始特征最小值。

2.2 特征選擇算法的分類準(zhǔn)確率檢驗(yàn)

2.2.1 SFR算法分類準(zhǔn)確率檢驗(yàn)

以RF作為分類器構(gòu)建分類模型，采用單特征排序方法，得到了最終狀態(tài)下不同單特征選擇方法準(zhǔn)確率，如圖3所示。從圖3可以看出，采用較少特征值進(jìn)行魚粉品質(zhì)等級(jí)分類時(shí)，MIC算法具有最佳的分類準(zhǔn)確率，隨著選擇的特征數(shù)目的增加，分類準(zhǔn)確率呈現(xiàn)先增加后穩(wěn)定的趨勢(shì)，當(dāng)選擇超過3種特征數(shù)量時(shí)，MIC特征選擇方法的分類精度達(dá)到了90%以上，當(dāng)選擇超過12個(gè)特征值時(shí)，卡方特征選擇方法的分類精度達(dá)到90%以上，當(dāng)選擇超過6個(gè)特征值時(shí)，-test特征選擇方法的分類精度達(dá)到90%以上?？赡苁怯捎趧傞_始時(shí)卡方檢驗(yàn)會(huì)選擇一些小眾數(shù)據(jù)，覆蓋率不好，噪音較大，所以效果不如MIC算法，但從38個(gè)特征值開始會(huì)選擇一些較好的特征，整體效果有所上升，因此就最佳的分類精度以及最佳狀態(tài)下的特征值來說，卡方算法是單特征選擇方法中最好的特征選擇方法。但單特征選擇方法的缺點(diǎn)是忽視了特征之間的相關(guān)以及非線性關(guān)系，一個(gè)理想的特征選擇方法需要考慮特征之間的聯(lián)系，這樣才能檢測(cè)出對(duì)分類結(jié)果具有冗余信息的特征，因此單特征選擇方法并不能得到最優(yōu)的情況。

圖3 不同單特征選擇方法準(zhǔn)確率比較

2.2.2 MFR算法分類準(zhǔn)確率檢驗(yàn)

與單特征排序方法相比，多特征排序方法在某種程度上考慮了特征之間的關(guān)系。圖4為不同的多特征選擇方法的準(zhǔn)確率。從圖4中看出，無論選取多少個(gè)特征值，RF算法的分類準(zhǔn)確率總是高于SVM和LR算法?？赡苁怯捎陔S機(jī)森林算法是一種基于決策樹分類器的集成學(xué)習(xí)算法，且該算法通過在分類的過程中獲得各個(gè)特征的重要性對(duì)特征進(jìn)行排序，考慮了特征之間的關(guān)系，因此具有更強(qiáng)的緊湊性。另外，當(dāng)選擇的特征數(shù)目較少時(shí)，分類器分類準(zhǔn)確率波動(dòng)較大，這是因?yàn)橛糜诜诸惼鞣诸惖男畔⑻?，隨著特征數(shù)量的增加，用于分類的信息增多，使分類器性能得到了提高，從而分類準(zhǔn)確率增加。當(dāng)特征達(dá)到一定數(shù)量，分類準(zhǔn)確率隨特征數(shù)量的增加不再升高甚至降低，這是因?yàn)殡S著特征子集中重要性較低的特征的加入，分類器中不相關(guān)和冗余信息增多，導(dǎo)致分類器性能降低，分類準(zhǔn)確率下降。

圖4 不同多特征選擇方法準(zhǔn)確率比較

2.2.3 RFE算法分類準(zhǔn)確率檢驗(yàn)

特征遞減消除是發(fā)生在遞歸循環(huán)過程中的反向選擇過程。該算法的優(yōu)勢(shì)是不斷地消除對(duì)分類無關(guān)的特征，并保留對(duì)分類具有重要性的特征，更容易得到較少的對(duì)分類重要的特征RFE算法間接使用了啟發(fā)式的特征排序標(biāo)準(zhǔn)來確保算法的執(zhí)行。圖5為不同RFE特征選擇方法下準(zhǔn)確率。從圖5中可以看出，RFRFE方法不管選擇的特征數(shù)目為多少，其分類準(zhǔn)確率都大致大于其他特征選擇方法。

圖5 不同RFE特征選擇方法下準(zhǔn)確率比較

2.3 不同特征選擇方法對(duì)魚粉特征選擇的緊湊性比較

表2為3種單特征排序方法（MIC、2、-test）、3種多特征排序方法（RF、LR、SVM）、4種特征遞減消除方法（RFRFE、SVMRFE、DTRFE、LRRFE）對(duì)不同品質(zhì)等級(jí)的魚粉進(jìn)行分類的檢測(cè)結(jié)果。若特征選擇方法的精度較高，則性能較好，如果2種或2種以上的特征選擇方法具有相同的分類精度，則特征數(shù)較少的選擇方法性能較好。

表2 不同特征選擇方法緊湊性比較

從表2可以看出，單特征選擇方法中卡方特征排序方法具有最高的分類準(zhǔn)確率，達(dá)到98.9%，但此方法選擇的特征數(shù)目為40個(gè)。選擇特征數(shù)目最少的特征選擇方法為DTRFE和LR，但分類準(zhǔn)確率相對(duì)比較低，因此不能作為最佳的特征選擇方法。對(duì)于多特征選擇方法來說，隨機(jī)森林（RF）特征選擇方法具有最高的分類正確率，但特征數(shù)目相對(duì)較多。與多特征選擇方法相比，遞歸特征消除方法具有較少的特征數(shù)目，大大減少了冗余信息。按照本文的評(píng)價(jià)指標(biāo)，具有最好緊湊型的分類方法是RFRFE方法。因?yàn)镽F是集成分類器，可以解決數(shù)據(jù)的微小變化導(dǎo)致生成不同的樹的問題，集成分類器性能在整體上強(qiáng)于決策樹（decision tree，DT）分類器。RFRFE方法的分類準(zhǔn)確率雖然為98.3%，低于卡方特征選擇方法，但它們之間的誤差僅為0.6%，此時(shí)已經(jīng)滿足采用比值方法進(jìn)行評(píng)價(jià)的條件，卡方特征選擇方法中比值為2.472 5，而RFRFE算法中比值為2.978 8，高于卡方特征選擇方法的比值，所以RFRFE算法具有更佳的緊湊性。

2.4 基于RFRFE算法的特征排序

從以上對(duì)傳感器特征值的特征選擇結(jié)果來看，RFRFE特征選擇方法具有最好的緊湊性。因此，選擇RFRFE特征選擇算法作為魚粉傳感器陣列特征選擇方法，并對(duì)傳感器陣列特征值重要性排序，排序結(jié)果如表3所示。從表3中可以看出，對(duì)分類貢獻(xiàn)最大的特征值是2和5，對(duì)分類貢獻(xiàn)最小的特征值是4。

表3 RFRFE方法下傳感器陣列特征值重要性排序

2.5 RFRFE算法緊湊性的交叉驗(yàn)證

為了驗(yàn)證RFRFE算法的緊湊性和避免選擇偏差，采用最常用和最典型的10折交叉驗(yàn)證的方法對(duì)選擇的4種RFE特征選擇算法進(jìn)行準(zhǔn)確率檢驗(yàn)，并得到4種RFE算法的準(zhǔn)確率和特征子集所對(duì)應(yīng)的箱線圖，如圖6所示，且為了公平比較，所有特征選擇方法都采用由10折交叉驗(yàn)證隨機(jī)產(chǎn)生的訓(xùn)練集和驗(yàn)證集，并記錄下每次的最大識(shí)別率以及所對(duì)應(yīng)的特征子集。圖6a為4種RFE算法的準(zhǔn)確率對(duì)應(yīng)的箱線圖，從圖中可以看出，RFRFE算法的準(zhǔn)確率最高，分離程度最小。圖6b為4種RFE算法的特征子集對(duì)應(yīng)的箱線圖，從圖中可以看出，RFRFE算法相比于其他幾種算法而言，準(zhǔn)確率最高，依據(jù)緊湊型評(píng)價(jià)標(biāo)準(zhǔn)，當(dāng)特征選擇方法具有最高的準(zhǔn)確率時(shí)，則性能最好，因此RFRFE算法具有更好的緊湊性。故本文選擇RFRFE算法作為最佳的特征選擇方法是比較合理的。

圖6 10折交叉驗(yàn)證下4種RFE算法準(zhǔn)確率和特征子集箱線圖

2.6 傳感器陣列特征優(yōu)化結(jié)果

表4為特征優(yōu)化后各傳感器的型號(hào)、特征值與特征編號(hào)的對(duì)應(yīng)關(guān)系。從表4中可以看出，優(yōu)化后的傳感器陣列特征發(fā)生了明顯的變化，傳感器陣列由原來的10個(gè)變?yōu)榱?個(gè)，去掉了傳感器4（TGS2620）和傳感器6（TGS2600）這2個(gè)傳感器，說明這2個(gè)傳感器對(duì)采用RF分類器對(duì)魚粉品質(zhì)進(jìn)行分類的貢獻(xiàn)率較小。在選擇的6種特征值中，只有傳感器1（TGS822）、傳感器3（TGS813）、傳感器5（MQ136）選擇了全部的特征值，說明這3個(gè)傳感器在采用RF分類器對(duì)魚粉品質(zhì)進(jìn)行分類中具有重要的作用。通過RFRFE特征選擇方法，特征數(shù)目由原始的60個(gè)特征值縮減為33個(gè)，減少了45%的特征數(shù)目，大大減少了與魚粉品質(zhì)分類不相關(guān)和冗余的信息。

表4 特征優(yōu)化后的各傳感器的型號(hào)、特征值與特征編號(hào)的對(duì)應(yīng)關(guān)系

注：傳感器型號(hào)從上至下依次對(duì)應(yīng)圖2中1、2、3、5、7、8、9、10。

Note: Sensor model from top to bottom corresponds to 1, 2, 3, 5, 7, 8, 9, 10 in Fig.2.

3 結(jié)論

利用基于仿生嗅覺的魚粉品質(zhì)檢測(cè)裝置，對(duì)不同儲(chǔ)藏時(shí)間的魚粉樣本進(jìn)行檢測(cè)，根據(jù)獲得的響應(yīng)曲線，提取6種特征值組成初始特征矩陣，并對(duì)響應(yīng)特征進(jìn)行正規(guī)化處理。以緊湊性為評(píng)價(jià)指標(biāo)，通過單特征排序方法（SFR）、多特征排序方法（MFR）、特征遞減消除方法（RFE）對(duì)特征進(jìn)行選擇，得到以下結(jié)論：

1）通過單特征排序方法得到，以隨機(jī)森林作為分類器，采用卡方特征選擇方法具有更好的分類準(zhǔn)確率。因?yàn)樵摲椒ǜ滋蕹哂嘈畔ⅲx取對(duì)分類結(jié)果更有效的特征，采用此方法進(jìn)行特征選擇的最佳分類正確率為98.9%，此時(shí)的特征子集為40個(gè)。

2）通過多特征排序方法得到，隨機(jī)森林特征選擇方法具有最佳的分類準(zhǔn)確率，且最佳分類準(zhǔn)確率為98.3%，此時(shí)選擇的特征值為38個(gè)。

3）通過RFE算法進(jìn)行特征排序得到采用RFRFE方法特征緊湊性更強(qiáng)，并得出了對(duì)分類貢獻(xiàn)最大的特征值是傳感器2（TGS2602）的積分值和傳感器5（MQ136）的相對(duì)穩(wěn)定均值，對(duì)分類貢獻(xiàn)最小的特征值是傳感器4（TGS2620）的相對(duì)穩(wěn)定均值。此方法下的最佳分類準(zhǔn)確率為98.3%，特征個(gè)數(shù)為33個(gè)。因此本文采用基于隨機(jī)森林的遞歸特征消減方法對(duì)檢測(cè)魚粉品質(zhì)的傳感器陣列特征值進(jìn)行提取，特征個(gè)數(shù)由原始的60個(gè)縮減為33個(gè)，且去掉了傳感器4和傳感器6，大大減少了冗余信息和不相關(guān)信息，并采用10折交叉驗(yàn)證得到RFRFE特征選擇方法具有更佳的緊湊性。該特征選擇方法為利用仿生嗅覺技術(shù)鑒別其他動(dòng)物源性原料樣本的特征優(yōu)化提供了新的方法和參考。

[1] 王銨靜. 不同儲(chǔ)存方法對(duì)魚粉的影響及養(yǎng)殖效果評(píng)價(jià)[D]. 湛江：廣東海洋大學(xué)，2017. Wang Anjing. Effects of Different Storage Methods on Fish Meal and the Assessment of Culture Efficiency[D]. Zhanjiang: Guangdong Ocean University, 2017. (in Chinese with English abstract)

[2] 陳星，吳大偉，周巖民. 肉粉替代魚粉對(duì)肉雞生產(chǎn)性能、血清生化指標(biāo)和抗氧化性能的影響[J]. 糧食與飼料工業(yè)，2012(10)：53－56. Chen Xing, Wu Dawei, Zhou Yanmin. Influence of meat meal instead of fish meal on growth performance, serum biochemical indices and antioxidant function of broilers[J]. Cereal &Feed Industry, 2012(10): 53－56. (in Chinese with English abstract)

[3] 劉輝，牛智有. 基于電子鼻的魚粉中揮發(fā)性鹽基氮檢測(cè)模型比較[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(4)：322－326. Liu Hui, Niu Zhiyou. Comparison of total volatile basic nitrogen detection models in fishmeal based on electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(4): 322－326. (in Chinese with English abstract)

[4] 曹小華，蔡懋成，余維三，等. 近紅外光譜分析技術(shù)在魚粉新鮮度檢測(cè)中的應(yīng)用研究[J]. 廣東飼料，2018，27(3)： 42－45. Cao Xiaohua, Cai Maocheng, Yu Weisan, et al. Near infrared spectroscopy analysis technology in study on application of fish meal freshness detection[J]. Guangdong Feed, 2018, 27(3): 42－45. (in Chinese with English abstract)

[5] 王莉，牛群峰，趙紅月，等. 基于電子舌的不同儲(chǔ)藏期紅魚粉區(qū)分與新鮮度評(píng)價(jià)[J]. 飼料工業(yè)，2015，36(3)：52－55. Wang Li, Niu Qunfeng, Zhao Hongyue, et al. Discrimination and freshness evaluation of fishmeal based on electronic tongue[J]. Feed Industry, 2015, 36(3): 52－55. (in Chinese with English abstract)

[6] 沈飛，劉鵬，蔣雪松，等. 基于電子鼻的花生有害霉菌種類識(shí)別及侵染程度定量檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(24)：297－302. Shen Fei, Liu Peng, Jiang Xuesong, et al. Recognition of harmful fungal species and quantitative detection of fungal contamination in peanuts based on electronic nose technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 297－302. (in Chinese with English abstract)

[7] Sanaeifar A, Mohtasebi S S, Ghasemi-Varnamkhasti M, et al. Application of MOS based electronic nose for the prediction of banana quality properties[J]. Measurement, 2016, 82: 105－114

[8] 張紅梅，鄒光宇，王淼森，等. 基于傳感器陣列多特征優(yōu)化融合的茶葉品質(zhì)檢測(cè)研究[J]. 傳感技術(shù)學(xué)報(bào)，2018，31(3)：491－496. Zhang Hongmei, Zou Guangyu, Wang Miaosen, et al. Detection method for tea quality using sensor array coupled with multi-feature optimization fusion[J]. Chinese Journal of Sensors and Actuators, 2018, 31(3): 491－496. (in Chinese with English abstract)

[9] 劉晶晶，孫永海，丁健峰，等. 玉米汁辨識(shí)中的傳感器陣列優(yōu)化[J]. 吉林大學(xué)學(xué)報(bào)：工學(xué)版，2013，43(2)：538－543. Liu Jingjing, Sun Yonghai, Ding Jianfeng, et al. Optimization of sensor array for identification of corn juice[J]. Journal of Jilin University: Engineering and Technology Edition, 2013, 43(2): 538－543. (in Chinese with English abstract)

[10] 周顯青，暴占彪，崔麗靜，等. 霉變玉米電子鼻識(shí)別及其傳感器陣列優(yōu)化[J]. 河南工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，32(4)：16－20. Zhou Xianqing, Bao Zhanbiao, Cui Lina, et al. Recognition of moldy corn using electronic nose and optimization of sensor array[J]. Journal of Henan University of Technology: Natural Science Edition, 2011, 32(4): 16－20. (in Chinese with English abstract)

[11] 傅潤(rùn)澤，沈建，王錫昌，等. 基于神經(jīng)網(wǎng)絡(luò)及電子鼻的蝦夷扇貝鮮活品質(zhì)評(píng)價(jià)及傳感器的篩選[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(6)：268－275. Fu Runze, Shen Jian, Wang Xichang, et al. Quality evaluation of live Yesso scallop and sensor selection based on artificial neural network and electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 268－275. (in Chinese with English abstract)

[12] 王虎玄，胡仲秋，龍芳羽，等. 蘋果汁中魯氏接合酵母早期污染的電子鼻識(shí)別研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(1)：209－214. Wang Huxuan, Hu Zhongqiu, Long Fangyu, et al. Research on identification of spoilage in apple juice caused byat early stage using electronic nose[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1): 209－214. (in Chinese with English abstract)

[13] Wei Z, Wang J, Jin W. Evaluation of varieties of set yogurts and their physical properties using a voltammetric electronic tongue based on various potential waveforms[J]. Sensors and Actuators B: Chemical, 2013, 177: 684－694.

[14] Hui G, Jin J, Deng S, et al. Winter jujube (Mill.) quality forecasting method based on electronic nose[J]. Food Chemistry, 2015, 170: 484－491.

[15] Bekker A, Roux J J J, Arashi M. Exact nonnull distribution of Wilks’ statistic: The ratio and product of independent components[J]. Journal of Multivariate Analysis, 2010, 102(3): 619－628.

[16] Yin Y, Yu H, Chu B, et al. A sensor array optimization method of electronic nose based on elimination transform of Wilks statistic for discrimination of three kinds of vinegars[J]. Journal of Food Engineering, 2014, 127: 43－48.

[17] 徐克明，王俊，鄧凡霏，等. 用于山核桃陳化時(shí)間檢測(cè)的電子鼻傳感器陣列優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(3)：281－287. Xu Keming, Wang Jun, Deng Fanfei, et al. Optimization of sensor array of electronic nose for aging time detection of pecan[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 281－287. (in Chinese with English abstract)

[18] 殷勇，趙玉珍，于慧春. 基于多種變量分析方法鑒別食醋種類電子鼻信號(hào)特征篩選[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(15)：290－297. Yin Yong, Zhao Yuzhen, Yu Huichun. Feature selection of electronic nose signal for vinegar discrimination based on multivariable analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(15): 290－297. (in Chinese with English abstract)

[19] 尹芳緣，黃潔，王敏敏，等. 用電子鼻區(qū)分霉變燕麥及其傳感器陣列優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(20)：263－269. Yin Fangyuan, Huang Jie, Wang Minmin, et al. Discrimination of mildewed oats using electronic nose and optimization of its sensor array[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(20): 263－269. (in Chinese with English abstract)

[20] 張婷婷，孫群，楊磊，等. 基于電子鼻傳感器陣列優(yōu)化的甜玉米種子活力檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(21)：275－281. Zhang Tingting, Sun Qun, Yang Lei, et al. Vigor detection of sweet corn seeds by optimal sensor array based on electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(21): 275－281. (in Chinese with English abstract)

[21] 程紹明，王俊，王永維，等. 基于電子鼻技術(shù)的不同特征參數(shù)對(duì)番茄苗早疫病病害區(qū)分效果影響的研究[J]. 傳感技術(shù)學(xué)報(bào)，2014，27(1)：1－5. Cheng Shaoming, Wang Jun, Wang Yongwei, et al. Research on distinguishing tomato seedling infected with early blight disease using different characteristic parameters by electronic nose[J]. Chinese Journal of Sensors and Actuators, 2014, 27(1): 1－5. (in Chinese with English abstract)

[22] 郝銀鳳. 霉變玉米電子鼻檢測(cè)中信號(hào)降噪及特征提取方法研究[D]. 洛陽：河南科技大學(xué)，2017. Hao Yinfeng. Study on Signal Denoising and Feature Extraction of Electronic Nose to Moldy Maize[D]. Luoyang: Henan University of Science and Technology, 2017. (in Chinese with English abstract)

[23] 張俐，袁玉宇，王樅. 基于最大相關(guān)信息系數(shù)的FCBF特征選擇算法[J]. 北京郵電大學(xué)學(xué)報(bào)，2018，41(4)：86－90. Zhang Li, Yuan Yuyu, Wang Cong. FCBF feature selection algorithm based on maximum information coefficient[J]. Journal of Beijing University of Posts and Telecommunications, 2018, 41(4): 86－90. (in Chinese with English abstract)

[24] Bennasar M, Hicks Y, Setchi R. Feature selection using joint mutual information maximization[J]. Expert Systems With Applications, 2015, 42(22): 8520－8532.

[25] 陳元鵬，羅明，彭軍還，等. 基于網(wǎng)格搜索隨機(jī)森林算法的工礦復(fù)墾區(qū)土地利用分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(14)：250－257. Chen Yuanpeng, Luo Ming, Peng Junhuan, et al. Classification of land use in industrial and mining reclamation area based grid-search and random forest classifier[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 250－257. (in Chinese with English abstract)

[26] 杜學(xué)惠，孟春，劉美爽. 基于單個(gè)特征分類準(zhǔn)確率的特征選擇研究[J/OL]. 南京林業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，43：1－10. Du Xuehui, Meng Chun, Liu Meishuang. Remote sensing classification research of feature selection based on single feature classification accuracy[J/OL]. Journal of Nanjing Forestry University: Natural Sciences Edition, 2019, 43: 1－10. (in Chinese with English abstract)

[27] 葉小泉，吳云峰. 基于支持向量機(jī)遞歸特征消除和特征聚類的致癌基因選擇方法[J]. 廈門大學(xué)學(xué)報(bào)：自然科學(xué)版，2018，57(5)：702－707. Ye Xiaoquan, Wu Yuanfeng. Cancer gene selection algorithm based on support vector machine recursive feature elimation and feature clustering[J]. Journal of Xiamen University: Natural Science Edition, 2018, 57(5): 702－707. (in Chinese with English abstract)

[28] Guyon I, Weston J, Barnhill S, et al. Gene selection for cancer classification using support vector machines[J]. Machine Learning, 2002, 46 (3): 389－422.

[29] 蔡騁，李永超，馬惠玲，等. 基于介電特征選擇的蘋果內(nèi)部品質(zhì)無損分級(jí)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(21)：279－287. Cai Cheng, Li Yongchao, Ma Huiling, et al. Nondestructive classification of internal quality of apple based on dielectric feature selection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(21): 279－287. (in Chinese with English abstract)

[30] 馮建奎，金晶，王蓓，等. 基于SVM_RFE的多任務(wù)導(dǎo)聯(lián)選擇算法建模[J]. 系統(tǒng)仿真學(xué)報(bào)，2018，30(12)：4506－4512. Feng Jiankui, Jin Jing, Wang Bei, et al. Multi-tasks Channel Selection Algorithmic Modeling Based on SVM-RFE[J]. Journal of System Simulation, 2018, 30 (12): 4506－4512. (in Chinese with English abstract)

[31] You W, Yang Z, Ji G. PLS-based recursive feature elimination for high-dimensional smallsample[J]. Knowledge-Based Systems, 2014, 55: 15－28.

[32] 潘磊慶，劉明，詹歌，等. 數(shù)據(jù)預(yù)處理在電子鼻評(píng)價(jià)雞蛋新鮮度中的應(yīng)用研究[J]. 上海理工大學(xué)學(xué)報(bào)，2010，32(6)：584－588. Pan Leiqing, Liu Ming, Zhan Ge, et al. Data processing for egg freshness evaluation by use of electronic nose[J]. Journal of University of Shanghai for Science and Technology, 2010, 32(6): 584－588. (in Chinese with English abstract)

[33] 閆嘉. 基于電子鼻技術(shù)的人體傷口感染檢測(cè)系統(tǒng)構(gòu)建及算法研究[D]. 重慶：重慶大學(xué)，2012. Yan Jia. System Construction and Algorithm Research in Human Wound Infection Detection Based on Electronic Nose Technology[D]. Chongqing: Chongqing University, 2012. (in Chinese with English abstract)

[34] Radi, Ciptohadijoyo S, Litananda W S, et al. Electronic nose based on partition column integrated with gas sensor for fruit identification and classification[J]. Computers and Electronics in Agriculture, 2016, 121: 429－435.

Multi-feature data fusion optimization of sensor array of electronic nose for fish meal quality detection

Li Pei1, Niu Zhiyou1,2※, Tan Hequn1,2, Zhang Weijian1, Huangfu Jixuan1

(1.,,430070,; 2.,,430070,)

In order to improve the identification ability of fish meal quality detection device based on bionic olfaction, in this paper, we used the developed fish meal quality detection device based on bionic olfaction to extract response characteristic information of fish meal samples, and performed multi-characteristic data fusion optimization on its sensor array. Firstly, according to the response curve of each sensor to the sample, the sensor features (10×6) were extracted to form the original feature matrix, then the normalization method was adopted to normalize the sensor features, and after that, compactness was taken as the standard to evaluate the rationality of the feature selection methods. Three single feature ranking methods (MIC,2、-test), three multi-feature ranking methods (RF, LR, SVM) and four recursive feature elimination methods (RFRFE, SVMRFE, DTRFE, LRRFE) were selected to carry out classification accuracy tests on fish meal with different quality. The experimental results showed that in the single feature ranking method, the MIC method had the best classification accuracy of 98.3 %, the number of features was 55, the Chi - square method had the best classification accuracy of 98.9 %, the number of features was 40, the-test method had the best classification accuracy of 98.3 %, and the number of features was 50, thus the Chi - square feature selection method was more compact than the other two single feature selection methods. In the multi-feature ranking methods, the best classification accuracy rate of RF method was 98.3 %, the number of features was 38, the best classification accuracy rate of LR method was 83.3 %, the number of features was 24, the best classification accuracy rate of SVM method was 92.2%, and the number of features was 33. Therefore, RF feature selection method was more compact than the other two multi-feature selection methods. In recursive feature elimination, the best classification accuracy rate of RFRFE method was 98.3 %, the number of features was 33, the best classification accuracy rate of SVMRFE method was 92.2%, the number of features was 34, the best classification accuracy rate of DTRFE method was 95.6 %, the number of features was 22, the best classification accuracy rate of LRRFE method was 83.9 %, and the number of features was 37. From this, it could be seen that DTRFE and LR feature selection methods had the least number of features, but the classification accuracy rate was low. However, the RFRFE feature selection method was relatively more compact. The random forest-based recursive feature elimination algorithm (RFRFE) was adopted to select the original features, and the best classification accuracy was 98.3%, at this time, the number of features was 33. The idea of this feature selection method was to repeatedly build the model, then select the worst features, put the selected features aside, and then repeat the process on the remaining features until all features had been traversed. The order in which features were eliminated in this process was the order of features. Therefore, this was a greedy algorithm to find the optimal feature subset, while the RFRFE method selected the random forest (RF) as the base model, and obtained the optimal subset by obtaining the best classification accuracy rate. The number of features optimized by RFRFE feature selection method was 33, which reduced the number of features by 45% and greatly reduced irrelevant and redundant information for fish meal quality classification. The characteristics of the optimized sensor array had changed obviously. The sensor array had changed from the original 10 to 8 and sensor 4 (TGS2620) and sensor 6 (TGS2600) had been removed. This showed that these sensors had little contribution to the classification of fish meal quality using RF classifier. Of the six selected features values, only sensor 1 (TGS822), sensor 3 (TGS813) and sensor 5 (MQ136) had selected all the characteristic values, which showed that these sensors played an important role in the classification of fish meal quality by using RF classifier. By using 10 fold cross validation, the RFRFE algorithm was verified to be more compact again. The feature selection method provided a new method and reference for feature optimization of identifying other animal-derived raw material samples by bionic olfaction technology.

quality control; nondestructive detection; feed; fish meal; normalization; RF; RFE

2019-01-24

2019-05-24

中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目（2662018PY081）

李 培，博士生，主要從事農(nóng)產(chǎn)品加工技術(shù)方面研究。Email：huanonglipei8@163.com

牛智有，博士，教授，主要從事農(nóng)產(chǎn)品加工技術(shù)與裝備研究。Email：nzhy@mail.hzau.edu.cn

10.11975/j.issn.1002-6819.2019.12.038

S222.1

A

1002-6819(2019)-12-0313-08

李 培，牛智有，譚鶴群，張偉健，皇甫季璇. 魚粉品質(zhì)檢測(cè)電子鼻傳感器陣列的多特征數(shù)據(jù)融合優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(12)：313－320. doi：10.11975/j.issn.1002-6819.2019.12.038 http://www.tcsae.org

Li Pei, Niu Zhiyou, Tan Hequn, Zhang Weijian, Huangfu Jixuan. Multi-feature data fusion optimization of sensor array of electronic nose for fish meal quality detection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(12): 313－320. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.12.038 http://www.tcsae.org