電子鼻是20世紀90年代中期發(fā)展起來的一種用于分析、識別氣味物質總體特征的新型檢測儀器。
通過電子鼻可以建立食品、醫(yī)藥、生物、化工、環(huán)境等的氣味指紋圖譜,能實現(xiàn)氣味的客觀化表達,通過儀器分析推動食品、醫(yī)藥、化工等多領域的現(xiàn)代化發(fā)展。
電子鼻是模仿生物的嗅覺感受機制研制出來的,電子鼻系統(tǒng)中的傳感器陣列即相當于生物系統(tǒng)中的嗅覺感受細胞,能感受不同的氣味物質,將采集到的氣體指紋信息輸入電腦;電腦代替了生物系統(tǒng)中的大腦功能,通過軟件進行分析處理,區(qū)分辨識不同性質物質的整體特征,最后給出各個物質的感官信息。
在電子鼻應用過程中,需要多元數(shù)理統(tǒng)計系統(tǒng)對電子鼻采集特征數(shù)據(jù)進行分析,大數(shù)據(jù)算法對其使用效果至關重要,只有通過專業(yè)的數(shù)據(jù)統(tǒng)計分析系統(tǒng)才能深入地、完全地提取并解釋數(shù)據(jù)信息,還可以有效減少實驗誤差數(shù)據(jù)對結果的影響,得到科學的、可視化的實驗結果?,F(xiàn)將上海保圣電子鼻Electronic Nose的電子鼻系統(tǒng)算法集中一一介紹。
1、上海保圣電子鼻Electronic Nose差異對比:方差分析ANOVA和多重比較comparison
分析對該事物有顯著影響的因素,各因素之間的交互作用,以及顯著影響因素的最佳水平等。
2、上海保圣電子鼻Electronic Nose降維分析
1)主成分分析PCA(Principal Component Analysis):找到高維數(shù)據(jù)中的主成分,并利用“主成分”數(shù)據(jù)來表征原始數(shù)據(jù),從而達到降維的目的,其側重于信息貢獻影響力綜合評價。
保圣科技電子鼻系統(tǒng)中的PCA算法,以多類型圖形表達降維分析結果,以多種可視化方式表現(xiàn)數(shù)據(jù)結果。
2)線性判別分析LDA(Latent Dirichlet Allocation):分析時最大化類間距離以及最小化類內(nèi)距離,是目前數(shù)據(jù)挖掘領域中比較經(jīng)典且熱門的一種有監(jiān)督的算法。
保圣科技電子鼻ElectronicNose系統(tǒng)中的LDA算法,以多類型圖形表達降維分析結果,以多種可視化方式表現(xiàn)數(shù)據(jù)結果。
3)局部線性嵌入LLE:可以學習任意維的局部線性的低維流形,而且LLE算法歸結為稀疏矩陣特征分解,計算復雜度相對較小,實現(xiàn)容易。
4)拉普拉斯特征映射LE(Laplacian Eigenmaps):使相互間有關系的點在降維后的空間中盡可能的靠近,從而在降維后仍能保持原有的數(shù)據(jù)結構。
5)等距特征映射Isomap(Laplacian Eigenmaps) :分析尋找到所有樣本全局的最優(yōu)解,當數(shù)據(jù)量很大時或者樣本維度很高時,計算量非常大。
6)非線性降維T-SNE(t-distributed stochastic neighbor embedding) :非常適用于高維數(shù)據(jù)降維到2維或者3維,進行可視化。
3、上海保圣電子鼻Electronic Nose回歸分析:電子鼻定量分析
1)偏最小二乘法回歸PLSR(Partial Least Squares Regression) :對于自變量或因變量較多的數(shù)據(jù)處理更為優(yōu)越,而且回歸系數(shù)可以看出各自變量與因變量的相關性及其影響的大小。
2)神經(jīng)網(wǎng)絡BP(BPNN, Back Propagation Neural Network) :通過矩陣乘法運算,其包括信號前向傳播和誤差反向傳播兩個過程。
3)支持向量機SVM(support vector machines) :通過使用非線性映射算法將低維輸入空間轉化為高維特征空間,使其線性可分。
4、上海保圣電子鼻Electronic Nose分類分析:電子鼻定性分析
K鄰近分析KNN(k-NearestNeighbor) :對于類域的交叉或重疊較多的待分樣本集來說,KNN方法較其他方法更為適合。
5、上海保圣電子鼻Electronic Nose聚類算法
1)系統(tǒng)聚類:計算方法有歐式距離(EuclideanDistance)、閔氏距離(MinkowskiDistance)、馬氏距離(MahalanobisDistance),并在最后的分類樹狀圖中依據(jù)自己的分類需求確定分類結果。
2)密度聚類DBSCAN(Density-Based Spatial Clustering of Applications with Noise):將簇定義為密度相連的點的最大集合,能夠把具有足夠高密度的區(qū)域劃分為簇,并可在噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的聚類。
3)聚類K-Means:原理較為簡單,實現(xiàn)也很容易,收斂速度快,聚類效果較優(yōu),算法的可解釋度比較強。
© 2019 - 上海保圣實業(yè)發(fā)展有限公司備案號:滬ICP備14034510號-4 GoogleSitemap 技術支持:儀器網(wǎng) 管理登陸