模式识别在气体样品分类中的应用研究

摘要

人工电子鼻系统能够代替人类的嗅觉对气味进行识别，它可以代替人类在危险环境中执行气味识别任务，可以对食品品质进行评估，也可以将其运用在国家安全领域，如防止恐怖分子进行炸弹袭击。人工电子鼻系统是当前仿生学研究的一个方向。 本文对人工电子鼻系统中的模式识别方法进行研究。文中使用商用气体传感器搭建测试平台，采集数据后对其进行模式识别分析，主要的研究工作如下： 1.使用5个Figaro公司生产的不同型号的气体传感器构成阵列，将气体传感器的电导信号变化转换为电压信号变化； 2.在LabVIEW中自行设计数据采集程序，配合PCI-6251数据采集卡对气体传感器调理电路中参考电阻上输出的电压信号变化量进行采集，将获得的数据存储为Excel能够读取的lvm文件； 3.气体样本采集实验中对丙酮样品和乙醛样品(A组)的挥发性气体各进行150次实验，获得300组实验数据；此外自行配制体积比均为31％的甲醇溶液和二锅头溶液(B组)，对它们的挥发气体进行100次数据采集； 4. 为了降低数据维数，避免“维数灾难”，对所有实验数据进行特征数据提取，从每次实验1，500个数据点中提取出25个特征点来表征一种气体样品，并将结果提供给模式识别算法进行分类实验； 5.总体分析三大类模式识别方法的基本原理。从中选取三种方法：线性判别函数法、聚类分析法和BP神经网络法，进一步分析这三种方法的计算原理和步骤。将这三种方法分别运用到A组和B组的分类实验中，其中BP神经网络法还使用多种训练函数，讨论不同训练算法对训练速度和对未知样本分类效果的影响，最终得出结论：三种方法对前一组样品能够正确分类，对后一组样品无法正确分类； 6.对三种模式识别方法的优劣进行分析和对比，得出结论：在数据维数低的情况下，线性判别函数法和聚类分析法能够快速地分类，因为其算法简单，但是当维数增加时，由于线性判别函数法需要对矩阵求逆，聚类分析法如果选择较为复杂的相似性测度函数，二者的计算量会增加，致其不再具备快速简便的优点；BP神经网络具有高度的非线性，在理论上能够接近任意曲面，但是计算过程复杂，计算量大，不容易用程序代码实现。本文实验最合适的方法是聚类分析法。 本文的主要特色： 1. 自行设计数据采集软件，可以实时观测测量过程中参考电阻输出电压随气体浓度变化的曲线，在将采集获得的数据导入Excel后，可以清晰绘制不同气体样品的“图谱”； 2.设计半开放的实验气室，充分利用气体样品的动态信息，为识别增加信息量，同时也加快实验的速度； 3.特征数据提取过程完全自动化，无需过多的人工参与，特征提取代码采用模块化设计，Excel只作为数据显示和输入的用户接口，所有计算任务均由Matlab完成，并且在计算代码中也遵循模块化设计，将实现复杂功能的代码作为函数写入代码； 4.提出遗传算法对线性判别函数法中分界点进行优化的思想。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 本研究课题的学术背景和理论依据

1.1.1 学术背景

1.1.2 理论依据

1.2 国内外研究进展

1.2.1 国内研究情况

1.2.2 国外研究情况

1.3 存在的问题及解决方案

1.3.1 前人研究中存在的问题

1.3.2 针对存在问题的解决方案

1.4 本课题研究的目的和意义

1.5 本文的研究内容、主要工作和内容安排

1.5.1 研究内容

1.5.2 主要工作

1.5.3 本文的内容安排

第二章 实验装置与实验设计

2.1 气体采集实验装置设计

2.1.1 气体传感器

2.1.2 半开放气室

2.1.3 气体采集实验的其他硬件

2.2 数据采集装置设计

2.2.1 数据采集硬件

2.2.2 数据采集软件

2.3 实验设计

2.3.1 实验药品和器材

2.3.2 实验过程

2.3.3 数据预处理

2.4 本章小结

第三章 单一气体样品定性分类

3.1 模式识别方法简介

3.1.1 多元统计方法

3.1.2 非统计方法

3.1.3 其他方法

3.2 LDA在气体样本分类中的应用

3.2.1 FDA原理

3.2.2 FDA用于气体样本分类的实验

3.2.3 实验结果分析

3.3 CA在气体样本分类中的应用

3.3.1 CA原理

3.3.2 CA用于气体样本分类的实验

3.3.3 实验结果分析

3.4 BP-ANN法在气体样本分类中的应用

3.4.1 BP-ANN原理

3.4.2 BP-ANN用于气体样本分类的实验

3.4.3 实验结果分析

3.5 方法比较

3.5.1 算法难易程度比较

3.5.2 分类准确度比较

3.5.3 计算资源占用情况比较

3.6本章小结

第四章 结论与展望

4.1 主要研究成果及结论

4.2改进

4.2.1 气体传感器数量的确定

4.2.2 LDA的改进

4.3 展望

附录

参考文献

硕士期间发表的论文

致谢