基于DQN-LSTM的电子鼻系统及应用

摘要

电子鼻技术是通过模拟生物嗅觉来实现对不同气体进行分类的目的，主要由气体传感器阵列、数据采集处理单元、模式识别单元等组成。与色谱仪等分析仪表相比，电子鼻结构简单，识别速度快，结果直观，在许多领域得到了广泛的应用。然而与生物嗅觉系统相比，现有电子鼻还存在较大差距，主要体现在:(1)受传感器结构、体积等因素影响，阵列中气体传感器的数量远小于生物;(2)生物通常采用主动感知(Active Perception)方式，可以根据识别任务来动态改变采样数据（即所谓sniff行为），能够快速完成识别。而大部分电子鼻技术主要采用以传统模式识别算法为主的单向、被动方式，识别速度和精度都受限。针对此，本文拟解决如下问题:(1)如何在不显著增加传感器数量的基础上增强其选择性;(2)探究基于生物嗅觉主动性机制的算法。本文从现阶段的电子鼻技术存在的问题出发，结合生物嗅觉的嗅探行为、鼻粘膜色谱效应和强化学习、递归神经网络等算法，提出了一种DQN-LSTM模型来模拟生物嗅觉的主动性。
　　本文的主要贡献包括:(1)设计和实现了一种可以动态调节进气速度的电子鼻硬件装置和测试平台;(2)通过设计实验探究了不同类型气体的进气流速与传感器响应值的映射关系;(3)提出了一种基于LSTM(Long Short-Term Memory)递归神经网络的DQN(Deep Q Network)强化学习算法，实现了进气流速的在线优化。
　　主要工作如下:
　　1、查阅国内外相关资料，详细说明电子鼻近些年来的研究近况，并且阐述选题的研究背景和意义。最后简单介绍电子鼻现阶段所存在的不足之处和解决方法。
　　2、从生物嗅觉的主动性机理入手，详细介绍使用流速调制的独到之处。通过介绍鼻粘膜色谱效应和嗅探行为可以为论文的研究打下坚实的理论基础。
　　3、基于实验室的项目，通过对硬件的改进，包括重新制版、设计气腔结构、改进流速选择单元等操作，并使用STM32F407ZGT6芯片作为数据采集的主控芯片，实现基于流速调制的电子鼻硬件系统和软件系统。最后使用啤酒分类数据验证流速调制的有效性。
　　4、基于流速调制和鼻粘膜色谱效应，提出一种优化的DQN模型和算法，即结合LSTM用以实现电子鼻主动性的目的。DQN可以根据当前的状态和奖励，选择最佳的输出动作，而LSTM可以根据输出的动作和当前状态，输出预测分类，并给出相应的奖励。
　　5、最后，使用VOC气体和黄酒酒龄的实验数据对DQN-LSTM模型进行验证，并且与PCA和SVM等常用的离线、被动的算法进行对比。实验结果证明，该算法可以有效减少训练和测试成本，提高电子鼻识别速度，实现电子鼻主动性的目的。

目录

摘要

表目录

1．1 研究背景及意义

1．2 电子鼻技术的研究现状

1．3 深度强化学习的研究现状

1．4 电子鼻研究存在的问题

1．5 本文的主要内容和论文结构

1．5．1 主要研究内容

1．5．2 本文的主要贡献

1．5．3 论文结构

第2章 相关理论综述

2．1 生物嗅觉机理

2．2 电子鼻的原理及结构

2．3 生物嗅探和鼻粘膜色谱效应研究

2．4 强化学习

2．5 深度学习

2．6 本章小结

第3章 进气流速可动态调制的电子鼻系统及实验验证平台

3．1 电子鼻总体结构

3．1．1 电子鼻控制单元

3．1．2 电子鼻流速控制单元

3．1．3 电子鼻数据采集单元

3．2 电子鼻信息采集系统

3．3 啤酒实验验证流速调制的有效性

3．4 本章小结

第4章 DQN-LSTM模型

4．1 DQN和LSTM网络原理介绍

4．1．1 DQN

4．1．2 长短期记-Iz(LSTM)

4．2 DQN-LSTM模型

4．3 DQN-LSTM算法

4．4 DQN-LSTM算法的Torch实现

4．4．1 获取数据

4．4．2 预处理数据

4．4．3 训练和测试

4．5 本章小结

第5章 仿真实验研究

5．1 实验系统和实验对象

5．2 黄酒酒龄检测实验

5．2．1 实验过程与方法

5．2．2 数据采集与预处理

5．2．3 实验结果分析与讨论

5．3 VOC气体检测实验

5．3．1 实验过程与方法

5．3．2 数据采集与预处理

5．3．3 实验结果分析与讨论

5．4 本章小结

6．1 总结

6．2 未来工作展望

参考文献

附录

致谢

声明