摘  要: 对基于常规单一BP神经网络的电子鼻系统进行改进，提出一种基于Gabor原子神经网络的电子鼻系统，并以3种混合气体为实验对象，进行混合气体的定量分析研究。实验结果表明，应用Gabor原子神经网络的电子鼻系统的最大相对误差与单一BP神经网络相比得到减小，大大提高了定量分析精度。
关键词: 电子鼻；神经网络；混合气体；模式识别

    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。