1994年Gardner發表了關于多氣體傳感器陣列檢測的論文，首次提出了“電子鼻”的概念[1]，標志著該技術進入到成熟、發展階段。電子鼻技術將傳感器技術、電子技術、信號處理和計算機技術融合在一起[2]，克服了傳統的單一氣體傳感器在檢測中存在的交叉敏感、檢測精度及可靠性低等缺點，能夠對混合氣體中各氣體成分進行定性或定量分析，它在汽車、航空航天、農業、化學分析、消防、環保、化工控制、質量控制、安全等領域具有廣泛的應用前景。電子鼻的研究與應用逐步成為國內外研究的熱點問題，但距離工程實用化仍有很長的距離[3-6]。
　越來越多的場合需要對混合氣體的成分和濃度進行準確檢測。但是目前單個傳感器對不同氣體敏感響應有所不同，不具備自動識別氣體種類和數量的能力。因此，利用多個氣體傳感器組合，構成傳感器陣列，結合模式識別技術組成電子鼻系統來進行氣體的定性、定量分析，可以大大提高對混合氣體的識別能力。
    BP神經網絡是目前電子鼻系統中廣泛采用的一種技術。BP神經網絡的應用在一定程度上提高了氣體識別精度。但是，由于混合氣體網絡學習樣本的復雜性導致單一的BP神經網絡[7-8]或徑向基函數(RBF)神經網絡[9-10]分析方法在處理復雜樣本時，學習精度較差，難以滿足識別精度要求[11-14]。因此為了提高精度，必須研究新型的網絡結構，提高網絡對于復雜樣本的學習能力，使它具有理想的精度和泛化能力等。本文由此提出了基于Gabor原子神經網絡的電子鼻系統，具有識別能力強、工作特性好等優點，因而具有重要的工程應用價值。
1 Gabor原子神經網絡原理
　Gabor原子神經網絡就是將Gabor原子變換與BP神經網絡相結合，將Gabor原子變換運用到網絡的輸入層完成對特征的提取，神經網絡的其他部分則用于特征的選擇與分析。Gabor原子網絡結構如圖1所示，整個網絡共分兩個部分，下部分為特征提取層，上部分為分析層。圖中的圓圈表示網絡節點，節點內的符號表示該節點的輸出，節點右下角的圖形表示該節點激勵函數的示意圖，即在特征提取層采用絕對值函數，在分類層采用Sigmoid函數。圖中與各個節點相連的線段表示加權連接，實線表示數量乘積，虛線表示向量乘積，線段旁邊的符號表示連接權值。   
    如圖1所示 ，輸入層為特征抽取部分，而隱層和輸出層組成信號分析部分。所使用的學習算法為誤差反傳(BP)算法。
2 基于Gabor原子神經網絡的電子鼻系統
    基于Gabor原子神經網絡的電子鼻系統原理圖如圖2所示。采用靜態配氣法配置不同濃度的混合氣體，通過氣體傳感器陣列獲得氣敏陣列輸出組。將這些輸出作為Gabor原子神經網絡的輸入，對應的混合氣體各組分濃度作為該神經網絡的輸出，構建網絡的學習樣本集，并對網絡進行訓練，直至網絡的輸出誤差達到精度，這時網絡各連接權上存儲了從傳感器陣列信號到氣體濃度的映射關系，它近似于傳感過程的逆映射，可用于識別陣列的未知模式。

    如圖2所示，假設混合氣體中包含m種氣體，相應的每種氣體的濃度為s1，s2，…，sm。傳感器陣列中每種氣體傳感器的輸出為x1，x2，…，xj。由于氣體傳感器除對特定氣體具有較強敏感度以外，對其他的氣體也存在不同程度的敏感性，即“交叉敏感”。因此，氣體傳感器陣列的輸出可表示為：

3 實驗結果及分析
    本文以混合氣體H2、CO和CH4為實驗對象。傳感器陣列選取SnO2型半導體氣體傳感器，由TGS系列的TGS825、TGS813、TGS2611和MQ系列的MQ136、MQ-7、MQ-4 6個傳感器來組成陣列元素。這6個氣體傳感器分別對這三種氣體具有不同的靈敏度。根據這6個氣體傳感器對三種氣體的敏感特性曲線，配制好如下體積分數范圍的混合氣體。每種氣體的體積分數范圍分別為：CH4：100~500 ppm；CO：10~100 ppm；H2：10~100 ppm,模擬給出訓練樣本集G(0)，共包括1 800個學習樣本。
    在本文中應用了6個氣體傳感器來對混合氣體進行檢測，而應用單一的BP神經網絡時，輸入特征向量的維數決定網絡的輸入節點的個數，因此輸入層節點數為6。而應用Gabor原子神經網絡時，Gabor原子變換的強特征提取功能使得Gabor原子神經網絡輸入層Gabor原子個數理論上應該小于輸入信號的維數。經過反復的實驗，最終得出結論，當輸入層原子個數為4時，Gabor原子神經網絡較為理想。因此可以看出在BP神經網絡分析之前對輸入特征向量進行Gabor原子變換，可以簡化BP神經網絡輸入層節點個數。
　 而Gabor原子神經網絡的輸出層節點個數由其檢測的氣體種類確定,在本文中對3種混合氣體進行檢測，因此Gabor原子神經網絡輸出層節點個數為3個。
　隱層節點個數的確定首先根據式(6)所示的經驗公式大致算出隱層節點個數的取值范圍。
  
式(6)中Q為Gabor原子的個數，M為輸出節點個數,α為1~10之間的常數。再根據相關實驗結果改變隱層節點個數，比較網絡收斂速度，觀測誤差情況。最終得出，當隱層節點個數為9時，精度最高。因此，Gabor原子神經網絡隱層節點個數為9個。
    應用訓練樣本訓練整個網絡，并在剩余的數據中隨機挑選5組作為測試樣本驗證網絡的學習效果，最終得出實驗結果。表1為普通單一BP神經網絡的定量分析結果,表2為采用Gabor原子神經網絡定量分析的結果。

    從表2中可以得到，各種氣體的測量絕對誤差不超過7 ppm，CH4的平均相對誤差為1.7%，CO的平均相對誤差為3.7%，H2的平均相對誤差為4.1%。圖3給出了網絡的誤差收斂曲線圖，其中圖3(a)為采用單一BP神經網絡學習誤差收斂曲線，而圖3(b)為采用Gabor原子神經網絡學習誤差收斂曲線。通過比較可以很明顯地看出，單一的BP神經網絡在收斂速度上遠低于雙層復合神經網絡，從而導致單一的BP神經網絡的測試結果準確度較低，而改進后的Gabor原子神經網絡的分析精度有了很大的提高，可以較準確地分析出混合氣體中不同氣體的濃度值。

    本文提出了應用Gabor原子神經網絡的電子鼻系統對混合氣體定量分析的方法，大大提高了分析精度。Gabor原子神經網絡的學習速度和收斂速度均優于傳統的單一BP網絡，能夠實現對復雜學習任務的分解，具有很好的應用前景。
參考文獻
[1] GARDNER J W, BARTLETT P N. A brief history of electronic nose[J]. Sensors and Actuators B,1994,18(1-3):211-220.
[2] SCHALLER E,BOSSER J O,ESCHER F. Electronic Noses  and their application to food.Lebensmittel-Wissenschaft und-Technologie,1994,31(4):305-316.
[3] 黃暉,楊鵬,姜海青,等.仿生氣體測量系統－電子鼻[J].傳感器技術,2003,22(1):1-4,8.
[4] 石志標,左春怪,張學軍. 新穎的仿生檢測技術－電子鼻[J]. 測試技術學報,2004,18(1):50-55.
[5] 聶雪梅,劉仲明,張水華,等.電子鼻及其在食品領域的應用[J]. 傳感器技術,2004,23(10):1-3.
[6] 高大啟,楊根興.嗅覺模擬技術[J].電子學報,2001,29(12A):1749-1752.
[7] 童敏明,葉小婷,王都霞.基于信息融合的礦井一氧化碳檢測方法的研究[J]. 計量學報,2007,28(4):388-390.
[8] 葉小婷,湯劼.基于BP神經網絡的礦井一氧化碳檢測方法研究[J]. 儀表技術,2007(10):40-42.
[9] 常柄國.基于徑向基函數神經網絡識別變壓器油中微量特征氣體[J].西安交通大學學報,1999,33(12):13-17.
[10] 龐全,楊翠容,張玉清.人工神經網絡氣體分析方法的研究[J].儀器儀表學報,1999,20(2):121-124.
[11] EKLOV T, LUNDSTROM I. Gas mixture analysis using a distributed chemical sensor system, Sensors and Actuators B,1999,57:274-282.
[12] HUYBERECHTS G, SZECOWKA P, ROGGEN J, et al. Simultaneous quantification of carbon monoxide and methane in humid air using a sensor array and an artificial neural network[J].Sensors and Actuators B,1997,45(2):123-130.
[13] SZCZUREK A, SZECOWKA P M, LICZNERS B W. Application of sensor array and neural networks for quantification of organic solvent vapours in air[J].Sensors and Actuators B,1999,58:427-432.
[14] MARTIN M A, SANTOS J P, VASQUEZ H. Study of the interferences of NO2 and CO in solid state commercial sensors[J]. Sensors and Actuators B,1999,58:469-473.