论文总字数：21385字

摘 要

人工智能科学领域的发展离不开各类信息的获取和辨识。机器嗅觉也可以称作电子鼻，被广泛应用于气体定性识别与定量分析中，是重要的人工智能系统之一。在理想情况下，当两个电子鼻处于同样的环境对相同浓度的同一气体进行测量时，理论上应该得出相同结果的它们却因为传感器阵列出现老化的情况，其测量精确度会随时间的推移而降低，输出的响应信号与理论数值产生偏差，这种现象也叫作时间漂移。这极大地降低了电子鼻的性能，不仅识别精度大幅降低，甚至系统变得不可靠。因此，研究降低信号漂移或漂移抑制方法具有重要意义。

本论文基于深度学习采用了两种方法进行嗅觉感知信号长期漂移抑制，阐述了从数据预处理到验证模型的完整过程，为抑制电子鼻的长期漂移抑制提出了一种新的可能。

关键词：深度学习 传感器漂移 机器嗅觉

Application of deep learning in long-term drift suppression of olfactory perception signals

Abstract

The development of artificial intelligence science is inseparable from the acquisition and identification of various types of information. Machine olfaction can also be called electronic nose, which is widely used in qualitative identification and quantitative analysis of gas, and is one of the important artificial intelligence systems. In theory, the response of the electronic nose to the same concentration of the same gas under the same measurement conditions should be the same. However, in practical applications, the accuracy of the sensor of the electronic nose will decrease with the increase of use time, which is called aging, and the response signal gradually deviates from its due value, that is, time drift. This greatly reduces the performance of the electronic nose, not only the recognition accuracy is greatly reduced, even the system becomes unreliable. Therefore, it is of great significance to study methods to reduce signal drift or drift suppression. This paper uses two methods based on deep learning to suppress the long-term drift of olfactory perception signals. It describes the complete process from data preprocessing to model verification, and proposes a new possibility for suppressing the long-term drift suppression of electronic nose.

Key Words: Deep learning; Sensor drift; Machine smell

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1课题背景 1

1.2国内外研究现状 1

1.2.1机器嗅觉研究现状 1

1.2.2深度学习研究概述 2

1.2.3深度学习的嗅觉识别应用现状 2

1.3论文安排 3

1.4本章小结 3

第二章 机器嗅觉信号漂移机理与抑制方法 4

2.1气体传感器的漂移机理 4

2.2机器嗅觉系统信号长期漂移 5

2.3机器嗅觉信号的漂移抑制方法 5

2.3.1传感器信号预处理方法 5

2.3.2定期校正方法 6

2.3.3协调校正方法 6

2.3.4自适应校正方法 6

2.4本章小结 6

第三章 基于卡尔曼滤波的机器嗅觉预处理 7

3.1数据清洗 7

3.2卡尔曼滤波 8

3.2.1卡尔曼滤波简介 8

3.2.2卡尔曼滤波实验 8

3.3归一化 9

3.4本章小结 10

第四章 面向机器嗅觉长期漂移抑制的深度学习算法 11

4.1深度学习神经网络算法 11

4.1.1神经网络简介 11

4.1.2深度神经网络模型 13

4.2基于DA-SVM的机器嗅觉模式识别方法 17

4.2.1深度自编码器（DA） 17

4.2.2支持向量机（SVM） 17

4.2.3基于DA-SVM的机器嗅觉漂移抑制方法 18

4.3基于ENNL的电子鼻信号漂移补偿方法 18

4.3.1集成学习（EL） 18

4.3.2深度集成神经网络（ENNL） 20

4.3.3基于ENNL的机器嗅觉漂移抑制方法 20

4.4本章小结 22

第五章 基于深度学习的漂移抑制方法效果验证 23

5.1数据集简介 23

5.2试验测试 23

5.2.1基于DA-SVM的机器嗅觉模式识别方法测试 23

5.2.2基于ENNL的电子鼻信号漂移补偿方法测试 23

5.3结果分析 23

5.3.1基于DA-SVM的机器嗅觉模式识别方法测试结果评估 23

5.3.2基于ENNL的电子鼻信号漂移补偿方法测试结果评估 24

5.4本章小结 25

第六章 总结与展望 26

6.1总结 26

6.2展望 26

参考文献 27

致谢 29

第一章 绪论

1.1课题背景

人工智能科学领域的发展离不开各类信息的获取和辨识。机器嗅觉（Machine Olfaction）又称为电子鼻（e-Nose），是一种利用电子装置模拟生物嗅觉系统的仿生检测技术，是重要的人工智能系统之一[1]。在理想情况下，当两个电子鼻处于同样的环境对相同浓度的同一气体进行测量时，理论上应该得出相同结果的它们却因为传感器阵列出现老化的情况，其测量精确度会随时间的推移而降低，输出的响应信号与理论数值产生偏差，这种现象也叫作时间漂移。这极大地降低了电子鼻的性能，不仅识别精度大幅降低，甚至系统变得不可靠。因此，研究降低信号漂移或漂移抑制方法具有重要意义。

1.2国内外研究现状

1.2.1机器嗅觉研究现状

机器嗅觉在上世纪60年代第一次被提出，作为一种最新兴起的仿生检测技术，在国内外学者的大力推崇下以很快的速度发展，并成为了相关领域的热点话题，以机器嗅觉技术为基础研发出的机器嗅觉系统越发被人们所重视。机器嗅觉系统近些年在食品加工、临床检测、生产安全监控、有毒有害气体检测、香料香水制造等领域都有着广泛的应用，其工作原理如图1-1所示。

图1-1 机器嗅觉系统原理

请支付后下载全文，论文总字数：21385字