亓培鋒，孟慶浩，井雅琪，曾 明，丁承君

(1. 天津大學(xué)電氣與自動(dòng)化工程學(xué)院，天津 300072；2. 河北工業(yè)大學(xué)機(jī)械工程學(xué)院，天津 300401)

白酒的生產(chǎn)和消費(fèi)在我國(guó)國(guó)民經(jīng)濟(jì)中占據(jù)著重 要地位．近年來(lái)，隨著白酒產(chǎn)業(yè)的快速發(fā)展，白酒假冒現(xiàn)象日益嚴(yán)重，特別是年份酒和原產(chǎn)地標(biāo)志方面表現(xiàn)得尤為突出．現(xiàn)今對(duì)白酒的檢測(cè)[1-4]主要是通過(guò)色譜、光譜等分析方法，但其檢測(cè)需要專業(yè)人員和大型儀器，費(fèi)時(shí)費(fèi)力，不適合在線快速檢測(cè)．

電子鼻[5]是受生物嗅覺(jué)原理啟發(fā)，在結(jié)構(gòu)和功能上模仿哺乳動(dòng)物的嗅覺(jué)系統(tǒng)的現(xiàn)代檢測(cè)儀器，具有快速、便攜等特點(diǎn)，已經(jīng)在許多領(lǐng)域引起了廣泛重視.電子鼻的數(shù)據(jù)分析本質(zhì)上是模式識(shí)別的過(guò)程，主要包括數(shù)據(jù)預(yù)處理[6]、特征生成、特征降維[7]和分類(lèi)識(shí)別 4部分．

目前已有文獻(xiàn)中，電子鼻對(duì)白酒的研究主要是對(duì)其不同香型、品牌等的直接區(qū)分[1-4]，而對(duì)其中的數(shù)據(jù)分析問(wèn)題缺乏較系統(tǒng)的研究；此外，在電子鼻系統(tǒng)的實(shí)驗(yàn)參數(shù)選擇上大多通過(guò)經(jīng)驗(yàn)估算得到．而實(shí)際上，電子鼻中數(shù)據(jù)分析的每個(gè)環(huán)節(jié)都很關(guān)鍵，最終都會(huì)影響到分類(lèi)識(shí)別的結(jié)果．因此對(duì)于電子鼻系統(tǒng)，為了得到良好的識(shí)別效果，需要對(duì)預(yù)處理后的數(shù)據(jù)盡可能全面地提取特征信息，再通過(guò)適當(dāng)?shù)奶卣鹘稻S策略得到便于分類(lèi)的低維特征空間，從而設(shè)計(jì)較好的分類(lèi)器．此外，電子鼻的響應(yīng)與系統(tǒng)的實(shí)驗(yàn)參數(shù)有很大關(guān)系，不同的實(shí)驗(yàn)參數(shù)都會(huì)引起電子鼻響應(yīng)的差異，從而影響電子鼻的檢測(cè)效果．因此，有必要對(duì)電子鼻系統(tǒng)的實(shí)驗(yàn)參數(shù)進(jìn)行優(yōu)化．

針對(duì)上述問(wèn)題，本文以濃香型白酒為研究對(duì)象，利用自主設(shè)計(jì)的白酒識(shí)別電子鼻系統(tǒng)，對(duì)其中的數(shù)據(jù)分析問(wèn)題進(jìn)行研究，提出了新的數(shù)據(jù)預(yù)處理、特征生成和特征降維方法；對(duì)系統(tǒng)的實(shí)驗(yàn)參數(shù)——?dú)饴妨髁亢退≌舭l(fā)溫度進(jìn)行優(yōu)化，得到較佳的實(shí)驗(yàn)參數(shù)，并在該參數(shù)條件下采用改進(jìn)的 BP神經(jīng)網(wǎng)絡(luò)算法完成電子鼻對(duì)11種濃香型白酒的識(shí)別和溫濕度補(bǔ)償．

1 電子鼻系統(tǒng)及實(shí)驗(yàn)方案

1.1 實(shí)驗(yàn)材料

實(shí)驗(yàn)采用 11種濃香型白酒樣本為對(duì)象：蘭津酒(48%，LJ-H)、蘭津酒(38%，LJ-L)、紅津酒(HJ)、津酒-扁鳳壺(45%，BFH-H)、津酒-扁鳳壺(40%，BFHL)、青酒(QJ)、瀘州老窖(LZLJ)、百年皖酒(BNWJ)、綿竹大曲(MZDQ)、稻花香(DHX)、牛欄山(NLS)．

1.2 電子鼻系統(tǒng)

實(shí)驗(yàn)采用自主設(shè)計(jì)的白酒識(shí)別電子鼻系統(tǒng)如圖1所示，其中氣體傳感器陣列由 11種金屬氧化物半導(dǎo)體(MOS)傳感器組成，分別為：TGS2602、TGS822、TGS880、TGS2610、TGS2620、MICS-5121、MICS-5135、TGS2611、MICS-5521、MICS-5524、MICS-5526，并按照順序編號(hào)為chn0～chn10．

圖1 用于白酒識(shí)別的電子鼻系統(tǒng)整體結(jié)構(gòu)Fig.1 Structure of the designed electronic nose system for Chinese liquors recognition

1.3 實(shí)驗(yàn)方案

1.3.1 氣路流量參數(shù)的優(yōu)化(方案A)

以 5 種白酒(BNWJ、LZLJ、NLS、DHX、QJ)樣本為對(duì)象，研究氣路中載氣流速對(duì)系統(tǒng)識(shí)別的影響；樣本量 2,μL，水浴溫度恒定在 60,℃，改變氣體質(zhì)量流量控制器設(shè)定控制氣路中載氣流速分別為 200、400、500、600、800,sccm．對(duì) 5種白酒樣本分別在上述 5種流速條件下各重復(fù)測(cè)試 5次，共得到 125組樣本數(shù)據(jù)．

1.3.2 水浴溫度參數(shù)的優(yōu)化(方案B)

以 6 種白酒(BNWJ、LZLJ、NLS、DHX、QJ、HJ)樣本為對(duì)象，研究樣本的水浴蒸發(fā)溫度對(duì)系統(tǒng)識(shí)別的影響；樣本量 2,μL，氣路流量為 200,sccm；改變水浴溫度分別為：50,℃、70,℃、90,℃和室溫(無(wú)水浴)．對(duì)6種白酒樣本分別在上述 4種水浴溫度條件下各重復(fù)測(cè)試5次，共得到120組樣本數(shù)據(jù)．

1.3.3 優(yōu)化參數(shù)下對(duì)11種白酒的檢測(cè)(方案C)

以前文所述 11種白酒樣本為對(duì)象，考察優(yōu)化參數(shù)后電子鼻對(duì)濃香型白酒的分類(lèi)識(shí)別效果；氣路流量為 200,sccm；水浴蒸發(fā)溫度為 70,℃；樣本量分別為：1,μL、2,μL、3,μL 和 5,μL．對(duì) 11 種白酒樣本進(jìn)行測(cè)試，每種白酒測(cè)試 20次(每種濃度下重復(fù)測(cè)試 5次)，共得到220組樣本數(shù)據(jù)．

2 數(shù)據(jù)分析方法

電子鼻中數(shù)據(jù)分析的過(guò)程就是模式識(shí)別的過(guò)程，圖2描述了電子鼻數(shù)據(jù)分析方法框架．

圖2 電子鼻數(shù)據(jù)分析方法框架Fig.2 Framework of data analysis for electronic nose

式中1,023表示10位AD的標(biāo)準(zhǔn)采樣數(shù)字量．

2.1.2 小波閾值去噪

通過(guò)消除工頻干擾，可以使響應(yīng)曲線的波動(dòng)減小、趨勢(shì)基本保持一致，但是效果并不顯著，因此還需要進(jìn)一步的濾波去噪．電子鼻傳感器信號(hào)是非平穩(wěn)信號(hào)，對(duì)于非平穩(wěn)信號(hào)用快速傅里葉變換(FFT)濾波不能將有用信號(hào)的高頻部分和高頻噪聲干擾加以有效區(qū)分；而小波變換由于能同時(shí)在時(shí)域和頻域中對(duì)信號(hào)進(jìn)行分析，有變尺度能力，能夠有效地區(qū)分傳感器信號(hào)中的突變部分和噪聲部分，從而實(shí)現(xiàn)信號(hào)去噪.

圖3和圖4比較了FFT濾波和小波去噪對(duì)傳感器信號(hào)的去噪效果．可以看到 FFT濾波在處理傳感器信號(hào)時(shí)存在較大的失真，而小波去噪則能更好地保留有用信號(hào)，且去噪后的曲線也更光滑．

2.1.3 相對(duì)電導(dǎo)變化率歸一化

選用傳感器電導(dǎo)的變化率來(lái)表示傳感器與氣體

2.1 數(shù)據(jù)預(yù)處理

2.1.1 消除工頻干擾

傳感器電壓信號(hào)(LRV )和參考電壓(Vref)都由同一電路板上采集，可認(rèn)為干擾和電路噪聲波動(dòng)是一致的，因此可以通過(guò)參考電壓的波動(dòng)去除傳感器信號(hào)的波動(dòng)，即樣品的反應(yīng)信息，同時(shí)為了抑制基線的波動(dòng)，采用相對(duì)差分法得到一種新的傳感器敏感度表示方法——相對(duì)電導(dǎo)變化率S．

圖3 FFT濾波對(duì)傳感器信號(hào)的去噪效果Fig.3 Signal of sensor denoised by FFT filtering

圖4 小波去噪對(duì)傳感器信號(hào)去噪效果Fig.4 Signal of sensor denoised by wavelet filtering

式中：St為 t時(shí)刻的相對(duì)電導(dǎo)變化率；為 t時(shí)刻傳感器電導(dǎo)；GS0為基線附近電導(dǎo)；VRL為通過(guò)消除工頻干擾并濾波后的電壓采集信號(hào)．

白酒識(shí)別是定性識(shí)別問(wèn)題，因此，為了消除樣本濃度的可能影響，可進(jìn)行歸一化為

由相對(duì)電導(dǎo)變化率定義可知，當(dāng) t＝0時(shí) St值最小為零，即min S＝0．圖5是歸一化后的相對(duì)電導(dǎo)變化率曲線．

圖5 相對(duì)電導(dǎo)變化率的歸一化Fig.5 Normalized curves of the relative change rate of conductivity

2.2 特征生成

求取歸一化后相對(duì)電導(dǎo)變化率的微分、積分、曲率和曲率半徑的公式如下.

梯度(gradient)法求一階數(shù)值微分

辛普森積分公式為

曲率和曲率半徑計(jì)算公式為

2.2.1 響應(yīng)起始點(diǎn)

要準(zhǔn)確獲取傳感器響應(yīng)曲線的特征，首先要確定響應(yīng)的起始點(diǎn)，響應(yīng)起始點(diǎn)的確定就是為了準(zhǔn)確地找到曲線上升的起點(diǎn)．但由于傳感器的響應(yīng)基線一般存在波動(dòng)，即使經(jīng)過(guò)數(shù)據(jù)預(yù)處理，直接尋找響應(yīng)的起始點(diǎn)仍較困難．如果對(duì)相對(duì)電導(dǎo)變化率曲線求微分，基線的波動(dòng)就會(huì)反映為在零點(diǎn)附近波動(dòng)的微分量，并且發(fā)現(xiàn)其微分曲線均存在一個(gè)明顯的極大值波峰．本文根據(jù)微分曲線的這一特點(diǎn)，采取反向搜索的思想：先找到微分曲線極大值，再前向推出起始點(diǎn)，并采用變步長(zhǎng)方法提高了搜索效率．又有響應(yīng)起始點(diǎn)處微分應(yīng)趨近于 0，且從起始點(diǎn)到極大值點(diǎn)之間的微分均大于0．

圖 6示意了響應(yīng)起始點(diǎn) pos1的確定，其中 pos2表示相對(duì)電導(dǎo)變化率達(dá)到最大時(shí)采樣點(diǎn)位置．算法的步驟如下．

步驟 1 求取微分(d)曲線的極大值 dm出現(xiàn)時(shí)的采樣點(diǎn)pos3；

步驟2 以10個(gè)采樣點(diǎn)為步長(zhǎng)，向前逆向搜索，直到d≤dm/5；

步驟 3 以 1個(gè)采樣點(diǎn)為步長(zhǎng)，繼續(xù)逆向搜索，直到首次出現(xiàn) 0d＜ 為止；

步驟4 其下一個(gè)采樣點(diǎn)即為響應(yīng)起始點(diǎn)pos1．

圖6 響應(yīng)起始點(diǎn)的確定算法示意Fig.6 Schematic plot of the algorithm to determine the starting point

2.2.2 特征的生成

對(duì)相對(duì)電導(dǎo)變化率曲線及其微分、積分、曲率和曲率半徑變化曲線提取相應(yīng)特征，每個(gè)傳感器響應(yīng)提取 10個(gè)特征，分別為：達(dá)到最大相對(duì)電導(dǎo)變化率的時(shí)間 t1，相對(duì)電導(dǎo)變化率的方均根 RMSS、算術(shù)平均數(shù)AMSS、幾何平均數(shù)GMSS、調(diào)和平均數(shù)HMS，相對(duì)電導(dǎo)變化率一階微分最大值Mder，達(dá)到最大微分的時(shí)間 t2，平均微分 Kder，t1時(shí)刻相對(duì)電導(dǎo)變化率積分 It1，相對(duì)電導(dǎo)變化率曲線的幾何平均曲率 GMcure．提取特征的公式分別為

式中：N＝pos2－pos1；a＝pos1；b＝pos2．整個(gè)陣列一共得到110維初始特征空間，并按照一定順序編號(hào)為1～110號(hào)特征．再加上采集每次測(cè)試前保持相對(duì)穩(wěn)定的溫度值和濕度值作為 2個(gè)特征(用于溫濕度補(bǔ)償)，每個(gè)樣本可用一個(gè)112維的特征向量表示．

2.3 特征降維

根據(jù)峰值現(xiàn)象[8]，110維特征顯然過(guò)多；在有限測(cè)試樣本的情況下，還需對(duì)特征空間進(jìn)行降維．

2.3.1 特征選擇降維

首先采用 8種特征選擇算法[9-16]對(duì)初始特征空間進(jìn)行選擇，得到每種算法選取的前 10個(gè)特征如表1所示．對(duì)表1結(jié)果進(jìn)行綜合，去重篩選后得到41維特征．

表1 8種特征選擇算法選取前10個(gè)特征結(jié)果Tab.1 Top 10,features chosen by 8,feature-generation methods

2.3.2 核熵成分分析

利用特征提取的辦法進(jìn)一步降低特征維數(shù)，采用KECA[17]作為特征提取算法．2010年 Jenssen在核主成分分析(kernel principal component analysis，KPCA)[18]的基礎(chǔ)上引入了Renyi熵，提出了KECA；與KPCA相比，KECA具有以下兩個(gè)特點(diǎn)：

(1) 保持降維后數(shù)據(jù)與降維前相比的 Renyi熵?fù)p失最??；

(2) 確定數(shù)據(jù)投影方向時(shí)按照特征向量對(duì)Renyi熵值貢獻(xiàn)大小選擇，而不再根據(jù)特征值大小來(lái)選擇．

KECA算法原理請(qǐng)參考文獻(xiàn)[17]，通過(guò)對(duì)實(shí)驗(yàn)結(jié)果分析，最終提取得到12維新特征．

2.3.3 特征的歸一化

通常情況下，最終得到的特征值具有不同的動(dòng)態(tài)范圍(尺度)，在進(jìn)行分類(lèi)器設(shè)計(jì)之前需對(duì)特征進(jìn)行歸一化處理，消除不同特征尺度的影響．本文采用Softmax比例法對(duì)生成的特征進(jìn)行歸一化，它是一種非線性變換，由2步組成，即

式中：xi為生成的特征( i = 1 ,2,… ,n )；μ為所有特征的均值；σ為標(biāo)準(zhǔn)差；λ為系數(shù)；?為歸一化后的特征．通過(guò)變換，特征值限制在[0，1]范圍內(nèi)．

2.4 分類(lèi)識(shí)別

分別采用 Softmax回歸[19]、BP神經(jīng)網(wǎng)絡(luò)[20]和多線性分類(lèi)器(multi-linear classifier)[21-23]作為模式識(shí)別算法，其中應(yīng)用動(dòng)量-自適應(yīng)調(diào)整算法[24]對(duì) BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，改進(jìn)后 BP神經(jīng)網(wǎng)絡(luò)可有效避免陷入局部極值點(diǎn)且加快了學(xué)習(xí)效率．采用交叉驗(yàn)證法來(lái)估計(jì)分類(lèi)器的性能，得到的是分類(lèi)準(zhǔn)確率的估計(jì)值，還需計(jì)算交叉驗(yàn)證估計(jì)的誤差范圍，即置信區(qū)間(本文采用分類(lèi)器預(yù)測(cè)結(jié)果與期望輸出結(jié)果的差值的平均標(biāo)準(zhǔn)差作為置信區(qū)間)．

3 電子鼻系統(tǒng)參數(shù)優(yōu)化

3.1 氣路流量?jī)?yōu)化

按實(shí)驗(yàn)方案 A(見(jiàn)第 1.3.1節(jié))完成實(shí)驗(yàn)，經(jīng)數(shù)據(jù)分析后得到 125個(gè)樣本的 12維特征向量．分別用Softmax回歸和改進(jìn)的 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)分類(lèi)器，并進(jìn)行交叉驗(yàn)證和置信區(qū)間計(jì)算，結(jié)果如表 2和圖 7所示．

氣路流量為 200,sccm條件下 5種白酒樣本的PCA(principal component analysis)和 LDA(linear discrimination analysis)結(jié)果見(jiàn)圖8和圖9．

表2 不同氣路流量下白酒樣本的識(shí)別結(jié)果Tab.2 Results of Chinese liquors recognition in different gas flows

圖7 氣路流量對(duì)白酒樣本識(shí)別的影響Fig.7 Effect of gas flow on Chinese liquors recognition

圖8 200,sccm時(shí)對(duì)5種白酒樣本的PCA結(jié)果Fig.8 PCA results of five Chinese liquors at 200,sccm

由表2和圖 7可知?dú)饴妨髁繛?200,sccm時(shí)，采用Softmax回歸和BP神經(jīng)網(wǎng)絡(luò)測(cè)試樣本得到的交叉驗(yàn)證的準(zhǔn)確率均最高．BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本交叉驗(yàn)證得到的準(zhǔn)確率要比Softmax回歸高，并且識(shí)別精度也更高(置信區(qū)間較小)．圖7中準(zhǔn)確率曲線隨氣流流量增大整體有下降趨勢(shì)，這說(shuō)明氣流流量過(guò)快會(huì)導(dǎo)致氣體樣本與傳感器陣列不能充分接觸反應(yīng)，不利于對(duì)白酒樣本的識(shí)別，而氣路流量為200,sccm是較合適的．

圖9 200,sccm時(shí)對(duì)5種白酒樣本的LDA結(jié)果Fig.9 LDA results of five Chinese liquors at 200,sccm

3.2 水浴蒸發(fā)溫度優(yōu)化

按實(shí)驗(yàn)方案 B(見(jiàn)第 1.3.2節(jié))完成實(shí)驗(yàn)，經(jīng)數(shù)據(jù)分析后得到 120個(gè)樣本的 12維特征向量．分別對(duì) 4種蒸發(fā)溫度條件下得到的實(shí)驗(yàn)樣本用 Softmax回歸和 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)分類(lèi)器，并同樣進(jìn)行交叉驗(yàn)證和置信區(qū)間的計(jì)算，結(jié)果如表3和圖10所示．

由表 3和圖 10可知蒸發(fā)溫度為 70,℃時(shí)，采用Softmax回歸和BP神經(jīng)網(wǎng)絡(luò)測(cè)試樣本得到的交叉驗(yàn)證的準(zhǔn)確率均最高．Softmax回歸對(duì)樣本交叉驗(yàn)證得到的準(zhǔn)確率要比 BP神經(jīng)網(wǎng)絡(luò)高，但是誤差范圍比BP神經(jīng)網(wǎng)絡(luò)略大．圖 10中準(zhǔn)確率曲線隨蒸發(fā)溫度升高具有先增大后減小的整體趨勢(shì)，這反映了蒸發(fā)溫度變化對(duì)白酒樣本蒸發(fā)氣體成分的影響．蒸發(fā)溫度的升高可以加速白酒樣本中呈香物質(zhì)的蒸發(fā)，因此可以豐富樣本氣體組分的差異性，有助于對(duì)白酒樣本的識(shí)別；但當(dāng)蒸發(fā)溫度過(guò)高(如超過(guò) 70,℃)時(shí)，由于白酒樣本中水和乙醇的“過(guò)量”蒸發(fā)將會(huì)導(dǎo)致傳感器特異性下降，反而影響了對(duì)白酒樣本的識(shí)別，甚至影響傳感器響應(yīng)使其產(chǎn)生較大的偏移現(xiàn)象，導(dǎo)致測(cè)量結(jié)果的不可靠．實(shí)驗(yàn)結(jié)果表明蒸發(fā)溫度為 70,℃是比較合適的．

表3 不同蒸發(fā)溫度白酒樣本識(shí)別交叉驗(yàn)證結(jié)果Tab.3 Results of Chinese liquors recognition atdifferent evaporation temperatures of water bath

圖10 水浴蒸發(fā)溫度對(duì)白酒樣本識(shí)別的影響Fig.10 Effect of evaporation temperature of water bath on Chinese liquors recognition

蒸發(fā)溫度為 70,℃條件下，6種白酒樣本的 PCA和LDA分類(lèi)結(jié)果如圖11和圖12所示．

綜上所述，確定白酒識(shí)別電子鼻系統(tǒng)較佳的實(shí)驗(yàn)參數(shù)為：氣路流量為 200,sccm，水浴蒸發(fā)溫度為70,℃．

圖11 70,℃時(shí)6種白酒樣本的PCA結(jié)果Fig.11 PCA results of six Chinese liquors at 70,℃

圖12 70,℃時(shí)6種白酒樣本的LDA結(jié)果Fig.12 LDA results of six Chinese liquors at 70,℃

4 電子鼻識(shí)別結(jié)果

在上述較佳的系統(tǒng)實(shí)驗(yàn)參數(shù)下，按實(shí)驗(yàn)方案C(見(jiàn)第 1.3.3節(jié))完成實(shí)驗(yàn)，經(jīng)數(shù)據(jù)分析后得到 220個(gè)樣本的 12維特征向量．對(duì)實(shí)驗(yàn)樣本用 Softmax回歸和改進(jìn)的 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)分類(lèi)器，并進(jìn)行交叉驗(yàn)證和置信區(qū)間計(jì)算，結(jié)果如表 4所示(表中 Softmax回歸用SR表示，BP神經(jīng)網(wǎng)絡(luò)用BP表示)．

由于金屬氧化物半導(dǎo)體氣體傳感器易受氣室環(huán)境溫濕度影響產(chǎn)生漂移，本文采用一個(gè)溫濕度采集模塊采集氣室內(nèi)溫、濕度情況，并將得到的溫、濕度測(cè)量值作為測(cè)試樣本的兩個(gè)特征值與前文得到的12維特征向量一起組成 14維特征向量來(lái)表示樣本．表 5比較了溫濕度補(bǔ)償前后電子鼻系統(tǒng)對(duì)11種白酒樣本的總體識(shí)別準(zhǔn)確率和置信區(qū)間，結(jié)果發(fā)現(xiàn)溫濕度補(bǔ)償后可以一定程度提高識(shí)別準(zhǔn)確率，并且置信區(qū)間明顯縮小(識(shí)別精度提高)，還可以看到溫濕度補(bǔ)償對(duì) BP神經(jīng)網(wǎng)絡(luò)性能的改善效果更好．

表4 較佳實(shí)驗(yàn)參數(shù)下對(duì)11種濃香型白酒樣本的識(shí)別結(jié)果(溫濕度補(bǔ)償前)Fig.4 Recognition results of 11 kinds of strong-flavor Chinese liquors after parameters optimization(before temperature and humidity compensations)

5 結(jié) 語(yǔ)

考察電子鼻系統(tǒng)的實(shí)驗(yàn)參數(shù)——?dú)饴妨髁亢退≌舭l(fā)溫度對(duì)白酒識(shí)別的影響，發(fā)現(xiàn)兩者條件的變化對(duì)白酒識(shí)別電子鼻系統(tǒng)有較大影響．經(jīng)分析，當(dāng)氣路流量和水浴蒸發(fā)溫度分別為 200,sccm 和 70,℃時(shí)系統(tǒng)的識(shí)別效果明顯優(yōu)于其他情況，因此可得出較佳的氣路流量為200,sccm、水浴蒸發(fā)溫度為70,℃．

利用上述實(shí)驗(yàn)參數(shù)對(duì)11種濃香型白酒進(jìn)行識(shí)別研究．對(duì) 220組白酒樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)分析后，采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率可達(dá)到88.18%，這說(shuō)明文中所提數(shù)據(jù)分析方法和思路適合于電子鼻對(duì)白酒的識(shí)別，可以得到較好的識(shí)別效果，通過(guò)分析還發(fā)現(xiàn)與Softmax回歸相比，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率較高，且置信區(qū)間更窄．

對(duì)實(shí)驗(yàn)樣本數(shù)據(jù)進(jìn)行溫濕度補(bǔ)償，并比較了溫濕度補(bǔ)償前后電子鼻系統(tǒng)對(duì)白酒樣本的識(shí)別結(jié)果．結(jié)果表明對(duì)電子鼻系統(tǒng)進(jìn)行溫濕度補(bǔ)償可以一定程度上提高系統(tǒng)對(duì)白酒的識(shí)別效果，并且溫濕度補(bǔ)償對(duì)BP神經(jīng)網(wǎng)絡(luò)識(shí)別效果的改善更加明顯，其補(bǔ)償后的識(shí)別準(zhǔn)確率可達(dá)到 91.36%，置信區(qū)間則由 0.027,68減小至0.017,18．

［1］ 王 俊，胡桂仙，于 勇，等. 電子鼻與電子舌在食品檢測(cè)中的應(yīng)用研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2004，20(2)：292-295.Wang Jun，Hu Guixian，Yu Yong，et al. Research and application of electronic nose and electronic tongue in food inspection[J]. Transactions of the Chinese Society of Agricultural Engineering，2004，20(2)：292-295(in Chinese).

［2］ 鄒小波，趙杰文，殷曉平，等. 嗅覺(jué)可視化技術(shù)在白酒識(shí)別中的應(yīng)用[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(1)：110-113.Zou Xiaobo，Zhao Jiewen，Yin Xiaoping，et al. Chinese liquors identification by olfaction visualization technology[J]. Transactions of the Chinese Society for Agricultural Machinery，2009，40(1)：110-113(in Chinese).

［3］ 霍丹群，尹猛猛，侯長(zhǎng)軍，等. 可視化陣列傳感器技術(shù)鑒別不同香型白酒[J]. 分析化學(xué)，2011，39(4)：516-520.Huo Danqun，Yin Mengmeng，Hou Changjun，et al.Identification of different aromatic Chinese liquors by colorimetric array sensor technology[J]. Chinese Journal of Analytical Chemistry，2011，39(4)：516-520(in Chinese).

［4］ Zhou Qiong，Zhang Shunping，Li Yuxiao，et al. A Chinese liquor classification method based on liquid evaporation with one unmodulated metal oxide gas sensor[J]. Sensors and Actuators B：Chemical，2011，160(1)：483-489.

［5］ Gardner J W，Bartlett P N. A brief history of electronic noses[J]. Sensors and Actuators B：Chemical，1994，18(1)：210-211.

［6］ 鄒小波，趙杰文. 電子鼻數(shù)據(jù)的預(yù)處理技術(shù)與應(yīng)用[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2006，37(5)：83-86.Zou Xiaobo，Zhao Jiewen. Electronic nose preprocessing and its application[J]. Transactions of the Chinese Society for Agricultural Machinery，2006，37(5)：83-86(in Chinese).

［7］ 海 錚，王 俊. 電子鼻信號(hào)特征提取與傳感器優(yōu)化的研究[J]. 傳感技術(shù)學(xué)報(bào)，2006，19(3)：606-610.Hai Zheng，Wang Jun. Studies on signal feature extraction and sensor optimization of an electronic nose[J].Journal of Transduction Technology，2006，19(3)：606-610(in Chinese).

［8］ Trunk G V. A problem of dimensionality：A simple example[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1979，1(3)：306-307.

［9］ Lewis D D. Feature selection and feature extraction for text categorization[C]//Proceedings of the Workshop on Speech and Natural Language. New York：Association for Computational Linguistics，1992：212-217.

［10］ Battiti R. Using mutual information for selecting features in supervised neural net learning[J]. IEEE Transactions on Neural Networks，1994，5(4)：537-550.

［11］ Yang H，Moody J. Feature selection based on joint mutual information[C]//Proceedings of International ICSC Symposium on Advances in Intelligent Data Analysis.New York，the United States，1999：22-25.

［12］ Fleuret F. Fast binary feature selection with conditional mutual information[J]. The Journal of Machine Learning Research，2004，5：1531-1555.

［13］ Peng H，Long F，Ding C. Feature selection based on mutual information criteria of max-dependency，maxrelevance，and min-redundancy[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27(8)：1226-1238.

［14］ Jakulin A. Machine Learning Based on Attribute Interactions[D]. Ljubljana：Faculty of Computer and Information Science，University of Ljubljana，2005.

［15］ Lin D，Tang X. Conditional Infomax Learning：An Integrated Framework for Feature Extraction and Fusion[M]. Berlin Heidelberg：Springer，2006.

［16］ Meyer P E，Bontempi G. On the Use of Variable Complementarity for Feature Selection in Cancer Classification[M]. Berlin Heidelberg：Springer，2006.

［17］ Jenssen R. Kernel entropy component analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32(5)：847-860.

［18］ Yang Jian，F(xiàn)rangi A F，Yang Jingyu，et al. KPCA plus LDA：A complete kernel fisher discriminant framework for feature extraction and recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2005，27(2)：230-244.

［19］ Gold S，Rangarajan A. Softmax to softassign：Neural network algorithms for combinatorial optimization[J].Journal of Artificial Neural Networks，1996，2(4)：381-399.

［20］ Rumelhart D E，Hintont G E，Williams R J. Learning representations by back-propagating errors[J]. Nature，1986，323(6088)：533-536.

［21］ Jing Y Q，Meng Q H，Qi P F，et al. Electronic nose with a new feature reduction method and a multi-linear classifier for Chinese liquor classification[J]. Review of Scientific Instruments，2014，85(5)：055004.

［22］ Zhao Q，Zhao Y，Wang F，et al. Preliminary study of learning individual thermal complaint behavior using one-class classifier for indoor environment control[J].Building and Environment，2014，72：201-211.

［23］ Zhao Y，Zhao Q，Wang F，et al. Modeling individual complaint behavior in daily office environment using a novel one-class，multi-linear classifier[C]//2013 10th IEEE International Conference on Control and Automation(ICCA). Hangzhou，China，2013：1850-1855.

［24］ 段侯峰. 基于遺傳算法優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[D]. 北京：北京交通大學(xué)電氣工程學(xué)院，2008.Duan Houfeng. Fault Diagnosis for Power Transformer Based on Genetic Algorithm for Optimization of BP Neural Network[D]. Beijing：School of Electrical Engineering，Beijing Jiaotong University，2008(in Chinese).