CN107478683B - 一种基于机器嗅觉的有毒有害气体检测与识别方法 - Google Patents
一种基于机器嗅觉的有毒有害气体检测与识别方法 Download PDFInfo
- Publication number
- CN107478683B CN107478683B CN201710785985.7A CN201710785985A CN107478683B CN 107478683 B CN107478683 B CN 107478683B CN 201710785985 A CN201710785985 A CN 201710785985A CN 107478683 B CN107478683 B CN 107478683B
- Authority
- CN
- China
- Prior art keywords
- sample
- matrix
- gas
- columns
- train
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 231100000331 toxic Toxicity 0.000 title claims abstract description 16
- 230000002588 toxic effect Effects 0.000 title claims abstract description 16
- 230000008786 sensory perception of smell Effects 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 title description 9
- 239000007789 gas Substances 0.000 claims abstract description 74
- 230000006870 function Effects 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 77
- 238000012360 testing method Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012850 discrimination method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 229910044991 metal oxide Inorganic materials 0.000 claims description 3
- 150000004706 metal oxides Chemical class 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 231100000614 poison Toxicity 0.000 abstract description 5
- 230000007096 poisonous effect Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 5
- 239000012855 volatile organic compound Substances 0.000 description 5
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- -1 coccfc's Chemical compound 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开一种基于机器嗅觉技术的有毒有害气体检测及识别方法，首先通过机器嗅觉***采集有毒有害气体信息，其次，通过基于特征选择的线性判别方法对有毒有害气体进行分析处理，结合马氏二维距离判别法，最终识别各种有毒有害气体。该算法首先提取了样本数据的特征信息，具有线性识别算法的快速处理及分类功能，在机器嗅觉领域有较好的应用，尤其在基于机器嗅觉实时检测及识别有毒有害气体，该发明算法具有复杂度低、识别效率高等优点。
Description
技术领域
本发明涉及气体检测及识别领域，更具体地，涉及一种基于机器嗅觉的有毒有害气体检测与识别方法。
背景技术
在工业生产中，经常会发生有毒有害及易燃易爆气体的泄漏，往往会导致严重的人员及财产损失。例如：2015年8月12日天津滨海新区气体泄漏***案，2017年7月21日，杭州西湖区煤气泄漏***案。因此，发明一种有毒有害及易燃易爆气体的及时检测及识别方法具有重要的意义。
目前，有毒有害气体的检测方法主要有PH试纸检测法、光化学检测法、气相色谱仪、气敏传感器及仪器等。
高大启等提出的“一种小型自动化机器嗅觉仪器与气味分析方法”(专利号：ZL200710036260.4)由测试箱、恒温杯、自动进样升降装置、计算机、显示器、氧气瓶所组成，采用顶空采样方式和16个气敏传感器，并配有4个恒温杯，实现连续测量。
李太熙等提出的“用于判断气味的感知度的设备和方法”(申请号：CN201510784670.1)其中传感器阵列可以是包括具有针对选自由VOCs、H2S、NH3、H2、EtOH、三甲胺、乙醇、溶剂蒸气、甲烷、COCFC's、CO2、O3以及NO2组成的组中的至少一个的检测能力的两个或两个以上传感器的传感器阵列。
上述方法对于气体的检测方式给出了详细的说明，但是未给出气体检测的方法及实现过程。因此，如何实现有毒有害气体的实时检测及识别，仍是一个亟待解决的问题。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于机器嗅觉的有毒有害气体检测与识别方法。首先，通过机器嗅觉***采集有毒有害气体信息；其次，通过基于特征选择的线性判别方法(Selected Linear Discriminate Analysis，SLDA)对有毒有害气体进行分析处理，结合二维距离判别法，构建气味知识库，最终识别各种有毒有害气体。
为解决上述技术问题，本发明的技术方案如下：
一种基于机器嗅觉的有毒有害气体检测与识别方法，包括以下步骤：
S1：将样品气体通过电动气泵，收集储存于采样袋中，并通过气阀接入气仓室置于恒温恒湿装置中；
S2：将样品气体通过采样袋孔，接入传感器仓，与传感器阵列接触；将传感器阵列测量数据通过A/D采集卡进行A/D转换，并传输至计算机，保存为Sdata；
S3：对采集的数据Sdata进行数据特征提取，并通过基于特征选择的线性判别方法获得识别特征矩阵Mtrain；
S4：对于待测样品气体重复步骤S1～步骤S3，获取待测样品气体识别特征矩阵Mtest，通过二维距离判别法，对比待测样品Mtest与Mtrain，最终识别待测样品气体种类。
在一种优选的方案中，步骤S1中所述的气阀孔径5毫米；所述的气体采样袋体积为600毫升；所述的气仓室空间体积600毫升，接入气仓室流速设置为5毫升/秒；所述的恒温恒湿装置型号为ZH-TH-80，温度设置为30摄氏度，湿度保持为50％—60％相对湿度。
在一种优选的方案中，步骤S2中所述的传感器阵列为标准圆形，直径为10.2厘米，由10个金属氧化物气敏传感器按圆形等角度排列构成，气体采样时间为120秒；所述的A/D采集卡型号为AD7705。
在一种优选的方案中，步骤S3中所述的基于特征选择的线性判别方法，具体步骤如下：
X1：若有K个类，每类有N个样本，将采集测量的单个样本数据矩阵设置为Sdata1，Sdata1∈R120×10，Sdata1矩阵为120行，10列；首先，选取单个样本矩阵Sdata1的第55行至69行的数据保存标记为Sij，Sij∈R15×10，Sij矩阵为15行，10列；计算单个样本的数学特征，单个样本Sij的每一列数据的算术平均值矩阵μ；
其中，q为选取的样本行数，q＝15；
X2：将每个样本Sij的平均值矩阵汇总，构成总体样本矩阵
矩阵为N行，10列，P∈RM·N×10，P矩阵为M·N行，10列；
其次，计算单类样本的数学特征，K个类
的列数据的均值矩阵μj，
再计算总体样本矩阵P的均值矩阵μk；
则计算总体样本矩阵P的类内散布矩阵JW和类间散布矩阵JB；
最后，计算总体样本矩阵目标优化函数
则由公式(6)可知，满足总体样本矩阵最优化的条件，即当φ(ω)取极大值，即存在特征值ω满足JB值最大同时JW值最小；
因此，公式(6)可转化为求解由JB和JW构成的矩阵的特征值，特征值设为λ，令ωJWωT＝1，则利用拉格朗日乘法，则有
则有，φ(ω)′＝ωJBωT-λ(ωJWωT-1) (8)
对公式(8)等号两边同时对ω求导，可得
则有，λ＝JBJW -1，λ∈R10×10 (10)
X3：计算识别特征矩阵Mtrain，Mtrain＝P×λ，Mtrain∈RM·N×10 (11)
在一种优选的方案中，步骤S4中所述的二维距离判别法，具体步骤如下：
Y1：首先对训练样本识别矩阵Mtrain的每个类的样本能识别矩阵设为Mtraink，求取Mtraink所有列取平均值设为Atraink；
提取每个类的列平均值Atraink的前两列保存为Atraink12＝(xi1,xi2) (13)
Y2：对于待测样本识别矩阵Mtest，提取Mtest的前两列保存为
Atrestk12＝(xj1,xj2) (14)
Y3：计算Atraink12和Atestk12的二维空间距离d，
d值越接近于0，即空间距离最近即为归属同一类，即判别为同一类气体。
与现有技术相比，本发明技术方案的有益效果是：一种基于机器嗅觉技术的有毒有害气体检测及识别方法，首先通过机器嗅觉***采集有毒有害气体信息，其次，通过基于特征选择的线性判别方法对有毒有害气体进行分析处理，结合马氏二维距离判别法，最终识别各种有毒有害气体。该算法首先提取了样本数据的特征信息，具有线性识别算法的快速处理及分类功能，在机器嗅觉领域有较好的应用，尤其在基于机器嗅觉实时检测及识别有毒有害气体，该发明算法具有复杂度低、识别效率高等优点。
附图说明
图1为本发明内容总体流程图。
图2为特征选择的线性判别算法流程图。
图3为二维距离判别法流程图。
图4为本发明实施例分类结果图。
图5为本发明实施例识别结果图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例以常见的有毒有害气体CO2、CH4、NH3、VOCs为测量及识别对象，共计4类，每类测量20个样本，选取10个样本训练，任选2个作为测试样本，流程参照附图1，按以下步骤执行：
S1：将4类样品气体通过电动气泵，收集储存于600毫升的气体采样袋中，并通过气阀接入气仓室；气阀孔径5毫米，气仓室空间体积600毫升，接入气仓室流速设置为5毫升/秒，气仓室置于恒温恒湿装置中，装置型号为ZH-TH-80，温度设置为30摄氏度，湿度保持为50％—60％相对湿度；
S2：将4类样品气体，分别通过采样袋孔，接入传感器仓，与传感器阵列接触，传感器阵列为标准圆形，直径为10.2厘米，由10个金属氧化物气敏传感器按圆形等角度排列构成，气体采样时间为120秒；将传感器阵列测量数据通过A/D采集卡进行A/D转换，AD采集卡型号为AD7705，并传输至计算机，保存为Sdata；
S3：对于采集的数据Sdata，进行数据特征提取，并通过基于特征选择的线性判别方法(Selected Linear Discriminate Analysis，SLDA)，获得识别特征矩阵Mtrain；
在具体实施过程中，所述步骤S3中的基于特征选择的线性判别方法，具体步骤如下：
X1：采集的CO2、CH4、NH3、VOCs共计4类气体，每类有10个样本，随机选择1个样本数据矩阵设置为Sdata1，Sdata1∈R120×10，Sdata1矩阵为120行，10列；如表1所示：
表1任意样本采样数据Sdata1(120秒，10个传感器，Sdata1∈R120×10)
首先，选取单个样本矩阵Sdata1的第55行至69行的数据保存标记为Sij，Sij∈R15×10，Sij矩阵为15行，10列；如表2所示：
表2选取的采样特征数据Sij(第55行至69行)
| 序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| 55 | 0.6297 | 1.6385 | 0.6308 | 1.0711 | 0.6822 | 1.9925 | 1.0298 | 2.049 | 1.1954 | 0.9899 |
| 56 | 0.6297 | 1.6363 | 0.6303 | 1.0716 | 0.682 | 1.9891 | 1.0304 | 2.049 | 1.1994 | 0.9892 |
| 57 | 0.6296 | 1.6342 | 0.6298 | 1.0723 | 0.6815 | 1.9875 | 1.0307 | 2.0451 | 1.2009 | 0.9904 |
| 58 | 0.6283 | 1.6297 | 0.6292 | 1.072 | 0.6814 | 1.986 | 1.0308 | 2.0444 | 1.2021 | 0.9895 |
| 59 | 0.628 | 1.6284 | 0.6293 | 1.0737 | 0.681 | 1.9823 | 1.0313 | 2.0415 | 1.2046 | 0.99 |
| 60 | 0.6276 | 1.6253 | 0.6289 | 1.0732 | 0.6812 | 1.9797 | 1.0316 | 2.0402 | 1.2073 | 0.9886 |
| 61 | 0.6277 | 1.6238 | 0.6293 | 1.0744 | 0.6806 | 1.9759 | 1.0317 | 2.0373 | 1.2095 | 0.9902 |
| 62 | 0.6277 | 1.621 | 0.6292 | 1.0746 | 0.6802 | 1.9721 | 1.0321 | 2.034 | 1.2112 | 0.9902 |
| 63 | 0.6276 | 1.62 | 0.6291 | 1.0749 | 0.6801 | 1.9691 | 1.0324 | 2.0321 | 1.2148 | 0.9906 |
| 64 | 0.6274 | 1.6178 | 0.6291 | 1.0752 | 0.6798 | 1.9651 | 1.0328 | 2.0282 | 1.217 | 0.9902 |
| 65 | 0.627 | 1.6165 | 0.629 | 1.0758 | 0.6801 | 1.9623 | 1.0329 | 2.0269 | 1.2193 | 0.9902 |
| 66 | 0.6274 | 1.6142 | 0.6294 | 1.0758 | 0.6794 | 1.9583 | 1.0334 | 2.0218 | 1.221 | 0.9914 |
| 67 | 0.6271 | 1.6089 | 0.629 | 1.0758 | 0.68 | 1.9545 | 1.0344 | 2.0211 | 1.225 | 0.9909 |
| 68 | 0.6273 | 1.6082 | 0.6292 | 1.0762 | 0.6797 | 1.9506 | 1.0349 | 2.0188 | 1.2254 | 0.9915 |
| 69 | 0.6269 | 1.6032 | 0.6292 | 1.0759 | 0.6796 | 1.9485 | 1.035 | 2.0179 | 1.227 | 0.9907 |
计算单个样本的数学特征，单个样本Sij的每一列数据的算术平均值矩阵μ；
在具体实施过程中，q为选取的样本行数，q＝15；
X2：将每个样本Sij的平均值矩阵汇总，构成总体样本矩阵
矩阵为10行，10列，P∈R40×10，P矩阵为M·N＝40行，10列；如表3所示：
表3训练样本矩阵P(4类，每类10个，P∈R40×10)
其次，计算单类样本的数学特征，4个类的列数据的均值矩阵μj，
如表4所示：
表4单类样本均值矩阵μj(μj∈R4×10)
再计算总体样本矩阵P的均值矩阵μk；
如表5所示：
表5样本矩阵P样本均值矩阵μk(μk∈R1×10)
则计算总体样本矩阵P的类内散布矩阵JW和类间散布矩阵JB；
如表6和7所示：
表6样本矩阵P类内散步矩阵JW(JW∈R10×10)
表7样本矩阵P类内散步矩阵JB(JB∈R10×10)
最后，计算总体样本矩阵目标优化函数
则由公式(6)可知，满足总体样本矩阵最优化的条件，即当φ(ω)取极大值，即
存在特征值ω满足JB值最大同时JW值最小。
因此，公式(6)可转化为求解由JB和JW构成的矩阵的特征值，特征值设为λ，令ωJWωT＝1,则利用拉格朗日乘法，
则有,
则有φ(ω)′＝ωJBωT-λ(ωJWωT-1) (8)
对公式(8)等号两边同时对ω求导，可得
则有，λ＝JBJW -1，λ∈R10×10 (10)
如表8所示：
表8优化函数特征值λ(λ∈R10×10)
X3：计算识别特征矩阵Mtrain，Mtrain＝P×λ,Mtrain∈R40×10 (11)
如表9所示，选取识别特征矩阵Mtrain前2列做出二维分类结果，如附图4所示，图示Principal Axis 1为矩阵Mtrain的第1列数据，Principal Axis 2为Mtrain的第2列数据：
表9识别特征矩阵Mtrain(4类，每类10个，Mtrain∈R40×10)
S4：从每类样品的剩余10组样品中，任选2组，则待测样本总数为4类，每类2个；待测样品气体重复步骤S1至步骤S3，获取未知样品气体识别特征矩阵Mtest，通过二维距离判别法，对比未知样品Mtest与Mtrain，最终识别待测样品气体种类；
在具体实施过程中，步骤S4中二维距离判别法，具体步骤如下：
Y1：首先对训练样本识别矩阵Mtrain的每个类的样本能识别矩阵设为Mtraink，求取Mtraink所有列取平均值设为Atraink；
提取每个类的列平均值Atraink的前两列保存为Atraink12＝(xi1,xi2) (13)
如表10所示
表10训练样本识别矩阵Atrain12(提取前2列)
Y2：对于待测样本识别矩阵Mtest，提取Mtest的前两列保存为
Atrestk12＝(xj1,xj2) (14)
如表11所示，
表11识别特征矩阵Mtestk(4类，每类2个，Mtest∈R8×10)
Y3：计算Atraink12和Atestk12的二维空间距离d，
如表12所示：
表12待测样本与训练样本二维空间距离d及判别结果
在具体实施过程中，分别计算待测样本的识别矩阵Atestk和训练样本识别矩阵Atraikn的二维空间距离d，从表12可以看出，测试样本空间距离d分别与VOCs、CH4、NH3、CO2最近，即判别为同一类，即输出识别结果，如附图5所示，其中(Xj1,Xj2)是各个训练样本分类的中心点，Xj1是横坐标数据，Xj2是纵坐标数据，(Xi1,Xi2)是各个待测样本分类点，Xi1是横坐标数据，Xi2是纵坐标数据。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (1)
1.一种基于机器嗅觉的有毒有害气体检测与识别方法，其特征在于，包括以下步骤：
S1：将样品气体收集储存并置于恒温恒湿装置中；具体为：将样品气体通过电动气泵，收集储存于采样袋中，并通过气阀接入气仓室置于恒温恒湿装置中；所述气阀的孔径5毫米；所述的采样袋体积为600毫升；所述的气仓室空间体积600毫升，接入气仓室流速设置为5毫升/秒；所述的恒温恒湿装置型号为ZH-TH-80，温度设置为30摄氏度，湿度保持为50％—60％相对湿度；
S2：将样品气体接入传感器仓，与传感器阵列接触，所述传感器阵列集成了多种类型的气敏传感器；将传感器阵列测量数据通过A/D采集卡进行A/D转换，并传输至计算机，保存为Sdata；所述的传感器阵列为标准圆形，直径为10.2厘米，由10个金属氧化物气敏传感器按圆形等角度排列构成，气体采样时间为120秒；所述的A/D采集卡型号为AD7705；
S3：对采集的数据Sdata进行数据特征提取，并通过基于特征选择的线性判别方法获得识别特征矩阵Mtrain；具体步骤如下：
X1：若有K个类，每类有N个样本，将采集测量的单个样本数据矩阵设置为Sdata1，Sdata1∈R120×10，Sdata1矩阵为120行，10列；首先，选取单个样本矩阵Sdata1的第55行至69行的数据保存标记为Sij，Sij∈R15×10，Sij矩阵为15行，10列；计算单个样本的数学特征，单个样本Sij的每一列数据的算术平均值矩阵μ；
其中，q为选取的样本行数，q＝15；
X2：将每个样本Sij的平均值矩阵汇总，构成总体样本矩阵
矩阵为N行，10列，P∈RM·N×10，P矩阵为M·N行，10列；其中，M为样本种类个数；
其次，计算单类样本的数学特征，K个类
的列数据的均值矩阵μj，
再计算总体样本矩阵P的均值矩阵μk；
则计算总体样本矩阵P的类内散布矩阵JW和类间散布矩阵JB；
最后，计算总体样本矩阵目标优化函数
则由公式(6)可知，满足总体样本矩阵最优化的条件，即当φ(ω)取极大值，即存在特征值ω满足JB值最大同时JW值最小；
因此，公式(6)可转化为求解由JB和JW构成的矩阵的特征值，特征值设为λ，令ωJWωT＝1，则利用拉格朗日乘法，则有
则有，φ(ω)′＝ωJBωT-λ(ωJWωT-1) (8)
对公式(8)等号两边同时对ω求导，可得
则有，λ＝JBJW -1，λ∈R10×10 (10)
X3：计算识别特征矩阵Mtrain，Mtrain＝P×λ，Mtrain∈RM·N×10 (11)
从而完成步骤S3；
S4：对于待测样品气体重复步骤S1～步骤S3，获取待测样品气体识别特征矩阵Mtest，通过二维距离判别法，对比待测样品Mtest与Mtrain，最终识别待测样品气体种类；具体步骤如下：
Y1：首先对训练样本识别矩阵Mtrain的每个类的样本能识别矩阵设为Mtraink，求取Mtraink所有列取平均值设为Atraink；
提取每个类的列平均值Atraink的前两列保存为Atraink12＝(xi1,xi2) (13)
Y2：对于待测样本识别矩阵Mtest，提取Mtest的前两列保存为
Atestk12＝(xj1,xj2) (14)
Y3：计算Atraink12和Atestk12的二维空间距离d，
d值越接近于0，即空间距离最近即为归属同一类，即判别为同一类气体。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710785985.7A CN107478683B (zh) | 2017-08-30 | 2017-08-30 | 一种基于机器嗅觉的有毒有害气体检测与识别方法 |
| PCT/CN2017/107087 WO2019041488A1 (zh) | 2017-08-30 | 2017-10-20 | 一种基于机器嗅觉的有毒有害气体检测与识别方法 |
| US16/804,477 US11408875B2 (en) | 2017-08-30 | 2020-02-28 | Method for detecting and identifying toxic and harmful gases based on machine olfaction |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710785985.7A CN107478683B (zh) | 2017-08-30 | 2017-08-30 | 一种基于机器嗅觉的有毒有害气体检测与识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107478683A CN107478683A (zh) | 2017-12-15 |
| CN107478683B true CN107478683B (zh) | 2020-06-19 |
Family
ID=60603493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710785985.7A Active CN107478683B (zh) | 2017-08-30 | 2017-08-30 | 一种基于机器嗅觉的有毒有害气体检测与识别方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11408875B2 (zh) |
| CN (1) | CN107478683B (zh) |
| WO (1) | WO2019041488A1 (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108760829B (zh) * | 2018-03-20 | 2020-12-11 | 天津大学 | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 |
| US11054347B1 (en) | 2019-12-31 | 2021-07-06 | X Development Llc | Enhanced gas sensor selectivity |
| US11636870B2 (en) | 2020-08-20 | 2023-04-25 | Denso International America, Inc. | Smoking cessation systems and methods |
| US11813926B2 (en) | 2020-08-20 | 2023-11-14 | Denso International America, Inc. | Binding agent and olfaction sensor |
| US11881093B2 (en) | 2020-08-20 | 2024-01-23 | Denso International America, Inc. | Systems and methods for identifying smoking in vehicles |
| US12017506B2 (en) | 2020-08-20 | 2024-06-25 | Denso International America, Inc. | Passenger cabin air control systems and methods |
| US11760169B2 (en) | 2020-08-20 | 2023-09-19 | Denso International America, Inc. | Particulate control systems and methods for olfaction sensors |
| US11828210B2 (en) | 2020-08-20 | 2023-11-28 | Denso International America, Inc. | Diagnostic systems and methods of vehicles using olfaction |
| US11932080B2 (en) | 2020-08-20 | 2024-03-19 | Denso International America, Inc. | Diagnostic and recirculation control systems and methods |
| US11760170B2 (en) | 2020-08-20 | 2023-09-19 | Denso International America, Inc. | Olfaction sensor preservation systems and methods |
| CN112213302A (zh) * | 2020-09-30 | 2021-01-12 | 青岛啤酒股份有限公司 | 一种啤酒定性判别方法 |
| WO2023020904A1 (en) * | 2021-08-17 | 2023-02-23 | Koninklijke Philips N.V. | Gum disease examination |
| CN115901900A (zh) * | 2022-11-08 | 2023-04-04 | 广州市中耕信息技术有限公司 | 基于mos气敏传感器阵列的有害气体检测方法、装置及设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103487465A (zh) * | 2013-07-30 | 2014-01-01 | 中国标准化研究院 | 一种基于方差比的表征蜂蜜差异性智能嗅觉图谱特征提取方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9824556D0 (en) * | 1998-11-09 | 1999-01-06 | Btg Int Ltd | Apparatus and methods relating to humidified air and to olfactory monitoring |
| EP1650545B1 (en) * | 1999-06-17 | 2011-08-17 | Smiths Detection Inc. | Multiple sensing system, device and method |
| US7255677B2 (en) * | 2002-03-04 | 2007-08-14 | Smiths Detection Inc. | Detection, diagnosis, and monitoring of a medical condition or disease with artificial olfactometry |
| US8449824B2 (en) * | 2002-09-09 | 2013-05-28 | Yizhong Sun | Sensor instrument system including method for detecting analytes in fluids |
| US7693049B2 (en) * | 2004-10-29 | 2010-04-06 | Honeywell International Inc. | Self-organization of sensor networks using ant colony optimization |
| US9643186B1 (en) * | 2010-03-19 | 2017-05-09 | Invoy Technologies, Llc | Breath analysis system, device and method employing nanoparticle-based sensor |
| US9753000B2 (en) * | 2011-06-08 | 2017-09-05 | Alpha Mos S.A. | Sensitivity and selectivity of chemoresistor type gas sensors |
| CN102279213B (zh) * | 2011-07-20 | 2013-01-30 | 浙江大学 | 一种利用挥发物快速诊断农作物病害的方法 |
| CN103499608B (zh) * | 2013-07-30 | 2015-09-30 | 中国标准化研究院 | 一种基于蚁群算法的表征蜂蜜差异性智能嗅觉图谱特征提取方法 |
| CN104102818B (zh) * | 2014-06-24 | 2017-02-15 | 广东工业大学 | 一种物质气味嗅频提取方法 |
| CN105954412B (zh) * | 2016-05-07 | 2018-05-22 | 浙江大学 | 用于山核桃新鲜度检测的传感器阵列优化方法 |
| EP3267192B1 (en) * | 2016-07-07 | 2020-08-19 | Alpha M.O.S. | Gas chromatograph comprising metal oxide sensors |
-
2017
- 2017-08-30 CN CN201710785985.7A patent/CN107478683B/zh active Active
- 2017-10-20 WO PCT/CN2017/107087 patent/WO2019041488A1/zh active Application Filing
-
2020
- 2020-02-28 US US16/804,477 patent/US11408875B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103487465A (zh) * | 2013-07-30 | 2014-01-01 | 中国标准化研究院 | 一种基于方差比的表征蜂蜜差异性智能嗅觉图谱特征提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《岭南中草药分类鉴别的机器嗅觉实现方法研究》;邹宇华;《万方学位论文》;20091211;正文第14页第3段-第28页最后一段，第29页第1段，第56页第2段-第57页第4段 * |
| 邹宇华.《岭南中草药分类鉴别的机器嗅觉实现方法研究》.《万方学位论文》.2009,第14-29、56-57页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| US11408875B2 (en) | 2022-08-09 |
| CN107478683A (zh) | 2017-12-15 |
| WO2019041488A1 (zh) | 2019-03-07 |
| US20200200724A1 (en) | 2020-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107478683B (zh) | 一种基于机器嗅觉的有毒有害气体检测与识别方法 | |
| CN109948469B (zh) | 基于深度学习的巡检机器人仪表自动检测识别方法 | |
| KR101852074B1 (ko) | 가스 분류를 위한 전자코 시스템 및 방법 | |
| CN106096411B (zh) | 一种基于字节码图像聚类的Android恶意代码家族分类方法 | |
| Brudzewski et al. | Metal oxide sensor arrays for detection of explosives at sub-parts-per million concentration levels by the differential electronic nose | |
| CN106841308B (zh) | 一种便携式智能电子鼻***及气味识别方法 | |
| CN106706558B (zh) | 一种剔除校正集异常样本的方法 | |
| Brudzewski et al. | Differential electronic nose and support vector machine for fast recognition of tobacco | |
| CN105954412B (zh) | 用于山核桃新鲜度检测的传感器阵列优化方法 | |
| Xu et al. | Integrated sensor array optimization with statistical evaluation | |
| CN112580749B (zh) | 基于机器嗅觉技术的智能火灾探测方法 | |
| CN109374572B (zh) | 基于神经网络的太赫兹时域光谱物品分类方法 | |
| CN107132311B (zh) | 一种基于频域特征提取的快速气体识别算法 | |
| US20190317118A1 (en) | Chemical sensing system | |
| CN109472317A (zh) | 多维信号的实时故障检测与实时故障隔离方法 | |
| Dennis et al. | Assessing the evidentiary value of smokeless powder comparisons | |
| CN103196356A (zh) | 基于支持向量机的油管缺陷定量识别方法 | |
| CN109784390A (zh) | 一种人工智能嗅觉动态响应图谱气体检测识别方法 | |
| Tudu et al. | Normalization techniques for gas sensor array as applied to classification for black tea | |
| CN109657733B (zh) | 基于成分结构特征的品种鉴别方法与*** | |
| CN111426657B (zh) | 一种溶解性有机物三维荧光谱图的识别比对方法 | |
| Tudu et al. | Comparison of multivariate normalization techniques as applied to electronic nose based pattern classification for black tea | |
| Kuncheva et al. | Evaluation of feature ranking ensembles for high-dimensional biomedical data: a case study | |
| CN110096708A (zh) | 一种定标集确定方法及装置 | |
| Abas et al. | Agarwood oil quality classifier using machine learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Hui Inventor after: Luo Dehan Inventor after: Sun Yunlong Inventor before: Sun Yunlong Inventor before: Luo Dehan Inventor before: Li Hui |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210708 Address after: 510000 2nd floor, building B25, Huachuang Animation Industrial Park, Jinshan Village, Shiji Town, Panyu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Dexin Semiconductor Technology Co.,Ltd. Address before: 510006 No. 100 West Ring Road, Guangzhou University, Guangzhou, Guangdong, Panyu District Patentee before: GUANGDONG University OF TECHNOLOGY |