基于AR信号处理和KII模型的嗅觉识别算法

第２７卷第５—６期　

２０１１年ｌ２月　

天津工大学学报　

Ｖ０１．２７　Ｎｏ．５—６　

Ｄｅｃ．２０１ｌ　

ＪｏＵＲＮＡＬ　ＯＦ　ＴＩＡＮＪＩＮ　ＵＮＩＶＥＲＳＩＴＹ　ＯＦ　ＴＥＣＨＮＯＬＯＧＹ　

文章编号：１６７３—０９５Ｘ（２０１１】０５—０６—００４０—０６　

基于ＡＲ信号处理和ＫＩＩ模型的嗅觉识别算法　

王丽贤，牛廷伟，杨淑莹　

（天津理工大学计算机与通信工程学院，天津３００３８４）　

摘要：信号的特征提取和模式识别方法，在实现准确的电子鼻气体定性分析中尤为关键，本文提出了基于ＡＲ信　

号处理和ＫＩＩ模型的嗅觉识别算法．将传感器信号分为：上升期和稳定期两部分，对上升期信号提取斜率作为特征；　

对稳定期信号，进行ＡＲ建模来提取特征．在电子鼻的模式识别算法上，利用ＫＩＩ模型对气味信号进行分类．该方法　

充分利用了ＡＲ信号处理在信号表示方面的有效性及降维优势、ＫＩＩ模型在模式识别方面的优越性．仿真将该方法与　

ＢＰ网络、ＡＲ—ＢＰ算法及单ＫＩＩ网络进行了比较，结果表明，ＡＲ信号处理技术可以很好的提取特征，并与ＫＩＩ建立相　

关的数学模型，将ＡＲ信号处理技术应用到电子鼻系统中是可行的，且具有更高的识别率．　

关键词：嗅觉识别；ＡＲ信号处理；ＫＩＩ模型；电子鼻　

中图分类号：ＴＰ３１１　文献标识码：Ａ　ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３－０９５Ｘ．２０１１．０５－０６．０１１　

Ｏｌｆａｃｔｏｒｙ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ＡＲ　ｓｉｇｎａｌ　

ｐｒｏｃｅｓｓｉｎｇ　ａｎｄ　ＫＩＩ　ｍｏｄｅｌ　

ＷＡＮＧ　Ｌｉ—ｘｉａｎ，ＮＩＵ　Ｔｉｎｇ—ｗｅｉ，ＹＡＮＧ　Ｓｈｕ—ｙｉｎｇ　

（Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｔｉａｎｊｉｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｔｉａｎｊｉｎ　３００３８４，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｓｉｇｎａｌ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｅｘｔｒａｃｔｉｏｎ　ａｎｄ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ，ｉｎ　ａｃｃｕｒａｔｅ　ｇａｓ　ａｎａｌｙｓｉｓ　ｉｓ　ｃｒｉｔｉｃａｌ　ｆｏｒ　ｅｌｅｃｔｒｏｎｉｃ　ｎｏｓｅ，Ｏ１一　

ｆａｃｔｏｒｙ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ＡＲ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｉｎｇ　ａｎｄ　ＫＩＩ　ｍｏｄｅｌ（ＡＲ—ＫＩＩ）ｉｓ　ｐｒｏｐｏｓｅｄ．Ｓｅｎｓｏｒ　ｓｉｇｎａｌｓ　ａｒｅ　ｄｉｖｉｄｅｄ　

ｉｎｔｏ　ｔｗｏ　ｐａｒｔｓ：ｒｉｓｉｎｇ　ａｎｄ　ｓｔａｂｌｅ　ｐｅｒｉｏｄ，ｅｘｔｒａｃｔ　ｔｈｅ　ｒｉｓｉｎｇ　ｐｅｒｉｏｄｇ　ｓｉｇｎａｌ　ｓｌｏｐｅ　ａｓ　ｆｅａｔｕｒｅｓ；ｓｔａｂｌｅ　ｓｉｇｎａｌ　ＡＲ　ｍｏｄｅｌ　ｔｏ　ｅｘｔｒａｃｔ　

ｆｅａｔｕｒｅｓ．Ｏｎ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｏｆ　ｅｌｅｃｔｒｏｎｉｃ　ｎｏｓｅ，ｔｏ　ｃｌａｓｓｉｆｙ　ｔｈｅ　ｏｄｏｒ　ｓｉｇｎａｌｓ　ｂｙ　ＫＩＩ　ｍｏｄｅ１．Ｔｈｉｓ　ｍｅｔｈｏｄ　ｍａｄｅ　

ｕｓｅ　ｏｆ　ＡＲ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｉｎｇ　ｔｏ　ｓｉｇｎａｌ　ｔｈａｔ　ｔｈｅ　ｅｆｆｅｃｔｉｖｅｎｅｓｓ　ｏｆ　ａｎｄ　ｄｉｍｅｎｓｉｏｎ　ｒｅｄｕｃｔｉｏｎ　ａｄｖａｎｔａｇｅｓ　ａｎｄ　ｓｕｐｅｒｉｏｒｉｔｙ　ｏｆ　ＫＩＩ　ｍｏｄ—　

ｅｌ　ｉｎ　ｔｅｒｍｓ　ｏｆ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ．Ｃｏｍｐａｒｅ　ＡＲ

ＢＰ　ｗｉｔｈ　ｔｈｅ　ＢＰ　ｎｅｔｗｏｒｋ，ＡＲ

ＢＰ，ＫＩＩ　ａｎｄ　ＫＩＬＢＰ　ｔｈｒｏｕｇｈ　Ｓｉｍｕｌａｔｉｏｎ，ｅｘ—　

＿＿

ｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ＡＲ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ｏｆ　ｔｈｅ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｉｎｇ　ｔｅｃｈｎｉｑｕｅｓ　ｗｏｒｋ　ｗｅｌｌ，ａｎｄ　ｂｕｉｌｄ　ｒｅｌａｔｅｄ　ｍａｔｈｅ—　

ｍａｔｉｃａｌ　ｍｏｄｅｌｓ　ａｎｄ　ＫＩＩ．ＡＲ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｉｎｇ　ｔｅｃｈｎｉｑｕｅｓ　ａｐｐｌｉｅｄ　ｔｏ　ｔｈｅ　ｅｌｅｃｔｒｏｎｉｃ　ｎｏｓｅ　ｓｙｓｔｅｍ　ｉｓ　ｆｅａｓｉｂｌｅ　ａｎｄ　ｈａｓ　ａ　ｈｉｇｈ　ｒｅｅ—　

ｏｇｎｉｔｉｏｎ　ｒａｔｅ．　

Ｋｅｙ　ｗｏｒｄｓ：ｏｌｆａｃｔｏｒｙ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ＡＲ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｉｎｇ；ＫＩＩ　ｍｏｄｅｌ；ｅｌｅｃｔｒｏｎｉｃ　ｎｏｓｅ　ｓｙｓｔｅｍ　

电子鼻也称为人工嗅觉系统，作为一种模拟生　

物嗅觉原理的新颖仿生检测仪器，以其快速、简单、　

客观、廉价和检测范围广泛等特点．它主要由多个性　

设计强大的信息处理算法（信号处理和模式识　

别），在电子鼻实现准确的气味识别中是非常重要　

的．其中，模式识别算法是电子鼻智能化的核心单　

元，它将特征空间划分到分类空间，以达到分类识别　

的目的．Ｋ系列模型及其常微分方程，是由美国神经　

生理学家Ｗａｔｅｒ　Ｊ．Ｆｒｅｅｍａｎ教授等¨２　在其长期的　

能彼此重叠的气敏传感器组成的气体传感器阵列、　

信号处理系统和适当的模式识别方法３部分　

组成　．　

２０１　１—０８．２３．　

收稿日期：　

基金项目：　

天津市高等学校科技发展基金（２００７１３０８）．　

作者简介：　王丽贤（１９８５一

通讯作者：　

杨淑莹（１９６４一

），女，硕士研究生，Ｅ－ｍａｉｌ：６１６４３５４７０＠ｑｑ．ＣＯＦＩ１．　

），女，教授，博士，Ｅ—ｍａｉｌ：ｙｓｙｉｎｇ１２６＠１２６．ｃｏｉｎ．　

２０１１年１２月　王丽贤，等：基于ＡＲ信号处理和ＫＩＩ模型的嗅觉识别算法　・４１・　

神经生物学实验基础上，根据哺乳动物嗅觉系统的　

生理解剖结构以及嗅觉系统各层次不同神经元集合　

的电发放特性，建立的一套非线性神经网络模型．但　

是组成和功能都很相近的神经细胞团簇模型Ｋ０和　

少数的神经团簇模型ＫＩ都过于简单，提炼特征不完　

全；而且基于哺乳动物嗅觉神经系统的总体结构建　

立的ＫＩＩＩ和对于低等动物前脑模拟的Ｋ１Ｖ都是高维　

混沌神经网络模型，模型结构过于复杂、运算速度　

慢、不易收敛．生物实验显示，嗅觉系统最核心的部　

位是嗅球层（Ｏｌｆａｃｔｏｒｙ　Ｂｕｌｂ，ＯＢ）　Ｊ，而由多个完整的　

ＫＩＩ单元连接形成的ＫＩＩ网络完全可以仿真ＯＢ层，　

组成其简化数学模型＿６　Ｊ．此外，只需通过Ｈｅｂｂ学习　

规则，修改连接权就可实现ＫＩＩ模型的学习和记忆　

能力．因而，ＫＩＩ模型有很强的模式识别能力，且模型　

相对简单，易于实现，适于处理电子鼻信号．　

但电子鼻输出数据是一个高维数据，直接进行　

模式识别会使ＫＩＩ网络过于复杂而难以实现，必须　

对其进行特征提取，在保留最多有效信息的前提下，　

压缩数据维数．传感器信号由不稳定（上升期）和稳　

定（稳定期）数据组成，应分别针对其特点，提取特　

征．上升期信号反应了传感器对气体的敏感程度，可　

由斜率衡量这种敏感程度．时间序列分析不在乎数　

据的产生背景，任何可用时间序列表示的信息，均可　

采用时间序列分析理论进行分析，因而稳定期特征　

的提取，拟采用时问序列分析．而且经验证稳定期数　

据平稳，因而可以根据时间序列分析较精确地找出　

信号的内在统计特性，尽可能多地从中提取所需要　

的准确信息．而自回归模型（ＡＲ）的参数估计和定阶　

都要比移动平均模型（ＭＡ）及自回归移动平均模型　

（ＡＲＭＡ）简单且理论成熟；任何可逆的ＡＲＭＡ模型　

都可以用阶数充分大的ＡＲ模型逼近到任意精　

度　．因而对稳定期数据进行ＡＲ建模，提取参数作　

为特征．　

本文围绕对传感器阵列信号的特征提取和对　

ＫＩＩ模型的分析展开，实现了基于ＡＲ信号处理和　

ＫＩＩ模型的嗅觉识别算法．　

１　ＡＲ信号处理　

模拟动物和人类的嗅觉系统结构，研制的人工　

智能嗅觉系统——电子鼻，通常由硬件系统和软件　

系统两部分组成．硬件系统主要由两个部分构成，首　

先是能与目标分析物发生相互作用以产生特异响应　

的敏感元件，可以是石英晶体、场效应晶体管和金属　

氧化物等；另一部分是作为换能器的物理化学探测　

器，它将敏感元件产生的响应转换为更易于处理和　

分析的物理信号　，如电信号．气味或气体在传感器　

阵列上吸附，导致传感器的信号（通常是电阻、电压）　

发生变化，信号经模数转换后由软件系统对其进行　

必要的信号处理，如图１．之后才能得到识别结果．　

混合气体——－．［　至丕　亟至至　［至　

［夏至蔓垂］—－，．匹至　篷誊　或　

图１电子鼻工作流程图　

Ｆｉｇ．１　Ｅｌｅｃｔｒｏｎｉｃ　ｎｏｓｅ　ｗｏｒｋ　ｆｌｏｗ　ｄｉａｇｒａｍ　

１．１信号预处理　

化学（气体）输入经电子鼻转换成电信号数据，　

传感器响应数据的大小与气体的浓度紧密相关（浓　

度越高响应越强）．因此，同一气体的模式向量因为　

浓度不同而数值幅度不同，并且不同传感通道响应　

数据，在量值幅度上可能有几个量级的差别，数据发　

散、缺乏一致性．这样的数据不经预处理而直接进行　

特征提取会极大的影响识别的效果．为实现准确的　

气味分析，在特征提取之前，必须首先对传感器的响　

应数据进行适当的预处理，以消除噪声影响、去除浓　

度影响，使数据集中在相对较小的范围内，模式向量　

元素具有相同意义的零和统一的标准刻度单位．这　

样的预处理方法主要有归一化处理和白化处理．但　

归一化处理存在容错能力较差的问题，所以选择对　

电子鼻响应数据｛　｝进行白化处理，将信号变为均　

值为０、方差为１的数据，公式如下：　

＝　

——　（１）Ｌ　Ｊ　

其中，　表示白化后数据，　表示数据均值，　

表示数据的标准差．　

１．２特征提取　

电子鼻信号是一组高维信号（传感器个数　数　

据长度），为了便于模式识别，需要选取适当的方法　

对其进行特征提取．而且合理的特征提取方法不仅　

为模式识别提供方便，甚至会直接影响到算法的识　

别性能．因而对预处理数据进行特征提取及维数压　

缩是十分必要的．但简单的对数据进行截断，会丢失　

大量有效信息，它所带来的均方误差近似等于舍掉　

的各个分量的方差之和．　

图２为传感器阵列的反应信号，从图２中可以　

看出，信号大致可以分为上升期和稳定期两部分，特　

・

４２・　天津理工大学学报　第２７卷第５—６期　

征提取应针对这两部分分别展开：

Ａ／．鲁　丑簿　

Ｏ　Ｏ　Ｏ　０　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　

１　９　８　７　６　５　４　３　２　１　Ｏ　

１Ｏ　２Ｏ　３０　４０　５０　６０　７０　８０　９０　１００　

采集时间／ｓ　

图２传感器阵列信号　

Ｆｉｇ．２　Ｓｅｎｓｏｒ　ａｒｒａｙ　ｓｉｇｎａｌｓ　

１）上升期特征提取．任何气体传感器都既有择　

优选择性又有交叉响应性，即每个传感器不是只对　

一

种气体响应，而是对某（类）气体特别敏感，同时对　

其他（种类）气体表现出不同程度的响应．上升期信　

号随采集时间的变化而变化，它体现了传感器对气　

体类别及浓度的敏感度．也就是说，上升期信号和时　

问之问的这种关系即表征了气味的定性特征，又表　

征了气味的定量特征．分析上升期信号与采集时间　

之问的关系，发现输出信号Ｙ与采集时间ｔ之间存在　

一

元线性关系，所以可选择上升期器输出信号与采　

集时间的斜率作为特征值，斜率的大小表示各传感　

器对气味的敏感程度．　

２）稳定期特征提取．经验证，稳定期信号为平稳　

数据，因而可以通过分析有限长度的信号数据问固　

有的、内在的特性，建立比较精确地反映信号中所包　

含的动态依存关系的ＡＲ模型．从而较精确地找出　

信号间的内在统计特性、尽可能多地从中提取所需　

要的准确信息．对传感器阵列稳定期信号建立的多　

维平稳ＡＲ（Ｐ）模型如下：　

ｌ！＝　１１Ｘ１（ｃ＿１）＋　１２　１（　

２）＋…＋　ｐ　１（卜ｐ）　

Ｘ２ｆ　￣２１ｘ２（ｆ一１）＋￣Ｐ２２Ｘ２（￡一２）＋…＋￣２ｐＸ２（　一ｐ）　

＝　

ｍ１　ｍ（￡一１）＋　，以　ｍ（卜２）＋…＋　呷　ｍ（卜ｐ）　

（２）　

其中，ｍ为传感器个数；序列｛Ｘ　｝＝｛　…，　

｝为第ｉ个传感器稳定期信号序列（信号序列从稳　

定期开始到采集时间结束，序列下标只是信号在序　

列中的相对位置，不与实际的时间等同）；｛　

…

，　

｝为对第ｉ个传感器稳定期信号序列建模求得　

的系数；ｐ为模型阶数．　

用时间序列分析法对传感器稳定期信号建立相　

应的ＡＲ建模，求得的模型系数作为信号特征．所　

以，提取到的稳定期信号特征可以表示为　

ｌ】，　１２，…，　Ｐ　

２１，　２２，…，　２口　

１，（ｐ　，…，　（３）　

３）上升期和稳定期划分．上升期和稳定期的简　

单划分就是采取一刀切的原则，例如图２，将前５０　Ｓ　

划分为上升期；后５０　Ｓ为稳定期．但是这种划分明显　

存在的问题，譬如降低了某些传感器信号上升期的　

斜率，不能准确反应其特征等．因而需要更细致的划　

分，使上升期数据具有变化较快、变化率基本一致；　

稳定期数据具有稳定且无明显趋势性的特点．　

设序列｛　｝＝｛Ｙ　Ｙ　…，Ｙ　｝为第ｉ个传感器　

的信号，ｎ为数据长度．　

（１）从序列第一个数据开始，段长为口（Ⅱ取奇　

数）取一段数据：｛ｂ　｝＝｛Ｙ　Ｙ　…，Ｙ　。｝；　

（２）从上一段的中位数开始再取。个数作为第　

段数据：｛　｝＝｛　ａＴ＋１）川，ｙ　Ｔａ＋１）＋ｚ］，　

…

，

Ｙｉ［ｙ＋（丁ａ＋１）＋。］；　

（３）分别计算相邻两段均值　和　，当ｌ　一　

＜占（　为一个极小的实数），就认为数据进入稳　

定期，且分割时问点为：ＪＢ　＝　（　＋ｏ）；否则　＝　

二　

１返回２）．　

设［卢　，卢：，…，卢　］（ｍ个传感器）为确定的各个　

传感器上升期和稳定期的分割时问点，则显然的　

Ｖｉ，　∈（１，…，ｍ）则ＪＢ　卢　，不一定成立．而上升期关　

心的是信号的变化率因而划分时间点应该保持在各　

个传感器的　附近．但是为了避免数据量不一致带　

来的建模不一致问题，各个传感器稳定期开始的时　

间点应取［／３　，卢　，…，　］中最大值．　

因此，为了尽可能有效的提取信号特征，针对传　

感器信号特点，首先将其划分为上升期和稳定期，再　

根据其特点分别处理．将数据从高维（传感器个数　

数据长度）压缩到低维（传感器个数　（模型阶数＋　

１）），同时最大限度的保留有效信息．经过这样的处　

理我们能够在较少维数的数据中保留较多的有效数　

据信息．　

２　ＫＩＩ模型　

电子鼻信号经过预处理和特征提取后，得到了　

一

组表征气体分类信息的特征数据．要完成最终的　

２０１１年１２月　王丽贤，等：基于ＡＲ信号处理和ＫＩＩ模型的嗅觉识别算法　・４３・　

气体分析，还需要用适当的模式识别方法对得到的　

特征分量进行识别．ＫＩＩ模型可以仿真嗅觉系统最核　

心的部位：嗅球层ＯＢ，得到其简化的数学模型．把得　

到的气体类别信息作为外部电信号输入由多个完整　

的ＫＩＩ单元连接形成的ＫＩＩ网络，进行气体分析．　

２．１　ＫⅡ单元　

单个完整的ＫＩＩ单元：由两个僧帽细胞（Ｍ　、　

）和两个颗粒细胞（Ｇ　、Ｇ　）组成（如图３）．其中　

“＋”代表兴奋，“一”代表抑制，也就是说僧帽细胞　

产生兴奋性刺激，颗粒细胞产生抑制性刺激．而僧帽　

细胞　一方面接受来自外部的信号；另一方面输出　

网络的振荡结果．　

图３完整的ＫＩＩ单元　

Ｆｉｇ．３　Ｃｏｍｐｌｅｔｅ　ＫⅡｕｎｉｔ　

２．２　ＫＩＩ网络拓扑结构　

ＫＩＩ网络由两个以上的ＫＩＩ单元连接组成，各个　

ＫＩＩ单元通过僧帽细胞　和颗粒细胞Ｇ　来相互连　

接，其连接权重分别为　和　。　．　

图４　ＫＩＩ模型（仿真ＯＢ层的简化数学模型）　

Ｆｉｇ．４　ＫＩＩ　ｍｏｄｅｌ（ｓｉｍｐｌｉｉｆｅｄ　ｍａｔｈｅｍａｔｉｃａｌ　

ｍｏｄｅｌ　ｏｆ　ｓｉｍｕｌａｔｉｏｎ　０Ｂ）　

ＫＩＩ网络中的ＫＩＩ单元接受到外部刺激，随时间　

振荡变化（用下面的二阶微分方程组描述）．另一方　

面每个ＫＩＩ单元的僧帽细胞　会根据网络中其他　

的　。细胞的状态变化，依据Ｈｅｂｂ学习规则，修改　

ＫＩＩ单元间的权重ＷＭＭＬ，直到整个网络稳定．　

ＫＩＩ模型中，第ｉ个ＫＩＩ单元的４个Ｋ０单元对应　

的二阶微分方程如下　Ｊ：　

僧帽细胞　的二阶微分方程：　

［　（ｆ）＋（。＋ｂ）Ｍ＇ｉｌ（　）＋。。ｂ。　（　）］：　

Ｍ・Ｑ（Ｍ　（ｔ），ｇ０口）＋　Ｇ・Ｑ（Ｇ　ｌ（ｔ），ｑｏ８）＋　

Ｇ・Ｑ（Ｇ　（ｔ），ｑ０　）＋１／（ｎ一１）　［　舭・　

ｉ＝１　Ｊ≠ｉ　

Ｑ（　（ｔ），ｑｏＢ）］＋，Ｉ（ｔ）　（４）　

僧帽细胞　：的二阶微分方程：　

［　（ｔ）＋（。＋６）　（　）＋。　ｂ・ＭｉＥ（ｔ）］　

・

Ｑ（Ｍ　（ｔ），ｇｏ口）＋　。・Ｑ（Ｇ　（ｔ），ｑ。　）（５）　

颗粒细胞Ｇ　的二阶微分方程：　

（　）＋（。＋６）Ｇ　（　）＋。　ｂ・Ｇ　－（　）］＝　

ＷｃＧ‘Ｑ（Ｇ　２（ｔ），ｇ０Ｂ）＋　Ｍ・Ｑ（Ｍ　１（ｔ），ｑ０口）＋　

ＷｃＭ・Ｑ（Ｍ　（ｔ），ｑｏ８）＋１／（ｎ一１）　［　观・　

＝

１，　≠　

Ｑ（Ｇ，　（ｔ），ｇ。　）］　（６）　

颗粒细胞Ｇ　的二阶微分方程：　

［　（　）＋（口＋６）Ｇ　（　）＋口。ｂ・Ｇ　（　）］＝　

Ｗｃ　・Ｑ（Ｇ　（ｔ），ｑｏ８）＋　Ｇ　・Ｑ（Ｍ　（ｔ），ｇ０口）　（７）　

Ｑ（　（ｔ），ｇ０口）函数是一个由Ｈｏｄｇｋｉｎ－Ｈｕｘｌｅｙ方　

程导出的非线性的Ｓ型函数：　

㈩　（，　

。：ｌｎ（１一ｇ。　Ｉｎ（１＋—ｌ＿））　

ｑｏ８　

以上的公式中，　（ｔ）代表了第ｉ个ＫＩＩ单元的僧　

帽细胞Ｍ／１所接受到的外部刺激信号，即ＫＩＩ模型的　

输入；　（ｔ）、Ｍ　（ｔ）、Ｇ　（ｔ）和Ｇ　（ｔ）分别表示第ｉ　

个ＫＩＩ单元的４个Ｋ０单元的电位变化状态函数．该　

模型参数均根据生理实验，并通过一系列的优化算　

法求得．其中，ａ和ｂ分别代表神经电生理活动的两　

个时问常数，由实验得出其数值分别为０．２２０　

ｍｓｅｃ～

，

０．７２０　ｍｓｅｃ～；参数ｑｏＢ代表了ｓ型函数的最　

大渐近线，由实验可以测出嗅球层ＯＢ中的神经团　

ｇ。　＝５．根据生理学实验可知，Ｋ０神经团之间的连接　

权重只与神经团类型（僧帽细胞和颗粒细胞）有关，　

因而在一个ＫＩＩ单元中的４个Ｋ０单元，连接权重　

为：　＝１．５００，　Ｍ＝２．３２３，　Ｇ＝一２．０６３，Ｗｃ　＝　

一

２．４４５．而各个ＫＩＩ单元之间的初始连接权重：　

・

４４・　

ＭＬ＝０．５９９，ＷｃＧＬ＝０．５８０　．　

天津理工大学学报　第２７卷第５—６期　

（ＳＤ），训练不同模式的聚类中心并根据识别样本与　

不同聚类中心的欧氏距离，来进行分类．　

来自传感器阵列的气体类别信息，经过预处理　

及特征提取后作为外部电信号被输入到ＫＩＩ网络　

中，僧帽细胞接受外部刺激，单个ＫＩＩ单元振荡（由　

二阶微分方程组描述），整个ＫＩＩ网络的各个Ｍ１之　

问依据Ｈｅｂｂ规则，不断修改权重ＷＭＭＬ直到整个　

网络稳定，因而整个ＫＩＩ模型呈现出丰富的动力学　

３实验验证　

３．１实验硬件　

传感器阵列由上海猎豹公司组装，由５个催化　

燃烧式、３个电化学式及２个热导式，共１０个传感器　

组成．传感器指标如表１：　

行为．对于ＫＩＩ的输出信号，要进行必要的后处理来　

提取模式信息．本文通过计算　。输出的标准差　

表１传感器技术指标　

Ｔａｂ．１　Ｓｅｎｓｏｒ　ｓｐｅｃｉｉｃａｔｉｆｏｎ　

３．２实验材料　

表２比较算法　

Ｔａｂ．２　Ｃｏｍｐａｒｉｓｏｎ　ａｌｇｏｒｉｔｈｍ　

实验气体从１００个通气情况基本相同的矿井　

下，深度分别为１００　ｉｎ，２５０　１ＴＩ，５００　ｍ，６５０　１ＴＩ，８００　Ｉｉｌ，　

９５０　ＩＴＩ和１　１００　ｉｎ（分别编号１到７）采集得到．　

３．３实验实现　

首先在室温下打开电子鼻开关，根据表１，设置　

相应参数，待仪器运行稳定后，用经过过滤的纯净空　

气对电子鼻传感器清洗６０　Ｓ之后，气体以３５０　ｍｌ／　

ｍｉｎ的恒定速度通过电子鼻测试系统，反应１２　Ｓ后　

开始采集数据，测定时间为１００　Ｓ，每秒采集７组数　

据．相邻两次测试之间，电子鼻传感器清洗６０　Ｓ．一　

共采集到１００　７组传感器阵列信号（每组１０　７００　

个数据），将其中５０　７组用于训练网络，５０　７组用　

于识别．　

由于电子鼻信号的特征提取，大多是取信号初　

始值、最大值、最小值及稳定值　１　；在模式识别方　

面，以ＢＰ网络应用最为广泛　．为了说明算法的优　

对上述四种算法使用ＭＡＴＬＡＢ　７．０进行仿真　

比较．　

势，将该算法与电子鼻常用算法组合进行比较，比较　

算法由表１描述．　

其中，ＡＲ模型系数，使用最小二乘求解；ＫＩＩ网　

路的二阶微分方程组，使用龙格一库塔求解；ＢＰ网　

络采用单隐含层，输入层节点个数为１０　（Ｐ＋１），　

隐含层节点数为输入层节点数的二倍，输出层节点　

由图５得到以下结论，网络在５０次训练内都收　

敛，而且ＫＩＩ网络的收敛速度快于ＢＰ网络；ＡＲ特征　

提取机制对收敛速度有一定的改进作用，但对ＫＩＩ　

的改进优于对ＢＰ网络的改进．　

由表３可以看出以下３点：（１）３种方法对训练　

样本的识别率均高于对识别样本；（２）同样的特征提　

取方法，模式识别采用ＫＩＩ模型，识别率高于采用ＢＰ　

网络，且网络性能更加稳定；（３）模式识别算法相同，　

个数为３（二进制表征类别）．隐含层的激活函数为：　

）＝　（９）　

采用ＡＲ信号处理机制，在一定程度提高了识别率，　

２０１１年１２月　王丽贤，等：基于ＡＲ信号处理和ＫＩＩ模型的嗅觉识别算法　・４５・　

但对网络稳定性并没有太大的改进　

０　

：：　

５　１０　ｌ５　２０　２５　３０　３５　４０　４５　５０　

训练次数　

图５算法收敛速度　

Ｆｉｇ．５　Ａｌｇｏｒｉｔｈｍ　ｃｏｎｖｅｒｇｅｎｃｅ　ｒａｔｅ　

表３错误识别数目（共５Ｏ个）　

Ｔａｂ．３　Ｅｒｒｏｒ　ｎｕｍｂｅｒ　ｏｆ　ｒｅｃｏｇｎｉｔｉｏｎ（ｔｈｅ　ｔｏｔａｌ　ｉｓ　５０）　

ＢＰ　０　１　０　１　１　０　０　４　２　４　８　２　４　２　

ＡＲ

＿

ＢＰ　０　１　０　０　０　０　０　３　２　３　６　４　３　２　

ＫＩ１　０　０　０　１　０　０　Ｏ　１　２　３　２　３　３　３　

ＡＲ

—

ＫＩ１　０　０　０　０　０　０　０　１　１　０　２　１　０　１　

表４　３种算法网络性能比较　

Ｔａｂ．４　Ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｔｈｒｅｅ　ｋｉｎｄｓ　ｏｆ　ａｌｇｏｒｉｔｈｍｓ　ｆｏｒ　

ｎｅｔｗｏｒｋ　ｐｅｒｆｏｒｍａｎｃｅ　

＼洼能　识别准确率　运行　收敛　性能　

算法＼训练样本识别样本　时１９　速度　稳定性　

ＢＰ　９９．１％　９２．６％　短　较长　不稳定　

ＡＲ

—

ＢＰ　９９．７％　９３．４％　较短　较长　不稳定　

ＫＩＩ　９９．７％　９５．１％　较长　较短　稳定　

ＡＲ

ＫＩＩ　１００％　９８．３％　长　短　稳定　

从４种算法网络性能的比较可以看出，ＡＲ—ＫＩＩ　

算法在特征提取时，需要求出上升期信号斜率并对　

稳定期信号建模，比起直接提取上述４个特征要慢．　

此外，ＫＩＩ模型本身的振荡，也需要时间，因此该算法　

的运行时间较ＫＩＩ、ＢＰ及ＡＲ—ＢＰ算法长．但是该算　

法在其他方面优于其他算法．　

４结论　

本文主要进行嗅觉识别技术研究，提出了基于　

ＡＲ信号处理和ＫＩＩ模型的嗅觉识别算法，：许从１００　

个通气情况基本相同的矿井下采集气体，进行深度　

分类辨别．仿真结果表明，该算法从整体上缩短了识　

别时间、降低了错辨率．　

参考文献：　

［１］　

Ｇａｒｄｎｅｒ　Ｊ　Ｗ，Ｂａｒｔｌｅｔｔ　Ｐ　Ｎ．Ｅｌｅｃｔｒｏｎｉｃ　ｎｏｓｅｓ　ｐｆｉｎｅｉｐｌｅｓ　

ａｎｄ　ａｐｐｌｉｃａｔｉｏｎｓ［Ｍ］．Ｏｘｆｏｒｄ：Ｏｘｆｏｒｄ　Ｕｎｉｖｅｒｓｉｔｙ　Ｐｒｅｓｓ，　

１９９９：１０—２１．　

［２］　

Ｙａｏ　Ｙ，Ｆｒｅｅｍａｎ　Ｗ　Ｊ．Ｍｏｄｅｌ　ｏｆ　ｂｉｏｌｏｇｉｃａｌ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉ—　

ｔｉｏｎ　ｗｉｔｈ　ｓｐａｔｉａｌｌｙ　ｃｈａｏｔｉｃ　ｄｙｎａｍｉｃｓ［Ｊ］．Ｎｅｕｒａｌ　Ｎｅｔ－　

ｗｏｒｋｓ，１９９０，３（２）：１５３・１７０．　

［３］　

Ｃｈａｎｇ　Ｈ　Ｊ，Ｆｒｅｅｍａｎ　Ｗ　Ｊ．Ｂｉｏｌｏｇｉｃａｌｌｙ　ｍｏｄｅｌｅｄ　ｎｏｉｓｅ　ｓｔａｂｉ—　

ｌｉｚｉｎｇ　ｎｅｕｒｏｄｙ－ｎａｍｉｃｓ　ｆｏｒ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．Ｉｎｔｅｒｎａ—　

ｔｉｏｎａ１．Ｊｏｕｒｎａｌ　Ｂｉｆｕｒｃａｔｉｏｎ　ａｎｄ　Ｃｈａｏｓ，１９９８，８（２）：　

３２１—３４５．　

［４］　

Ｙａｏ　Ｙ，Ｆｒｅｅｍａｎ　Ｗ　Ｊ．Ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｉｎ　ｏｌｆａｃｔｏｒｙ　ｓｙｓ—　

ｔｅｍｓ：ｍｏｄｅｌｉｎｇ　ａｎｄ　ｓｉｍｕｌａｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇ　ｏｆ　ｔｈｅ　

１９８９　Ｉｎｔｅｍａｔｉｏｎａｌ　Ｊｏｉｎｔ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ．　

ＵＳＡ￣Ｓａｎ　Ｄｉｅｇｏ，１９９８：６９９—７０４，．　

［５］　

Ｇｕｔｉｅｒｒｅｚ—Ｏｓｕｎａ　Ｒ，Ｇｕｔｉｅｒｒｅｚ—Ｇａｌｖｅｚ　Ａ．Ｈａｂｉｔｕａｔｉｏｎ　ｉｎ　ｔｈｅ　

ＫＩＩＩ　ｏｌｆａｃｔｏｒｙ　ｍｏｄｅｌ　ｗｉｔｈ　ｃｈｅｍｉｃａｌ　ｓｅｎｓｏｒ　ａｒｒａｙｓ『Ｊ］．Ｎｅｕ—　

ｒａｌ　Ｎｅｔｗｏｒｋｓ，２００３，１４（６）：１５６５—１５６８．　

［６］　

Ｅｉｓｅｎｂｅｒｇ　Ｊ，Ｆｒｅｅｍａｎ　Ｗ　Ｊ，Ｂｕｒｋｅ　Ｂ．Ｈａｒｄｗａｒｅ　ａｒｃｈｉｔｅｃ—　

ｔｕｒｅ　ｏｆ　ａ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｓｉｍｕｌａｔｉｎｇ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉ—　

ｔｉｏｎ　ｂｙ　ｔｈｅ　ｏｌｆａｃｔｏｒｙ　ｂｕｌｂ［Ｊ］．Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ，１９８９，４　

（２）：３１５—３２５．　

［７］　Ｗｕ　Ｊｉｎｐｅ．Ａｐｐｌｉｃａｔｉｏｎｓ　ｏｆ　ｔｉｍｅ　ｓｅｒｉｅｓ　ａｎａｌｙｓｉｓ［Ｍ］．Ｃｈａｎｇ　

ｓｈａ：Ｈｕｍａｎ　Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ　Ｐｒｅｓｓ，１９８９：５７—５８．　

［８］　

Ｂａｇ　Ａ　Ｋ，Ｔｕｄｕ　Ｂ，Ｒｏｙ　Ｊ，ｅｔ　ａ１．Ｒ．Ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　ｓｅｎｓｏｒ　

ａｒｒａｙ　ｉｎ　ｅｌｅｃｔｒｏｎｉｃ　ｎｏｓｅ：Ａ　ｒｏｕｇｈ　ｓｅｔ—ｂａｓｅｄ　ａｐｐｒｏａｃｈ［Ｊ］．　

Ｓｅｎｓｏｒｓ　Ｊｏｕｍａｌ，２０１１，１１（１１）：３００１—３００８．　

ｌ　０　

Ｅｅｃｋｍａｎ　Ｆ　Ｈ，Ｆｒｅｅｍａｎ　Ｗ　Ｊ．Ａｓｙｍｍｅｔｒｉｃ　ｓｉｇｍｏｉｄ　ｎｏｎｌｉｎ—　

ｅａｒｉｔｙ　ｉｎ　ｔｈｅ　ｒａｔ　ｏｌｆａｃｔｏｒｙ　ｓｙｓｔｅｍ［Ｊ］．Ｂｒａｉｎ　Ｒｅｓｅａｒｃｈ，　

１９９１，５５７（１）：１３—２１．　

［１０］　

Ｃｈａｎｇ　Ｈ　Ｊ，Ｆｒｅｅｍａｎ　Ｗ　Ｊ．Ｐａｒａｍｅｔｅｒ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｉｎ　ｍｏｄ—　

ｅｌｓ　ｏｆ　ｔｈｅ　ｏｌｆａｃｔｏｒｙ　ｎｅｕｒａｌ　ｓｙｓｔｅｍ［Ｊ］．Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ，　

１９９６，９（１）：１１—１４．　

Ｒｏｃｋ　Ｆ，Ｂａｒｓａｎ　Ｎ，Ｗｅｉｍａｒ　Ｕ．Ｅｌｅｃｔｒｏｎｉｃ　ｎｏｓｅ：ｃｕｒｒｅｎｔ　

ｓｔａｔｕｓ　ａｎｄ　ｆｕｔｕｒｅ　ｔｒｅｎｄｓ［Ｊ］．Ｃｈｅｍｉｓｔｙｒ　Ｒｅｖｉｅｗｓ，２００８，　

１０８（２）：７０５—７２５．　

［１２］　

Ｇｕｔｉｅｒｒｅｚ—Ｏｓｕｎａ　Ｒ，Ｎａｇｌｅ　Ｈ　Ｔ，Ａ　ｍｅｔｈｏｄ　ｆｏｒ　ｅｖａｌｕａｔｉｎｇ　

ｄａｔａ—ｐｒｅｐｒｏｃｅｓｓｉｎｇ　ｔｅｃｈｎｉｑｕｅｓ　ｆｏｒ　ｏｄｏｒ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｗｉｔｈ　

ａｎ　ａｒｒａｙ　ｏｆ　ｇａｓ　ｓｅｎｓｏｒｓ［Ｊ］．Ｓｙｓｔｅｍｓ　Ｍａｎ　ａｎｄ　Ｃｙｂｅｒｎｅｔｉｃｓ，　

Ｐａｒｔ　Ｂ：Ｃｙｂｅｒｎｅｔｉｃｓ，１９９９，２９（５）：６２６—６３２．