神經(jīng)網(wǎng)絡(luò)模式識(shí)別

神經(jīng)網(wǎng)絡(luò)模式識(shí)別法2.1人工神經(jīng)網(wǎng)絡(luò)發(fā)展概況2.2神經(jīng)網(wǎng)絡(luò)基本概念2.3前饋神經(jīng)網(wǎng)絡(luò)2.4反饋網(wǎng)絡(luò)模型Hopfield網(wǎng)絡(luò)2.5基于神經(jīng)網(wǎng)絡(luò)的電子鼻識(shí)別技術(shù)第2章神經(jīng)網(wǎng)絡(luò)模式識(shí)別法2.1人工神經(jīng)網(wǎng)絡(luò)發(fā)展概況人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks，ANN)：簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)。模擬人腦神經(jīng)細(xì)胞的工作特點(diǎn)：與目前按串行安排程序指令的計(jì)算機(jī)結(jié)構(gòu)截然不同。*單元間的廣泛連接；*并行分布式的信息存貯與處理；*自適應(yīng)的學(xué)習(xí)能力等。優(yōu)點(diǎn)：

(1)較強(qiáng)的容錯(cuò)性;(2)很強(qiáng)的自適應(yīng)學(xué)習(xí)能力；(3)可將識(shí)別和若干預(yù)處理融為一體進(jìn)行；(4)并行工作方式；(5)對(duì)信息采用分布式記憶，具有魯棒性。四個(gè)發(fā)展階段：第一階段：?jiǎn)⒚善冢加?943年。形式神經(jīng)元的數(shù)學(xué)模型提出。第二階段：低潮期，始于1969年。《感知器》(Perceptions)一書出版，指出局限性。第三階段：復(fù)興期，從1982年到1986年。Hopfield的兩篇論文提出新的神經(jīng)網(wǎng)絡(luò)模型；《并行分布處理》出版，提出反向傳播算法。第四個(gè)階段：1987年至今，趨于平穩(wěn)?；仡櫺跃C述文章“神經(jīng)網(wǎng)絡(luò)與人工智能”。2.2神經(jīng)網(wǎng)絡(luò)基本概念2.2.1生物神經(jīng)元1．生物神經(jīng)元的結(jié)構(gòu)細(xì)胞體、樹(shù)突、軸突和突觸。2．生物神經(jīng)元的工作機(jī)制興奮和抑制兩種狀態(tài)。抑制狀態(tài)的神經(jīng)元由樹(shù)突和細(xì)胞體接收傳來(lái)的興奮電位不應(yīng)期產(chǎn)生輸出脈沖輸入興奮總量超過(guò)閾值神經(jīng)元被激發(fā)進(jìn)入興奮狀態(tài)由突觸傳遞給其它神經(jīng)元2.2.2人工神經(jīng)元及神經(jīng)網(wǎng)絡(luò)人工神經(jīng)元：生物神經(jīng)元的簡(jiǎn)化模擬。人工神經(jīng)元間的互連：信息傳遞路徑軸突-突觸-樹(shù)突的簡(jiǎn)化；連接的權(quán)值：兩個(gè)互連的神經(jīng)元之間相互作用的強(qiáng)弱。人工神經(jīng)元模型接收的信息(其它神經(jīng)元的輸出)

互連強(qiáng)度作比較的閾值n維輸入向量X

輸出輸出函數(shù)神經(jīng)元的動(dòng)作：輸出函數(shù)f：也稱作用函數(shù)，非線性。閾值型S型偽線性型f為閾值型函數(shù)時(shí)：設(shè)，點(diǎn)積形式：式中，2.2.3神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)學(xué)習(xí)：

同一個(gè)訓(xùn)練集的樣本輸入輸出模式反復(fù)作用于網(wǎng)絡(luò)，網(wǎng)絡(luò)按照一定的訓(xùn)練規(guī)則自動(dòng)調(diào)節(jié)神經(jīng)元之間的連接強(qiáng)度或拓?fù)浣Y(jié)構(gòu)，使實(shí)際輸出滿足期望的要求或者趨于穩(wěn)定。實(shí)質(zhì)：1．Hebb學(xué)習(xí)規(guī)則典型的權(quán)值修正方法：Hebb學(xué)習(xí)規(guī)則、誤差修正學(xué)習(xí)

如果神經(jīng)網(wǎng)絡(luò)中某一神經(jīng)元與另一直接與其相連的神經(jīng)元同時(shí)處于興奮狀態(tài)，那么這兩個(gè)神經(jīng)元之間的連接強(qiáng)度應(yīng)該加強(qiáng)。神經(jīng)網(wǎng)絡(luò)的最重要特征之一。wij(t+1)：修正一次后的某一權(quán)值；η：學(xué)習(xí)因子，表示學(xué)習(xí)速率的比例常數(shù)；yj(t)，yi(t)：分別表示t時(shí)刻第j個(gè)和第i個(gè)神經(jīng)元的狀態(tài)（輸出）。由有：

神經(jīng)元間的連接2.δ學(xué)習(xí)規(guī)則（3）更新權(quán)值，閾值可視為輸入恒為（－1）的一個(gè)權(quán)值；（1）選擇一組初始權(quán)值wij(1)；（2）計(jì)算某一輸入模式對(duì)應(yīng)的實(shí)際輸出與期望輸出的誤差；式中，（4）返回(2)，直到對(duì)所有訓(xùn)練模式網(wǎng)絡(luò)輸出均能滿足要求。dj，yj(t)：第j個(gè)神經(jīng)元的期望輸出與實(shí)際輸出；xi(t)：第j個(gè)神經(jīng)元的第i個(gè)輸入。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)體現(xiàn)在：η：學(xué)習(xí)因子；權(quán)值變化；網(wǎng)絡(luò)結(jié)構(gòu)變化。2.2.4神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)分類分層結(jié)構(gòu)有明顯層次，信息流向由輸入層到輸出層。——前饋網(wǎng)絡(luò)

沒(méi)有明顯層次，任意兩個(gè)神經(jīng)元之間可達(dá)，具有輸出單元到隱層單元或輸入單元的反饋連接?！答伨W(wǎng)絡(luò)相互連接結(jié)構(gòu)2.3前饋神經(jīng)網(wǎng)絡(luò)2.3.1感知器感知器（Perceptron）：F．Rosenblatt于1957年提出。

感知器結(jié)構(gòu)示意圖*雙層（輸入層、輸出層）；*兩層單元之間為全互連；*連接權(quán)值可調(diào)。結(jié)構(gòu)特點(diǎn)：*輸出層神經(jīng)元個(gè)數(shù)等于類別數(shù)（兩類問(wèn)題時(shí)輸出層為一個(gè)神經(jīng)元）。設(shè)輸入模式向量，，共M類。輸出層第j個(gè)神經(jīng)元對(duì)應(yīng)第j個(gè)模式類，θj：第j個(gè)神經(jīng)元的閾值；wij：輸入模式第i個(gè)分量與輸出層第j個(gè)神經(jīng)元間的連接權(quán)。令。取

有輸出為

輸出單元對(duì)所有輸入數(shù)值加權(quán)求和，經(jīng)閾值型輸出函數(shù)產(chǎn)生一組輸出模式。M類問(wèn)題判決規(guī)則(神經(jīng)元的輸出函數(shù))為*正確判決的關(guān)鍵：輸出層每個(gè)神經(jīng)元必須有一組合適的權(quán)值。

*感知器采用監(jiān)督學(xué)習(xí)算法得到權(quán)值；*權(quán)值更新方法：δ學(xué)習(xí)規(guī)則。算法描述第一步：設(shè)置初始權(quán)值wij(1)，w(n+1)j(1)為第j個(gè)神經(jīng)元的閾值。第二步：輸入新的模式向量。第三步：計(jì)算神經(jīng)元的實(shí)際輸出。設(shè)第k次輸入的模式向量為Xk，與第j個(gè)神經(jīng)元相連的權(quán)向量為第j個(gè)神經(jīng)元的實(shí)際輸出為第四步：修正權(quán)值。dj：第j個(gè)神經(jīng)元的期望輸出。第五步：轉(zhuǎn)到第二步。當(dāng)全部學(xué)習(xí)樣本都能正確分類時(shí)，學(xué)習(xí)過(guò)程結(jié)束。經(jīng)驗(yàn)證明，當(dāng)η隨k的增加而減小時(shí)，算法一定收斂。2.3.2BP網(wǎng)絡(luò)BP網(wǎng)絡(luò)：采用BP算法（Back-PropagationTrainingAlgorithm）的多層感知器。誤差反向傳播算法認(rèn)識(shí)最清楚、應(yīng)用最廣泛。性能優(yōu)勢(shì)：識(shí)別、分類1．多層感知器

針對(duì)感知器學(xué)習(xí)算法的局限性：模式類必須線性可分。輸入層第一隱層第二隱層輸出層中間層為一層或多層處理單元；前饋網(wǎng)絡(luò)；結(jié)構(gòu)：只允許一層連接權(quán)可調(diào)。2．BP算法兩個(gè)階段正向傳播階段：逐層狀態(tài)更新反向傳播階段：誤差BP算法的學(xué)習(xí)過(guò)程

設(shè)：某層任一神經(jīng)元j的輸入為netj，輸出為yj；相鄰低一層中任一神經(jīng)元i的輸出為yi。jiwij：神經(jīng)元i與j之間的連接權(quán)；f(?)：神經(jīng)元的輸出函數(shù)。S型輸出函數(shù)：θj：神經(jīng)元閾值；

h0：修改輸出函數(shù)形狀的參數(shù)。設(shè)：輸出層中第k個(gè)神經(jīng)元的實(shí)際輸出為yk，輸入為netk；與輸出層相鄰的隱層中任一神經(jīng)元j的輸出為yj。

對(duì)輸入模式Xp，若輸出層中第k個(gè)神經(jīng)元的期望輸出為dpk，實(shí)際輸出為ypk。輸出層的輸出方差：若輸入N個(gè)模式，網(wǎng)絡(luò)的系統(tǒng)均方差為：當(dāng)輸入Xp時(shí)，wjk的修正增量：其中，由式得到：令，可得輸出單元的誤差：輸出單元的修正增量：

對(duì)于與輸出層相鄰的隱層中的神經(jīng)元j和該隱層前低一層中的神經(jīng)元i

：

輸出層中神經(jīng)元輸出的誤差反向傳播到前面各層，對(duì)各層之間的權(quán)值進(jìn)行修正。BP算法步驟：第一步：對(duì)權(quán)值和神經(jīng)元閾值初始化：(0，1)上分布的隨機(jī)數(shù)。第二步：輸入樣本，指定輸出層各神經(jīng)元的希望輸出值。第三步：依次計(jì)算每層神經(jīng)元的實(shí)際輸出，直到輸出層。第四步：從輸出層開(kāi)始修正每個(gè)權(quán)值，直到第一隱層。若j是輸出層神經(jīng)元，則：若j是隱層神經(jīng)元，則：第五步：轉(zhuǎn)到第二步，循環(huán)至權(quán)值穩(wěn)定為止。改進(jìn)的權(quán)值修正：——收斂快、權(quán)值平滑變化α：平滑因子，0<α<1。BP算法存在問(wèn)題：*存在局部極小值問(wèn)題；*算法收斂速度慢；*隱層單元數(shù)目的選取無(wú)一般指導(dǎo)原則；*新加入的學(xué)習(xí)樣本影響已學(xué)完樣本的學(xué)習(xí)結(jié)果。*輸出層各單元之間相互用較大的負(fù)權(quán)值輸入對(duì)方，構(gòu)成正反饋。2.3.3競(jìng)爭(zhēng)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)1．競(jìng)爭(zhēng)學(xué)習(xí)典型的非監(jiān)督學(xué)習(xí)策略。與二層前饋網(wǎng)絡(luò)類似；結(jié)構(gòu)特點(diǎn)：輸出層具有側(cè)抑制。競(jìng)爭(zhēng)層：競(jìng)爭(zhēng)學(xué)習(xí)網(wǎng)絡(luò)的核心側(cè)抑制：加強(qiáng)自身*具有最高輸入總和的單元的輸出狀態(tài)為1，其他單元為0。2．漢明(Hamming)網(wǎng)分類器結(jié)構(gòu)：仿效生物神經(jīng)網(wǎng)“中心激勵(lì)，側(cè)向抑制”的功能。工作原理：*每個(gè)模式類由一個(gè)典型樣本代表；*匹配網(wǎng)計(jì)算輸入樣本與各類典型樣本的匹配度，由匹配度決定匹配網(wǎng)的輸出；*由最大網(wǎng)給出輸入樣本所在類別號(hào)（分類）。匹配度=n－輸入樣本與典型樣本之間的漢明距離xij：第j類典型樣本的第i個(gè)分量；xi

：輸入樣本的第i個(gè)分量；n：樣本向量的維數(shù)。輸入樣本與典型樣本越相似：漢明距離越小，匹配度越大。二值模式向量(分量：+1,-1)分類準(zhǔn)則：樣本間漢明距離最小。匹配網(wǎng)上層每個(gè)神經(jīng)元的輸出：：輸入樣本第i個(gè)分量與匹配網(wǎng)上層第j個(gè)神經(jīng)元的連接權(quán)；：第j個(gè)神經(jīng)元的閾值。

wij由第j類典型樣本的各分量確定。匹配網(wǎng)輸出函數(shù)f(?)：漢明網(wǎng)算法步驟：

第一步：設(shè)置權(quán)值和神經(jīng)元閾值。wlk：最大網(wǎng)中第l個(gè)神經(jīng)元和第k個(gè)神經(jīng)元的連接權(quán)；最大網(wǎng)中神經(jīng)元的閾值為零。xij：第j類典型樣本的第i個(gè)分量；wij：匹配網(wǎng)上層神經(jīng)元j和輸入樣本第i個(gè)分量的連接權(quán);θj

：神經(jīng)元j的閾值。第三步，進(jìn)行迭代運(yùn)算直到收斂。第四步：轉(zhuǎn)到第二步。第二步：輸入未知樣本，計(jì)算匹配網(wǎng)上層各神經(jīng)元的輸出sj，設(shè)置最大網(wǎng)中神經(jīng)元輸出的初始值。設(shè)最大網(wǎng)中第j個(gè)神經(jīng)元在t時(shí)刻的輸出為y(t)，則3．自組織特征映射神經(jīng)網(wǎng)絡(luò)

（SOM網(wǎng)絡(luò)）神經(jīng)元之間相互作用與距離的關(guān)系

神經(jīng)網(wǎng)絡(luò)中鄰近的各神經(jīng)元通過(guò)側(cè)向交互作用彼此相互競(jìng)爭(zhēng)，自適應(yīng)地發(fā)展成檢測(cè)不同信號(hào)的特殊檢測(cè)器。T.Kohonen關(guān)于自組織特征映射的含義：輸入層：每個(gè)神經(jīng)元與輸出層所有神經(jīng)元連接。輸入連續(xù)值模式向量。SOM網(wǎng)絡(luò)結(jié)構(gòu)：輸出層：廣泛連接，格陣形式。競(jìng)爭(zhēng)學(xué)習(xí)算法：由交互作用函數(shù)取代簡(jiǎn)單的側(cè)抑制。自組織特征映射算法步驟：

第一步：設(shè)置初始權(quán)值，定義輸出層神經(jīng)元的鄰域。第二步：輸入新的模式向量。第三步：計(jì)算輸入模式到每個(gè)輸出層神經(jīng)元j的距離dj。wij(t)：t時(shí)刻輸入層神經(jīng)元i到輸出層神經(jīng)元j之間的連接權(quán)。第四步：選擇與輸入模式距離最小的輸出層神經(jīng)元j*。第五步：修改與j*及其鄰域中神經(jīng)元連接的權(quán)值。設(shè)t時(shí)刻神經(jīng)元j*的鄰域用表示，權(quán)值修改為：：修正參數(shù)，，隨t的增加而減小。第六步：轉(zhuǎn)到第二步。聚類中心：存儲(chǔ)在與神經(jīng)元j*連接的權(quán)值上。輸出層神經(jīng)元鄰域的選擇：初始鄰域選擇大些，隨算法的進(jìn)行逐步收縮。2.4反饋網(wǎng)絡(luò)模型Hopfield網(wǎng)絡(luò)尋找記憶：模擬人腦聯(lián)想記憶功能的神經(jīng)網(wǎng)絡(luò)模型。網(wǎng)絡(luò)由初始狀態(tài)向穩(wěn)定狀態(tài)演化的過(guò)程。初始輸出模式向量單層全互連、權(quán)值對(duì)稱的神經(jīng)網(wǎng)絡(luò)。結(jié)構(gòu)：Hopfield網(wǎng)絡(luò)（HNN）離散型HNN(DHNN)：M-P模型二值神經(jīng)元連續(xù)型HNN(CHNN)：神經(jīng)元為連續(xù)時(shí)間輸出。*每個(gè)神經(jīng)元的輸出通過(guò)加權(quán)與其余神經(jīng)元的輸入端連接；*輸入模式向量的各分量及神經(jīng)元的輸出值取(+1)或(-1)；*神經(jīng)元的個(gè)數(shù)與輸入模式向量的維數(shù)相同；*記憶樣本記憶在神經(jīng)元之間的連接權(quán)上。DHNN：*每個(gè)模式類有一個(gè)記憶樣本，是網(wǎng)絡(luò)的一個(gè)穩(wěn)定輸出狀態(tài)。

設(shè)是第s類的記憶樣本。為了存儲(chǔ)M個(gè)記憶樣本，神經(jīng)元i和神經(jīng)元j之間的權(quán)值wij為

設(shè)有M類模式，則有M個(gè)記憶樣本，分別是網(wǎng)絡(luò)的M個(gè)穩(wěn)定輸出狀態(tài)。若神經(jīng)元i的輸入為ui，輸出為，則式中，

若輸入一個(gè)未知類別的模式X，網(wǎng)絡(luò)初始狀態(tài)由X決定，根據(jù)上述算法，網(wǎng)絡(luò)從初始狀態(tài)開(kāi)始逐步演化，最終趨向于一個(gè)穩(wěn)定狀態(tài)，即輸出一個(gè)與未知類別模式相似的記憶樣本。說(shuō)明：定義網(wǎng)絡(luò)的能量函數(shù)由某一神經(jīng)元的狀態(tài)的變化量引起的E變化量為式中，，。?E<0，E有界，網(wǎng)絡(luò)最終可達(dá)到一個(gè)不隨時(shí)間變化的穩(wěn)定狀態(tài)。算法步驟：

第一步：給神經(jīng)元的連接權(quán)賦值，即存貯記憶樣本。第二步：用輸入的未知類別的模式

設(shè)置網(wǎng)絡(luò)的初始狀態(tài)。

若表示神經(jīng)元i在t時(shí)刻的輸出狀態(tài)，則初始值：第三步：迭代計(jì)算至算法收斂。第四步：轉(zhuǎn)到第二步，輸入新模式。神經(jīng)元輸出與未知模式匹配最好的記憶樣本。Hopfield神經(jīng)網(wǎng)絡(luò)的局限性：*網(wǎng)絡(luò)能記憶和正確回憶的樣本數(shù)相當(dāng)有限；*如果記憶中的某一樣本的某些分量與別的記憶樣本的對(duì)應(yīng)分量相同，這個(gè)記憶樣本可能是一個(gè)不穩(wěn)定的平衡點(diǎn)。

已證明：當(dāng)記憶不同模式類的樣本數(shù)小于網(wǎng)絡(luò)中神經(jīng)元個(gè)數(shù)（或模式向量的維數(shù)）的0.15倍時(shí)，收斂于偽樣本的情況才不會(huì)發(fā)生?？梢岳谜凰惴ㄏ?。2.5基于神經(jīng)網(wǎng)絡(luò)的電子鼻識(shí)別技術(shù)電子鼻技術(shù)什么是電子鼻？電子鼻技術(shù)的發(fā)展歷史電子鼻技術(shù)的基本原理電子鼻技術(shù)的研究現(xiàn)狀電子鼻技術(shù)的應(yīng)用前景什么是電子鼻？電子鼻是利用氣體傳感器陣列的響應(yīng)圖案來(lái)識(shí)別氣味的電子系統(tǒng)，它可以在幾小時(shí)、幾天甚至數(shù)月的時(shí)間內(nèi)連續(xù)地、實(shí)時(shí)地監(jiān)測(cè)特定位置的氣味狀況。電子鼻主要由氣味取樣操作器、氣體傳感器陣列和信號(hào)處理系統(tǒng)三種功能器件組成。電子鼻識(shí)別的主要機(jī)理是在陣列中的每個(gè)傳感器對(duì)被測(cè)氣體都有不同的靈敏度，例如，一號(hào)氣體可在某個(gè)傳感器上產(chǎn)生高響應(yīng)，而對(duì)其他傳感器則是低響應(yīng)；同樣，二號(hào)氣體產(chǎn)生高響應(yīng)的傳感器對(duì)一號(hào)氣體則不敏感，歸根結(jié)底，整個(gè)傳感器陣列對(duì)不同氣體的響應(yīng)圖案是不同的，正是這種區(qū)別，才使系統(tǒng)能根據(jù)傳感器的響應(yīng)圖案來(lái)識(shí)別氣體。

電子鼻技術(shù)的發(fā)展歷史由于氣體傳感器的交叉敏、選擇性差等缺點(diǎn)，單一傳感器往往對(duì)被測(cè)環(huán)境中的各種氣體敏感，因而很難有選擇地測(cè)量出某種氣體的成分和含量。電子鼻技術(shù)是解決這一問(wèn)題的有效途徑，它正是利用各個(gè)氣敏器件對(duì)復(fù)雜成分氣體都有響應(yīng)卻又互不相同這一特點(diǎn)，借助數(shù)據(jù)處理方法對(duì)多種氣味進(jìn)行識(shí)別，從而對(duì)氣味質(zhì)量進(jìn)行分析與評(píng)定。1982年，英國(guó)學(xué)者Persuad和Dodd用3個(gè)商品化的SnO2氣體傳感器（TGS813、812、711）模擬哺乳動(dòng)物嗅覺(jué)系統(tǒng)中的多個(gè)嗅感受器細(xì)胞對(duì)戊基醋酸酯、乙醇、乙醚、戊酸、檸檬油、異茉莉酮等有機(jī)揮發(fā)氣進(jìn)行了類別分析，開(kāi)電子鼻研究之先河。1989年在北大西洋公約組織的一次關(guān)于化學(xué)傳感器信息處理會(huì)議上對(duì)電子鼻做了如下定義:“電子鼻是由多個(gè)性能彼此重疊的氣敏傳感器和適當(dāng)?shù)哪Ｊ椒诸惙椒ńM成的具有識(shí)別單一和復(fù)雜氣味能力的裝置?！彪S后,于1990年舉行了第一屆電子鼻國(guó)際學(xué)術(shù)會(huì)議。為了促進(jìn)電子鼻技術(shù)的交流和發(fā)展，國(guó)際上每年舉行一次化學(xué)傳感器國(guó)際學(xué)術(shù)會(huì)議。電子鼻技術(shù)是探索如何模仿生物嗅覺(jué)機(jī)能的一門學(xué)問(wèn)。其研究涉及材料、精密制造工藝、多傳感器融合、計(jì)算機(jī)、應(yīng)用數(shù)學(xué)以及各具體應(yīng)用領(lǐng)域的科學(xué)與技術(shù)，具有重要的理論意義和應(yīng)用前景。其中傳感器技術(shù)和計(jì)算機(jī)技術(shù)處于當(dāng)今科學(xué)技術(shù)研究和發(fā)展的前沿。

商品化的電子鼻電子鼻技術(shù)的基本原理電子鼻的工作可簡(jiǎn)單歸納為：傳感器陣列－信號(hào)預(yù)處理－神經(jīng)網(wǎng)絡(luò)和各種算法－計(jì)算機(jī)識(shí)別(氣體定性定量分析）。從功能上講，氣體傳感器陣列相當(dāng)于生物嗅覺(jué)系統(tǒng)中的大量嗅感受器細(xì)胞，神經(jīng)網(wǎng)絡(luò)和計(jì)算機(jī)識(shí)別相當(dāng)于生物的大腦，其余部分則相當(dāng)于嗅神經(jīng)信號(hào)傳遞系統(tǒng)。

氣體傳感器陣列電子鼻系統(tǒng)中，傳感器及其陣列是電子鼻的關(guān)鍵,它的功能是把不同的氣味分子在其表面的化學(xué)作用轉(zhuǎn)化為可測(cè)的電信號(hào)。傳感器陣列可以采用數(shù)個(gè)單獨(dú)的氣敏傳感器組合而成，也可以采用集成工藝制作專門的氣敏傳感器陣列。后者體積小，功耗低，便于信號(hào)的集中采集與處理。

西班牙《ACMOSmonolithicallyintegratedgassensorarraywithelectronicsfortemperaturecontrolandsignalinterfacing》

作傳感器的材料必須具備兩個(gè)基本條件:1)對(duì)不同的氣味均有響應(yīng),即通用性要強(qiáng),要求對(duì)成千上萬(wàn)種不同的嗅味能在分子水平上作出鑒別。2)與嗅味分子的相互作用或反應(yīng)必須是快速、可遞的,不產(chǎn)生任何“記憶效應(yīng)”。金屬氧化物型傳感器已被普遍應(yīng)用在電子鼻中。最常見(jiàn)的材料有錫、鋅、鈦、鎢和銥的氧化物,并摻入像鉑和鈀等貴金屬催化劑。酞菁類聚合物是有機(jī)半導(dǎo)體敏感材料的代表,它們所具有的環(huán)狀結(jié)構(gòu)使得吸附氣體分子與有機(jī)半導(dǎo)體之間產(chǎn)生電子授受關(guān)系。不同的酞菁聚合物可選擇如真空升華技術(shù)、ＬＢ膜技術(shù)、旋涂技術(shù)和自組織膜技術(shù)等制膜技術(shù)在檢測(cè)器件上制得薄膜型氣敏元件,并可制得傳感器陣列,使其與計(jì)算機(jī)模式識(shí)別技術(shù)結(jié)合使用。聚吡咯、蒽、二萘嵌苯、β—胡蘿卜素等近年來(lái)也被用作有機(jī)半導(dǎo)體氣敏材料受到人們關(guān)注。

傳感器陣列數(shù)據(jù)采集系統(tǒng)傳感器陣列的模擬輸出經(jīng)Ａ/Ｄ轉(zhuǎn)換為數(shù)字信號(hào)輸入計(jì)算機(jī)中的數(shù)據(jù)處理和模式識(shí)別系統(tǒng)被測(cè)嗅覺(jué)的強(qiáng)度既可用每個(gè)傳感器的輸出的絕對(duì)電壓、電阻或電導(dǎo)來(lái)表示,也可用相對(duì)信號(hào)值如歸一化的電阻或電導(dǎo)值,即它們的變化率來(lái)比較嗅味的性質(zhì)。

傳感器陣列的數(shù)據(jù)采集系統(tǒng)模式識(shí)別處理傳感器陣列輸出的信號(hào)經(jīng)專用軟件采集、加工、處理后，利用多元數(shù)據(jù)統(tǒng)計(jì)分析方法、神經(jīng)網(wǎng)絡(luò)方法和模糊方法將多維響應(yīng)信號(hào)轉(zhuǎn)換為感官評(píng)定指標(biāo)值或組成成分的濃度值，得到被測(cè)氣味定性分析結(jié)果的智能解釋器。早期的電子鼻多用主成分分析、多元線性擬合、模板匹配、聚類等數(shù)據(jù)處理方法。模式識(shí)別——人工神經(jīng)網(wǎng)絡(luò)由于氣體傳感器的響應(yīng)與被測(cè)氣體體積分?jǐn)?shù)之間的關(guān)系一般是非線性的，現(xiàn)在的電子鼻系統(tǒng)多用神經(jīng)網(wǎng)絡(luò)方法和偏最小二乘法。近些年發(fā)展起來(lái)的人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork)由于具有很強(qiáng)的非線性處理能力及模式識(shí)別能力而得到了廣泛的應(yīng)用.神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)自動(dòng)掌握隱藏在傳感器響應(yīng)和氣味類型與強(qiáng)度之間的、難以用明確的模型數(shù)學(xué)表示的對(duì)應(yīng)關(guān)系。許多統(tǒng)計(jì)技術(shù)和ＡＮＮｓ是互為補(bǔ)充的,所以常常與ＡＮＮｓ聯(lián)合使用,以得到一組比用單個(gè)技術(shù)得到的數(shù)據(jù)更加全面的分類和聚類。這類統(tǒng)計(jì)學(xué)或化學(xué)計(jì)量學(xué)方法包括主分量分析,部分最小平方法,辨別分析法,辨別因子分析法,和聚類分析法等。

人工神經(jīng)網(wǎng)絡(luò)腦細(xì)胞神經(jīng)元人工神經(jīng)網(wǎng)絡(luò)神經(jīng)元