论文部分内容阅读
电子鼻系统的构造和设计来源于生物嗅觉系统,系统中气体传感器阵列、信号预处理以及模式识别分别模拟生物嗅觉系统中的嗅觉受体细胞、嗅球以及大脑皮层。作为电子鼻的核心组成成分,气体传感器阵列在初始设计和制作过程中传感器的数量往往相对较多。较多的气体传感器会产生两个不利的影响:一是冗余信息、环境因素影响带来的噪声信息会增加,导致电子鼻系统性能的下降;二是电路的设计会更复杂,电子鼻系统制作成本会增加,同时复杂的电路设计引入噪声的可能性也会越高。因此,传感器阵列优化研究在电子鼻技术中是必不可少的。为了提高两套电子鼻系统的检测效果,精简系统中传感器的数量。本文基于因子分析和希尔伯特-施密特独立准则两种优化方法对传感器阵列进行优化。其中本文对比了BP神经网络和支持向量机的分类结果,选择了支持向量机作为本实验室设计的两套电子鼻系统的模式识别分类算法,其在细菌培养液数据集上测试集识别率达到了83.94%,在动物伤口感染数据上集测试集识别率达到了93.30%。两种传感器阵列优化方法中,基于因子分析提出了加权因子分析方法和非加权因子分析方法。其中加权因子分析方法将被选公共因子的贡献率乘以对应的因子载荷矩阵生成新的因子载荷矩阵,并依此对传感器进行排序以选出最优的传感器组合。实验结果表明,加权因子分析优化效果更好,针对细菌培养液样本的测试集识别率达到了93.08%(相对于未优化状态,传感器数量减少了15个),针对动物伤口感染样本的测试集识别率达到了94.41%(传感器数量减少3个)。基于希尔伯特-施密特独立准则优化方法的优化原理是根据特征与标签的关联性来选择特征。本文使用了线性核函数、高斯核函数两种不同核函数的希尔伯特-施密特独立准则优化方法。实验结果表明,希尔伯特-施密特独立准则优化方法(高斯核函数)的优化效果更好,针对细菌培养液样本的测试集识别率达到了93.65%(传感器数量减少了16个),针对动物伤口感染样本的测试集识别率达到了94.53%(传感器数量减少了13个)。两种传感器阵列优化方法(因子分析优化方法、希尔伯特-施密特独立准则优化方法)中,希尔伯特-施密特独立准则优化方法的优化效果更好。相比于之前研究成果中优化效果最好的线性判别分析方法,因子分析方法中的加权因子分析优化方法和希尔伯特-施密特独立准则优化方法(高斯核函数)的优化效果都更好。