[发明专利]一种带自表达的电子鼻非目标干扰气体识别方法

说明书

技术领域

本发明属于一种电子鼻的气体检测领域。

背景技术

中国专利文献CN102866179 A于2013年1月9日公开了基于人工智能学习机的电子鼻中非目标干扰气味的在线识别和抑制方法，其识别方法的步骤包括目标气体和典型非目标干扰气味数据样本的采集、传感器阵列信号预处理、目标气体和非目标干扰气味样本的特征提取、人工智能学习机的训练学习和智能学习机对非目标干扰气味的实时在线识别。它利用人工智能模式识别出了目标气体和非目标干扰气味，赋予了检测信号的类别标志。

由于上述方法采用二类分类器：目标气体视为一类，非目标气体视为一类，两类对象的标志分别设为0和1，其中“0”代表非目标干扰气体类，“1”代表目标气体类。首先获取目标气体数据集和非目标气体数据集，然后训练一个二类分类器，并进行分类，从而可以判别出干扰气体样本。但是这种方法存在一个问题：虽然六种目标气体(即甲醛、苯、甲苯、一氧化碳、二氧化氮和氨气)已确定，但非目标干扰气体种类和数量繁多，在实际生活中，有无数种干扰气味的存在。然而，由于实验条件和现实原因，无法获得非目标干扰气体足够的样本进行训练，使用上述方法就不能识别。

发明内容

针对现有技术存在的问题，本发明所要解决的技术问题就是提供一种带自表达的电子鼻非目标干扰气体识别方法，该方法只需要待检测的目标气体的数据，以及很少部分非目标干扰气体数据，分两步进行训练，就能够识别出其他非目标干扰气体。

本发明所要解决的技术问题是通过这样的技术方案实现的，它包括有

步骤1、取电子鼻检测的多类目标气体数据和少量非目标干扰气体数据，并将目标气体数据分为目标气体训练集X和目标气体误差阈值训练集X₁两部分,非目标干扰气体数据为干扰气体误差阈值训练集Y。其中目标气体训练集X用于第一阶段训练，即找到自表达矩阵α，而目标气体误差阈值训练集X₁和干扰气体误差阈值训练集Y用于第二阶段训练，即找到区别目标气体与干扰气体的误差阈值T，该误差是利用第一阶段训练出的自表达矩阵α进行计算获得；

步骤2、已知目标气体训练集X，由以下式子求解表达系数矩阵α＝[α₁,α₂,…,α_N]；

式(1)中α_i为自表达向量，表示样本x_i被X中所有样本表达的程度，i＝1,2,…,N，N为目标气体训练集X的样本总数；λ是正则项系数；

步骤3、使用目标气体误差阈值训练集X₁和干扰气体误差阈值训练集Y，对应(7)式分别计算出两个训练集的平均误差集e₁和e₂；

计算e₁时，y表示目标气体误差阈值训练集X₁的单个样本；计算e₂时，y表示干扰气体训练集Y的单个样本；

步骤4、根据E＝[e₁,e₂]确定区分目标气体与非目标干扰气体阈值T的搜索范围[E_min,E_max]，针对每个T值得到目标气体误差阈值训练集X₁的准确度P₁和非目标干扰气体误差阈值训练集Y的检测准确度P₂；

步骤5、P＝P₁+P₂，P值最大对应的T值为所找的理想阈值。

由于采用了上述技术方案，本发明的技术效果是：它避免了大量采集非目标干扰气体数据的实验过程，以及复杂的训练程序，能够简便地识别出非目标干扰气体。

附图说明

本发明的附图说明如下：

图1为p＝2时目标-干扰气体识别率随阈值T的变化曲线图；

图2为p＝1时目标-干扰气体识别率随阈值T的变化曲线图；

图3为p＝2时传感器对干扰数据集1的测试响应曲线；

图4为p＝2时传感器对干扰数据集2的测试响应曲线；

图5为p＝1时传感器对干扰数据集1的测试响应曲线；

图6为p＝1时传感器对干扰数据集2的测试响应曲线。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：