论文部分内容阅读
目前,机器嗅觉已经应用到食品安全、医疗卫生、消费电子、环境监测和航天航空等领域,和我们生产生活密不可分。在机器嗅觉技术中气体传感器数据处理非常重要,特别地,利用气体传感器数据进行气体识别和气体浓度预测是机器嗅觉研究的主要目标。在气体识别或气体浓度预测系统中,需要先采集到传感数据,然后采用机器学习方法对这些数据进行处理,从而识别出气体或者得到气体浓度。目前已经有很多机器学习算法用于气体传感器数据处理,但是这些工作往往只使用了一到两种算法进行对比,没有进行多种算法的对比。而在现实的工业应用中,必须尝试并对比多种方法,才能获得在具体应用中最好的方法。论文首先分析对比了多种气体分类方法。特征工程阶段采用Z-score标准化和基于多项式的特征变换等方法进行数据预处理,采用方差选择法和主成分分析法等进行特征提取。然后,实验分析对比了邻近算法、逻辑回归、决策树、支持向量机和人工神经网络这五种分类方法。实验结果表明,人工神经网络在各个批次的气体传感器数据上表现都比较好,说明拥有强大的非线性表达能力的人工神经网络在气体分类中具有鲁棒性。为了进一步的提高气体的分类准确率,接着本文提出了一种人工神经网络结合逻辑回归的分类算法。我们在实践中发现,人工神经网络模型的预测结果中存在较多的可疑样本,而这些可疑样本的预测准确率往往比较低。为了解决这一问题,该算法使用逻辑回归来预测人工神经网络预测结果中的可疑样本,从而提高分类准确率。实验结果表明,使用该算法能有效提高气体的分类准确率,因此使用该算法进行气体识别具有广泛的应用场景。最后考虑到气体浓度的预测在机器嗅觉中也相当重要,气体浓度的预测属于回归任务,因此本文给出了气体浓度回归的评价指标和常用的回归方法。通过实验对比分析了支持向量机和人工神经网络在气体回归任务中的表现,其中,使用Z-score标准化和主成分分析法。实验结果表明,通过Z-score标准化和主成分分析法结合支持向量机在气体浓度回归任务中拥有较好的表现,可以考虑在工程领域使用。