仿生嗅覺在空氣凈化器氣味識別中的應(yīng)用研究*

馬東旭，駱德漢，徐勛庭，馮 揚(yáng)，鐘平忠，方 樺

(1.廣東工業(yè)大學(xué) 信息工程學(xué)院，廣東 廣州 510006；2.廣東瑞德智能科技股份有限公司，廣東 佛山 528000)

0 引言

近些年我國各行各業(yè)的高速發(fā)展不僅帶動了我國經(jīng)濟(jì)，同時(shí)也帶來了一系列環(huán)境污染問題，由環(huán)境污染導(dǎo)致的疾病越來越多，其中室內(nèi)空氣污染問題尤為顯著。室內(nèi)空氣污染的主要污染源為醛類、苯類以及TVOC。室內(nèi)空氣甲醛超標(biāo)輕則引起頭痛、頭暈等癥狀，重則導(dǎo)致白血??；苯類物質(zhì)來源于油漆、涂料、地毯等，過量吸入會使人出現(xiàn)頭暈、胸悶、甚至嘔吐等癥狀。TVOC是總揮發(fā)性有機(jī)物，具有刺激性以及毒性[1]。室內(nèi)環(huán)境大部分由天然材料或人工合成材料搭建而成，據(jù)統(tǒng)計(jì)，現(xiàn)代社會中每個(gè)人每天有70%以上的時(shí)間處于室內(nèi)環(huán)境[2]?？諝鈨艋魇怯糜谌コ諝庵械念w粒物、氣態(tài)污染物、微生物等一種或多種污染物或具備類似功能的一種電器[3]。大多數(shù)空氣凈化器是根據(jù)檢測到某一類氣體的氣體濃度，即根據(jù)某一類傳感器的響應(yīng)大小來控制空氣凈化器的運(yùn)行功率。

本文基于仿生嗅覺提出一種新的方法，可選擇合適的數(shù)個(gè)傳感器組成傳感器陣列置于空氣凈化器進(jìn)氣口處，通過模式識別的方法對氣味進(jìn)行分類與鑒別。本研究通過傳感器陣列將氣味信號轉(zhuǎn)化為電信號，形成“氣味指紋信息”，使用MySQL建立氣味指紋信息數(shù)據(jù)庫，將得到的氣味指紋存儲在數(shù)據(jù)庫中，再通過MATLAB軟件建立BP神經(jīng)網(wǎng)絡(luò)，使用數(shù)據(jù)庫中的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。最后，將測試樣本輸入到訓(xùn)練好的網(wǎng)絡(luò)中，進(jìn)而得到識別結(jié)果。本實(shí)驗(yàn)意在尋找一種能夠使空氣凈化器在吸收凈化空氣的同時(shí)，還能準(zhǔn)確地識別出氣味源，即分辨出氣味種類的方法。

1 分析方法

1.1 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是通過模擬生物的運(yùn)轉(zhuǎn)過程，將其轉(zhuǎn)換成數(shù)學(xué)模型而得來的。誤差回傳神經(jīng)網(wǎng)絡(luò)(Back-Propagation Neural Network)又被稱為BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)具有信號前向傳遞、誤差反向傳播的特點(diǎn)，可以存儲與學(xué)習(xí)輸入輸出的映射關(guān)系，進(jìn)而根據(jù)輸入來獲得輸出。因此，在識別與分類方面，BP神經(jīng)網(wǎng)絡(luò)得到廣泛的應(yīng)用。其網(wǎng)絡(luò)模型一般是由3層或3層以上網(wǎng)絡(luò)組成的多層網(wǎng)絡(luò)，其中包括輸入層、隱含層與輸出層[4-10]。圖1為三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.2 激活函數(shù)

之所以引入激活函數(shù)，是因?yàn)榇嬖谥S多的數(shù)據(jù)集是屬于線性不可分的，激活函數(shù)可以理解為是輸入到輸出的映射。

圖2為單個(gè)神經(jīng)元結(jié)構(gòu)，x1,x2,…,xn為該神經(jīng)元的輸入，w1,w2,…,wn為每個(gè)輸入對應(yīng)的權(quán)值，b為該神經(jīng)元的閾值。該神經(jīng)元輸出為：

y=f(g(x))

(1)

其中，

g(x)=WTX+bi

(2)

W為權(quán)值wn的矩陣[w1,w2,…,wi]T，X為輸入xn的矩陣[x1,x2,…,xi]T，i≤n，b為規(guī)格相同的矩陣[b1,b2,…,bi]T，f(x)為該神經(jīng)元的激活函數(shù)。

圖2 單個(gè)神經(jīng)元結(jié)構(gòu)

1.3 主成分分析

主成分分析方法(Principal Component Analysis, PCA)是一種線性降維算法，將n維特征映射到k維空間上(k

PCA主要用來求解特征值以及特征向量。保留最大的k個(gè)特征值以及其相對應(yīng)的特征向量，以此構(gòu)成一組新的基，將原特征投影到新的基上，從而得到降維后的新特征[11-12]。

2 實(shí)驗(yàn)準(zhǔn)備

2.1 氣味源與傳感器選擇

本研究根據(jù)常見的室內(nèi)環(huán)境污染氣味選用了香煙、香水、榴蓮、油漆作為氣味源進(jìn)行實(shí)驗(yàn)。香煙作為常見的煙草制品，其中毒性最大的當(dāng)屬香煙中包含的煙堿，也稱作尼古??；香水是植物性香料、動物性香料以及合成香料相配合溶于酒精后再加必要的保留劑、色素和水等配制而成的；油漆中含有大量的甲苯、二甲苯等苯系物，且油漆是室內(nèi)比較常見的物質(zhì)，適合用來做氣味源；榴蓮散發(fā)出的氣味中包含了多種硫化物，氣味十分特別，具有一股“臭味”。

根據(jù)氣味源的種類，本實(shí)驗(yàn)選用了四個(gè)傳感器組成了傳感器陣列，型號分別為ES1-CO-100、ES4-AG1-200、TGS2600和TGS2603。這四個(gè)傳感器所組成的傳感器陣列，能夠?qū)x定的四類氣味源做出不同的響應(yīng)。

2.2 采樣方式

傳統(tǒng)的氣味采集識別方法是將某一氣味源放入密閉容器中靜置一定時(shí)間后，通過電子鼻等其他類似的儀器對氣體進(jìn)行采集，采集后獲取穩(wěn)態(tài)時(shí)的數(shù)據(jù)作為樣本[13-14]。但這種方法并不適用于產(chǎn)品應(yīng)用中。

本研究中，為了讓實(shí)驗(yàn)結(jié)果更貼近于實(shí)際情況，采樣時(shí)，將傳感器陣列安置于空氣凈化器進(jìn)氣口處，將待采樣氣味源放置于進(jìn)氣口不遠(yuǎn)處進(jìn)行氣味采樣。

四類氣味源分別采集40個(gè)樣本，即四類氣味源共采集160個(gè)氣味樣本。每次采集15 s，采樣周期為0.5 s，每個(gè)樣本包含了4個(gè)傳感器的30個(gè)時(shí)間點(diǎn)的響應(yīng)數(shù)據(jù)，即30×4個(gè)響應(yīng)值作為一個(gè)樣本。不同樣本的采集過程都是處于相同條件下，即常溫以及室內(nèi)條件下獲取的。

2.3 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

本實(shí)驗(yàn)構(gòu)建了一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)來解決氣味識別問題，即單隱含層網(wǎng)絡(luò)。對樣本進(jìn)行特征提取，計(jì)算15 s內(nèi)每個(gè)傳感器的響應(yīng)值的均值、方差以及中位數(shù)，通過PCA進(jìn)行降維后作為輸入，輸入層節(jié)點(diǎn)數(shù)與降維后維數(shù)相同。因?yàn)樾枰R別的氣味種類共四種，因此，輸出層的節(jié)點(diǎn)數(shù)為4。根據(jù)隱含層節(jié)點(diǎn)數(shù)公式：

(3)

其中，h代表隱含層節(jié)點(diǎn)數(shù)，m代表輸入層節(jié)點(diǎn)數(shù)，n代表輸出層節(jié)點(diǎn)數(shù)，而a是一個(gè)調(diào)節(jié)數(shù)，取值范圍為1～10?？紤]到本研究中樣本數(shù)量有限，因此h取為10，即隱含層節(jié)點(diǎn)數(shù)為10。將網(wǎng)絡(luò)中所有的w與b都設(shè)置為1，此外，為每一類氣體打上相應(yīng)的標(biāo)簽，香煙、香水、榴蓮、油漆分別用[0,0,0,1]、[0,0,1,0]、[0,1,0,0]、[1,0,0,0]作為標(biāo)簽。由于本實(shí)驗(yàn)所需要的輸出非0即1，并且考慮到識別效果，將隱含層激活函數(shù)設(shè)置為‘purelin’，輸出層激活函數(shù)設(shè)置為‘logsig’，輸出層節(jié)點(diǎn)輸出值大于等于0.5則判斷等于1，小于0.5則判斷等于0。若輸出是[0,0,0,1]、[0,0,1,0]、[0,1,0,0]、[1,0,0,0]以外的情況，則判定為無法識別或識別錯(cuò)誤。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)步驟

本研究主要分為兩個(gè)過程，分別是訓(xùn)練過程以及測試過程，分類模型如圖3所示。

圖3 本研究分類模型圖

訓(xùn)練過程如下：

(1)數(shù)據(jù)預(yù)處理：輸入訓(xùn)練樣本集后，對訓(xùn)練樣本集進(jìn)行歸一化處理。

(2)特征提?。簩㈩A(yù)處理過后的樣本進(jìn)行PCA降維處理，保留轉(zhuǎn)換矩陣V和累積貢獻(xiàn)率達(dá)到99%的k維數(shù)據(jù)。

(3)訓(xùn)練網(wǎng)絡(luò)：將降維后的k維數(shù)據(jù)輸入構(gòu)建好的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并保存訓(xùn)練后的網(wǎng)絡(luò)模型。

測試過程如下：

(1)數(shù)據(jù)預(yù)處理：輸入校驗(yàn)樣本集后，對校驗(yàn)樣本集進(jìn)行歸一化處理。

(2)特征提取：通過訓(xùn)練過程保留下來的轉(zhuǎn)換矩陣V，對校驗(yàn)樣本進(jìn)行降維，保留k維數(shù)據(jù)作為輸入。

(3)識別分類：將降維后的k維校驗(yàn)樣本輸入訓(xùn)練好的網(wǎng)絡(luò)中，得出分類結(jié)果。

3.2 傳感器陣列響應(yīng)數(shù)據(jù)

圖4為四類氣味源某一隨機(jī)樣本的傳感器陣列響應(yīng)。通過觀察這些原始數(shù)據(jù)可知，四類氣味傳感器陣列給出了不同的響應(yīng)?？梢园l(fā)現(xiàn)，TGS2600和TGS2603對四類氣味的響應(yīng)最為敏感，而ES1-CO-100、ES4-AG1-200對四類氣味雖然都有不同的響應(yīng)，但響應(yīng)相較于另外兩個(gè)傳感器而言小得多。香水、榴蓮和噴漆的響應(yīng)曲線雖然類似，但響應(yīng)值大小上有一定區(qū)別。圖5為預(yù)處理之后提取的樣本特征，其中橫坐標(biāo)1～4代表樣本中四個(gè)傳感器響應(yīng)的均值，5～8為方差，9～12為中位數(shù)。就這四個(gè)樣本而言，它們的特征存在著較大的區(qū)別。

圖4 傳感器陣列響應(yīng)

3.3 實(shí)驗(yàn)結(jié)果與分析討論

將四類氣味樣本均分成4個(gè)不相交的樣本集A、B、C、D,每個(gè)樣本集由10個(gè)香煙數(shù)據(jù)樣本、10個(gè)香水?dāng)?shù)據(jù)樣本、10個(gè)榴蓮數(shù)據(jù)樣本以及10個(gè)油漆數(shù)據(jù)樣本組成。A、B、C、D四個(gè)樣本集輪流作為校驗(yàn)集，沒有作為校驗(yàn)集的三個(gè)樣本集作為訓(xùn)練集對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。表1為不同訓(xùn)練集情況下，使用PCA進(jìn)行特征提取，并且主成分按貢獻(xiàn)率降序排列后，不同主成分的特征值、貢獻(xiàn)率以及累積貢獻(xiàn)率。

圖5 傳感器響應(yīng)特征

訓(xùn)練集主成分1234…12ABC特征值4.933 11.912 60.718 50.139 500.000 0貢獻(xiàn)率/%63.4024.599.231.790.00 累積貢獻(xiàn)率/%63.4087.9897.2199.00100.00ABD特征值4.961 01.728 40.671 40.224 00.000 0貢獻(xiàn)率/%64.8222.588.772.930.00 累積貢獻(xiàn)率/%64.8287.4096.1799.10100.00ACD特征值4.681 31.631 50.602 20.211 90.000 0貢獻(xiàn)率/%65.1622.718.382.950.00 累積貢獻(xiàn)率/%65.1687.8796.2599.74100.00BCD特征值4.538 81.130 80.484 80.161 20.000 0貢獻(xiàn)率/%71.5917.847.652.540.00 累積貢獻(xiàn)率/%71.5989.4297.0799.61100.00

觀察表1可知，四種不同訓(xùn)練集情況下，前兩個(gè)主成分和前四個(gè)主成分的累積貢獻(xiàn)率分別達(dá)到了88%左右和99%以上?？梢娊稻S后前四維保留了原數(shù)據(jù)的大量信息，所以四種情況下PCA降維后保留的維數(shù)k都等于4，即神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)都為4，圖6為MATLAB構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)。

圖6 MATLAB構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)

記錄不同訓(xùn)練集情況下對四種氣味的識別率，并計(jì)算出四種情況下四類氣味的平均識別率，將其視為最終識別率，如表2所示。

表2 交叉驗(yàn)證法下不同氣味的識別率與識別率均值

根據(jù)K折交叉驗(yàn)證法的結(jié)果可見，總體上對于四類氣味的識別效果還算良好。其中，香煙的識別率均值最低，當(dāng)A、B、C作為訓(xùn)練集時(shí)，對于D校驗(yàn)集的識別率只有40%，但當(dāng)A、B、C作為校驗(yàn)集時(shí)，識別結(jié)果能夠達(dá)到100%。將神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行多番修改后，針對D作為校驗(yàn)集的情況，得到的識別結(jié)果最高也僅達(dá)到40%。因此推斷D類樣本集中香煙的數(shù)據(jù)樣本在采樣時(shí)可能存在某些操作不當(dāng)?shù)膯栴}或者是該樣本集采樣時(shí)外部環(huán)境有較大變化，導(dǎo)致識別效果不佳。對于香水、榴蓮和噴漆而言，不同校驗(yàn)集的情況下識別率都達(dá)到了90%以上，在對油漆的識別中，僅在A作為校驗(yàn)集的情況下，識別率相對較差，但仍處于正常范圍內(nèi)。

4 結(jié)束語

本文基于仿生嗅覺提出一種應(yīng)用于空氣凈化器的氣味識別方法。實(shí)驗(yàn)中，為了讓實(shí)驗(yàn)情況更接近于實(shí)際情況，通過將傳感器模塊安裝于空氣凈化器進(jìn)氣口處來獲取氣味數(shù)據(jù)，通過PCA和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，進(jìn)行分類識別。實(shí)驗(yàn)結(jié)果證明了這種方法的可行性。