论文部分内容阅读
在电子鼻系统中,金属氧化物半导体(Metal Oxide Semiconductor,MOS)型气体传感器由于其灵敏度高、响应快和成本低等优点被广泛应用。但其在应用中易受到自身漂移、环境干扰等因素的影响,导致电子鼻出现精度低、泛化性差等问题。本文针对MOS型电子鼻在应用过程中暴露的关键问题,从模式识别与机器学习算法的角度开展了理论研究,并在茶叶、酒类品质检测等方面开展了相关的应用研究。(1)当电子鼻应用于气体定性分析时,气体浓度成为了重要干扰因素。因此,本文首先从特征提取角度提出了一种基于直推式迁移学习方法(Maximum Independence of the Concentration Features-Iterative Fisher Linear Discriminant,MICF-IFLD)用于抑制气敏传感器信号漂移。MICF从数据分布角度降低了样本间由浓度引起的数据分布差异,IFLD进一步提取传感器响应信号的深层特征,减少了样本间的类内差异同时增加其类间差异。MICF-IFLD提高了样本分布的一致性,提升了分类模型在气体定性分析中的准确性和泛化性。(2)针对传感器信号漂移问题,不再细分引起漂移的因素。基于域自适应学习理论,提出了一种基于长短时记忆(Long Short-Term Memory,LSTM)网络的域自适应学习模型(Domain Adaptation-Long Short-Term Memory,DALSTM)。通过引入对比损失函数,同时借助于目标域中少量的标记样本,模型自适应地实现了对数据漂移的补偿,并展现出了良好的性能,而且避免了特征提取过程的繁琐。尤其,注意力机制的引入,使得模型DALSTM的泛化性能得到了进一步的提高。(3)对于气体的定性、定量分析,构建了基于长短时记忆(Long Short-Term Memory,LSTM)网络的多任务学习框架(MLSTM),同时执行气体识别和浓度估计。框架中两个任务共享底层特征,任务之间协同训练有效提高了气体识别和浓度估计的精度,并在一定程度上解决了先识别气体类型再预估其浓度这种串行方法中可能由于识别错误而带来的浓度估计偏差。同时,应用粒子群优化(Particle Swarm Optimization,PSO)算法来优化多任务学习框架中的超参数,并取得了良好的效果。更进一步,多任务学习框架被拓展应用在红酒属性检测,分别提出了基于BPNN和CNN的多任务模型,用于同时识别葡萄酒的四种不同属性。(4)针对MOS型电子鼻在茶叶、酒类等品质检测中的应用问题,发展了一套鲁棒性强、泛化性好、准确性高的模式识别方法,准确地辨识了茶叶的品牌、产地、质量等信息,并利用气相色谱-质谱联用仪(Gas Chromatography-Mass Spectrometer,GC-MS),探索了不同类型茶叶样本的差异所在,验证了电子鼻在茶叶检测中的有效性和准确性。本文提出的漂移抑制方法、机器学习模型等,可为多个行业(食品、环保、危险品探测等)中的气体分析提供科学支撑。研究结果也具有明确的经济意义和潜在的市场价值,有助于推广MOS型电子鼻设备的商业化应用。