基于集成神經(jīng)網(wǎng)絡(luò)的便攜式空氣質(zhì)量監(jiān)測(cè)電子鼻系統(tǒng)性能的提升.pdf

1、如果說有一種現(xiàn)代化進(jìn)程自它誕生以來便成功地改變了人類的生活條件，那么它必然是工業(yè)化進(jìn)程。但是，正如所有的進(jìn)程化一樣，工業(yè)化也帶來許多負(fù)面的影響。環(huán)境污染，特別是室內(nèi)外空氣污染，便是其帶來的負(fù)面影響之一。因?yàn)榭諝赓|(zhì)量，尤其是我們長(zhǎng)期處于的室內(nèi)空氣質(zhì)量，可能會(huì)引發(fā)人們嚴(yán)重的健康問題。因此，人們對(duì)用于空氣質(zhì)量實(shí)時(shí)檢測(cè)，靈巧的傳感器系統(tǒng)展現(xiàn)了越來越濃厚的興趣。電子鼻系統(tǒng)被認(rèn)為是現(xiàn)有技術(shù)如：由人組成的專家組，基于氣相色譜和質(zhì)變的分析方法等的較好的

2、替換方法。此外，電子鼻系統(tǒng)可以由低成本的現(xiàn)有的金屬氧化物半導(dǎo)體傳感器構(gòu)成。但是，此類傳感器容易出現(xiàn)漂移，并且易受非分析的目標(biāo)氣體的干擾。如果沒有漂移補(bǔ)償和基于模式識(shí)別算法的干擾消除或抑制，這些特性可能會(huì)降低電子鼻的性能。因此，魯棒信號(hào)處理算法將這些因素視為電子鼻中最重要的部分。設(shè)計(jì)出這樣的信號(hào)處理算法是本論文的主要目標(biāo)。
　　雖然電子鼻系統(tǒng)的概念已經(jīng)出現(xiàn)幾十年了，但直到現(xiàn)在，許多潛在用戶對(duì)電子鼻系統(tǒng)依然所知甚少。因此，論文首先介紹

3、了電子鼻系統(tǒng)的發(fā)展歷史、一些關(guān)鍵概念和架構(gòu)（包括采樣及傳輸系統(tǒng)、傳感器陣列、信號(hào)預(yù)處理、特征提取和模式識(shí)別等）及其應(yīng)用。列舉了一些當(dāng)前可用的商用電子鼻系統(tǒng)。最后，指出了關(guān)于電子鼻當(dāng)前的發(fā)展方向和存在的一些問題。
　　電子鼻系統(tǒng)的校正需要一些原始數(shù)據(jù)，這些數(shù)據(jù)是通過在控制氣體環(huán)境下的一些實(shí)驗(yàn)得到的。論文介紹了自制的電子鼻系統(tǒng)和產(chǎn)生原始數(shù)據(jù)庫(kù)的實(shí)驗(yàn)裝置和實(shí)驗(yàn)流程。這些數(shù)據(jù)構(gòu)成了數(shù)據(jù)預(yù)處理和模式識(shí)別的基礎(chǔ)。
　　正交信號(hào)校正（OS

4、C）是一種被成功應(yīng)用于電子鼻系統(tǒng)的信號(hào)預(yù)處理方法。為了研究OSC的效果，論文研究了基于兩個(gè)不同的多變量回歸模型、多層感知器（MLP），偏最小二乘法（PLS）。通過6種室內(nèi)空氣污染物的實(shí)驗(yàn)結(jié)果表明，綜合OSC和MLP的方法僅在有非常強(qiáng)的背景噪聲下效果明顯；而結(jié)合OSC和PLS在任何強(qiáng)度下的背景噪聲下都能取得非常好的效果。但在需要非線性識(shí)別的情況下，MLP的效果比PLS更好。
　　人工神經(jīng)網(wǎng)絡(luò)(ANN)和支持向量機(jī)（SVM）是廣泛應(yīng)用

5、于電子鼻系統(tǒng)中的模式識(shí)別算法。人工神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的方法;而支持向量機(jī)則是在統(tǒng)計(jì)學(xué)習(xí)理論框架下基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的方法。本文詳細(xì)分析了MLP的人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的基本原理。考慮到遺傳算法因?yàn)榫邆淙炙阉髂芰?，論文采用遺傳算法分別優(yōu)化MLP的初始權(quán)值和支持向量機(jī)的超參數(shù)。通過使用5種室內(nèi)空氣污染物數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果表明，雖然MLP和支持向量機(jī)模型都可以提供令人滿意的結(jié)果，但支持向量機(jī)具有更好的泛化性，這和理論分析的結(jié)果一致

6、。但是，從嵌入式系統(tǒng)的應(yīng)用角度考慮，MLP模型比支持向量機(jī)模型的計(jì)算復(fù)雜度更小。
　　有許多方法可以提升MLP神經(jīng)網(wǎng)絡(luò)的泛化性能，包括規(guī)范化，交叉驗(yàn)證，訓(xùn)練樣本加噪聲，以及集成神經(jīng)網(wǎng)絡(luò)方法等。其中集成神經(jīng)網(wǎng)絡(luò)是論文的研究重點(diǎn)。集成方法的成功可以從基于偏差和方差的分解進(jìn)行解釋，集成方法可以減少方差及偏離。集成學(xué)習(xí)參考了通過傳統(tǒng)機(jī)器學(xué)習(xí)方法產(chǎn)生多重基礎(chǔ)模型的技術(shù)，然后將其綜合到一個(gè)集成模型中。生成階段的目標(biāo)是創(chuàng)造出在預(yù)測(cè)方面不同的精確

7、的基礎(chǔ)模型。這可以通過三類方法完全：基于學(xué)習(xí)集的修正的方法（如：bagging,boosting），基于訓(xùn)練算法修正的方法（如：負(fù)相關(guān)學(xué)習(xí)），和基于選擇的方法（如:ambiguity based method,GASEN）。因?yàn)樵诮M合階段，線性方法（如：簡(jiǎn)單平均，加權(quán)和），非線性方法（中位數(shù)規(guī)則，“stacked generalization”）被廣泛使用。另一個(gè)重要的可以替換創(chuàng)建基礎(chǔ)模型集合的方法是專家組的混合，但是此方法并不在本文的

8、研究范圍以內(nèi)。
　　由于bagging和boosting法具有好的實(shí)驗(yàn)效果和理論支持，因而被廣泛應(yīng)用于集成學(xué)習(xí)算法。另外，bagging法在不穩(wěn)定估計(jì)中被發(fā)現(xiàn)有比支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等更好的效果。本文提出了一種新的基于集成方法選擇的方法。此方法綜合了用來多樣性度量的差異度量方差膨脹因子（VIF）方法，性能測(cè)量（均方差或者預(yù)測(cè)的平均絕對(duì)相對(duì)誤差）方法和遺傳算法從打包的神經(jīng)網(wǎng)絡(luò)池（pool）中挑選最優(yōu)數(shù)量的基本模型。實(shí)驗(yàn)結(jié)果表明，

9、本文提出的方法僅在非常少的情況比類似的方法效果差；另外，此方法的效果比最優(yōu)的基本網(wǎng)絡(luò)和標(biāo)準(zhǔn)打包方法（standard bagging methods）要好，更多關(guān)于VIF規(guī)則的研究可望顯著提高此方法的性能。
　　長(zhǎng)期、短期漂移是氣體傳感器面臨的最嚴(yán)重問題之一。如果沒有進(jìn)行抗漂移處理，會(huì)對(duì)電子鼻的性能造成嚴(yán)重的影響。本文提出了一種可以處理漂移的集成方法用于在線氣體濃度估計(jì)，實(shí)驗(yàn)結(jié)果表明此方法不僅效果好，而且在與其它集成方法的比對(duì)中也