一種基于電子鼻的辛味中藥材的分類鑒別方法研究

范丹君,駱德漢,于 昊

(廣東工業(yè)大學(xué) 信息工程學(xué)院，廣東 廣州 510006)

一種基于電子鼻的辛味中藥材的分類鑒別方法研究

范丹君,駱德漢,于 昊

(廣東工業(yè)大學(xué) 信息工程學(xué)院，廣東 廣州 510006)

為獲取新的氣味識別方法以提高智能傳感器模式分類識別準(zhǔn)確率和速度，使用了內(nèi)置10個傳感器的便攜式電子鼻PEN3對辛味中藥材進(jìn)行氣味采集檢測.將辛味中藥材在燒杯中進(jìn)行密封靜置待其形成穩(wěn)定的氣味頂空環(huán)境時，運用電子鼻對其進(jìn)行檢測采樣得到樣品高維氣味數(shù)據(jù)信息.與傳統(tǒng)的線性數(shù)據(jù)分析方法不同，針對氣味蘊含多種諸如濃度、各種揮發(fā)性物質(zhì)成分等特征，可知氣味非線性的本質(zhì)特征，在本次分析中采用了流形算法中的非線性的局部線性嵌入(Locally Linear Embedding,LLE)算法對非線性的氣味數(shù)據(jù)進(jìn)行特征提取與降維，再采用基于Fisher的線性判別分析(Linear Discriminant Analysis,LDA)實現(xiàn)對特征子空間的模式聚類與分類，通過多次實驗優(yōu)化LLE算法的參數(shù)，得到了最佳的辛味中藥材的模式識別效果.分析結(jié)果表明,運用LLE和LDA相結(jié)合的算法(即LLE_LDA)可以很好地完成不同種類辛味中藥材的揮發(fā)性氣味信息的模式分類,為深層次地分析基于電子鼻的氣味數(shù)據(jù)信息提供了一種新方法.

模式識別； 氣敏傳感器； 局部線性嵌入_線性判別分析； 分類鑒別； 非線性降維

電子鼻(即Electronic Nose),是通過模擬生物的嗅覺器官并通過機(jī)器學(xué)習(xí)來實現(xiàn)鼻子生理功能的一種儀器[1-2].傳統(tǒng)的電子鼻模式識別方法主要有主成分分析 ( Principal Components Analysis，PCA)、線性判別分析(Linear Discriminant Analysis，LDA)、多元線性回歸(Multiple Linear Regression，MLR)、偏最小平方(Partial Least Squares，PLS)等[3-4].這些方法都是建立在響應(yīng)數(shù)據(jù)正態(tài)分布這一假設(shè)上.在實際應(yīng)用中，獲取的高維數(shù)據(jù)往往呈現(xiàn)非線性特性或者線性不可分的情況，很多研究表明，氣味數(shù)據(jù)是一種具有內(nèi)部特征如濃度、化學(xué)成分、體積分?jǐn)?shù)等的高維非線性結(jié)構(gòu)數(shù)據(jù)[5-6].直接使用線性的分析方法，可能會丟失原始數(shù)據(jù)的非線性信息，不能反映數(shù)據(jù)的真實結(jié)構(gòu).于是一些改進(jìn)的算法被提出來，如以核函數(shù)為基礎(chǔ)的核主成分分析法(Kernel PCA)、加權(quán)核Fisher分析方法[7]、支持向量機(jī)(Support Vector Machine，SVM)[8]、核自組織映射聚類算法(Kernel SOM)[9]、BP神經(jīng)網(wǎng)絡(luò)(BP Neural Network)[10-11]等.但是核方法的效果取決于如何選擇的核函數(shù)，而且核選擇通常不能體現(xiàn)數(shù)據(jù)內(nèi)在結(jié)構(gòu).SOM算法容易產(chǎn)生局部極小，神經(jīng)網(wǎng)絡(luò)過分依賴于模型的選擇，SVM目前只給出解決二分類算法，對于多分類問題，需要通過多個二類組合解決，效率不高.

在電子鼻獲取的數(shù)據(jù)信息的處理中，所采用的方法眾多，各有特點，關(guān)鍵是要將數(shù)據(jù)的特點與模式識別方法組合起來，以提高電子鼻氣味識別效率和運算速度.

針對傳統(tǒng)算法的不足，文中以辛味中藥材為研究對象，采用非線性降維方法——局部線性嵌入LLE(Locally Linear Embedding)對基于電子鼻的氣味數(shù)據(jù)進(jìn)行分析.與傳統(tǒng)的線性降維方法相比，非線性降維最顯著優(yōu)點是在進(jìn)行數(shù)據(jù)分析時考慮到數(shù)據(jù)集內(nèi)部的真實結(jié)構(gòu).因此，非線性降維方法在分析高維非線性數(shù)據(jù)，如運用LLE來分析人臉數(shù)據(jù)時能夠非常好地實現(xiàn)對高維數(shù)據(jù)的降維和特征提取[12-13].

非線性的流形算法在圖象處理領(lǐng)域獲得了較成功的應(yīng)用，而且非線性的流形算法可以展現(xiàn)數(shù)據(jù)真實的內(nèi)在結(jié)構(gòu).但是由于LLE對稀疏矩陣很敏感，較少運用于除圖像分析以外的其他領(lǐng)域，所以在電子鼻氣味數(shù)據(jù)分析方面的應(yīng)用非常少.由計算分析結(jié)果知，電子鼻采集的高維氣味數(shù)據(jù)并非稀疏矩陣，同時數(shù)據(jù)譜圖分析類似于圖像分析，因此，運用LLE方法來分析電子鼻采集到的高維氣味數(shù)據(jù)具有可行性.

文中采用電子鼻系統(tǒng)對3組樣本的辛味中藥材進(jìn)行氣味檢測與采集，再采用LLE_LDA相結(jié)合的方法以6種不同種類辛味中藥材、3種不同生產(chǎn)批次(生產(chǎn)時間)的廣東雞骨草、3種不同產(chǎn)地的何首烏為研究對象，對樣品的氣味數(shù)據(jù)信息進(jìn)行分析，實現(xiàn)了對訓(xùn)練樣本的分類鑒別.

1 實驗材料、儀器和方法

1.1 實驗材料

本實驗選用的辛味中藥材樣本由本基金項目合作單位廣東藥學(xué)院提供，共3組樣本：

(1) 6種氣味差異較大的不同種類的辛味中藥材：干姜(氣辛辣)、廣藿香(氣芳香)、薄荷(氣芳香)、肉桂(氣辛、甜)、魚腥草(莖葉揉之有濃烈魚腥氣)、雞骨草(氣微).

(2) 3種同種類同產(chǎn)地不同生產(chǎn)批次的廣東雞骨草(HerbaAbri，HA)：雞骨草20110720(簡稱HA1107)、雞骨草20111124(簡稱HA1111)、雞骨草20120519(簡稱HA1205).

(3) 3種不同產(chǎn)地的何首烏(RadixPolygoniMultiflori,RPM)：河南何首烏(RPM-HN)、廣東何首烏(RPM-GD)、安徽何首烏(RPM-AH).

1.2 實驗儀器

本實驗采用德國ARISENSE公司生產(chǎn)的PEN3(Portable Electronic Nose 3)型電子鼻，該電子鼻在只有1.8 mL的體積內(nèi)放置了10種不同的金屬氧化物傳感器.所用的傳感器對硫基化合物、甲烷、氫、乙醇和烴類物質(zhì)具有很好的選擇性.同時使用EDU對氣味進(jìn)行富集與濃縮處理.10種金屬氧化物傳感器分別稱為:S1,S2,S3,S4,S5,S6,S7,S8,S9,S10.

該電子鼻設(shè)備具有自動調(diào)整、自動校準(zhǔn)及自動氣味富集的功能.在采樣過程中的響應(yīng)信號記錄為某傳感器接觸到樣品穩(wěn)定揮發(fā)性氣流后的電導(dǎo)率G與該傳感器接觸經(jīng)過標(biāo)準(zhǔn)活性碳過濾的基準(zhǔn)氣體后的電導(dǎo)率G0的比值，即G/G0.

1.3 實驗方法/過程

稱10 g樣品，置于250 mL的燒杯中，采用靜置頂空抽樣的方法進(jìn)行樣品氣味信息的采集，頂空生成時間為60 min，即將樣品裝入燒杯后密封靜置1 h.將PEN3電子鼻與電腦連接后，運行其配置軟件WinMuster.設(shè)定電子鼻的各檢測參數(shù)如下：采樣間隔為1 s，采樣時間為120 s，預(yù)采樣準(zhǔn)備時間為5 s，零標(biāo)校正時間為10 s，清洗時間為120 s，樣本進(jìn)氣流量為150 mL/s，每個樣品采樣15次.

1.4 數(shù)據(jù)分析/處理方法

2 LLE_LDA傳感器智能信息處理方法基本原理

文中采用LLE_LDA的分析方法，構(gòu)造數(shù)據(jù)樣本集的低維特征空間，實現(xiàn)對不同屬性氣味數(shù)據(jù)的模式分類.

非線性降維的目的就是尋找高維數(shù)據(jù)集中的內(nèi)在低維結(jié)構(gòu).LLE是一種非線性降維方法，它能夠使降維后的數(shù)據(jù)保持原有拓?fù)浣Y(jié)構(gòu)，而且對原始數(shù)據(jù)進(jìn)行處理時不需要進(jìn)行數(shù)據(jù)的預(yù)處理[14-16].

其基本思想是認(rèn)為每個數(shù)據(jù)點可以由它的K個鄰居點線性組合而成，當(dāng)所有高維數(shù)據(jù)樣本點降到低維空間后，能保持其在原高維空間中的鄰居關(guān)系不變.但是直接對數(shù)據(jù)進(jìn)行降維可能會使原始數(shù)據(jù)有效信息丟失比較多, 因此可能會丟失一些有用的信息.

LDA是一種線性分析方法，它通過找到一個最佳投影，使各樣本點間類間距離最大化，類內(nèi)距離最小化.LDA常用來設(shè)計線性分類器，用于多類別數(shù)據(jù)的分類判別.

結(jié)合兩者的特點，目前有學(xué)者使用LLE與LDA相結(jié)合的方法用于人臉模式識別領(lǐng)域，并進(jìn)行深入探討[17-18].

傳統(tǒng)的LLE方法分以下3步：

(1) 尋找每個樣本點的K個近鄰點.

4月19日10時50分，青海省玉樹縣禪古水電站水庫大壩震后應(yīng)急除險恢復(fù)重建工程開工。該項工程是玉樹地震后，在震區(qū)開工的第一項水利災(zāi)后重建工程。

(2) 由每個樣本的近鄰點計算出該樣本點的局部重建權(quán)值矩陣.

(3) 是將所有的樣本點映射到低維空間中.

在本過程中，LLE算法需要設(shè)置兩個重要參數(shù)，鄰居點個數(shù)K和嵌入空間的維數(shù)d.要對參數(shù)進(jìn)行優(yōu)化，選擇合適的d值，將其降低到合適的低維空間，得到其最佳特征子空間.

最后，將運用LLE得到的低維嵌入坐標(biāo)作為LDA的輸入，在滿足LDA算法不會出現(xiàn)小樣本問題的前提下(即訓(xùn)練樣本數(shù)大于輸入數(shù)據(jù)維數(shù)d)，使用LDA中的fisher 判別準(zhǔn)則使特征子空間映射到低維判別子空間完成特征子空間的分類.調(diào)整K值和d值進(jìn)行反饋分析，找到最優(yōu)參數(shù)，從而實現(xiàn)對多類別電子鼻智能信號的分類.

3 結(jié)果與討論

3.1 仿生嗅覺對辛味中藥材的信號響應(yīng)圖

為了直觀地表示出所選擇的第一組6種辛味中藥材樣品(干姜、廣藿香、薄荷、肉桂、魚腥草、雞骨草)的綜合揮發(fā)性氣味信息，圖1給出了6種樣本在10～60s時間內(nèi)的可視化電子鼻傳感器響應(yīng)信號極坐標(biāo)圖譜.由圖1可知，對不同的中藥材品種，傳感器的響應(yīng)曲線不大一樣，即各種藥材具有自己的氣味特異性且隨著測量時間的延長其響應(yīng)值趨于穩(wěn)定.圖2給出了同一產(chǎn)地3個不同生產(chǎn)批次雞骨草(廣東雞骨草)極坐標(biāo)圖譜，對于不同批次的雞骨草其響應(yīng)特性最大差異體現(xiàn)在少數(shù)傳感器上(如S6，S8)；圖3給出了3種不同產(chǎn)地的何首烏的極坐標(biāo)圖譜，對于不同產(chǎn)地的何首烏，其響應(yīng)特性差異只有在S2和S10上比較小，在其他的幾個氣敏傳感器上其響應(yīng)差異比較明顯.

圖1 6種辛味中藥材氣味響應(yīng)極坐標(biāo)圖譜

圖2 3種雞骨草的極坐標(biāo)圖譜

3.2 6種不同種類的中藥材的分類鑒別

本組實驗樣品為：干姜、廣藿香、薄荷、肉桂、魚腥草、雞骨草.分別運用LLE與LLE_LDA對6種不同種類的辛味中藥材氣味數(shù)據(jù)信息進(jìn)行分析.圖4為對氣味數(shù)據(jù)單獨使用LLE得到的分類結(jié)果圖，圖5為對氣味數(shù)據(jù)使用LLE_LDA得到的分類結(jié)果圖.由圖4可知，雖然直接對電子鼻獲取的辛味中藥材氣味信息使用線性嵌入算法LLE其分類鑒別效果不是很好，樣本交叉主要體現(xiàn)在干姜、薄荷上.但是其分類結(jié)果從另一個方面顯示，使用LLE可以從某種程度上進(jìn)行辛味中藥材的氣味數(shù)據(jù)的分類.

對圖4和圖5進(jìn)行比較分析可知，若直接使用LLE進(jìn)行中藥材氣味數(shù)據(jù)的分類，得到的結(jié)果是各樣本點類內(nèi)距離較大，樣本點比較發(fā)散，容易引分類誤判；若加入LDA進(jìn)行聚類，則取得了較好的效果.但是從總體上看，各種類之間類間距離大、類內(nèi)距離小，聚類效果好，分類效果比直接使用LLE好.

在本部分中，單獨使用 LLE進(jìn)行分類模式識別時，LLE的參數(shù)設(shè)置為K=15，d=2；使用LLE_LDA進(jìn)行分類模式識別時，LLE的參數(shù)設(shè)置為K=15，d=20.

圖4 6種辛味中藥材LLE分類圖

圖5 6種辛味中藥材的LLE_LDA分類圖

3.3 同種類同產(chǎn)地不同生產(chǎn)批次的中藥材的分類鑒別

本組實驗樣品均為廣東雞骨草，生產(chǎn)批次分別是HA1107,HA1111,HA1205.

分別運用經(jīng)典LLE與改進(jìn)型LLE對3種不同生產(chǎn)批次的廣東雞骨草氣味數(shù)據(jù)信息進(jìn)行分析.圖6為單獨使用經(jīng)典LLE時得到的分類效果圖，圖7為使用改進(jìn)型LLE的分類效果圖.比較圖6和圖7可知，若使用改進(jìn)型LLE來進(jìn)行實驗樣品的分類，可實現(xiàn)非常理想的效果，在實現(xiàn)數(shù)據(jù)的降維之后，類與類之間完全分開，類內(nèi)樣本點聚攏，達(dá)到了模式識別的最佳效果.

在對本組3個不同生產(chǎn)批次的廣東雞骨草實驗樣品進(jìn)行分類鑒別時，每個批次的樣品挑選10個樣本數(shù)據(jù)，每個樣本數(shù)據(jù)為120×10維，數(shù)據(jù)樣本集為120×10×3維.

使用經(jīng)典LLE進(jìn)行分類模式識別時，LLE的最優(yōu)參數(shù)為K=12，d=2；使用改進(jìn)型LLE進(jìn)行分類模式識別時，LLE的最佳參數(shù)設(shè)置為K=12，d=20.

圖6 3種不同生產(chǎn)批次的廣東雞骨草LLE分類圖

圖7 3種不同生產(chǎn)批次的廣東雞骨草LLE_LDA分類圖

3.4 同種類不同產(chǎn)地的中藥材的分類鑒別

本組樣品為3個不同產(chǎn)地的何首烏：河南何首烏(RPM-HN)、廣東何首烏(RPM-GD)、安徽何首烏(RPM-AH).

分別運用LLE與LLE_LDA對3種不同產(chǎn)地的何首烏氣味數(shù)據(jù)信息進(jìn)行分析.圖8為單獨使用LLE時得到的分類效果圖，圖9為綜合使用LLE_LDA的分類效果圖.比較圖8和圖9可知，運用LLE_LDA的效果明顯好于單獨使用LLE且模式識別效果非常好.

在參數(shù)設(shè)置上，在對本組辛味中藥材樣品進(jìn)行分類鑒別時，單獨使用 LLE進(jìn)行分類模式識別時，LLE的最優(yōu)參數(shù)為K=12，d=2；使用LLE_LDA進(jìn)行分類模式識別時，LLE的最佳參數(shù)設(shè)置為K=12，d=20.

圖8 3種不同產(chǎn)地的何首烏的LLE分類結(jié)果

圖9 3種不同產(chǎn)地的何首烏的LLE_LDA分類結(jié)果

4 結(jié)束語

使用電子鼻對辛味中藥材的高維氣味信息進(jìn)行采集，采用非線性方法LLE對高維非線性氣味數(shù)據(jù)進(jìn)行維數(shù)簡約，最大程度還原氣味數(shù)據(jù)真實的內(nèi)部結(jié)構(gòu)與局部特性，結(jié)合LDA進(jìn)行聚類.結(jié)果表明，采用LLE_LDA算法對數(shù)據(jù)進(jìn)行分析，成功實現(xiàn)了對6種不同種類辛味中藥材以及3種不同批次的廣東雞骨草和3個不同產(chǎn)地的何首烏的分類鑒別.

由于LLE_LDA算法的結(jié)果很大程度上跟參數(shù)K和d的選擇有關(guān)，在原始的LLE算法中，有兩個參數(shù)很重要：

(1) 每個樣本點的領(lǐng)域個數(shù)K；

(2) 嵌入空間的維數(shù)d.

對于K值的選取，在LLE算法中是關(guān)鍵的一步，如果選擇K值過大，就會丟失原始數(shù)據(jù)所處的流形的局部信息，如果選擇的K值太小，會導(dǎo)致原來連續(xù)的流形分裂成互不相連的子流形.假如d過高，輸出數(shù)據(jù)則易受到影響，反之，不能正確地提取樣本數(shù)據(jù)的固有特征.因此兩個參數(shù)的正確選擇對于算法的執(zhí)行起著重要的作用，如何選取合適的參數(shù)，值得進(jìn)一步探討.

總體而言，為基于電子鼻采集的氣味信息完成中藥材種類分類鑒別提供了一種新的思路與方法.

[1] Gardner J W, Bartlett P N. A brief history of electronic noses[J]. Sensors and Actuators B, 1994, 18(19): 211-220.

[2] 張文娜，秦國軍，胡蔦慶．人工嗅覺系統(tǒng)關(guān)鍵技術(shù)研究進(jìn)展[J]．傳感器與微系統(tǒng)，2011，30(8)：1-4．

Zhang W N，Qin G J，Hu N Q. Research development of artificial olfactory system key technology[J]. Transducer and Microsystem Technologies，2011，30(8):1-4.

[3] 劉寧晶，史波林，趙鐳，等．電子鼻檢測技術(shù)研究進(jìn)展[J]．食品科技，2012，37(10)：248-252．

Liu N J，Shi B L，Zhao L，et al. Progress in detection of electronic nose[J]. Food Science and Technology，2012，37(10)：248-252.

[4] 劉紅秀，駱德漢，張澤勇．機(jī)器嗅覺系統(tǒng)氣味識別算法[J]．傳感技術(shù)學(xué)報，2006，19(6)：2518-2522．

Liu H X,Luo D H, Zhang Z Y. Odour recognition algorithms for machine olfaction system[J].Chinese Journal of Sensors and Actuators，2006，19(6)：2518-2522.

[5] 谷瑞軍．基于流形學(xué)習(xí)的高維空間分類器研究[D]．無錫：江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，2008．

[6] Michael C B, Doleman B J, Schaffer A, et al. Assessing the ability to predict human percepts of odor quality from the detector responses of a conducting polymer composite-based electronic nose[J]. Sensors and Actuators B， 2001(72): 149-159.

[7] 劉曉亮, 王福龍, 黃誠, 等. 一種加權(quán)的核Fisher鑒別分析在人臉識別中的應(yīng)用[J]. 廣東工業(yè)大學(xué)學(xué)報, 2009,26(4):65-69.

Liu X L,Wang F L,Huang C，et al. The application of a weighted kernel fisher discriminant analysis applied in face recognition[J]. Journal of Guangdong University of Technology, 2009,26(4):65-69.

[8] Luo D H，Wang J，Chen Y M.Classification of Chinese Herbal Medicine Based on SVM[C]∥2012 IET International conference on Information Science and Control Engineering(ICISCE 2012). Shenzhen：[s.n.]，2012：1191-1195.

[9] 蔣玉玲, 楊宜民. 基于SOM算法的機(jī)器視覺顏色識別[J]. 廣東工業(yè)大學(xué)學(xué)報, 2011,28(2):40-42.

Jiang Y L, Yang Y M. Color recognition of machine vision based on SOM algorithm[J]. Journal of Guangdong University of Technology,2011, 28(2): 40-42.

[10] 梁慧冰,李梅. 人工神經(jīng)網(wǎng)絡(luò)在預(yù)測領(lǐng)域中的應(yīng)用[J]. 廣東工業(yè)大學(xué)學(xué)報, 1998,15:82-87.

Liang H B, Li M. Application of artificial neural networks for the prediction[J]. Journal of Guangdong University of Technology.1998,15:82-87.

[11] 盧萍, 金朝永. PID神經(jīng)網(wǎng)絡(luò)的研究和改進(jìn)[J].廣東工業(yè)大學(xué)學(xué)報,2011,28(4):55-58.

Lu P，Jin C Y.Research and improvement of PID neural network[J]. Journal of Guangdong University of Technology,2011,28(4):55-58.

[12] 熊明，王汝言，唐琳．基于局部線性嵌入與主成分分析的人臉識別方法[J]．重慶郵電大學(xué)學(xué)報：自然科學(xué)版，2009(1)：92-94,114．

Xiong M，Wang R Y，Tang L. Face recognition based on locally linear embedding and principal component analysis[J]. Journa l of Chongqing University of Posts and Telecommun ications：Natural Science Edition，2009(1)：92-94,114．

[13] 陳高曙，曾慶寧．基于LLE算法的人臉識別方法[J]．計算機(jī)應(yīng)用研究，2007，24(10)：176-177, 187．

Chen G S，Zeng Q N，F(xiàn)ace recognition method based on LLE algorithm[J]. Application Research of Computers，2007，24(10)：176-177+187．

[14] Lin T, Zha H B, Lee S U. Riemannian manifold learning for nonlinear dimensionality reduction[J]. ECCV, 2006, 3951(1): 44-55.

[15] Pan Y Z, Ge S S, Abdullah A M. Weighted locally linear embedding for dimension reduction[J]. Pattern Recognition, 2009(24): 791-811.

[16] Rong Z, Min Y. Image feature optimization based on nonlinear dimensionality reduction[J]. Journal of Zhejiang University: Science A, 2009, 10(12): 1720-1737.

[17] 薛清福，李小麗，陳雅芳．融合LLE與LDA特征的人臉識別方法[J]．電腦與信息技術(shù)，2010，18(3)：5-8．

Xue Q F，Li X L，Chen Y F. Face recognition of fusing LLE and LDA[J]. Computer and Information Technology，2010，18(3)：5-8．

[18] 馬祥，王映卓，樊強．基于LLE與Fisher線性判別的人臉識別算法[J]．現(xiàn)代電子技術(shù)，2012(8)：64-66．

Ma X，Wang Y Z， Fan Q.Face recognition algorithm based on LLE and Fisher linear discrimination[J].Modern Electronics Technique，2012(8)：64-66．

Classification of Pungent Chinese Herbals by Using Electronic Nose

Fan Dan-jun, Luo De-han, Yu Hao

(School of Information Engineering, Guangdong University of Technology, Guangzhou 510006, China)

In this approach, the intelligent portable electronic nose with a gas sensor array containing ten gas sensors was used to collect the odor information of different varieties of pungent Chinese herbals. In order to get a new sensor data processing solution to pattern recognition of the Chinese herbals accurately, a manifold algorithm named Locally Linear Embedding(LLE)was used to finish the dimensionality reduction and feature extraction of the odor data. And then the Fisher Linear Discriminant Analysis(LDA) was adopted to complete the identification via clustering. After many times of experiments to optimize the parameters of LLE, the classification results are quite perfect. The results demonstrate that by using this new combined method, the electronic nose can not only distinguish 6 types of Chinese herbals, but also identify the 3 different batches and the 3 different denominations of origin accurately, which provides a new method for further analysis.

pattern recognition; gas sensors; locally linear embedding_linear discriminant analysis(LLE_LDA); classification; nonlinear dimensionality reduction

2014- 01- 07

廣東省自然科學(xué)基金重點資助項目(S2011020002906)

范丹君(1987-)，女，碩士研究生，主要研究方向為仿生嗅覺/仿生味覺的智能傳感器信號處理與分析.

10.3969/j.issn.1007- 7162.2015.03.017

TP212.9

A

1007-7162(2015)03- 0091- 06