《电子鼻的研究意义发展现状应用及前景.doc》由会员分享，可在线阅读，更多相关《电子鼻的研究意义发展现状应用及前景.doc（7页珍藏版）》请在三一办公上搜索。
1、电子鼻的研究意义发展现状应用及前景1电子鼻的研究意义 随着石油化学工业的发展，易燃、易爆、有毒气体的种类在不断增加，其应用范围也在不断扩大。这些气体在生产、运输、使用过程中一旦发生泄漏，将会引发中毒、火灾甚至爆炸事故，严重危害人民的生命和财产安全。由于气体本身存在的扩散性，发生泄漏之后，在外部风力和内部浓度梯度的作用下，气体会沿地面扩散，在事故现场形成燃烧爆炸或毒害危险区，扩大危害区域。因此，这类事故具有突发性强、扩散迅速、救援难度大、危害范围广等特点。一旦发生气体泄漏事故，必须尽快采取相应措施进行处置，才能将事故损失降到最低水平。 在日常生活中，由于物质水平不断提高，煤气、液化石油气做为家庭
2、燃料迅速普及。这些气体燃料在使用中，由于管道煤气泄漏、燃气热水器使用不当或质量变坏导致不完全燃烧而造成中毒等灾害事故是十分严重的，轻者引起中毒，重者造成火灾，危及人们的生命、财产安全。 由于上述原因，对于气体的检测与控制就很重要了，研究各种气体的检测方法与传感器就成为重要课题。需要检测的气体种类繁多，它们的性质也各不相同，所以不可能用一种方法来检测所有气体。对气体的分析方法也随气体的种类、成分、浓度和用途而异。因此实际检测气体时，应根据场合和环境不同，选择比较适合现场的检测方法。但总的要求是希望操作简单、性能稳定、工作可靠，避免现场温度、湿度和风速等变化对检测的影响。 使用气体传感器进行多气体
3、的定性定量研究，可以极大的降低测量成本，减小测量周期，并可实现在线的实时测量。但由于当前气体传感器普遍存在着交叉敏感和选择性差等缺点，使用单一气体传感器很难实现多气体的检测分析。目前使用较多的方式是通过多个敏感程度不同的气体传感器组成传感器阵列，结合神经网络等模式识别方法构成电子鼻系统，进行气体的检测。本文既是以电子鼻系统的原理为基础，研究基于人工神经网络和独立分量分析的多气体分析系统，利用传感器阵列对气体的高维响应模式来实现对不同气体的定性识别和定量检测，解决目前单个气体传感器选择性差的问题。2电子鼻及其发展现状2.1电子鼻系统概述 电子鼻也称人工嗅觉系统，它是模拟生物鼻工作原理的一种电子系
4、统。电子鼻的工作可简单地归纳为:传感器阵列预处理电路神经网络和各种模式算法计算机识别。它是90年代发展起来的一种新颖的检测技术，涉及传感器融合技术、模式识别、电子技术、计算机技术、神经生理学和应用数学等的一门综合性技术，其中传感器技术和计算机技术处于当今科学技术研究和发展的前沿。 模拟动物和人的嗅觉系统，一个典型的电子鼻包含3个层次，即气体传感器阵列、信号预处理单元和模式识别单元，如图1所示。因此国内外对电子鼻的研究主要集中在气体传感器技术、信号预处理技术、模式识别技术三方面。 图1电子鼻系统的组成2.2气体传感器技术 从人们对生物系统的理解可以确定电子鼻中气体气味传感器需具有以下特性:（1）
5、对单一气体或气味分子不需要高度专一性，但是对特定种类的化合物要有某种程度的择优特性； （2）使用这些不同的但具有重叠响应特性的非专一性的传感器可以获得对特定化学物的专一性，这样可以描述单一化学物的特征模式；（3）理想情况下，对一种化学物的不同浓度的响应应该是单调的； （4）在常温下的反应应该是快速的和可逆的； （5）传感器产生的信息应该是简单的，易于处理的。 电子鼻中要求传感器是部分灵敏的，即对一系列或一类的气体有广谱的响应，而不是对特定的某一气体响应，这对于扩大电子鼻的应用范围是十分有利的。事实上，目前绝大多数气体传感器缺少本来希望的专一性，故可以利用它们作为电子鼻的敏感元件。实践证明，多个
6、传感器形成的阵列对于特定的气体具有专一性，并且能够识别远远多于传感器数目的气体种类。这是典型的利用缺点克服缺点的范例。2.3信号预处理技术 信号预处理的方法应根据实际使用的气敏传感器的类型、模式识别方法和最终识别任务适当选取。通常认为，电子鼻内某一传感器i对气体j的响应为一时变信号。由n个传感器组成的阵列对气味j的响应是n维状态空间的一个矢量Vi，写成分量形式为: 阵列对气味j的响应灵敏度仅部分地取决于传感器的质量，此外，测试环境和信号处理方式也有十分重要的作用。 相对差分法、分式差动法、对数法、归一化法等都是比较简单常用的信号预处理技术。相对差分法和分式差动法有助于补偿传感器的温度灵敏度，而
7、且分式差动法可以线性化金属氧化物化学电阻与浓度的关系;对数法可以将高度非线性的浓度依赖关系线性化:传感器归一化可以使单个传感器的输出处于0,1之间，从而使得响应向量的每一个元素处于同一数量级，不仅减少化学计量识别中的计算误差，而且为神经识别器中的输入空间准备合适的数据。但是，对于弱信号这些方法会增加噪声。 近年来兴起的主分量分析(Principle Compoment Analysis, PCA)算法在信号的预处理方面得到了较好的应用。PCA算法的目的在于去除输入随机向量间的线性相关性，PCA作为一种比较成熟的算法，已经广泛应用于电子鼻系统中。但是，只有当多变量观测数据由高斯分布的源信号构成时
8、，PCA方法才是有效的，因为满足高斯分布的随机变量的统计独立和不相关是等价的，用一、二阶统计特性就可以完全描述信号的特征。魏广芬等人引入非线性主成分分析(Nonlinear Principal Component Analysis-,NLPCA)法对微传感器阵列的信号进行处理，对由4个微热板式气体传感器组成的阵列的信号进行了分析，对照基于线性叠加模型的PCA的识别结果，说明该方法能够提高对混合气体识别和量化的准确度。但实际上，绝大部分随机变量都不满足高斯分布，如自然景物图像等，都基本可以看成是由一些相互独立的源信号线性组合而成的。因此基于高斯分布假设下的PCA方法并不能有效的提取数据特征，难以
9、取得理想效果。我们需要一种新的多维数据分析方法一一-独立分量分析方法，来处理非高斯源信号的混合问题。 独立分量分析技术(Independent Component Analysis, ICA)的研究起源于1991年，Herault和Jutten首次提出了一种基于神经网络的学习算法，成功地实现了两个语音信号的分离，从而开启了一个新的领域。1994年Comon正式提出了独立分量分析这一概念，界定了ICA技术所基于的基本假设条件，并深入探讨了一系列的问题，包括对比函数的概念，ICA在恢复信号时所固有的不确定性等。最重要的是，Comon在论文中证明了，通过对多路接收的混合信号进行某一线性变换，使得变换
10、后的信号彼此统计独立，这样得到的信号即是未知的源信号。并且他还明确指出，应该通过使某个对比函数达到极大值来消除观测信号中的高阶统计关联，从而实现源信号的盲分离。由于这篇论文奠定了ICA技术的理论基础，从而成为ICA历史上的经典文献之一。 1995年Bell和Sejnowski发表了ICA发展史中的另一篇里程碑文献。首次使用具有sigmoid非线性函数的神经元来消除观测信号中的高阶统计关联，用信息最大化准则建立对比函数，从而将信息方法与ICA技术结合起来，推导出一种在线性迭代学习算法，成功地对10个混合语音进行了分离，但是该算法需要对矩阵求逆，收敛速度慢，算法的性能要受源信号的棍合程度的影响，此
11、外该算法只能分离超高斯信号。 1996年Cardoso和Laheld8深入分析了当时的ICA在线算法，将统计学中的等变化的概念引入到ICA中来，指出满足等变化的ICA算法具有均匀性能，即算法的性能不受源信号的混合程度的影响，提出了相对梯度，并基于相对梯度推导出了另一种在线算法(EASI算法)。该算法满足等变化的条件，从而具有均匀性能。此外，由于采用了相对梯度，该算法收敛速度非常快，并且避免了矩阵求逆运算。 与此同时，Amari5从信息几何的角度提出了与相对梯度等价的自然梯度。当参数空间是正交的欧几里得空间时，相对梯度是最佳的下降方向。而 自然梯度则是定义在黎曼空间中的最佳下降方向。ICA问题中
12、的参数空间符合黎曼空间，因而采用自然梯度的ICA算法比采用一般梯度的ICA算法具有更好的性能。 此外，1998年Cardosollol从统计学、信息论的角度对当时ICA的发展情况做出了综述，阐述了ICA所基于的统计学理论、信息论理论，以及由此导出的几种对比函数，总结了ICA算法的稳定性条件，并且给出了今后的发展方向。这些发展方向绝大部分现在已经成为了ICA研究的热点问题。 目前ICA已经在诸多方面获得了初步的甚至是实际的应用。在生物医学方面，ICA用于诱发脑电信号的特征提取，分离胎儿心电信号、核磁功能成像等。在无线通信方面，ICA也已在盲多用户检测、盲均衡、盲辨识等方面获得了初步的应用。在图像
13、珍理方面，ICA已用于人脸识别、SAR图像相干斑的消除、图像特征提取、图像的消噪等方面。在语音分离问题上，ICA目前是最好的一种技术，但离实际的应用还差一段距离。此外，ICA在金融数据分析、数据挖掘、生物信息学、机械工程学等其他许多领域中均获得了成功的应用。 总之，独立分量分析技术在信号的预处理方面有着广泛的应用前景。2.4模式识别技术 模式识别技术的优劣与否直接影响电子鼻系统的最终识别结果，其重要性不言而喻。偏最小二乘法(PLS)、欧几里德聚类分析法(ECA)、模糊推理法(FI)和人工神经网络(ANN)等等在电子鼻领域都有应用潜力。 PLS13也是一种线性方法，这种方法可以克服变量共线问题，
14、还可以消除系统的噪声，使建立的模型预报准确度更高。对于用选择性较差的传感器组成的阵列，各个传感器响应的相关性较大，其信号用PLS方法处理是比较合适的。 与统计模式识别法(PLS, ECA等)相比，人工神经网络模式识别具有以下优点:它模拟了神经信号的传输和整合机理，与生物嗅觉系统最为接近;有良好的容错性和较强的适应能力:具有很强的自学习能力和对环境的自适应能力;网络被训练好后具有快速操作性能。因此ANN在电子鼻研究中得到广泛应用。 有多种ANN方法，如误差后向传播(Back Propagation, BP)、自组织特征映射(SOM)、径向基函数(RBF)、模糊C均值算法(FCMA)、模糊神经网络
15、(FNN)等等，它们各有优缺点。其中BP算法应用的最普遍，但它容易陷入局部极小，且学习时间长，如果把BP网络和其它的模式识别算法相结合可以得到较好的应用。SOM6网络(也称Kohonen网络)的结构简单，但被识别的形态不规则或发生重叠时，其识别性能不佳。RBF网络应用也很广泛，它无论在逼近能力、分类能力和学习速度等方面均优于BP网络，但它的作用函数输入空间区域较小，导致在实际需要较大空间时，需要很多的径向基神经元。其它神经网络，如AKI网络、Elman网络等在人工嗅觉领域也有应用潜力。 国内外的许多学者在电子鼻的模式识别算法上做了很多的工作。邵应清、邹小波等人从每个气体传感器对气体响应的曲线中
16、提取4个特征，用BP网络方法对不同体积分数的乙醇溶液进行识别，得到100%的训练样本识别率和90%的测试样本识别率；D.Rebiere声称把前处理和后处理神经网络BP算法结合起来可提高声表面波电子鼻的报警速度；S.W.Moore采用部分连接的人工神经网络，混合气体的浓度定量误差减少到10%以内;冯伟提出一种新的网络算法即共辘梯度和模拟退火组合算法，能避免限于局部极小点，并提高学习速度；J.M.Slater把PCA, PLS与Kohonen算法做了比较，认为后者是最好的信号处理方法；J.Zupan认为Kohonen算法优于BP算法，在每个独立分量的分离能力方面可提供更详尽的信息。C.D.Nata
17、le认为Kohonen算法是自适应的，对传感器的漂移和环境变化有较好的容忍性，他甚至认为普通模式识别方法只适用于多组分气体分析，而不足以担负气味识别的重任。为了提高遗传神经网络对混合气体越限值的识别精度，张勇等人提出分布分档识别法，在较大范围内保证了识别准确性，提高了电子鼻的实用性;赵杰文等人提出了一种称为“遗传特征参数法”的新方法，在一定程度上提高了模式识别的精度。针对ANN本身存在一些不足，RolandLinde:等人研究开发了一种称为ACMD (Approximation and Classifiction ofMediacal Data)新的神经网络工具，并实验了其正确识别率明显大于其
18、他方法.1999年由西北工业大学的王磊教授主持的课题组，曾将模糊集合理论和自组织映射神经网络相结合用于电子鼻的研究;聂伟等人对基于模糊集合理论数据融合的气体识别方法进行了研究。Corrad等人将ICA和PLS-DA (Partial Least Squares - Discriminant Analysis)相结合的电子鼻模式识别系统用于对环境千扰的监测，以在不同温度和相对湿度的条件下存放一个星期的水果为例进行了实验，结果表明经过ICA处理的数据最大限度的消除了相关性，识别的准确率得到大幅度的提高。2.5电子鼻发展现状 利用气味在电极上的氧化还原反应研制的第一个“电子鼻”,是由Wilkens和
19、Hatman等人在1964年报道的。1965年报道了Buck等人利用气味调制电导和Dravieks等人利用气味调制接触电位研制的“电子鼻”。然而，作为气味分类用的智能化学传感器阵列的概念，直到近加年才真正出现在英国Warwick大学的Persaud等人和日本日立公司的Ikegami等人的文章中。电子鼻这个术语约在80年代晚期出现，当时它被专门用于1987年的一个会议。1989年北大西洋公约组织关于化学传感器信息处理的高级专题讨论会，则致力于人工嗅觉及其系统设计这个专题。第一次关于电子鼻的专题会议是在1990年进行的。从此，不仅对电子鼻的性能定义和标准、设计和相关技术做了广泛的研究，而且有关应用
20、及仪器化报道也相当可观. 1995年后，开始出现商品化的电子鼻设备。表2列出了国外生产商品化电子鼻的公司及其采用的传感器技术。 表2 商业化电子鼻公司名称国家传感器类型传感器数目Airsense 德国MOS10Alpha Mas法国MOS/CP/QCM达到24AromaSam英国CP32Bloodhound Sensor英国CP14HKR SensorSystem 德国QCM6Lennartz electronic德国MOS/QCM达到40Netonics美国，英国CP12Nordi Sensor Technologise瑞士MOSFET/MOS/IR/QCM达到15RST Rostock 德
21、国QCM/MOS/SAW6注: MOS为金属氧化物传感器:CP为导电聚合物传感器:QCM为石英晶体谐振传感器；IR为红外线光电传感器；SAW为声表面波传感器；MOSFET为金属氧化物半 导体场效应传感器。3电子鼻的应用及发展前景 电子鼻在以下行业具有潜在的应用前景: (1)汽车:发动机控制、汽车排气质量监测； (2)航空航天:发动机控制、机舱环境监测； (3)农业:化肥及农药分析； (4)化学分析:实验室日常材料化验； (5)消防:煤矿、油田、油库、建筑物报警； (6)环保:土地、水、空气污染的监测； (7)化学控制:药品、化工材料的生产； (8)质量控制:饮料、烟草、食品质量监测； (9)安
22、全:公安、海关检测。 截止目前，尽管许多研究工作者们在电子鼻领域做了大量研究和尝试，并且获得了一些研究成果，甚至有商品化的电子鼻问世，但是电子鼻的研究是一个系统的、复杂的工程，其各个环节仍然存在着许多需要解决的问题: (1)人类及哺乳动物的嗅觉机理尚需深入了解； (2)气体传感器的稳定性、复杂性、抗干扰性等特性需要改进； (3)针对实际问题的复杂性，应考虑选择适用的气体传感器阵列，包括传感器的种类、阵列的维数确定、传感器间的特性互补、优化组合、余度配置等。对于集成气体传感器阵列还需从工艺等角度考虑功耗、信号的采集及基于传感器的集中加热等问题； (4)针对实际问题的复杂性，应构造切实可行的信号预处理和模式识别算法； (5)通用意义上的电子鼻的设计原则和方法。 随着传感技术和信息处理技术的发展以及人类对嗅觉过程的深入了解，电子鼻的设计必将更加合理，功能必将日益增强，并越来越多地满足人类生产和生活的需要。
