电子鼻技术研究摘要：本文详细介绍了电子鼻系统的工作原理、电子鼻系统的构成。

依次介绍了气敏传感器阵列、数据采集预处理和和模式识别模块。

其中气敏传感器阵列重点介绍了传感器的选取和传感器阵列的构成。

数据采集预处理方面介绍了当前主流的预处理方法。

模式识别模块重点介绍了目前在电子鼻技术中应用最广泛的的人工神经网络技术。

关键词：电子鼻技术、检测、模式识别、人工神经网络引言随着各种天然气、煤制气、液化气的开发和使用,各种可燃性气体散发在工作场所和人们生活中。

为了有效地进行燃气生产中的质量监控和气体成分分析、环境保护中的空气污染检测和对民用燃气泄漏的检测及报警,国内外科研人员很早就致力于研究可燃气体的检测方法和控制方法,研制各式各样的气体检测和分析仪器,用于环境监测、生产过程中的监控及气体成分分析、气体泄漏报警等。

多组分气体分析是指对混合气体中多种感兴趣的气体或某种特定感兴趣的气体进行定性或定量分析.用于气体敏感的传感器以响应速度快、灵敏度高、制作简单等优点而显示出良好的应用前景,但同时也存在着交叉敏感这一严重缺陷,因而在实际应用中难以有选择地响应被测气体中的某种成分,直接影响着气体的测量精度.近年来,研究者们尝试将气体传感器阵列与模式识别技术相结合,形成模拟人类和其他哺乳动物嗅觉机理的人工嗅觉系统,即“电子鼻”.基本思路是:先利用气体传感器阵列对被测介质形成高维响应模式,然后借助模式识别技术对阵列响应进行辨识、处理,从而解算出被测介质中各种成分的体积分数.实践证明,这是解决气体定量检测问题的一条有效途径[1]。

1商品化电子鼻的应用情况目前,电子鼻已应用到质量控制、环境监测和疾病诊断[2]等各个领域。

医用电子鼻特指用于疾病诊断的电子鼻系统，与传统的诊断方法相比，电子鼻疾病诊断具有无创性，实时性，便捷高效等特点，在疾病诊断方面具有潜在的优势。

据报道，一种新的医用电子鼻气体传感器阵列优化方法，利用改进遗传算法设定气体传感器的重要性系数，以去除传感器阵列的冗余和相关，提高系统的判别能力。

该方法分别用于五种乳癌特征气体和七种伤口病原菌检测，使正确识别率得到较大提高。

2电子鼻系统的工作原理及电子鼻系统的构成电子鼻是人们通过模仿生物的嗅觉系统【3】而研制的一个电子“嗅觉”系统，它的组成部分为：气敏传感器阵列、信号的数据采集预处理、模式识别算法。

如下图所示，传感器阵列相当于生物嗅觉系统中的最前端的嗅觉细胞，通常主要由多种不同类型的传感器组成的阵列来组成其“感观”器件，每个传感器一个嗅觉细胞。

信号的数据采集预处理相当于生物嗅觉系统中的传输神经网，采集信号并进行一定的处理后输入到模式识别系统单元，模式识别系统就相当于生物的大脑，对目标进行定性或定量的分析，输出目标是什么，各种目标的浓度是多少。

下面将一一介绍电子鼻系统的各个组成模块，包括气敏传感器阵、数据采集预处理模块和模式识别系统。

3气敏传感器阵列电子鼻技术中的首要问题就是根据特定应用选择气体传感器，构建气体传感器阵列。

下面将一一介绍传感器的选取和传感器阵列的构建。

3.1传感器的选取在确定气体传感器阵列时，所选用的气体传感器应满足以下要求：（1）气体传感器应具有很高的灵敏度，能够对待测目标成分产生响应；（2）气体传感器应具有一定的交叉敏感性，既保证一个传感器对多种待测成分有响应；又保证每个传感器对同种成分的响应有所不同；（3）传感器的短期稳定性和长期稳定性好，响应受环境干扰因素的影响尽可能小；（4）响应速度快，可重复性好。

目前使用的气敏材料主要有陶瓷气敏材料和高分子气敏材料两大类。

3.1.1.瓷气敏材料[4]陶瓷气敏材料的主要成分是一些金属氧化物，按照气敏原理的不同有以下几种:(l)半导体陶瓷气敏材料半导体气敏材料是开发最早和应用最广泛的气敏材料之一，这类材料如SnO 2，ZnO2，Fe O3等对气体有着吸附作用。

通过吸附，产生化学反应，使其电导率发生变化。

半导体气敏材料对气体的敏感性与温度有关，常温下敏感度较低，随着温度的升高，其敏感度也增加，在一定的温度下达到峰值。

为了提高它的灵敏度，常添加一些催化剂，如在Sn02中添加贵重金属Pt，Pd等。

(2)接触燃烧式陶瓷气敏材料它是利用气体的接触燃烧反应产生的热量来改变另一种材料的电阻值。

这种材料需要有两种材料配合使用，一种材料与气体发生接触燃烧反应，另一种材料的电阻对温度敏感，如Pt丝、几一A12o3+几丝、pd一A12认+pt丝等.(3)固体电解质陶瓷气敏材料利用一些固体电解质对气体的选择透通性能。

当一些气体存在时，在电解质中产生离子，从而形成浓差电势等。

按产生离子的不同，可分为三类:一类是材料吸附气体后产生离子与固体电解质中的移动离子相同;另一类是材料吸附气体后产生离子与固体电解质中固体离子相同;第三类是产生的离子既不同于移动离子，也不同于固体离子.3.1.2.分子气敏材料高分子气敏材料在遇到特定的气体时，其电阻、介电常数、材料表面声波传播速度、频率、材料重量等物理性能都会发生变化。

主要有酞著聚合物、LB膜、苯芬基乙炔、聚乙烯醇一磷酸、聚异丁烯、氨基十一烷基硅烷等。

高分子气敏材料由于工艺简单、常温选择性好、价格低廉，易与微结构传感器和声表面波器件相结合。

3.2微结构传感器的工艺设计MEMS器件的加工技术主要有从半导体加工工艺中发展起来的硅平面工艺和体硅加工工艺。

对硅微机械加工技术的研究五十年代末就已开始，到八十年代K.EPeetsrne对硅微机械加工技术及应用进行了总结。

此后，硅微机械加工技术得到了广泛重视，引起了人们越来越大的兴趣。

MEMS器件的工艺设计是计算机辅助设计与模拟的重要环节，它直接关系到三维实体模型的生成。

目前，硅微机械技术有很多种，包括光刻、键合、刻蚀、氧化、气相淀积、溅射等主要的加工工艺。

3.3传感器阵列的构成[5]传感器阵列的构造是与后继信息处理密切相关的，传感器单元的选择本身就应该考虑到要有一定的重叠敏感区域且各有敏感侧重。

一个较为关键的问题是:如何确定应选择的传感器的个数。

下面给出判定准则【6】:准则1：所构造系统中各传感器的输出信息所组成的整体信息应是完备的；准则2：所构造系统中各传感器的输出信息所组成的整体信息应有一定的冗余。

利用上面的准则及前面我们介绍的传感器选取的原则，我们选取了TGS825、TGS813、TGS2611和MQ136、MQ-7、MQ-4六个传感器来组成阵列的主元素。

同时，考虑到半导体传感器对外界条件(我们的实验中主要是温湿度)比较敏感，我们在阵列中加入温湿度传感器CHTM-02N模块作为外界条件的输入量。

阵列如下：4数据采集预处理[4]模式识别技术诞生于20世纪20年代。

随着计算机和其他相关学科技术的发展，模式识别信息处理在60年代迅速发展成一门学科。

在电子鼻发展的研究过程中，模式识别也对电子鼻系统的识别与分类起了关键作用。

处理信息的方法有以下几类:主成分分析法(prineipalComponentAnalysis，pCA)、部分最小二乘回归(partial助assquaresRe歹ession)、判别分析法(DiscriminantAnalysis，DA)、聚类分析法(ClusterAnalysis，CA)、人工神经网络(AnificialNeuralNetwork，ANN)和模糊推理法(FuZZyInference，FI)等在电子鼻领域中都有应用。

在这些分析方法中最常见的有:主成分分析法、部分最小二乘回归、聚类分析法、人工神经网络等等;其中主成分分析法、部分最小二乘法、聚类分析法是基于线性的分析方法，具有较大的应用局限性。

而人工神经网络能够处理非线性数据，容忍传感器的漂移和误差，并且具有较高的预测精度，因而近年来成为电子鼻技术领域的主要研究方法。

5模式识别技术[7]模式识别是伴随着计算机的研究、应用发展起来的一门新兴学科，随着40年代计算机的出现，50年代人工智能的兴起，模式识别在60年代初迅速发展成为一门学科。

它所研究的理论和方法在很多科学和技术领域中得到了广泛的重视，推动了人工智能系统的发展，扩大了计算机应用的可能性[8]。

按照广义的定义，模式是一些供模仿用的完美无缺的标本;模式识别就是识别出特定客体所模仿的标本[9]。

具体地说，模式被理解成取自客观世界有限部分的单一样本的被测量值的综合;模式识别就是试图确定一个样本的类别属性，即把某一样本归属于多个类型中的某一类型[10]。

电子鼻系统中常用的模式识别方法有以下几种:统计模式识别、模糊模式识别、人工神经网络模式识别。

如果样本集线性不可分，那么采用线性分类器，虽然能在某种准则函数下达到最好的分类效果，但分类错误率往往偏大。

由于气体识别的问题一般都是非线性分类问题，因而常常采用非线性分类方法人工神经网络理论是20世纪80年代中后期世界范围内迅速发展起来的一个前沿研究领域，它以其自身强大的自组织、自学习、自适应和分类计算能力被广泛用于电子鼻系统。

人工神经网络是根据人脑的基本功能特征，模仿生物学系统的功能和结构发展出来的一种新型信息处理体系和计算体系，它的一个特点是具有很强的非线性模式识别能力，因而在气体识别中得到了广泛的应用。

一个多层神经网络一般具有输入层、隐含层、输出层。

层与层之间的节点互相联结，构成网状结构。

隐含层可以为一层，也可以为多层。

已经证明:一个三层的神经网络可以解决任意复杂的非线性分类问题，因而实际应用的人工神经网络通常采用三层结构。

本实验所采用的是三层前向网络，隐层结点数经验性的选择为输入结点数的75%左右，网络规模不大。

其典型结构如下：BP算法是到目前为止最有影响的算法之一，是最常用、最普遍的网络。

它被用来训练多层前向神经网络。

这种算法根据学习的误差大小，把学习的结果反馈到中间层次的隐单元，改变它们的权系数矩阵，从而达到预期的学习目的，解决了多层网络的学习问题。

BP算法的基本思想是：学习过程由信号的正向传播与误差的反向传播两个过程组成。

正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。

若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。

误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。

这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始进行的。

权值不断调整的过程，也是网络的学习训练过程。

此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。

6前景展望电子鼻在进20年来的研究和发展非常迅速，以后将向微型化和智能化的方向发展，特别是基于PC的电子鼻的微型化与现场检测方面。

随着科技的综合发展，本人认为可以利用蓝牙等无线传输技术，实现将传感器阵列与数据处理部分分开，使电子鼻的应用扩展到比较危险和对人体有害的环境中，实现实时监测，使操作这在相对安全的环境中进行控制。