一种对混合气体高鲁棒性识别的聚类算法

1.本发明涉及阵列信号处理技术领域，尤其涉及一种基于气体传感器阵列对混合气体的高鲁棒性识别方法。


背景技术：

2.基于气体传感器阵列并采用模式识别算法对阵列信号进行识别被称为电子鼻，电子鼻被广泛的用于多种领域中复杂的气体环境检测中。电子鼻工作原理是基于传感器阵列对不同气体产生不同的响应模式，然后通过模式识别算法达到对气体识别的目的。其中气体传感器阵列普遍采用的是基于金属氧化物的传感器。
3.现有用于电子鼻中的模式识别算法主要分为神经网络和主成分分析(pca)。神经网络是一种监督学习算法，需要大量先验数据训练神经网络参数。在实际应用中，由于应用环境的气体成份复杂，很难预先取得大量数据。此外，这种预先训练好的神经网络，在实际应用时由于神经网络对噪声环境下训练不足，遇到较大气体噪声干扰时神经网络的模式识别往往会失效。主成分分析方法虽然是一种非监督聚类算法，但主要是基于数据间的欧式距离，聚类的置信区间随数据量大小有很大变化，并且抗噪性能差，对于混合气体无法识别。综上所述，现行电子鼻算法主要问题在于1.需要大量数据进行训练，2.对混合气体识别下抗噪性能差。因此亟需一种算法，可以在无监督情况下对混合气体中的目标气体成分进行高鲁棒性识别和分类。


技术实现要素：

4.为了解决上述现有技术中存在的问题，本发明提供一种对混合气体高鲁棒性识别的聚类算法，该聚类算法为简便的非监督式计算方法，可在具有较大噪声干扰情况下，对混合气体中目标成份进行识别。
5.技术方案如下：
6.一种对混合气体高鲁棒性识别的聚类算法，步骤如下：
7.s1、基于金属氧化物气体传感器阵列测试多种目标气体的响应阵列ri(r
i1
,r
i2
,r
i3
,
………rin
)，其中ri为各传感器的响应，n为传感器数量，i为目标气体种类；
8.当采用n型气体传感器时，传感器响应计算公式为ri＝ra/rg；当采用p型传感器时，ri＝rg/ra；
9.其中ra为传感器在空气中的电阻值，rg为传感器在目标气体中的电阻值，并计算多种目标气体的响应阵列ri的方差var(ri)；
10.s2、对任何含有目标气体成份的混合气体，通过气体传感器阵列测试得到一组响应阵列rj(r
j1
，r
j2
,r
j3
,
………rjn
)，其中j为混合气体的种类，计算该组响应阵列的方差var(rj)；
11.s3、分别计算多种目标气体响应ri和混合气体响应rj之间的协方差cov(ri,rj)，并
计算目标气体响应和混合气体响应之间的相关系数计算得到的相关系数数值在(0，1)之间；
12.s4、比较混合气体响应与不同目标气体响应之间的相关系数，将测试的混合气体归类为取得了最大相关系数的目标气体，即测试气体响应模式与该目标气体响应模式最相似，所以混合气体中的主要成份为该目标气体；
13.进一步的，还包括如下步骤：
14.s5、当有新的混合气体测试数据，重复步骤s2-s4，完成气体的分类。
15.本发明的有益效果是：
16.本发明所述的对混合气体高鲁棒性识别的聚类算法具有以下有益效果：
17.1.与现有算法相比，本发明中的算法简洁明了，所要求计算量小，易于在便携式，单片机上部署和应用。
18.2.本发明中所述算法可以在混合有干扰气体成份中识别主要目标气体，具有较强的抗噪性能。
19.3.本发明中的算法属于无监督的聚类算法，无需大量数据进行训练，因此该算法可以在线实时运行。
附图说明
20.为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
21.图1为本发明算法与其它多种算法对混合气体的识别准确率比较示意图；
22.图2为传感器阵列对不同气体的响应模式图；
23.图3为气体传感器阵列对具有噪声干扰混合气体在0到140ppm 浓度范围的气敏响应结果示意图。
具体实施方式
24.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。下面结合附图1-3对聚类算法做进一步说明。
25.(1)采用5种金属氧化物传感器组成阵列，对四种目标气体(甲醛，乙醇，丙酮，甲苯)分别测试得到响应阵列ri(r
i1
,r
i2
,r
i3
,r
i4
,r
i5
)， i＝4。计算四种目标气体的响应阵列ri方差var(ri)。
26.图2为传感器阵列对不同气体的响应模式图，其中(a)为乙醇， (b)为丙酮，(c)为甲醛，(d)为甲苯。
27.(2)对含有目标气体成份的混合气体，通过气体传感器阵列测试将得到一组响应阵列rj(r
j1
，r
j2
,r
j3
,
………rjn
)，j为混合气体的种类，计算该组响应阵列的方差var(rj)。
28.图3为气体传感器阵列对具有噪声干扰混合气体在0到140ppm浓度范围的气敏响
应结果示意图；，目标气体分别为(a)乙醇,(b) 丙酮,(c)甲醛,和(d)甲苯，在(a)，(b)，(c)，和(d)所示混合气体中所对应的干扰气体分布示意图分别为(e)，(f)，(g)和(h)。
29.(3)分别计算多种目标气体响应ri和混合气体响应rj之间的协方差cov(ri,rj)，并计算目标气体响应和混合气体响应之间的相关系数计算得到的相关系数数值在(0，1)之间。
30.(4)比较混合气体响应与不同目标气体响应之间的相关系数ρ大小，将测试的混合气体归类为取得了最大相关系数的目标气体，即测试气体响应模式与该目标气体响应模式最相似，所以混合气体中的主要成份为该目标气体。比如一组混合气体与四种目标气体响应模式计算分别得到相关系数为(0.72,0.95,0.87,0.65)，因此该混合气体可以归类为第二种气体。
31.(5)共有1024组混合气体测试数据，重复步骤2-4，完成气体的分类判断，所得结果为图1所示。其中correlation coefficient 为本发明所提出的基于相关系数比较算法，ann为人工神经网络算法， dbscan为基于密度的聚类算法，hierarchical clustering为分层聚类算法，k-means为聚类算法，em为期望最大化聚类算法，这些比较算法均进行优化和本发明所提出的相关系数聚类算法在识别准确率上进行比较。
32.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。