【正文】 的 5號引腳連接。 模式識別 本課題氣體傳感器陣列對不同氣體進(jìn)行檢測，期望可通過對 氣味數(shù)據(jù)的處理將他們鑒別出來，但傳感器多測量的信號與氣體之間沒有直接的對應(yīng)關(guān)系，因此需要通過模式識別算法進(jìn)行處理。常用的模式識別算法有：（ 1） k近鄰法 ： k近鄰法 是根據(jù)距離最近的 K 個樣例類型來推測該樣例類型的方法；（ 2） 聚類分析 ：聚類分析指將物理或抽象對象的集合分組成為由類似的對象組成的多個類的分析過程 ；（ 3） 判別分析 ： 判別分析又稱 “ 分辨法 ” ，是在分類確定的條件下，根據(jù)某一研究對象的各種特征值判別其類型歸屬問題的一種多變量統(tǒng)計分析方法 ；（ 4） 主成分分析 ： 將多個變量通過線性變換以選出較少個數(shù)重要變量的一種 多元統(tǒng)計分析 方法 ， 稱主分量分析 等等。在本課題中我們將采用 學(xué)習(xí)向量量化 。 主成分分析（ PCA） PCA 又稱為主成分分析，是在電子鼻領(lǐng)域應(yīng)用最多的算法之一。設(shè)有 n個樣圖 211 通信接口電路 第 17 頁 本， m個變量，則原始測量數(shù)據(jù)的矩陣向量為 11 12 121 22 212mmn n nmx x xx x xx x x???????? 將原始數(shù)據(jù)標(biāo)準(zhǔn)化，得到標(biāo)準(zhǔn)化的測量值： 39。 1 , 2 , .. ., 。 1 , 2 , .. .,ij jijjxxx i n j ms?? ? ? 式中jx為變量 j 測量值的樣本平均值；js為變量 j 測量值的樣本標(biāo)準(zhǔn)差。將標(biāo)準(zhǔn)化的測量值組成對應(yīng)的新矩陣向量，并求其協(xié)方差矩陣，然后求協(xié)方差矩陣的特征值，按大小順序排列得 12 m? ? ?? ????? ，對應(yīng)的特征向量為 12, ,..., m? ? ? 。所求特征向量按順序分別稱為第 1,2,3,4? m 主成分。各主成分的貢獻(xiàn)率按下式進(jìn)行計算： 1/ miii???? 取前 p 個主成分方向上的得分 z ： 39。12( , ,.. ., )pzX? ? ?? 主成分分析的實質(zhì)就是尋找在最小均方意義下最能夠代表原始數(shù)據(jù)的投影方法，如圖所示。主成分分析方法易于理解，便于實現(xiàn)，通常取原始數(shù)據(jù)在前 2 個或前 3 個主成分上的投影進(jìn)行繪圖，為保證繪圖的可靠性，要求前 2個或前 3 個主成分的 累計貢獻(xiàn)率在 80%以上。 學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)（ LVQ） 學(xué)習(xí)向量量化 (LVQ)神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的訓(xùn)練競爭 層的方法。學(xué)習(xí)向量量化網(wǎng)絡(luò)能夠?qū)θ我廨斎胂蛄窟M(jìn)行分類，不管它們是不是線性可分，這點比感知器神經(jīng)網(wǎng)絡(luò)要優(yōu)越得多。 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) LVQ 網(wǎng)絡(luò)模型如圖 所示 [17]， 網(wǎng)絡(luò)由 3 層神經(jīng)元組成 ,即輸入層、競爭層和線性輸出層 如圖 。 該網(wǎng)絡(luò)在輸入層與競爭層之間 為完全連接 ,而在競爭層 第 18 頁 與線性輸出層之間為部分連接 ,每個輸出神經(jīng)元與競爭神經(jīng)元的不同組相連接 ,競爭層和 線性輸 出神經(jīng)元之間的連接權(quán)值固定 l。 輸入層和競爭神經(jīng)元間 的連接權(quán)值建立為參考矢量的分量 (對每個競爭神經(jīng)元指定 一個參考矢量 )。 在網(wǎng)絡(luò)訓(xùn)練過程中 ， 這些權(quán)值被修改 。 競爭 神經(jīng)元和線性輸出神經(jīng)元都具有二進(jìn)制輸出值。當(dāng)某個輸入 模式被送至網(wǎng)絡(luò)時 ,參考矢量最接近輸入模式的競爭神經(jīng)元 因獲得激發(fā)而贏得競爭 , 因而允許它產(chǎn)生一個 “ 1” ,其他競爭 神經(jīng)元都被迫產(chǎn)生“ 0”。 與包括獲勝神經(jīng)元的競爭神經(jīng)元組 相連接的輸出神經(jīng)元也發(fā)出“ 1”， 而其他輸出神經(jīng)元均發(fā)出 “ 0”。 產(chǎn)生 “ 1” 的輸出神經(jīng)元給出輸入模式的類 ,每個輸出神 經(jīng)元被表示為不同的類 [18]。 網(wǎng)絡(luò)學(xué)習(xí)算法 LVQ 網(wǎng)絡(luò)根據(jù)輸入向量和權(quán)值向量的最小歐氏距離選取獲勝神經(jīng)元 ， 并且采用勝者為王的競爭機制 ， 令該神經(jīng)元的輸 出為 1， 其他神經(jīng)元的輸出為 0。 LVQ 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如下 [19]: (1)產(chǎn)生隨機數(shù)設(shè)定輸入層和隱藏層之間的權(quán)值初始值 。 (2)將輸入向量 X = [x1, x2, , xn]T 送入輸入層 。 (3)根據(jù)歐式距離 d=N 2i ij=1 xw?（ ） 計算隱藏層與輸入向量的距離 . (4)選擇與權(quán)值向量的距離最小的神經(jīng)元 。 (5)更新連接權(quán)值 . 如 果勝出神經(jīng)元和預(yù)先指定的分類一致 , 稱為正確分類權(quán)值的調(diào)整按 wi(t+ 1)=wi(t)+?(t)(xwi(t))更新 ； 如果勝出神經(jīng)元和預(yù)先指定的分類不一致 ， 稱為不正確分類 ， 權(quán)值的調(diào)整按 wi(t +1)=wi( t) ? (t)(x wi(t))更新 。 其中 t 為迭代次數(shù) ， ?(t)為學(xué)習(xí)步長 。 (6)判斷是否滿足預(yù)先設(shè)定的最大迭代次數(shù) ， 滿足則算法結(jié)束 ， 否則返回 (2)， 進(jìn)入下一輪的學(xué)習(xí) 網(wǎng)絡(luò) 特點 競爭層神經(jīng)網(wǎng)絡(luò)可以自動學(xué)習(xí)對輸入向量模式分類，但是競爭層進(jìn)行的分類只取決于輸入向量之間的距離，當(dāng)兩個輸入向量非常接近時，競爭層就可能將它們歸為一類。在競爭層的設(shè)計中沒有這樣的機制，即嚴(yán)格地判斷任意兩個輸入向量是屬于同一類還是屬于不同類。而對于 LVQ 網(wǎng)絡(luò)用戶指定目標(biāo)分類結(jié)果，網(wǎng)絡(luò) 第 19 頁 可以通過監(jiān)督學(xué)習(xí)完成對輸入向量模式的準(zhǔn)確分類。 與其他模式識別和映射方式相比， LVQ 神經(jīng)網(wǎng)絡(luò)優(yōu)點在于網(wǎng)絡(luò)結(jié)構(gòu)簡單，只通過內(nèi)部簡單的相互作用就可以完成十分復(fù)雜的分類處理，也容易將設(shè)計域中的各種繁雜分散的設(shè)計條件收斂到結(jié)論上來。而且它不需要對輸入向量進(jìn)行歸一化，正交化處理，只需要直接計算輸入向量與競爭層之間的距離，從而實現(xiàn)模式識別，因而簡單易行 [20]。 本課題研究的是基于 SnO2 氣體傳感器的納米電子鼻傳感器檢測系統(tǒng)， 設(shè)計已基本達(dá)到了預(yù)期的效果，可以采集到不同 氣體（ H2S、氨氣和鹵素氣體） 的數(shù)據(jù)，并通過 LVQ 對電子鼻氣味數(shù)據(jù)進(jìn)行分析 ，能夠簡單的區(qū) 別不同氣體，給以后生產(chǎn)生活 帶來了諸多便利。但是整個系統(tǒng)還存在一定的誤差和不足之處， 首先，該課題所涉及到的傳感器原理復(fù)雜，一時難以完全搞懂 ，其次， 硬件方面電路不夠完善，我設(shè)計的電路過于簡單，雖然能夠采集到信號，但是精度以及速度方面都還有待改進(jìn)和提高 ，在以后的研究中我會更加虛心的學(xué)習(xí)，期待找到更好的電路設(shè)計。在軟件方面 , 程序編寫帶來很大困難， 使得 很難 得到更精確的 數(shù)據(jù)。這也是在本次設(shè)計一個非常大的遺憾。由于時間有限， 本次課題的模式識別算法我們采用的是 學(xué)習(xí)向量量化 LVQ(Learning Vector Quantization)，但是還有 概率神經(jīng)網(wǎng)絡(luò)（ PNN）法 ， 小波神經(jīng)網(wǎng)絡(luò)（ WNN） 等方法，在以后的學(xué)習(xí)中我會嘗試采用其他的 模式識別算法。 在以后 的日子當(dāng)中，我會繼續(xù)努力 爭取能夠做出一個比較完善的 納米電子鼻傳感器檢測系統(tǒng) ，最終能夠投入市場。 第 20 頁 （ 1）． Creed Huddleston 著，張鼎 譯 .智能傳感器設(shè)計 .人民郵電出版社， 2021 （ 2）．松井邦彥 著 .傳感器實用電路設(shè)計與制作 . 北京：科學(xué)出版社， 2021 （ 3）．范茂軍主編 .互聯(lián)網(wǎng)與傳感器技術(shù) . 北京：機械工業(yè)出版社， 2021 （ 4）．劉愛華、滿寶元主編 .傳感器原理與應(yīng)用技術(shù) .北京：人民郵電出版社，2021 （ 5） .張憲主編 .傳感器與測控電路 .北京：化學(xué)工業(yè)出版社， 2021 （ 6） .楊建華，侯 宏，王 磊等 .基于集成氣體傳感器陣列的電子鼻系統(tǒng) [J].傳感器技術(shù)， 2021 (7). 王 磊，曲建嶺，楊建華 .發(fā)展中的電子鼻技術(shù) [J].測控技術(shù)， 1999 (8).高大啟，楊根興 .模擬嗅覺技術(shù)綜述 [J].電子學(xué)報 .2021 (9).徐毓龍 .國外氣敏傳感器發(fā)展動向 [J].傳感器世界 ,1996 (10).段明秀 ,何迎生 . 基于 LVQ神經(jīng)網(wǎng)絡(luò)的手寫字母識別 . 吉首大學(xué)學(xué)報( 自然科學(xué)版 ). 2021年 3月 第 31卷 第 2期