陳佩峰

摘要：電子鼻是一種模仿生物嗅覺(jué)的綜合仿真系統(tǒng)，它可以用來(lái)辨別許多復(fù)雜的樣本，其中用于辨別和分析氣體化學(xué)成分的仿真系統(tǒng)應(yīng)用較為廣泛，而對(duì)復(fù)雜混合氣體的分析判斷和定性識(shí)別是電子鼻技術(shù)應(yīng)用的重要方面。本文在分析研究電子鼻原理和基本構(gòu)成的基礎(chǔ)上，重點(diǎn)運(yùn)用誤差回傳神經(jīng)網(wǎng)絡(luò)（BP）和自組織特征映射網(wǎng)絡(luò)（SOM）神經(jīng)網(wǎng)絡(luò)進(jìn)行電子鼻系統(tǒng)的定性識(shí)別，對(duì)三種氣體傳感器（一氧化碳CO、二氧化硫SO2、二氧化氮NO2）輸出的數(shù)據(jù)進(jìn)行了仿真、分析和識(shí)別，仿真結(jié)果表明這兩種方法的識(shí)別準(zhǔn)確率都能達(dá)到100%。并且自組織特征映射網(wǎng)絡(luò)（SOM）算法的識(shí)別能力在整體上要優(yōu)于誤差回傳神經(jīng)網(wǎng)絡(luò)（BP）算法。

關(guān)鍵詞：電子鼻；誤差回傳神經(jīng)網(wǎng)絡(luò)（BP）算法；自組織特征映射網(wǎng)絡(luò)（SOM）算法；MATLAB仿真

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）11-0168-04

Identify Method for Electronic Nose Based on BP and SOM Neural Network

CHEN Pei-feng

（Jilin Radio and Television University， Changchun 130022，China）

Abstract： Electronic nose ，a novel system ，is used to measure the chemical composition of gas， which is designed like the biological olfactory system .To identify the complicated odor is the important aspect of the application electronic nose. Based on the study of the theory and constituent of the electronic nose system， Back-Propagation Neural Network （BP） and Self-Organizing Feature Map （SOM）， the two kinds of neural network models application to the qualitative analysis in an electronic nose system are utilized in the paper. And the dates output from three gas sensors （CO，SO2，NO2） are emulated， analyzed and identified. The result shows that preciseness rate of the two recognitions reaches 100%. Through this emulation， the identify capacity of SOM is better than BP in entirety.

Key words： electronic nose；Back-Propagation Neural Network （BP）； Self-Organizing Feature Map （SOM）；MATLAB simulation

電子鼻是一種模仿生物嗅覺(jué)的綜合仿真系統(tǒng)，它可以用來(lái)辨別許多復(fù)雜的樣本，其中用于辨別和分析氣體化學(xué)成分的仿真系統(tǒng)應(yīng)用最為廣泛，而這種應(yīng)用中，對(duì)復(fù)雜混合氣體的分析判斷和定性識(shí)別是電子鼻技術(shù)應(yīng)用的重要方面。研制開發(fā)的一個(gè)用來(lái)監(jiān)測(cè)、識(shí)別和分析氣體的系統(tǒng)[1]，其主要目的是把幾種氣體傳感器通過(guò)微電子集成，形成一個(gè)多傳感器的仿真系統(tǒng)，通過(guò)這個(gè)傳感器系統(tǒng)，同時(shí)感應(yīng)多種氣體成分，達(dá)到檢測(cè)、識(shí)別和分析氣體的功能[2]。

近幾年來(lái)，隨著國(guó)內(nèi)外對(duì)電子鼻系統(tǒng)研究的深入，研究人員對(duì)電子鼻的識(shí)別算法研究也越來(lái)越多，越來(lái)越深入。如：針對(duì)普通BP網(wǎng)絡(luò)一些缺點(diǎn)，王平[3]等采用了具有側(cè)向聯(lián)想較強(qiáng)識(shí)別能力的SOM網(wǎng)絡(luò)，實(shí)現(xiàn)了七種特殊氣體的辨識(shí)分析，其平均識(shí)別正確率均為91%以上，達(dá)到甚至高于常人的識(shí)別能力。盡管如此，但由于SOM采用的是歐氏距離，樣本的相關(guān)性和整體性都較差，為此王平、謝軍[4]等提出了一種把RBF和FCMA結(jié)合起來(lái)的算法，該算法具有FCMA的性能好，速度快等優(yōu)點(diǎn)，而且樣本的相關(guān)性和樣本集的整體特性都很強(qiáng)。此外，肖人岳、鄭思平等 [5]針對(duì)SOM的網(wǎng)絡(luò)結(jié)構(gòu)中存在對(duì)新生成神經(jīng)元的限制和人工需預(yù)先給定神經(jīng)元閾值的這兩個(gè)缺點(diǎn)，提出了改進(jìn)的SOM算法。該算法不僅可以排除噪聲和異常數(shù)據(jù)，無(wú)需預(yù)設(shè)神經(jīng)元數(shù)目，解決了新生神經(jīng)元限制，而且可以實(shí)現(xiàn)自組織無(wú)監(jiān)督式學(xué)習(xí)。通過(guò)對(duì)人體細(xì)胞樣本特征集的分析，算法可以在剔除異常數(shù)據(jù)點(diǎn)的同時(shí)，較好的實(shí)現(xiàn)對(duì)良性細(xì)胞樣本和惡性細(xì)胞樣本的聚類。王巖，陳向東，趙靜[6]等人的基于FastICA和神經(jīng)網(wǎng)絡(luò)的模式識(shí)別研究更是將電子鼻識(shí)別氣體的準(zhǔn)確率再次提高。馮偉和胡上序采用的基于神經(jīng)網(wǎng)絡(luò)的雜交算法而進(jìn)行的3種化學(xué)品的實(shí)驗(yàn)識(shí)別證明，該方法的識(shí)別準(zhǔn)確率可以達(dá)到95%，是更好的模式分類方法。朱培逸、顧曉云[7]等人利用SOM網(wǎng)絡(luò)，對(duì)檢測(cè)不同儲(chǔ)存時(shí)長(zhǎng)的大閘蟹所得氣味數(shù)據(jù)進(jìn)行分析，將多維傳感器特征數(shù)據(jù)作為網(wǎng)絡(luò)輸入層節(jié)點(diǎn)，將樣本所對(duì)應(yīng)的不同儲(chǔ)存天數(shù)作為輸出層節(jié)點(diǎn)，其評(píng)價(jià)準(zhǔn)確率為95%，他們認(rèn)為SOM網(wǎng)絡(luò)模型能夠有效地評(píng)價(jià)大閘蟹新鮮度，該研究為電子鼻實(shí)現(xiàn)活體水產(chǎn)品新鮮度無(wú)損檢測(cè)提供了理論依據(jù)。

本文運(yùn)用誤差回傳神經(jīng)網(wǎng)絡(luò)（BP）和自組織特征映射網(wǎng)絡(luò)（SOM）神經(jīng)網(wǎng)絡(luò)進(jìn)行電子鼻系統(tǒng)的定性識(shí)別，對(duì)三種氣體傳感器（一氧化碳CO、二氧化硫SO2、二氧化氮NO2）輸出的數(shù)據(jù)進(jìn)行了仿真、分析和識(shí)別。

1電子鼻的結(jié)構(gòu)和工作原理

1.1 電子鼻的結(jié)構(gòu)

電子鼻由軟件部分和硬件部分組成，軟件部分由多個(gè)氣敏傳感器組成，硬件部分由信號(hào)處理子系統(tǒng)和模式識(shí)別子系統(tǒng)兩部分組成。

1.1.1 電子鼻硬件部分

氣敏傳感器是電子鼻檢測(cè)氣體的基本單元，電子鼻的氣體檢測(cè)部分采用交叉敏感同時(shí)具有選擇特異性的氣敏傳感器組成傳感器陣列，利用其對(duì)多種氣體的交叉敏感性和對(duì)某一特定氣體的特異性敏感特性，將不同的敏感物質(zhì)在傳感器表面的吸附脫落反應(yīng)轉(zhuǎn)化為便于后續(xù)處理分析的物理信號(hào)，實(shí)現(xiàn)混合氣體分析。

1.1.2 電子鼻軟件部分

1）信號(hào)處理子系統(tǒng)

信號(hào)處理子系統(tǒng)包括數(shù)據(jù)的預(yù)處理，特征提取和特征選擇。該子系統(tǒng)要對(duì)采集的樣本信息進(jìn)行濾波降噪處理消除冗余，然后按照響應(yīng)信號(hào)特點(diǎn)進(jìn)行適當(dāng)?shù)奶卣魈崛。稍紭颖緮?shù)據(jù)集。數(shù)據(jù)預(yù)處理包括中值濾波其數(shù)據(jù)的標(biāo)準(zhǔn)化，適當(dāng)?shù)牟捎脤?duì)數(shù)據(jù)的特征選擇與特征提取方法，則有利于提高計(jì)算效率、降低模式識(shí)別誤差。

2）模式識(shí)別子系統(tǒng)

模式識(shí)別是對(duì)輸入信號(hào)進(jìn)行一系列的仿真處理，通過(guò)辨別、分析，獲得樣本的組成信息。

1.2 電子鼻的工作原理

電子鼻的工作原理就是模擬哺乳動(dòng)物嗅覺(jué)系統(tǒng)對(duì)氣味進(jìn)行感知、處理和判斷。氣味分子被單個(gè)氣敏傳感器組成的傳感器陣列吸附，發(fā)生吸附脫落反應(yīng)而產(chǎn)生物理信號(hào)；生成的物理信號(hào)傳遞至信號(hào)處理單元進(jìn)行預(yù)處理和加工；并最后由模式識(shí)別單元對(duì)信號(hào)處理的結(jié)果作出判斷。

3 人工神經(jīng)網(wǎng)絡(luò)類型

本文提出了兩種結(jié)構(gòu)類型的人工神經(jīng)網(wǎng)絡(luò)用于電子鼻的定性識(shí)別，分別是誤差回傳網(wǎng)絡(luò)模型和自組織特征映射網(wǎng)絡(luò)模型。

3.1 誤差回傳網(wǎng)絡(luò)模型

BP網(wǎng)絡(luò)即誤差回傳神經(jīng)網(wǎng)絡(luò)（Back-Propagation Neural Network）， 神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一，它是一種無(wú)反饋的前向網(wǎng)絡(luò)，輸入樣本前向傳播并輸出結(jié)果、誤差的反向傳播更新網(wǎng)絡(luò)權(quán)值。網(wǎng)絡(luò)中的神經(jīng)元分層進(jìn)行排列，神經(jīng)元層可以分為輸入層、隱含層和輸出層。輸入樣本數(shù)據(jù)前向傳播的時(shí)候，傳播順序?yàn)椋河奢斎雽觽魅?，?jīng)隱含層處理后傳到輸出層，由于網(wǎng)絡(luò)中每一層的層內(nèi)神經(jīng)元并無(wú)連接，而是由各相鄰層之間的神經(jīng)元相連接， 使整個(gè)網(wǎng)絡(luò)的特性取決于網(wǎng)絡(luò)神經(jīng)元上的閾值以及相鄰層之間神經(jīng)元的連接權(quán)。

設(shè)BP網(wǎng)絡(luò)為三層網(wǎng)絡(luò)，輸入神經(jīng)元以i編號(hào)，隱蔽層神經(jīng)元以j編號(hào)，輸出層神經(jīng)元以k編號(hào)，如圖2：

3.2 自組織特征映射網(wǎng)絡(luò)模型

自組織特征映射網(wǎng)絡(luò)（Self-Organizing Feature Map，簡(jiǎn)稱SOM網(wǎng)絡(luò)）是一個(gè)全連接的、由神經(jīng)元陣列組成的，具有無(wú)教師自組織、自學(xué)習(xí)性能的網(wǎng)絡(luò)，只有輸入層和輸出層兩層。網(wǎng)絡(luò)的輸出神經(jīng)元之間在被激活的過(guò)程中相互競(jìng)爭(zhēng)，致使在每一時(shí)刻只有一個(gè)輸出神經(jīng)元，所以，該算法又被稱為勝者為王（winner-takes-all）算法。該算法的目標(biāo)就是用低維目標(biāo)空間的點(diǎn)去表示高維原始空間的點(diǎn)，使得這種表示盡可能地保留原始的距離或相關(guān)性。而且，如果從原始空間到目標(biāo)空間存在非線性映射結(jié)構(gòu)，該算法表現(xiàn)得非常出色 [8]。

3.2.1 SOM網(wǎng)絡(luò)結(jié)構(gòu)

3.2.2 SOM網(wǎng)絡(luò)模型

由以下4個(gè)部分組成

（1）神經(jīng)單元部分。接受輸入，并對(duì)輸入形成相應(yīng)的辨識(shí)函數(shù)值（輸出函數(shù)值）。

（2）比較辨識(shí)函數(shù)。用于比較辨識(shí)處理，并且選擇一個(gè)處理單元，此單元的輸出具有最大函數(shù)值。

（3）相互激勵(lì)作用。我們選擇刺激處理單元的同時(shí)，其相鄰的單元被同時(shí)給予刺激。

（4）自我過(guò)程調(diào)整。修正被激勵(lì)的處理單元的參數(shù)（即連接權(quán)值），以增加其相應(yīng)與特定輸入的辨識(shí)函數(shù)的輸出值。

網(wǎng)絡(luò)輸入假定設(shè)為X[∈Rn]，輸出神經(jīng)元[i]與輸入單元的連接權(quán)向量[wi∈Rn]，則輸出神經(jīng)元[i]的輸出[oi]為：

[oi] = [wiX]

設(shè)網(wǎng)絡(luò)具有響應(yīng)的輸出單元為[k]，則通過(guò)“贏者通吃”的法則，確定該神經(jīng)元，得到其輸出為：

[ok=maxioi]

4 算法仿真

在對(duì)參考文獻(xiàn)[9]中列舉的樣本數(shù)據(jù)進(jìn)行仿真處理時(shí)，采用了一氧化碳?xì)怏w傳感器、二氧化硫氣體傳感器、二氧化氮?dú)怏w傳感器這三種不同的氣體傳感器，分別對(duì)由三種氣體成分組成的混合氣體進(jìn)行辨別和分析，一共抓取30組數(shù)據(jù)，分別為15個(gè)訓(xùn)練樣本，15個(gè)樣本測(cè)試，然后采用Matlab語(yǔ)言對(duì)兩種人工神經(jīng)網(wǎng)絡(luò)進(jìn)行編程。

4.1 BP模型

先將其中一組數(shù)據(jù)作為實(shí)驗(yàn)采樣輸入神經(jīng)網(wǎng)絡(luò)，一氧化碳期望輸出為[1，0，0]、二氧化硫期望輸出為[0，1，0]、二氧化氮期望輸出為[0，0，1]，同時(shí)規(guī)定，當(dāng)期望誤差達(dá)到0.001時(shí)，固定網(wǎng)絡(luò)權(quán)值和節(jié)點(diǎn)閾值。然后再將另外一組數(shù)據(jù)輸入網(wǎng)絡(luò)，可以得到預(yù)測(cè)輸出。對(duì)于分類器規(guī)則，預(yù)測(cè)值>0.7視為1，預(yù)測(cè)值<0.3視為0，介于兩者之間視為預(yù)測(cè)無(wú)效。

輸入層的神經(jīng)元數(shù)等于氣體檢測(cè)傳感器的個(gè)數(shù)，確定當(dāng)隱含層的神經(jīng)元數(shù)為4時(shí)（如表1），其網(wǎng)絡(luò)誤差最小，而此時(shí)輸出的神經(jīng)元個(gè)數(shù)為3。

結(jié)果表明，在經(jīng)過(guò)24次訓(xùn)練后，隱含層神經(jīng)元為4的BP網(wǎng)絡(luò)誤差最小，而且只經(jīng)過(guò)24次訓(xùn)練就達(dá)到了目標(biāo)誤差。雖然隱含層神經(jīng)元為7的誤差也比較小，但是它的訓(xùn)練步數(shù)比隱含層神經(jīng)元為4的訓(xùn)練步數(shù)多，所以這里將神經(jīng)元數(shù)目設(shè)定為4。

網(wǎng)絡(luò)的結(jié)構(gòu)為3：4：3。網(wǎng)絡(luò)的初始值和節(jié)點(diǎn)閾值固定不變。誤差指標(biāo)設(shè)定為0.001，訓(xùn)練步數(shù)最大值為1000。根據(jù)Matlab程序，可知經(jīng)過(guò)18次訓(xùn)練后，網(wǎng)絡(luò)目標(biāo)就達(dá)到了要求。其訓(xùn)練結(jié)果如圖4。

由此可見(jiàn)，當(dāng)誤差指標(biāo)取0.001時(shí)，BP網(wǎng)絡(luò)模型訓(xùn)練步數(shù)是18，氣體識(shí)別準(zhǔn)確率為100%。

4.2 SOM模型

首先利用三個(gè)傳感器輸出響應(yīng)作為神經(jīng)網(wǎng)絡(luò)的輸入，三個(gè)氣體傳感器作為神經(jīng)網(wǎng)絡(luò)的輸出，構(gòu)建SOM模型。每一個(gè)樣本用3個(gè)傳感器輸出響應(yīng)表示其性狀，確定網(wǎng)絡(luò)的輸入模式為：

[Pk=Pk1，Pk2，Pk3]

利用函數(shù)newsom創(chuàng)建一個(gè)SOM網(wǎng)絡(luò)。其中，p為輸入向量，minmax（p）指定了輸入向量元素的最大值和最小值，[5 6]表示創(chuàng)建網(wǎng)絡(luò)的競(jìng)爭(zhēng)層為5*6的結(jié)構(gòu)，并且網(wǎng)絡(luò)結(jié)構(gòu)可調(diào)。

然后利用函數(shù)train對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)的仿真則通過(guò)函數(shù)sim實(shí)現(xiàn)。由于網(wǎng)絡(luò)的聚類性能與算法訓(xùn)練步數(shù)選取息息相關(guān)。這里設(shè)置訓(xùn)練步數(shù)為1、2、3、4、5、6，分別觀察其聚類結(jié)果。其運(yùn)行結(jié)果如表3。

根據(jù)結(jié)果可以看出：在步數(shù)6之前，氣體識(shí)別都有一定的誤差。當(dāng)步數(shù)為6時(shí)，氣體分類準(zhǔn)確率為100%。SOM算法的訓(xùn)練時(shí)間較短，步數(shù)較少，能準(zhǔn)確地識(shí)別氣體。

從結(jié)果中可以看到，BP模型學(xué)習(xí)時(shí)間長(zhǎng)，訓(xùn)練步數(shù)多，而SOM模型的學(xué)習(xí)時(shí)間較短，而且其訓(xùn)練步數(shù)要明顯少于BP模型。在該仿真中，自組織特征映射網(wǎng)絡(luò)（SOM）算法的識(shí)別能力在整體上要優(yōu)于誤差回傳神經(jīng)網(wǎng)絡(luò)（BP）算法。

BP算法網(wǎng)絡(luò)具有一定的容錯(cuò)能力，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)簡(jiǎn)單、加速訓(xùn)練過(guò)程，增加網(wǎng)絡(luò)在模式識(shí)別應(yīng)用中的推廣能力。而且，識(shí)別精度較高，滿足了實(shí)際應(yīng)用需要的要求。但是BP算法仍存在一些不足之處：

1）由于它是一種非線性運(yùn)算，對(duì)初始網(wǎng)絡(luò)非常敏感，權(quán)值收斂到局部極小點(diǎn)，從而導(dǎo)致網(wǎng)絡(luò)訓(xùn)練失敗，得不到最優(yōu)解[10]；

2）算法的收斂速度較慢，常需要數(shù)千步運(yùn)算[11]；

3）選擇神經(jīng)網(wǎng)絡(luò)隱含層包含的結(jié)點(diǎn)個(gè)數(shù)尚無(wú)理論基礎(chǔ)，而是依據(jù)經(jīng)驗(yàn)公式選取[12]；

4）網(wǎng)絡(luò)在學(xué)習(xí)新樣本時(shí)，存在遺忘部分已學(xué)習(xí)樣本的缺陷，并要求每個(gè)樣本特征的數(shù)目劃分一致[13]；

5）BP算法中兩個(gè)重要系數(shù)（學(xué)習(xí)率[η]和動(dòng)量系數(shù)[α]）全憑經(jīng)驗(yàn)給定[14]。

SOM神經(jīng)網(wǎng)絡(luò)具有拓?fù)浔３趾透怕史植急３值膬?yōu)良特性，具有無(wú)監(jiān)督自學(xué)習(xí)，非線性問(wèn)題求解能力強(qiáng)，診斷結(jié)果簡(jiǎn)單、直觀的特點(diǎn)。而且SOM網(wǎng)絡(luò)能夠處理不精確、不完全的模糊信息：同時(shí)能夠并行分布工作。網(wǎng)絡(luò)總體的運(yùn)算速度極快。SOM網(wǎng)絡(luò)還可以增加指標(biāo)權(quán)重判定的客觀性，并可以減少由不同操作者對(duì)權(quán)重賦值的不確定性。在SOM網(wǎng)絡(luò)中，輸入初始數(shù)據(jù)矩陣和預(yù)設(shè)的函數(shù)，經(jīng)過(guò)網(wǎng)絡(luò)自身的訓(xùn)練和學(xué)習(xí)，不需要任何外界作用，就能得到最終的聚類結(jié)果。自組織映射對(duì)存儲(chǔ)容量要求不高。但在越來(lái)越多的實(shí)踐研究發(fā)現(xiàn)，SOM中預(yù)設(shè)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)包含對(duì)結(jié)果應(yīng)設(shè)的限制，通常只有在訓(xùn)練結(jié)束之后才發(fā)現(xiàn)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的差異將導(dǎo)致聚類結(jié)果的差異；SOM中的預(yù)設(shè)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)帶來(lái)了神經(jīng)元欠利用、網(wǎng)絡(luò)映射欠準(zhǔn)確以及邊緣效應(yīng)等缺陷；大多數(shù)情況下，并沒(méi)有先驗(yàn)理論基礎(chǔ)能讓我們預(yù)先去選擇一個(gè)合適的網(wǎng)絡(luò)規(guī)模，所以這些因素嚴(yán)重地影響了SOM的應(yīng)用。

5 結(jié)論

本文采用BP和SOM神經(jīng)網(wǎng)絡(luò)對(duì)電子鼻進(jìn)行了CO、SO2、NO2三種氣體識(shí)別的仿真實(shí)驗(yàn)，仿真結(jié)果表明這兩種方法均可以有效地對(duì)氣體進(jìn)行定性識(shí)別，且SOM算法的識(shí)別能力在整體上要優(yōu)于BP算法。

參考文獻(xiàn)：

[1] 蔣雪松， 胡立挺， 陳卉卉，等. 食品中農(nóng)藥殘留的電子鼻檢測(cè)識(shí)別研究[J]. 南方農(nóng)機(jī)， 2016（12）：22-24.

[2] Baietto M， Wilson A D. Electronic-nose applications for fruit identification， ripeness and quality grading[J]. Sensors， 2015， 15（1）：899-931.

[3] 王平，陳裕泉，吳堅(jiān)，等.人工嗅覺(jué)—電子鼻的研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，1996，15（4）：346-353.

[4] Wang Ping， Xie Jun. A novel recognition method for electronic nose using artificial neural network and fuzzy recognition [J].Sensors and Actuators， 1996，B37：169-174.

[5] 鄭思平. 一種改進(jìn)的動(dòng)態(tài)SOM算法及其在聚類中的應(yīng)用[D].華南理工大學(xué)， 2010.

[6] 王巖，陳向東，趙靜.基于Fast ICA和神經(jīng)網(wǎng)絡(luò)的電子鼻模式識(shí)別[J].傳感技術(shù)學(xué)報(bào)，2007，20（1）：38-41.

[7] 朱培逸， 顧曉云， 杜潔，等. 基于KPCA和SOM網(wǎng)絡(luò)的電子鼻大閘蟹新鮮度評(píng)價(jià)[J]. 食品工業(yè)， 2017（2）：200-203.

[8] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與matlab 7實(shí)現(xiàn)[M] .北京：電子工業(yè)出版社，2005.

[9] 王瑋.基于氣體傳感器陣列的混合氣體檢測(cè)系統(tǒng)[D].西北工業(yè)大學(xué)碩士學(xué)位論文，2002，3.

[10] 張航. 基于硬件實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的電子鼻設(shè)計(jì)[D]. 西南交通大學(xué)， 2015.

[11] 張虹艷， 丁武. 基于Fisher線性判別和BP神經(jīng)網(wǎng)絡(luò)的電子鼻羊奶貯藏時(shí)間預(yù)測(cè)[J]. 中國(guó)食品學(xué)報(bào)， 2012， 12（6）：166-173.

[12] Zhang H， Chang M， Wang J， et al. Evaluation of peach quality indices using an electronic nose by MLR， QPST and BP network[J]. Sensors & Actuators B Chemical， 2008， 134（1）：332-338.

[13] Yu H， Peng P， Yin Y， et al. Coupled Electronic Nose and BP Neural Network to Study on the Predicting Model of Zearalenone and Aflatoxin B1[J]. Journal of the Chinese Cereals & Oils Association， 2017， 32（5）：117-121.

[14] 韋彩虹. 基于電子鼻系統(tǒng)的混合氣體的定性分析和定量估計(jì)[D]. 浙江大學(xué)， 2012.

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

[16] Barbria N E，Llobet E. Application of a portable electronic nose system to assess the freshness of Moroccan sardines [J]. Materials Science and Engineering C，2008 （28）：666-670.

[17] 韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006.

[18] 吳春生， 王麗江， 劉清君. 嗅覺(jué)傳導(dǎo)機(jī)理及仿生嗅覺(jué)傳感器的研究進(jìn)展[J]. 科學(xué)通報(bào)， 2007， 52（12）： 1362—1371.