周紅標，張宇林，丁友威，劉佳佳

(1.淮陰工學院 電子與電氣工程學院，江蘇 淮安 223003;2.南京師范大學電氣與自動化工程學院，江蘇南京 210042)

白酒電子鼻最主要的應用場合是對白酒生產過程進行質量監(jiān)控，以保證白酒的品質［1］，其核心要求就是要實現基于計算機技術的白酒品質智能鑒別.目前，白酒品質識別主要是使用電子鼻對不同品牌、不同酒精度和不同香型的白酒進行識別［2-3］，期望能夠通過氣味數據的處理將它們區(qū)分開來.傳感器所測量的信號與被測量的氣體之間并沒有直接對應關系，因而需要通過模式識別算法對其進行處理.

目前，電子鼻數據分析中的模式識別算法主要有 k-近鄰法(k-nearest neighbor，k-NN)、聚類分析(clustering analysis，CA)、判別分析(discriminant analysis，DA)、主成分分析(principal component analysis，PCA)、反傳人工神經網絡(back-propagation artificial neural network，BP-ANN)、概率神經網絡(probabilistic neural network，PNN)、學習向量量化(learning vector quantization，LVQ)、自組織映射(self-organizing maps，SOM)和支持向量機［4］(support vector machine，SVM)等.上述模式識別算法按輸入輸出之間的關系可分為線性算法和非線性算法2類.線性算法只能實現輸入到輸出的線性映射，它們都是基于統計理論而發(fā)展起來的.非線性算法，顧名思義，可實現輸入到輸出的非線性映射，與神經網絡理論有關，由于這類算法能實現更復雜的映射關系，所以通常其識別效果要優(yōu)于線性算法［5］.

本文提出的自適應概率神經網絡電子鼻白酒識別模型的主要步驟是:首先求取傳感器陣列的穩(wěn)態(tài)響應值、響應階段斜率、恢復階段斜率及溫濕度值作為原始特征向量;然后利用主成分分析法對輸入量進行降維，獲取2個主元作為識別模型的輸入;再進一步利用遺傳算法和粒子群算法優(yōu)化概率神經網絡的σ參數集;最后運用優(yōu)化的自適應概率神經網絡進行白酒品牌的鑒別.本文以不同品牌、不同酒精度的4種白酒電子鼻氣味數據為樣本，進行電子鼻的模式識別算法研究.

1 自適應概率神經網絡

1.1 概率神經網絡

概率神經網絡(probabilistic neural network，PNN)是一種前饋型神經網絡，是D.F.Specht博士于1989年根據貝葉斯決策理論(即貝葉斯最小風險準則)首先提出的［6］.PNN由輸入層、模式層、求和層和輸出層組成，如圖1所示.

圖1 PNN拓樸結構Fig.1 The topology of PNN

各層的功能如下［7-8］:

1)輸入層:輸入樣本為

式中:XIi和 YIi分別為輸入層第i(i=1，2，…，d)個神經元的輸入和輸出.

2)模式層:XPj=YIj，j=1，2，…，d，第 i類模式的第j個模式層神經元所確定的輸入輸出關系定義為

4)輸出層:XEi=YTi，由基于最小誤分率的貝葉斯決策規(guī)則可知

式中:XEi和YE分別為輸出層神經元的輸入和輸出，YE為樣本的類別號.

1.2 自適應概率神經網絡

模式層中采用徑向基函數作為輸入輸出的傳遞函數，平滑因子σ決定了高斯曲線的寬度，由于在傳統的概率神經網絡中其值固定不變，影響了網絡識別性能［9］.因此，采用自適應的平滑參數將能提升網絡的性能［10］.即式(1)變?yōu)?/p>

差異演化算法(DE)與遺傳算法(GA)、粒子群算法(PSO)一樣，都是一種優(yōu)化算法，不同的是DE是基于群體差異的演化算法，具有穩(wěn)定性高、算法簡單、收斂速度快的優(yōu)點，能克服GA、PSO等優(yōu)化算法的早熟現象［11］.利用差異演化算法對徑向基傳遞函數進行優(yōu)化的主要步驟如下:

1)種群初始化在D維空間隨機產生Np個個體

式中:rand(0，1)是［0，1］上服從均勻分布的隨機數.

3)交叉操作.其主要是用來增加種群的多樣性.其對變異后的擾動量和父代個體按式(2)進行交叉.

式中:CR為交叉概率，rand(i)是［1，D］之間隨機整數.

4)選擇操作.對新矢量和預定矢量進行比較選擇

反復執(zhí)行2)～4)，直至滿足最大進化代數或預先設定的收斂精度.

2 實驗數據獲取

2.1 實驗系統及方案

課題組以STM32為核心處理器，將Zigbee無線通訊和虛擬儀器等技術融為一體，設計了無線白酒電子鼻.硬件電路主要實現信號采集、信號調理、A/D轉換、無線通信、數據傳輸、人機對話等功能，主要包括氣敏傳感器陣列(TGS2600、TGS2602、TGS2610、TGS2611、TGS2620)、AM2302 溫濕度傳感器模塊、信號調理模塊、STM32F103控制器模塊、電源模塊、鍵盤模塊、液晶顯示模塊、CC2430Zigbee無線通信模塊、RS232轉USB通訊模塊等.在上位機采用虛擬儀器軟件Labview設計一套能對數據進行實時顯示、存儲、回放和分析等操作的平臺.算法采用數據處理能力更強的Matlab平臺實現，并通過ActiveX技術將預處理、特征提取和模式識別算法集成到Labview當中.硬件實物圖如圖2所示.

圖2 電子鼻硬件實物Fig.2 The diagram of electronic nose hardware

在超市購置了洋河海之藍42 480 mL、牛欄山陳釀36°400 mL、今世緣省接待40°500 mL和安徽迎駕大曲45°500 mL共4種不同酒精度不同品牌的白酒作為實驗樣品.實驗時，每次準確取量樣本2 mL，注入樣本池中.每個樣本的檢測時間為60 s，為了消除測量數據的漂移現象，每次檢測前后，傳感器陣列都需要清洗和標準化(即加熱處理)，時間不少于100 s，這將能有效保證測量數據的準確性和穩(wěn)定性.每種樣品重復檢測20次，4種不同白酒總計得80個樣本，建立一個小型的白酒氣味指紋圖譜庫.圖3所示為洋河海之藍的傳感器陣列信號響應強度圖(取自編號haizhilan_6)，其中橫坐標是數據采集點數(3 000點，180 s)，縱坐標是響應強度，每條曲線代表一個傳感器在采樣時間內的響應值變化，5個傳感器共有5條響應曲線，此外還有溫濕度傳感器顯示當前的溫度值和濕度值.數據采集過程中由于儀器的影響(電子鼻與上位機采用一問一答的Modbus通信協議，采樣點間隔60 ms)，曲線有抖動，不光滑，故需要進行平滑處理.本文采用移動平均法對信號進行平滑處理，處理后的信號如圖4所示，平滑濾波后的曲線光滑、干凈，消除了鋸齒狀的失真，便于進一步的特征提取.

圖3 傳感器陣列信號響應強度Fig.3 Signal response intensity of sensor array

圖4 數據平滑后信號響應強度Fig.4 Signal response intensity after smoothing

2.2 氣味數據特征提取

目前電子鼻中使用的數據特征提取方法主要有穩(wěn)態(tài)響應值、響應和恢復階段的斜率、對數法、一階差分法、二階差分法等.目前大都數都只采用穩(wěn)態(tài)響應值.本文在選擇穩(wěn)態(tài)響應值的基礎上，還計算出響應階段和恢復階段的斜率作為特征值，其計算公式如下:

式中:kx和kh分別是響應階段斜率和恢復階段斜率，(ax，bx)和(xx，yx)分別是曲線響應階段起始點和響應穩(wěn)定點，(xh，yh)和(ah，bh)分別是曲線恢復階段穩(wěn)定點和恢復階段起始點.可通過time=(180 s/3 000)×dianshu公式將點數轉換成時間.斜率計算中各點坐標采用差值法自動獲取.穩(wěn)態(tài)響應值及斜率特征自動計算示意圖如圖5所示.

圖5 穩(wěn)態(tài)響應值及斜率特征值提取Fig.5 The steady state response values and feature extraction of gradient

從圖5可以發(fā)現，由于橫、縱坐標的不對應，斜率值很小，比如 kx=0.072 4與 wx=3.106 9相差40多倍;如果不對其進行處理，直接將它們作為識別模型的輸入數據，必定影響識別結果的準確性.因此，對斜率值擴大100倍，并將負值取正，如:0.072 4調整后為7.24，－0.028 1調整后為2.81.

此外，系統顯示的溫濕度值數值較大.如H_1樣本分別為24.4℃和71.6RH，與穩(wěn)態(tài)值和處理后的斜率值不匹配，因此，對它們進行單獨歸一化處理.對80個樣本數據采取前述的預處理和特征提取方法進行處理，每個樣本獲得5個穩(wěn)態(tài)響應值、10個斜率值、2個溫濕度數值，總共形成17個輸入參量.從4種白酒中每種隨機選擇2個樣本，每個樣本列出陣列中某一個傳感器的穩(wěn)態(tài)值、響應階段斜率和恢復階段斜率及溫濕度共5個數據，如表1所示(H_編號代表海之藍、N_編號代表牛欄山、S_編號代表省接待、Y_編號代表迎駕，為了顯示的直觀性，表1數據未處理，均為原始數據).

2.3 氣味數據主成分分析

17個輸入量之間存在一定的相關性，可以利用主成分分析實現降維，即通過對數目較多的特征向量進行變換得到數目較少的新變量，新變量能最大限度地表征原變量的數據信息，是原變量的線性組合.從每種白酒中隨機選擇5個樣本組成20組樣本進行主成分分析，樣本前2個主成分得分圖如圖6所示，前5個主成分的貢獻率分別為70.73%、12.39%、8.23%、6.76% 和 1.04%，累計貢獻率為70.73%、83.12%、91.35%、98.11%和 99.15%.

圖6 PC1和PC2主成分得分Fig.6 The chart of principal component score

由圖6可見，前2個主成分累計貢獻率達83.12%，已能達到分類要求.而這之后，隨著主成分數量的增加，累計貢獻率增加相當緩慢，所以每個白酒樣本的電子鼻氣味數據可以用前2個主成分代替.

3 實驗結果分析

在建立識別模型之前，首先給特征數據集中的每個樣本附上標簽，其中海之藍定義為1號標簽，牛欄山陳釀定義為2號標簽，省接待定義為3號標簽，迎駕大曲定義為4號標簽.從白酒氣味指紋圖譜庫中隨機選擇40個作為訓練集，剩余40個作為測試集，先進行PCA處理，然后將每個樣本的前2個主成分得分輸入到DE-PNN模型進行識別，識別結果如表2所示.

表2 DE-PNN識別結果Table 2 The recognition results of DE-PNN

從表2可見，DE-PNN識別算法的總體敏感度和特異度分別為87.5%和92.1%，證實了模型具有較好的分類性能.徑向基函數的擴展速度SPREAD對網絡有影響，當SPREAD在0.002～0.007之間取值時，模型的分類和泛化能力較好.

表2只是一次隨機性的測試，可能存在誤差.為了全面評價分類器的性能，本文采取了留一交叉驗證法(leave-one-out cross-validation，LOOCV).該方法能夠彌補樣本不足的缺陷，其原理是:每次從樣本集中隨機抽取1個作為測試樣本，剩余的n－1個作為訓練樣本;然后，再輪流提取另一個樣本，直到所有樣本都輪完，最終由準確分類的樣本與樣本總數之比來決定分類器的分類準確率.表3給出了在不同的分類方法下，全部80個樣本采用LOOCV進行驗證對應的識別結果.

表3 各種分類方法的識別結果Table 3 The recognition results of different methods

從表3可以看出，3種PNN算法的留一交叉分類準確率要遠高于BP和RBF神經網絡;參數集經過DE優(yōu)化后的PNN識別模型得到的準確率最高(訓練集為100%、測試集為97.5%)，優(yōu)于PSO、GA優(yōu)化的和未經優(yōu)化的PNN;未經優(yōu)化的PNN耗時較短，遠低于BP，能夠滿足在線分析的要求，但由于優(yōu)化算法尋求過程復雜，GA-PNN和PSO-PNN耗時較長;本文還對SVM模型進行測試，發(fā)現其在白酒識別中的效果并不理想(經過簡單分析，可能的原因是SVM需要整體歸一化，而本文數據集特征值采取的是分屬性歸一化).

4 結束語

電子鼻技術融合了傳感器技術、嵌入式技術、信息處理技術和模式識別技術等，目前在農學、工學、醫(yī)學和生物學等多個領域都有著廣泛應用.利用電子鼻技術識別白酒種類、檢測白酒品質、監(jiān)控白酒生產質量是目前研究的主要方向，本文正是針對白酒分類提出一種基于APNN的識別模型，其利用DE、GA、PSO優(yōu)化PNN的σ參數集.實驗結果表明，與其他神經網絡以及未優(yōu)化的PNN相比，基于DEPNN的方法具有較好的分類效果和較快的收斂速度.

［1］楊國強，張淑娟.電子鼻技術在酒類識別應用中的研究進展［J］.山西農業(yè)大學學報:自然科學版，2010，30(1):92-96.

YANG Guoqiang，ZHANG Shujuan.Development of the electronic nose technology on the identification of spirit［J］.Journal of Shanxi Agric ultural University:Natural Science Edition，2010，30(1):92-96.

［2］YU Huichun，WANG Jun.Discrimination of longjing greentea grade by electronic nose［J］.Sensors and Actuators B，2007，122:134-140.

［3］ALEIXANDRE M，LOZANO J，GUITERREZ J，et al.Portable e-nose to classify different kinds of wine［J］.Sensors and Actuators B，2008，131:71-76.

［4］劉紅秀，李洪波，李衛(wèi)東，等.基于電子鼻的魚類新鮮度估計研究［J］.中山大學學報:自然科學版，2010，49(2):28-30.

LIU Hongxiu，LI Hongbo，LI Weidong，et al.Research on the fish freshness assessment based on electronic nose［J］.Acta Scientiarum Natralium Universitatis Sunyatseni，2010，49(2):28-30.

［5］李純，盧志茂，楊朋.基于快速譜聚類的圖像分割算法［J］.應用科技 ，2012，39(2):26-30.

LI Chun，LU Zhimao，YANG Peng.Image segmentation based on fast spectral clustering algorithm［J］.Applied Science and Technology，2012，39(2):26-30.

［6］姬東朝，宋筆鋒，易華輝.基于概率神經網絡的設備故障診斷及仿真分析［J］.火力與指揮控制，2009，34(1):82-85.

JI Dongchao，SONG Bifeng，YI Huahui.Equipment fault diagnosis based on probabilistic neural networks and simulation analysis［J］.Fire Control and Command Control，2009，34(1):82-85.

［7］明利特，蔣蕓，王勇，等.基于鄰域粗糙集和概率神經網絡集成的基因表達譜分類方法［J］.計算機應用研究，2011，28(12):4440-4444.

MING Lite，JIANG Yun，WANG Yong，et al.Gene expression profiles classification method based on neighborhood rough set and probabilistic neural networks ensemble［J］.Application Research of Computers，2011，28(12):4440-4444.

［8］KIM D，KIM D H，CHANG S.Application of probabilistic neural network to design breakwater armor blocks［J］.O-cean Engineering，2008，35:294-300.

［9］嚴文娟，林凌，趙靜.概率神經網絡用于舌診的近紅外光譜分類［J］.激光與紅外，2010，40(11):1201-1204.

YAN Wenjuan，LIN Ling，ZHAO Jing.Probability neural network for the classification of tongue diagnosis by near infrared spectroscopy［J］.Laser and Infrared，2010，40(11):1201-1204.

［10］李鵬，王樂新，趙志敏.基于概率神經網絡的熒光光譜法識別高甘油三脂血清［J］.發(fā)光學報，2011，32(11):1192-1196.

LI Peng，WANG Lexin，ZHAO Zhimin.Hypertriglyceridemia serum recognition using fluorescence spectroscopic analysis based on probabilistic neural networks［J］.Chinese Journal of Luminescence，2011，32(11):1192-1196.

［11］盧青波，張學良，溫淑花，等.差異演化算法改進與應用［J］.農業(yè)機械學報，2010，41(2):193-197.

LU Qingbo，ZHANG Xueliang，WEN Shuhua，et al.Modified differential evolution and its application［J］.Transactions of the Chinese Society for Agricultural Machinery，2010，41(2):193-197.

［12］蔣鼎國，周紅標，耿忠華.基于PSO-SVM的白酒品質鑒別電子鼻［J］.中國釀造，2011(11):149-152.

JIANG Dingguo，ZHOU Hongbiao，GENG Zhonghua.Liquor recognition electronic nose based on PSO-SVM［J］.China Brewing，2011(11):149-152.