摘要：該文設(shè)計(jì)了一種基于格拉姆角和場(chǎng)的傳感器信號(hào)轉(zhuǎn)圖方法，并提出了一種基于AlexNet的卷積神經(jīng)網(wǎng)絡(luò)模塊化結(jié)構(gòu)搜索方法（block-GS）。實(shí)驗(yàn)結(jié)果表明，block-GS方法能夠搜索到性能優(yōu)秀的網(wǎng)絡(luò)結(jié)構(gòu)，在兩個(gè)氣體數(shù)據(jù)集上的分類準(zhǔn)確率分別達(dá)到92.11%和93.33%，比普通網(wǎng)格搜索提高了近5%。此方法有望成為電子鼻模式識(shí)別算法設(shè)計(jì)的有效解決途徑之一。

關(guān)鍵詞：電子鼻；格拉姆角和場(chǎng)；卷積神經(jīng)網(wǎng)絡(luò)；網(wǎng)格搜索；氣體分類算法

doi：10.3969/J.ISSN.1672-7274.2024.10.003

中圖分類號(hào)：TP 183 文獻(xiàn)標(biāo)志碼：A 文章編碼：1672-7274（2024）10-000-03

Efficient Electronic Nose Based on Convolutional Neural Network Modular Search Multi Gas Classification Algorithm

Abstract： This paper designs a sensor signal mapping method based on Gram angle and field， and proposes a convolutional neural network modular structure search method （block GS） based on AlexNet. The experimental results show that the block GS method can search for high-performance network structures， with classification accuracies of 92.11% and 93.33% on two gas datasets， respectively， which is nearly 5% higher than ordinary grid search. This method is expected to become one of the effective solutions for the design of electronic nose pattern recognition algorithms.

Keywords： electronic nose; graham point and field; convolutional neural network; grid search; gas classification algorithm

0 引言

電子鼻作為一種氣體傳感的無(wú)損檢測(cè)方法，在工業(yè)、農(nóng)業(yè)和醫(yī)學(xué)等諸多領(lǐng)域有著廣泛的應(yīng)用[1]，其氣體傳感的效果與其使用的模式識(shí)別算法息息相關(guān)。深度學(xué)習(xí)以其強(qiáng)大的識(shí)別效果在電子鼻中展現(xiàn)出巨大應(yīng)用潛力，但深度學(xué)習(xí)模型網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜且參數(shù)量大，結(jié)構(gòu)設(shè)計(jì)十分復(fù)雜。網(wǎng)格搜索（Grid Search，GS）是一種常用的參數(shù)組合優(yōu)化方法，在深度網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化中得到了廣泛應(yīng)用[2]。但其多是對(duì)網(wǎng)絡(luò)結(jié)構(gòu)中的超參數(shù)進(jìn)行優(yōu)化，不涉及網(wǎng)絡(luò)的骨架設(shè)計(jì)，優(yōu)化效果受到較大限制。

本文設(shè)計(jì)了一種基于分塊的block-GS，將網(wǎng)格化的思想擴(kuò)展到CNN的骨架設(shè)計(jì)，大大提高了算法的性能。

1 數(shù)據(jù)處理與轉(zhuǎn)換方法

1.1 數(shù)據(jù)集

（1）Gas sensor array exposed to turbulent gas mixtures[3]。測(cè)試氣體共有5種：乙烯、一氧化碳、甲烷及它們的兩兩混合物。

（2）Gas sensor arrays in open sampling settings[4]。測(cè)試氣體共有10種：丙酮、乙醛、氨氣、丁醇、乙烯、甲烷、甲醇、一氧化碳、苯和甲苯。本研究中選取了較為完整的8組數(shù)據(jù)。

1.2 數(shù)據(jù)處理方法

為了將CNN在圖像處理上的優(yōu)勢(shì)遷移到電子鼻氣體傳感應(yīng)用中，本文引入了格拉姆角和場(chǎng)（Gramian Angular Summation Field，GASF）作為數(shù)據(jù)二維圖片化的方法[5]，并將其在單通道一維數(shù)據(jù)上的處理擴(kuò)展到多通道氣體傳感數(shù)據(jù)上。

基于電子鼻的數(shù)據(jù)測(cè)試包含多個(gè)通道的響應(yīng)，而基于GASF的數(shù)據(jù)轉(zhuǎn)換在原理上是針對(duì)單通道數(shù)據(jù)的分析方法，因此首先對(duì)傳感數(shù)據(jù)進(jìn)行了如圖1的拼接。氣體傳感器的響應(yīng)段數(shù)據(jù)包含了較多氣體特征，而恢復(fù)段數(shù)據(jù)則與恢復(fù)氣體流量等有更緊密的關(guān)系，因此選擇傳感器的響應(yīng)階段數(shù)據(jù)作為特征數(shù)據(jù)段。

對(duì)于拼接后序列通過(guò)式（1）進(jìn)行歸一化。

通過(guò)式（2）將歸一化后的數(shù)據(jù)轉(zhuǎn)換為極坐標(biāo)表示，用響應(yīng)值的大小表示極坐標(biāo)的角度，把對(duì)應(yīng)的時(shí)間戳作為極坐標(biāo)半徑。

式中，φ是由歸一化數(shù)據(jù)計(jì)算出的角度值；ti是時(shí)間戳的大??；N是整個(gè)時(shí)間序列的長(zhǎng)度。利用式（3）的計(jì)算規(guī)則對(duì)極坐標(biāo)轉(zhuǎn)換后的數(shù)據(jù)進(jìn)行編碼并映射為圖像。

GASF可以保留傳感器響應(yīng)值大小與時(shí)間的相關(guān)性，同時(shí)通過(guò)將多個(gè)傳感器的信號(hào)編碼成一張二維圖片，卷積時(shí)可以同時(shí)提取多個(gè)不同通道，實(shí)現(xiàn)傳感器相互關(guān)系的特征捕捉[6]。如圖2所示。

2 基于block的CNN網(wǎng)格搜索方法

2.1 經(jīng)典網(wǎng)絡(luò)層級(jí)分析

研究中對(duì)LeNet-5[7]、AlexNet[8]和VGG16[9]三種經(jīng)典CNN進(jìn)行了對(duì)比和測(cè)試。表1是三種網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)對(duì)比。

將兩個(gè)數(shù)據(jù)集在三種經(jīng)典CNN上進(jìn)行了測(cè)試并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析，圖片的輸入尺寸設(shè)置為128′128′1。在訓(xùn)練過(guò)程中將數(shù)據(jù)集隨機(jī)打亂并按7∶3的比例劃分為訓(xùn)練集和測(cè)試集，測(cè)試集不參與模型訓(xùn)練過(guò)程。實(shí)驗(yàn)結(jié)果如表2所示。

不同結(jié)構(gòu)的CNN在相同分類任務(wù)上表現(xiàn)差異巨大，LeNet-5的模型結(jié)構(gòu)簡(jiǎn)單，無(wú)法充分?jǐn)M合數(shù)據(jù)集，分類效果較差。VGG16和AlexNet分類效果相近，但前者參數(shù)量大，可能導(dǎo)致資源浪費(fèi)和部署困難。

2.2 網(wǎng)格搜索方法

網(wǎng)格搜索（GS）在神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化中應(yīng)用廣泛，具有簡(jiǎn)單易懂、易于實(shí)現(xiàn)和在一定范圍內(nèi)可以保證找到全局最優(yōu)解的優(yōu)勢(shì)。但目前常見(jiàn)的GS方法多是基于一個(gè)確定的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)其中的超參數(shù)進(jìn)行搜索和優(yōu)化，對(duì)于網(wǎng)絡(luò)框架結(jié)構(gòu)的設(shè)計(jì)涉及較少。

2.3 基于block和AlexNet的搜索方法設(shè)計(jì)

（1）分塊。卷積操作可以捕獲圖像中的特征，然后通過(guò)池化操作降低特征圖的維度，提取并保留重要的信息，同時(shí)降低計(jì)算復(fù)雜度，從而建立有效的特征提取和信息處理流程，使得網(wǎng)絡(luò)能夠更好地理解和處理輸入數(shù)據(jù)。據(jù)此，對(duì)AlexNet中的層級(jí)結(jié)構(gòu)做了如圖3的劃分。

（2）架構(gòu)。在網(wǎng)格搜索的過(guò)程中，將block的數(shù)量作為可搜索的參數(shù)組合加入后，可以實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)整體框架的設(shè)計(jì)，為了降低搜索時(shí)間，相同block的最大數(shù)量限定為兩個(gè)，通過(guò)這種設(shè)計(jì)方法可獲取的框架類型如圖4所示。

3 實(shí)驗(yàn)驗(yàn)證與分析

實(shí)驗(yàn)所使用的參數(shù)設(shè)置如表3所示。

本輪實(shí)驗(yàn)在單個(gè)數(shù)據(jù)集上基于圖4所示的14種網(wǎng)絡(luò)框架對(duì)1134個(gè)參數(shù)組合進(jìn)行了搜索和效果測(cè)試，結(jié)果如表4所示。數(shù)據(jù)集1上的最優(yōu)分類準(zhǔn)確率達(dá)到92.11%，在3個(gè)block和4個(gè)block堆疊情況下均可達(dá)到。數(shù)據(jù)集2的最優(yōu)分類結(jié)果出現(xiàn)在4個(gè)block堆疊的架構(gòu)下，準(zhǔn)確率達(dá)到93.33%。

表5所示為兩種方法在最優(yōu)網(wǎng)絡(luò)分類準(zhǔn)確率上的對(duì)比，block-GS方法可以尋找到準(zhǔn)確率更高的網(wǎng)絡(luò)結(jié)構(gòu)，說(shuō)明優(yōu)化后的算法可以探索到具有更優(yōu)解的搜索空間，具有一定的優(yōu)越性。同時(shí)，由于模塊化的搜索方法包含了對(duì)網(wǎng)絡(luò)框架結(jié)構(gòu)的設(shè)計(jì)，因此在一定程度上規(guī)避了需要先提出網(wǎng)絡(luò)骨架，在優(yōu)化參數(shù)的傳統(tǒng)過(guò)程中對(duì)網(wǎng)絡(luò)設(shè)計(jì)經(jīng)驗(yàn)的要求，具有更強(qiáng)的可實(shí)施性。

4 結(jié)束語(yǔ)

本文使用了一種基于GASF的氣體傳感數(shù)據(jù)二維化方法，并提出了一種基于block的網(wǎng)格搜索方法（block-GS）用于CNN結(jié)構(gòu)設(shè)計(jì)，有效提高了電子鼻的分類準(zhǔn)確率。block-GS在測(cè)試數(shù)據(jù)集上搜索到的最優(yōu)網(wǎng)絡(luò)的分類準(zhǔn)確率分別達(dá)到92.11%和93.33%，比AlexNet高出9.65%和4.79%，比模塊化前的最佳模型準(zhǔn)確率提升了近5%。本文為電子鼻多氣體識(shí)別的CNN設(shè)計(jì)提供了一種新方法，以其更好的搜索效果和對(duì)操作者專業(yè)知識(shí)更低的使用要求展現(xiàn)出廣闊的應(yīng)用前景。

參考文獻(xiàn)

[1] 李晶晶，胡穎菲，丁曉，等．近五年電子鼻技術(shù)在食品安全的應(yīng)用進(jìn)展[J]．中國(guó)食品衛(wèi)生雜志，2023，35（5）：789-794．

[2] 陳祎，蒲彬，張曉麗，等．基于網(wǎng)格搜索的被動(dòng)單站旋轉(zhuǎn)定位算法[J]．制導(dǎo)與引信，2023，44（2）：1-5，19．

[3] FONOLLOSA J， RODRíGUEZ-LUJáN I， TRINCAVELLI M， et al. Data set from chemical sensor array exposed to turbulent gas mixtures[J]. Data in brief， 2015（3）： 216–220.https：//www.sciencedirect.com/science/article/pii/S2352340915000335

[4] FONOLLOSA J， RODRíGUEZ-LUJáN I， TRINCAVELLI M， et al. Dataset from chemical gas sensor array in turbulent wind tunnel[J]. Data in Brief， 2015（3）： 169–174.https：//www.sciencedirect.com/science/article/pii/S2352340915000256

[5] 張淑清，杜靈韻，王冊(cè)浩，等．基于格拉姆角場(chǎng)與改進(jìn)CNN-ResNet的風(fēng)電功率預(yù)測(cè)方法[J]．電網(wǎng)技術(shù)，2023，47（4）：1540-1548．

[6] 鄒倩倩，楊瑞峰，郭晨霞．一種基于二維卷積神經(jīng)網(wǎng)絡(luò)的舵機(jī)故障檢測(cè)方法[J]．航天控制，2022，40（6）：80-85．

[7] 劉林密，崔偉成，李浩然，等．基于卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[J]．計(jì)算機(jī)測(cè)量與控制，2023，31（9）：9-15．

[8] 林偉，仲偉波，袁毓，等．基于改進(jìn)AlexNet與CUDA的大豆快速三分類方法[J]．計(jì)算機(jī)與數(shù)字工程，2023，51（12）：2997-3003．

[9] 胡駿，陸興華，林檉莼，等．改進(jìn)的VGG16在水稻稻瘟病圖像識(shí)別中的應(yīng)用[J]．計(jì)算機(jī)應(yīng)用，2023，43（S2）：196-200．