[发明专利]基于一类局部表达模型的电子鼻非目标干扰气体识别方法

说明书

本发明提供基于一类局部表达模型的电子鼻非目标干扰气体识别方法，它包括以下步骤：步骤1、在已确定的目标气体样本X_s中找到待测样本y的一类局部表达模型；步骤2、计算出表达系数向量α；步骤3、获取最优误差检测阈值T*；步骤4、求得待测样本y与表达值的残差RES，如果RES≤T*，那么待测样本y为目标气体样本；如果RES>T*，那么待测样本y即为异常的干扰气体样本。本发明的技术效果是：减少了运算量减，并提高了气体检测的准确性。

技术领域

本发明属于一种电子鼻的气体检测领域。

背景技术

电子鼻，即模仿生物鼻的一种人工嗅觉系统，由金属氧化物传感器、信号预处理系统和模式识别单元等部分组成。电子鼻目前的应用甚为广泛，如对肉类，乳制品，茶叶，污染气体以及疾病的检测和诊断。由于气味是多种成分的综合反映，电子鼻的气体感知部分通常由多个具有不同选择性的金属氧化物传感器阵列构成，利用传感器的交叉敏感性即可完成生物嗅觉功能的模拟实现。电子鼻存在两大问题：一是传感器的值随工作时间而产生漂移；二是传感器会受到异常气体的干扰，例如酒精，香水，油烟等。传感器漂移问题经过国内外学者的努力，目前已经具有了有效的解决方案，但针对异常气体干扰问题的处理却没有获得较大的进展。

电子鼻之所以存在异常干扰气体问题，归咎于金属氧化物传感器的交叉敏感性。当传感器对所要检测的目标气体产生响应的时候，同时也对周围环境随机存在的干扰信号进行响应，并且异常干扰气体产生的传感器响应往往会远高于目标气体。在这样的情况下，得到的传感器响应值与期望响应值相差甚远，导致电子鼻嗅觉系统无法正常工作。

实际环境中异常干扰气体具备以下特点：第一，干扰气体随时都可能出现，电子鼻无法预知何时何种干扰气体会产生，因此具有极大的随机不确定性；第二，在现实生活中，干扰气体样本种类甚多，我们无法获得潜在的所有干扰气体样本，如果使用传统的模式识别方法，例如SVM，BP神经网络以及朴素贝叶斯等分类方法，则需要已知每种干扰气体的模式。而实际应用中，干扰气体的种类可能有数千乃至上万种，要获得所有干扰气体的模式信息是不切实际的。因此，将传统的模式识别方法运用在电子鼻干扰气体检测上变得不合实际。

中国专利文献CN106124700A于2016年11月16日公开了一种带自表达的电子鼻非目标干扰气体识别方法，它包括步骤1、取电子鼻检测的多类目标气体数据和少量非目标干扰气体数据；步骤2、根据目标气体训练集，求解表达系数矩阵α＝[α₁,α₂,…,α_N]；步骤3、使用目标气体训练集和干扰气体误差阈值训练集，计算出两个训练集即和的平均误差集e1和e2；步骤4、根据E＝[e1,e2]确定区分目标气体与非目标干扰气体阈值T的搜索范围[E_min,E_max]，针对每个T值得到目标气体训练集的准确度P1和非目标干扰气体训练集的检测准确度P2；步骤5、P＝P1+P2，P值最大对应的T值为选定的理想阈值。