基于PCA和LVQ混合神经网络算法的电子鼻系统

摘 要： 为了对食物品质进行非接触式评价，采用6种费加罗金属氧化物半导体传感器阵列设计并研制了可对被测食物进行无损检测的电子鼻系统。系统主要由采样模块、控制模块和上位机组成，并采用主成分分析（PCA）和学习矢量量化（LVQ）混合神经网络模式识别算法对气体“指纹信息”数据库进行分析。实验结果表明，利用该电子鼻系统可以对5种不同的食用酱进行检测，并且具有对未知酱品进行识别的功能。
关键词：传感器阵列；主成分分析；学习矢量量化；混合神经网络；电子鼻

    长期以来食物品质评价主要通过专家感官评测和化学评测两种方法。感官评测的主观性强，存在较大个体差异，标准不统一，重复性差，并且人的感官对食品气味具有适应性，容易出现疲劳影响评价结果；化学评测方法，如气相色谱质谱分析仪(GC-MS)、试纸法等，测量过程中需要制备和处理样品，对检测人员的专业水准有较高的要求，而且化学检测方法又有检测周期较长、仪器成本高等局限性，因此难以推广[1-2]。电子鼻系统的出现从根本上克服了以上缺点，与传统的气体成分分析方法相比，它具有体积小、功耗低、可靠性高、价格低廉、可以实现在线测量、可以实现便携式设计等优点，已被广泛应用于环境监控、化学工业控制、医疗卫生、食品质量检测等领域[3-5]。
  　采用分立式传感器阵列，研制了电子鼻系统。实验中，通过对5种不同种类的食用酱进行气体成分检测，获得“气体指纹信息”，建立“气味指纹数据库”，在此基础上对未知酱品进行检测，实现了对不同种类食用酱的准确区分。
1 硬件设计
    电子鼻系统在硬件设计方案上由采样系统和控制系统两部分组成，如图1所示。采样系统包括传感器阵列、传感器阵列驱动电路以及气体采集装置。传感器阵列置于气体采集装置内部,可对被测敏感气体进行探测。传感器阵列驱动电路通过电缆与传感器阵列相连，向传感器阵列提供驱动电流，并使它们工作在预置状态。气体采集装置用来为气体检测提供一个稳定的实验环境。环境条件的改变可以通过电源控制模块对气体采集装置的控制得以实现。

    控制系统由传感器阵列信号调理电路、模数转换模块ADC以及中央处理器组成。传感器阵列信号调理电路根据各气体传感器的气敏特性存在差异性，设计出针对不同参数特性量级的信号调理电路。模数转换器ADC将传感器阵列信号调理电路输出的模拟量转换为中央处理器所需的数字量。同时，为了对数据进行快速处理，控制系统采用32位微处理器STM32F103ZE作为核心控制器，可以对各信号调理电路通道进行切换和模数转换器ADC的控制。测试过程中，控制系统通过RS232通信方式将数据实时上传至上位机进行数据整理，并通过主成分分析PCA和学习矢量量化LVQ混合神经网络模式识别算法对数据进行分析，最终将气体检测结果呈现出来。
1.1传感器阵列
     传感器阵列作为获取样品特征信息的源头，是硬件系统的核心部分。根据食物品质评价的需求，选用了6种性能优良的费加罗金属氧化物半导体传感器TGS2610、TGS2600、TGS2620、TGS2602、TGS2201和TGS2611构成传感器阵列，性能指标如表1所示。

1.2 气体采集装置
    传感器阵列及传感器驱动电路均置于5 L的玻璃气室中，如图2所示。由于被测气体与传感器接触后，其表面电导率会发生变化，通过信号调理电路将半导体传感器输出信号调整在0~5 V之间，经过处理的信号通过采集系统传输给中央处理器[6]。

    由于半导体传感器的性能受其工作环境温度的影响，实验中，采用温度传感器监测环境温度，利用水浴加热的方式保证测试环境温度恒定，减小温度因素对传感器特性的影响，同时促进样品气体的充分挥发。
1.3 传感器阵列调理电路
     由于各气体传感器的气敏特性(内阻)存在差异性，传感器阵列信号调理电路针对不同量级(1 kΩ、15 kΩ、27 kΩ)的传感器内阻，设计出相应的配套驱动电路，并且可以根据实际情况由微处理器对各通路进行切换，如图3所示。

2 系统软件设计
      上位机软件从控制系统获取传感器阵列的响应数据，并对其进行整理，通过混合PCA和LVQ模式识别算法对数据进行分析。
        首先，利用主成分分析方法PCA对从6个半导体气体传感器获取的数据进行分析，通过式(1)对数据进行标准化，然后通过式(2)进行线性变换得到一个新变量组，从而找出数据中最“主要”的元素和结构，去除数据中的噪音和冗余，将原有的复杂数据矩阵降维，揭示隐藏在复杂数据背后的简单逻辑关系。

       利用PCA分析方法降维后得到的主成分函数COEFF绘制坐标系得到二维PCA散点图形使降维后的数据可视化，然后通过LVQ神经网络，对PCA分析所得到的新变量组进行模式识别，最终将检测结果呈现出来,具体实现过程如下：
       (1)通过对标准样本进行检测，6个传感器每次产生一组(6个)电阻值，每组样品采集100组数据，得到100×6的数据矩阵，作为样本的原始数据，将多个样本的原始数据汇集形成样本数据库。对未知样品进行检测时，将数据库中的样本数据与未知样本的数据融合，进行PCA分析，最终得到PCA的成分图谱。PCA分析方法流程图如图5所示。

    (2)对PCA分析所得到的新变量组进行LVQ所需要训练参数的设定。输入层根据训练样本为6个传感器的电子数据，从而确定输入层节点数为6个。输出层为所识别的类别数，根据对5种酱品的品质进行鉴别，固确定输出层个数为5个，隐含层通过实验确定为12，学习速率和初始权值向量选取系统默认值。
     (3)最后软件系统通过PCA和LVQ混合神经网络模式识别算法所得到气味的“指纹信息”与数据库中的特征数据进行比对，最终将气体检测结果呈现出来。
3 实验结果及分析
     实验中,利用自主研制的电子鼻系统对5种不同的食用酱进行检测，并对未知酱品进行识别。5种酱品分别为大酱、豆瓣酱、多味辣酱、黄干酱和沙茶酱。所有酱品在相同的条件下进行实验处理。实验中每种样品取5 g放入蒸发皿中，放入气室内。 当样品在气室中静置5 min后采集传感器数据。采集样品数据前获取100组电阻值作为R0样本，采集样品后600个点作为Rx，分别绘制电子鼻系统对6种样品的标准化响应曲线，如图6所示。

    通过电子鼻系统对6种样品的标准化响应曲线对比，发现各曲线相似度极高，很难发现不同酱品标准化响应曲线的差别。因此，需要借助PCA方法做进一步处理，绘制的PCA分析图谱如图7所示。  

    由图8可知，电子鼻对5种样品的混淆度为0，可以准确地对5种酱品进行检测评价。
    基于PCA和LVQ混合神经网络算法的电子鼻系统硬件方面由采样系统和控制系统组成，在软件方面根据主成分分析（PCA）和学习矢量量化（LVQ）混合神经网络模式识别算法，研制出能够对五种不同种类的食用酱进行准确评价的电子鼻系统。系统依据气体传感器在气体特性上存在差异，对其信号调整电路进行了优化，并建立了气味的“指纹信息”数据库，最终将气体检测结果呈现出来。
参考文献
[1] 张青春，叶小婷. 基于电子鼻技术的混合气体检测方法研究[J].电子技术应用,2011,37(12):80-82.
[2] 石志标，黄胜全，范雪冰，李扬. 基于生物嗅觉的电子鼻研究[J]. 中国机械工程，2007, 18(23):2810-2813.
[3] MAHMOUDI E. Electronic nose technology and its applications[J]. Sensors & Transducers, 2009,107(8):17-25.
[4] YU H, WANG J, YAO C, et al. Quality grade identication of green tea using E-nose by CA and ANN [J]. LWT  Food Science and Technology, 2008(41):1268-1273.
[5] ZHANG S, XIE C, BAI Z, et al. Spoiling and formaldehyde-containing detections in octopus with an E-nose[J]. Food Chemistry, 2009(113):1346-1350.
[6] 袁桂玲，袁军强. 基于ICA算法的智能电子鼻在混合气体特征提取中的应用[J]. 计算机测量与控制,2011,19(4):984-986.
[7] CARMEL L, LEVY S, LANCET D, et al. A feature extraction method for chemical sensors in electronic noses[J].  Sensors and Actuators B, 2003(93):67-76.
[8] 栾淑禾，闰卫平，全宝富，陈丽华. 用于电子鼻研究的多传感器实时动态测试系统设计[J]. 测控技术, 2005,24(2):1-4.
[9] 刘树海，郑传涛，徐琳，等.基于恒电流源的电阻式气敏传感器检测系统[J]. 吉林大学学报:信息科学版, 2012,30(4):376-380.