1994年Gardner发表了关于多气体传感器阵列检测的论文，首次提出了“电子鼻”的概念[1]，标志着该技术进入到成熟、发展阶段。电子鼻技术将传感器技术、电子技术、信号处理和计算机技术融合在一起[2]，克服了传统的单一气体传感器在检测中存在的交叉敏感、检测精度及可靠性低等缺点，能够对混合气体中各气体成分进行定性或定量分析，它在汽车、航空航天、农业、化学分析、消防、环保、化工控制、质量控制、安全等领域具有广泛的应用前景。电子鼻的研究与应用逐步成为国内外研究的热点问题，但距离工程实用化仍有很长的距离[3-6]。
　越来越多的场合需要对混合气体的成分和浓度进行准确检测。但是目前单个传感器对不同气体敏感响应有所不同，不具备自动识别气体种类和数量的能力。因此，利用多个气体传感器组合，构成传感器阵列，结合模式识别技术组成电子鼻系统来进行气体的定性、定量分析，可以大大提高对混合气体的识别能力。
    BP神经网络是目前电子鼻系统中广泛采用的一种技术。BP神经网络的应用在一定程度上提高了气体识别精度。但是，由于混合气体网络学习样本的复杂性导致单一的BP神经网络[7-8]或径向基函数(RBF)神经网络[9-10]分析方法在处理复杂样本时，学习精度较差，难以满足识别精度要求[11-14]。因此为了提高精度，必须研究新型的网络结构，提高网络对于复杂样本的学习能力，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原子神经网络的电子鼻系统，具有识别能力强、工作特性好等优点，因而具有重要的工程应用价值。
1 Gabor原子神经网络原理
　Gabor原子神经网络就是将Gabor原子变换与BP神经网络相结合，将Gabor原子变换运用到网络的输入层完成对特征的提取，神经网络的其他部分则用于特征的选择与分析。Gabor原子网络结构如图1所示，整个网络共分两个部分，下部分为特征提取层，上部分为分析层。图中的圆圈表示网络节点，节点内的符号表示该节点的输出，节点右下角的图形表示该节点激励函数的示意图，即在特征提取层采用绝对值函数，在分类层采用Sigmoid函数。图中与各个节点相连的线段表示加权连接，实线表示数量乘积，虚线表示向量乘积，线段旁边的符号表示连接权值。   
    如图1所示 ，输入层为特征抽取部分，而隐层和输出层组成信号分析部分。所使用的学习算法为误差反传(BP)算法。
2 基于Gabor原子神经网络的电子鼻系统
    基于Gabor原子神经网络的电子鼻系统原理图如图2所示。采用静态配气法配置不同浓度的混合气体，通过气体传感器阵列获得气敏阵列输出组。将这些输出作为Gabor原子神经网络的输入，对应的混合气体各组分浓度作为该神经网络的输出，构建网络的学习样本集，并对网络进行训练，直至网络的输出误差达到精度，这时网络各连接权上存储了从传感器阵列信号到气体浓度的映射关系，它近似于传感过程的逆映射，可用于识别阵列的未知模式。

    如图2所示，假设混合气体中包含m种气体，相应的每种气体的浓度为s1，s2，…，sm。传感器阵列中每种气体传感器的输出为x1，x2，…，xj。由于气体传感器除对特定气体具有较强敏感度以外，对其他的气体也存在不同程度的敏感性，即“交叉敏感”。因此，气体传感器阵列的输出可表示为：

3 实验结果及分析
    本文以混合气体H2、CO和CH4为实验对象。传感器阵列选取SnO2型半导体气体传感器，由TGS系列的TGS825、TGS813、TGS2611和MQ系列的MQ136、MQ-7、MQ-4 6个传感器来组成阵列元素。这6个气体传感器分别对这三种气体具有不同的灵敏度。根据这6个气体传感器对三种气体的敏感特性曲线，配制好如下体积分数范围的混合气体。每种气体的体积分数范围分别为：CH4：100~500 ppm；CO：10~100 ppm；H2：10~100 ppm,模拟给出训练样本集G(0)，共包括1 800个学习样本。
    在本文中应用了6个气体传感器来对混合气体进行检测，而应用单一的BP神经网络时，输入特征向量的维数决定网络的输入节点的个数，因此输入层节点数为6。而应用Gabor原子神经网络时，Gabor原子变换的强特征提取功能使得Gabor原子神经网络输入层Gabor原子个数理论上应该小于输入信号的维数。经过反复的实验，最终得出结论，当输入层原子个数为4时，Gabor原子神经网络较为理想。因此可以看出在BP神经网络分析之前对输入特征向量进行Gabor原子变换，可以简化BP神经网络输入层节点个数。
　 而Gabor原子神经网络的输出层节点个数由其检测的气体种类确定,在本文中对3种混合气体进行检测，因此Gabor原子神经网络输出层节点个数为3个。
　隐层节点个数的确定首先根据式(6)所示的经验公式大致算出隐层节点个数的取值范围。
  
式(6)中Q为Gabor原子的个数，M为输出节点个数,α为1~10之间的常数。再根据相关实验结果改变隐层节点个数，比较网络收敛速度，观测误差情况。最终得出，当隐层节点个数为9时，精度最高。因此，Gabor原子神经网络隐层节点个数为9个。
    应用训练样本训练整个网络，并在剩余的数据中随机挑选5组作为测试样本验证网络的学习效果，最终得出实验结果。表1为普通单一BP神经网络的定量分析结果,表2为采用Gabor原子神经网络定量分析的结果。

    从表2中可以得到，各种气体的测量绝对误差不超过7 ppm，CH4的平均相对误差为1.7%，CO的平均相对误差为3.7%，H2的平均相对误差为4.1%。图3给出了网络的误差收敛曲线图，其中图3(a)为采用单一BP神经网络学习误差收敛曲线，而图3(b)为采用Gabor原子神经网络学习误差收敛曲线。通过比较可以很明显地看出，单一的BP神经网络在收敛速度上远低于双层复合神经网络，从而导致单一的BP神经网络的测试结果准确度较低，而改进后的Gabor原子神经网络的分析精度有了很大的提高，可以较准确地分析出混合气体中不同气体的浓度值。

    本文提出了应用Gabor原子神经网络的电子鼻系统对混合气体定量分析的方法，大大提高了分析精度。Gabor原子神经网络的学习速度和收敛速度均优于传统的单一BP网络，能够实现对复杂学习任务的分解，具有很好的应用前景。
参考文献
[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] 黄晖,杨鹏,姜海青,等.仿生气体测量系统－电子鼻[J].传感器技术,2003,22(1):1-4,8.
[4] 石志标,左春怪,张学军. 新颖的仿生检测技术－电子鼻[J]. 测试技术学报,2004,18(1):50-55.
[5] 聂雪梅,刘仲明,张水华,等.电子鼻及其在食品领域的应用[J]. 传感器技术,2004,23(10):1-3.
[6] 高大启,杨根兴.嗅觉模拟技术[J].电子学报,2001,29(12A):1749-1752.
[7] 童敏明,叶小婷,王都霞.基于信息融合的矿井一氧化碳检测方法的研究[J]. 计量学报,2007,28(4):388-390.
[8] 叶小婷,汤劼.基于BP神经网络的矿井一氧化碳检测方法研究[J]. 仪表技术,2007(10):40-42.
[9] 常柄国.基于径向基函数神经网络识别变压器油中微量特征气体[J].西安交通大学学报,1999,33(12):13-17.
[10] 庞全,杨翠容,张玉清.人工神经网络气体分析方法的研究[J].仪器仪表学报,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.