[发明专利]一种便携式智能电子鼻系统及气味识别方法

权利要求书

1.一种便携式智能电子鼻系统的气味识别方法，其特征在于：所述的便携式智能电子鼻系统包括气敏传感阵列、气室、采样泵、排废泵、数据采集系统、智能识别系统和人机界面系统；气敏传感阵列由多个气敏传感器构成；采样泵和排废泵均与气室连通；气敏传感阵列、数据采集系统、智能识别系统、人机界面系统依次电连接；采样泵和排废泵与数据采集系统电连接；在所述的智能识别系统中进行气味识别，方法采用雷达图分析、主成分PCA算法分析、多重判别MDA算法分析；

雷达图通过一系列射线和同心圆构建对象的多变量分布结构图，适合初步分析所用气敏传感器是否冗余或特征提取方法是否合适；为了减小传感器漂移影响，采用式1的差分法提取特征，即对各传感器气味响应稳态部分500个数据求平均值减去各自初始基线响应50个数据的平均值构成8维特征向量x(i)；在极坐标系将其绘制成封闭折线，便得到雷达图；上述式1为：

主成分PCA算法分析和多重判别MDA算法分析是在最小均方意义下寻找最优投影矩阵W，通过线性变换Y＝W^TX将样本从高维特征空间Ω投影到较低维的分类或特征空间Ψ；

对于主成分PCA算法分析，通过最小化平方误差准则函数J(e_i)来求解e_i，这组正交基构成了最优投影矩阵W；

通过式2：可以证明e_i可取自样本协方差矩阵前k个较大特征值所对应的特征向量(d≥k)；

主成分PCA算法分析流程如下：

(1)、样本矩阵X的每列减去它们的行向均值向量，得到

(2)、计算样本协方差矩阵

(3)、采用Jacobi法计算C的特征值λ_i和特征向量e_i；

(4)、选出最大的k个特征值所对应的特征向量，构造d×k的投影矩阵W；

(5)、通过Y＝W^TX将样本矩阵投影到上述k维子空间Ψ，取k＝2作二维PCA散点图；

对于多重判别MDA算法分析，通过让投影后类间离散度与类内离散度的比值最大，即最大化Fisher线性可分准则函数J(W)来求解W：式中S_B和S_W分别为投影前的类间和类内散布矩阵；如果d≥c，那么W即由的前c-1个较大特征值对应的特征向量所构成；

多重判别MDA算法分析流程如下：

(1)、计算总类内散布矩阵式中为某个类别的中心；

(2)、采用Gauss-Jordan消元法计算

(3)、计算总类间散布矩阵式中为所有样本的中心；

(4)、采用Jacobi法计算的特征值λ_i和特征向量e_i；

(5)、由前c-1个较大特征值对应的特征向量构造d×(c-1)的投影矩阵W；

(6)、通过Y＝W^TX将样本矩阵投影到上述c-1维子空间Ψ，取c＝3作二维MDA散点图；

因为在采用式1的差分法特征提取时已经对某个样本进行了类别标记，可以求出这些模式类别在PCA或MDA投影空间Ψ中的模式中心，故可以在投影空间中计算未知样本y_x与这些模式中心的欧式距离D来判定气味类别归属，欧式距离D计算公式为：

其中