基于遺傳小波神經(jīng)網(wǎng)絡(luò)的白酒識(shí)別電子鼻

周紅標(biāo)，張新榮，耿忠華

淮陰工學(xué)院 電子與電氣工程學(xué)院，江蘇 淮安 223003

基于遺傳小波神經(jīng)網(wǎng)絡(luò)的白酒識(shí)別電子鼻

周紅標(biāo)，張新榮，耿忠華

淮陰工學(xué)院 電子與電氣工程學(xué)院，江蘇 淮安 223003

白酒是中國(guó)特有的一種蒸餾酒，其由淀粉或糖質(zhì)原料制成酒醅或發(fā)酵醪經(jīng)蒸餾而得。酒質(zhì)無(wú)色透明，氣味芳香純正，入口綿甜爽凈，酒精含量較高，經(jīng)貯存老熟后，具有以酯類(lèi)為主體的復(fù)合香味。目前，白酒的識(shí)別主要是通過(guò)感官評(píng)定和化學(xué)分析法檢測(cè)[1]。感官評(píng)定是評(píng)酒員憑眼觀(guān)、嘴品、鼻子聞等感官手段對(duì)酒體進(jìn)行評(píng)價(jià)；化學(xué)分析法主要是利用色譜儀、光譜儀和毛細(xì)管電泳儀等快速檢測(cè)出白酒的主體成分構(gòu)成。顯而易見(jiàn)，感官評(píng)定容易受到評(píng)酒員身體狀況、情緒及評(píng)酒環(huán)境的影響，化學(xué)方法只分析主體成分，對(duì)復(fù)雜酒體構(gòu)成缺乏整體反映。

電子鼻是一種分析、識(shí)別和檢測(cè)復(fù)雜嗅味和揮發(fā)性成分的人工嗅覺(jué)系統(tǒng)，其得到的不是被測(cè)樣品中某種或某幾種成分的定性與定量結(jié)果，而是樣品中揮發(fā)性成分的整體信息[2]。電子鼻的模式識(shí)別單元主要是對(duì)氣味信息及其特征建立相應(yīng)的數(shù)學(xué)模型，以達(dá)到對(duì)樣品氣味的全面分類(lèi)，主要有統(tǒng)計(jì)模式識(shí)別和人工神經(jīng)網(wǎng)絡(luò)方法[3-4]。前者所建模型都是采用線(xiàn)性判別方法，與電子鼻氣味數(shù)據(jù)非線(xiàn)性的本質(zhì)不相符；后者較為典型的是BP神經(jīng)網(wǎng)絡(luò)，由于其結(jié)構(gòu)簡(jiǎn)單、非線(xiàn)性處理能力強(qiáng)，應(yīng)用較為廣泛。但BP神經(jīng)網(wǎng)絡(luò)存在容易陷入局部極小和收斂速度慢等缺點(diǎn)，限制了它進(jìn)一步的應(yīng)用[5]。小波神經(jīng)網(wǎng)絡(luò)（Wavelet Neural Networks，WNN）是建立在小波理論基礎(chǔ)之上的一種新型神經(jīng)網(wǎng)絡(luò)模型，它兼具小波分析和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，具有更強(qiáng)的非線(xiàn)性處理能力。但盡管如此，小波神經(jīng)網(wǎng)絡(luò)的BP算法并沒(méi)改變，依然存在BP算法固有的缺點(diǎn)[6]。因此，本文提出了遺傳小波神經(jīng)網(wǎng)絡(luò)，通過(guò)遺傳算法獲得小波神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始化參數(shù)，將遺傳小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于白酒識(shí)別電子鼻，對(duì)四種白酒樣品的5路傳感器采集的氣味數(shù)據(jù)進(jìn)行處理，取得了令人滿(mǎn)意的識(shí)別效果。

1 遺傳小波神經(jīng)網(wǎng)絡(luò)

1.1 小波神經(jīng)網(wǎng)絡(luò)

小波是一種長(zhǎng)度有限、平均值為0的波形，小波函數(shù)是由一個(gè)母小波函數(shù)經(jīng)過(guò)平移和尺度伸縮得到，小波變換是指把某一基本小波函數(shù)φ(t)平移τ后再在不同尺度a下與待分析信號(hào)x(t)做內(nèi)積：

等效的時(shí)域表達(dá)式為：

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播。前向傳遞時(shí)，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出。WNN是一種以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含層節(jié)點(diǎn)的傳遞函數(shù)，信號(hào)前向傳播的同時(shí)誤差反向傳播的神經(jīng)網(wǎng)絡(luò)[7]，由于采用小波基函數(shù)，這使得WNN在很大程度上克服了BP固有的缺點(diǎn)。WNN也是3層網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，如圖1所示，X1，X2，…，Xk是WNN的輸入?yún)?shù)，Y1，Y2，…，Ym是WNN的預(yù)測(cè)輸出，ωij和ωjk是WNN的權(quán)值[8]。

圖1 小波神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

當(dāng)輸入信號(hào)序列為xi(i=1，2，…，k)時(shí)，隱含層輸出計(jì)算公式為：

式（3）中，h(j)為隱含層第 j個(gè)節(jié)點(diǎn)輸出值；ωij為輸入層和隱含層的連接權(quán)值；bj為小波基函數(shù)hj的平移因子；aj為小波基函數(shù)hj的伸縮因子；hj為小波基函數(shù)；l為隱含層節(jié)點(diǎn)數(shù)。

小波神經(jīng)網(wǎng)絡(luò)輸出層計(jì)算公式為：

式（4）中，ωjk為隱含層到輸出層權(quán)值；h(j)為隱含層第 j個(gè)節(jié)點(diǎn)輸出；l為隱含層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)。

本文隱含層選取的神經(jīng)元激勵(lì)函數(shù)為Morlet母小波函數(shù)，其數(shù)學(xué)公式為：

有了網(wǎng)絡(luò)的預(yù)測(cè)輸出y(k)，再根據(jù)期望輸出yn(k)，就能計(jì)算出網(wǎng)絡(luò)的預(yù)測(cè)誤差：

然后根據(jù)預(yù)測(cè)誤差e修正小波神經(jīng)網(wǎng)絡(luò)權(quán)值和小波基函數(shù)系數(shù)，類(lèi)似于BP，采用梯度修正法，從而使小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出不斷逼近期望輸出。修正過(guò)程不再贅述，參見(jiàn)文獻(xiàn)[9]。由于小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)修正算法與BP本質(zhì)上是一樣的，因此，需要人工確定相應(yīng)的伸縮因子和平移因子以及各個(gè)權(quán)值和閾值。同時(shí)，小波神經(jīng)網(wǎng)絡(luò)依然存在易陷入局部極小、收斂速度慢等BP網(wǎng)絡(luò)固有的缺點(diǎn)。因此，需要利用優(yōu)化算法來(lái)獲取小波神經(jīng)網(wǎng)絡(luò)的最好的初始值，遺傳算法就是一個(gè)典型的優(yōu)化算法。

1.2 遺傳小波神經(jīng)網(wǎng)絡(luò)

遺傳算法借鑒了達(dá)爾文的進(jìn)化論和孟德斯鳩的遺傳學(xué)說(shuō)，模擬生物界自然選擇和自然遺傳機(jī)制進(jìn)化過(guò)程，通過(guò)全局隨機(jī)搜索來(lái)解決復(fù)雜問(wèn)題[10]。它對(duì)問(wèn)題空間進(jìn)行二進(jìn)制或?qū)崝?shù)編碼，用適應(yīng)度函數(shù)作為評(píng)價(jià)依據(jù)，通過(guò)遺傳中的選擇、交叉和變異算子對(duì)個(gè)體進(jìn)行篩選。隨著個(gè)體的不斷進(jìn)化，適應(yīng)度值好的個(gè)體被保留，適應(yīng)度值差的個(gè)體被淘汰，直到完成最大進(jìn)化代數(shù)或達(dá)到設(shè)定的適應(yīng)度值，算法才結(jié)束。這里主要有編碼、適應(yīng)度函數(shù)和遺傳操作三個(gè)關(guān)鍵問(wèn)題。

就本文而言，由于變量較多，種群中個(gè)體采用實(shí)數(shù)編碼方式更直觀(guān)明了，包括隱含層節(jié)點(diǎn)數(shù)、輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值、輸出層閾值、伸縮因子、平移因子，共7個(gè)部分。

根據(jù)個(gè)體得到小波神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，用訓(xùn)練數(shù)據(jù)訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)后預(yù)測(cè)系統(tǒng)輸出，把預(yù)測(cè)輸出和期望輸出之間的誤差絕對(duì)值和作為個(gè)體適應(yīng)度值F，計(jì)算公式為：

式（7）中，m為網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；yn(k)、y(k)見(jiàn)式（6）定義；q為系數(shù)。

遺傳操作主要是利用選擇概率Pi、交叉概率Pc、變異概率Pm等生成新個(gè)體，產(chǎn)生下一代種群。個(gè)體的選擇概率是根據(jù)個(gè)體的適應(yīng)度值來(lái)計(jì)算：

式（8）中 fi=k/Fi，F(xiàn)i為個(gè)體i的適應(yīng)度值。對(duì)于Pc和Pm的計(jì)算請(qǐng)參考文獻(xiàn)[9]，這里不再詳述。

最后將新個(gè)體插入種群中，進(jìn)行再迭代，最終利用遺傳算法得到了問(wèn)題的最優(yōu)解，解決了小波神經(jīng)網(wǎng)絡(luò)中參數(shù)手動(dòng)調(diào)整的困難。

遺傳小波神經(jīng)網(wǎng)絡(luò)算法的具體步驟如下[11-12]：

步驟1設(shè)定遺傳算法中的參數(shù)，包括個(gè)體編碼長(zhǎng)度、種群規(guī)模、遺傳代數(shù)、交叉概率、變異概率等。

步驟2按照公式（7）計(jì)算各個(gè)體的適應(yīng)度值。

步驟3根據(jù)適應(yīng)度值，利用遺傳算法的選擇、交叉和變異三個(gè)算子得到下一代群體。

步驟4將新的個(gè)體插入種群中，并計(jì)算新一代群體的適應(yīng)度值。

步驟5計(jì)算網(wǎng)絡(luò)的誤差平方和，若達(dá)到設(shè)定值或達(dá)到設(shè)定的進(jìn)化代數(shù)，則轉(zhuǎn)向步驟6；否則，轉(zhuǎn)向步驟3，繼續(xù)進(jìn)行遺傳操作。

步驟6選出適應(yīng)度最高的個(gè)體進(jìn)行解碼，并將參數(shù)賦給小波神經(jīng)網(wǎng)絡(luò)作為初始值，開(kāi)始小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試。

2 實(shí)驗(yàn)數(shù)據(jù)

2.1 電子鼻

圖2是課題組研制的白酒電子鼻實(shí)驗(yàn)裝置示意圖。傳感器陣列是由TGS2600（S1）、TGS2611（S2）、TGS2602（S3）、TGS2620（S4）和TGS2610（S5）共5個(gè)氣體傳感器構(gòu)成。TGS2600對(duì)氣態(tài)的空氣質(zhì)量檢測(cè)具有很高的靈敏度，TGS2611對(duì)天然氣等可燃?xì)怏w具有高敏感度，TGS2602對(duì)氣味氣體具有高敏感度，TGS2620對(duì)有機(jī)蒸汽（尤其是酒精）具有高敏感度，TGS2610對(duì)甲烷、乙烷、丙烷等可燃?xì)怏w具有高敏感度。

圖2 電子鼻實(shí)驗(yàn)裝置示意圖

數(shù)據(jù)采集卡采用的是北京迪陽(yáng)公司生產(chǎn)的U18，板卡上集成有12 bit分辨率的A/D轉(zhuǎn)換器，能提供16路單端或8路雙端模擬輸入通道，可通過(guò)USB總線(xiàn)與PC機(jī)連接，配合虛擬儀器軟件LabVIEW，能夠快速、方便地搭建一個(gè)通用的數(shù)據(jù)采集系統(tǒng)。電子鼻工作過(guò)程：將白酒等液體置入塑料制成的樣品池中，通過(guò)內(nèi)置真空泵1將其揮發(fā)性成分吸入到由氣體傳感器陣列構(gòu)成的氣室中；PC機(jī)啟動(dòng)數(shù)據(jù)采集卡采集白酒氣味數(shù)據(jù)，一直到傳感器到達(dá)穩(wěn)定狀態(tài)；下一個(gè)樣品測(cè)試前，內(nèi)置真空泵2首先需要將上一次測(cè)試樣品的廢氣抽走，并利用新鮮空氣充分洗刷傳感器陣列；每一種傳感器對(duì)白酒混合氣味均有唯一的響應(yīng)圖譜，通過(guò)PC機(jī)將5路圖譜呈現(xiàn)出來(lái)，并進(jìn)行特征提取和模式識(shí)別。

2.2 數(shù)據(jù)采集及特征提取

2011年3月18日，從淮安某超市購(gòu)買(mǎi)到洋河42°藍(lán)色經(jīng)典、今世緣40°省接待、雙溝42°好運(yùn)來(lái)和京都56°二鍋頭若干作為測(cè)試樣品。每次取15 mL待測(cè)樣品，利用電子鼻進(jìn)行氣味數(shù)據(jù)采集，每個(gè)樣品測(cè)試30次，這樣就得到4種白酒樣品共120個(gè)樣本數(shù)據(jù)。如圖3所示為省接待樣品的傳感器信號(hào)強(qiáng)度圖，其中橫坐標(biāo)是數(shù)據(jù)采集點(diǎn)數(shù)（32萬(wàn)點(diǎn)），縱坐標(biāo)是響應(yīng)強(qiáng)度或幅值，每條曲線(xiàn)代表一個(gè)傳感器在采樣時(shí)間內(nèi)的響應(yīng)值變化。

圖3 藍(lán)地球樣品的傳感器信號(hào)強(qiáng)度圖

需要說(shuō)明的是，由于在采樣操作的起始時(shí)刻，傳感器陣列暴露在空氣當(dāng)中，它們的響應(yīng)幅值幾乎一樣（稍大于0）；在10萬(wàn)點(diǎn)左右，響應(yīng)值有明顯變化（樣品的揮發(fā)性成分影響傳感器輸出）；在25萬(wàn)點(diǎn)以后，5路傳感器的響應(yīng)強(qiáng)度相對(duì)于其自身都維持在一個(gè)較為穩(wěn)定的值，對(duì)于藍(lán)地球樣品，S2、S3和S4存在較大差異，但S1、S5比較相近。為了將5條曲線(xiàn)更清晰地展示出來(lái)，圖3給S1、S2、S3、S4分別疊加了8、6、4、2的常量，抬高了上述4個(gè)傳感器的響應(yīng)曲線(xiàn)，在建立識(shí)別模型時(shí)分別減去疊加值，因此，并不影響模式識(shí)別的結(jié)果。

由于5路傳感器采集的原始?xì)馕稊?shù)據(jù)總計(jì)達(dá)到160萬(wàn)點(diǎn)，直接利用原始數(shù)據(jù)建立識(shí)別模型是不可行的，在建模之前必須進(jìn)行降維或特征提取。在白酒電子鼻中，本文采取的方法是截取一段傳感器穩(wěn)態(tài)響應(yīng)曲線(xiàn)，求取穩(wěn)態(tài)響應(yīng)值：

式（9）中，vkx表示第x個(gè)傳感器n個(gè)穩(wěn)態(tài)響應(yīng)點(diǎn)中第k點(diǎn)的序列值，實(shí)驗(yàn)時(shí)，n取3 000，并且從25萬(wàn)點(diǎn)開(kāi)始。這樣，每個(gè)樣本就用5個(gè)數(shù)值特征值來(lái)進(jìn)行表征，達(dá)到了降維目的。

3 結(jié)果與討論

3.1 網(wǎng)絡(luò)收斂性

從120個(gè)樣本中選取60組（每種白酒取15組）數(shù)據(jù)作為訓(xùn)練集，剩余60組作為測(cè)試集。對(duì)訓(xùn)練集和測(cè)試集數(shù)據(jù)統(tǒng)一采用[0，1]歸一化，四種白酒樣本的小波神經(jīng)網(wǎng)絡(luò)輸出分別標(biāo)記為：藍(lán)色經(jīng)典0001、省接待0010、好運(yùn)來(lái)0100、二鍋頭1000。

神經(jīng)網(wǎng)絡(luò)的輸入層有5個(gè)神經(jīng)元，輸出層有4個(gè)神經(jīng)元，經(jīng)遺傳算法優(yōu)化的隱含層節(jié)點(diǎn)個(gè)數(shù)為9個(gè)。在相同條件下（都是三層網(wǎng)絡(luò)、各層節(jié)點(diǎn)數(shù)一樣），分別建立了BP神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)和遺傳小波神經(jīng)網(wǎng)絡(luò)三種分類(lèi)模型。對(duì)于BP網(wǎng)絡(luò)，隱含層和輸出層傳遞函數(shù)分別采用Sigmoid型tansig函數(shù)和線(xiàn)性purelin函數(shù)，訓(xùn)練采用L-M優(yōu)化算法trainlm函數(shù)。對(duì)于WNN，隱含層采用的是Morlet小波基函數(shù)。對(duì)于GA-WNN，種群規(guī)模為50，進(jìn)化代數(shù)為100，交叉概率為0.5，變異概率為0.2。上述三種模型的學(xué)習(xí)目標(biāo)都為0.001，學(xué)習(xí)率都為0.1。三種模型的誤差學(xué)習(xí)曲線(xiàn)如圖4所示。

圖4 BP、WNN、GA-WNN訓(xùn)練誤差學(xué)習(xí)曲線(xiàn)

從圖4可以看出，傳統(tǒng)的BP網(wǎng)絡(luò)經(jīng)過(guò)設(shè)定的最大步數(shù)1 000步訓(xùn)練停止，但沒(méi)達(dá)到預(yù)期設(shè)定的理想誤差，這是因?yàn)閭鹘y(tǒng)BP算法存在局部極小問(wèn)題。小波神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)178步后收斂，雖然最終達(dá)到了預(yù)期的理想誤差，但訓(xùn)練過(guò)程存在振蕩問(wèn)題。遺傳小波神經(jīng)網(wǎng)絡(luò)僅迭代94次就達(dá)到理想誤差0.001，訓(xùn)練過(guò)程收斂性好，振蕩現(xiàn)象不明顯。由此可知，無(wú)論在收斂速度上，還是在預(yù)測(cè)的精度上，基于遺傳小波神經(jīng)網(wǎng)絡(luò)的分類(lèi)模型都比傳統(tǒng)BP網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)具有更好的效果。遺傳小波神經(jīng)網(wǎng)絡(luò)避免了局部極小問(wèn)題，從而快速地找到最優(yōu)解，降低了學(xué)習(xí)時(shí)間。

3.2 網(wǎng)絡(luò)診斷精度

表1列出了電子鼻的8個(gè)氣味樣品特征值數(shù)據(jù)（從每種白酒樣本中隨機(jī)選擇2個(gè)）及其在遺傳小波神經(jīng)網(wǎng)絡(luò)分類(lèi)模型下的預(yù)測(cè)標(biāo)簽和實(shí)際標(biāo)簽。從表1可以看出，遺傳小波神經(jīng)網(wǎng)絡(luò)模型正確識(shí)別出8個(gè)樣本。

表1 部分?jǐn)?shù)據(jù)遺傳小波神經(jīng)網(wǎng)絡(luò)分類(lèi)結(jié)果

為了能夠利用本文的算法對(duì)自制的白酒識(shí)別電子鼻的性能進(jìn)行全面的評(píng)估，將所采集到的120個(gè)樣本數(shù)據(jù)分別送入三個(gè)分類(lèi)模型中進(jìn)行10次同等條件下的測(cè)試。將每種白酒樣本正確檢出的個(gè)數(shù)與此種白酒的樣本總數(shù)之比作為分類(lèi)準(zhǔn)確率，比如在GA-WNN下，藍(lán)色經(jīng)典樣本總數(shù)為150個(gè)，正確識(shí)別148個(gè)，因此分類(lèi)準(zhǔn)確率為148/150= 98.67%。表2列出了三種模型對(duì)四種白酒的最終測(cè)試集分類(lèi)準(zhǔn)確率。

從表2可以看出：對(duì)于藍(lán)色經(jīng)典和二鍋頭樣本數(shù)據(jù)，三種模型的識(shí)別準(zhǔn)確率都比較高，都達(dá)到了94.00%以上，但是對(duì)于藍(lán)地球和好運(yùn)來(lái)樣本數(shù)據(jù)，GA-WNN分類(lèi)準(zhǔn)確率為97.67%和97.34%，明顯高于WNN的92.00%和91.34%以及BP的82.00%和80.67%。藍(lán)地球和好運(yùn)來(lái)樣本識(shí)別準(zhǔn)確率的大幅提高，主要是由于GA-WNN算法采用遺傳算法在全局范圍內(nèi)確定了較優(yōu)的網(wǎng)絡(luò)初值，很大程度上消除了BP網(wǎng)絡(luò)隨機(jī)選取初始值，易陷入局部極小的可能，獲得了良好的網(wǎng)絡(luò)性能，致使網(wǎng)絡(luò)具有較強(qiáng)的泛化能力。同時(shí)，通過(guò)10次實(shí)驗(yàn)的極差和均方差也能說(shuō)明GA-WNN網(wǎng)絡(luò)的穩(wěn)定性較高，識(shí)別準(zhǔn)確率波動(dòng)不大。

表2 三種模型對(duì)四種白酒的分類(lèi)準(zhǔn)確率（%）

4 結(jié)論

基于傳統(tǒng)BP算法的小波神經(jīng)網(wǎng)絡(luò)具有BP算法的固有缺陷，收斂速度慢，并且存在振蕩問(wèn)題。遺傳算法和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的GA-WNN混合算法，充分發(fā)揮了遺傳算法的全局優(yōu)化搜索能力、小波變換良好的時(shí)頻局部特性和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，其收斂速度和診斷精度明顯提高，更加適應(yīng)用于白酒電子鼻中的模式識(shí)別算法。

[1]楊國(guó)強(qiáng)，張淑娟.電子鼻技術(shù)在酒類(lèi)識(shí)別應(yīng)用中的研究進(jìn)展[J].山西農(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，30（1）：92-96.

[2]劉紅秀，李洪波，李衛(wèi)東.基于電子鼻的魚(yú)類(lèi)新鮮度估計(jì)研究[J].中山大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，49（2）：28-30.

[3]Yu Huichun，Wang Jun.Discrimination of Longjing green-tea grade by electronic nose[J].Sensors and Actuators B，2007，122：134-140.

[4]賈洪鋒，盧一，何江紅，等.電子鼻在牦牛肉和牛肉豬肉識(shí)別中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（5）：358-363.

[5]王美玲，王念平，李曉.BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)及應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2009，46（35）：47-48.

[6]聶鵬，諶鑫，徐濤，等.基于小波神經(jīng)網(wǎng)絡(luò)的航空刀具磨損狀態(tài)識(shí)別[J].北京航空航天大學(xué)學(xué)報(bào)，2011，37（1）：106-109.

[7]張坤，郁湧，李彤.小波神經(jīng)網(wǎng)絡(luò)在黃金價(jià)格預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（27）：224-226.

[8]Billings S A，Weih L.A new class of wavelet networks for nonlinear system identification[J].IEEE Transactions on Neural Networks，2005，16（4）：862-874.

[9]韓志艷，王健，倫淑嫻.基于遺傳小波神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別分類(lèi)器設(shè)計(jì)[J].計(jì)算機(jī)科學(xué)，2010，37（11）：243-246.

[10]周紅標(biāo)，張宇林，胡金平.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的CTG識(shí)別研究[J].重慶醫(yī)科大學(xué)學(xué)報(bào)，2011，36（7）：68-71.

[11]張松華，何怡剛，李兵，等.基于遺傳小波神經(jīng)網(wǎng)絡(luò)的RFID調(diào)制識(shí)別[J].計(jì)算機(jī)工程，2011，37（2）：191-193.

[12]MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2010.

ZHOU Hongbiao,ZHANG Xinrong,GENG Zhonghua

Faculty of Electronic and Electrical Engineering,Huaiyin Institute of Technology,Huai'an,Jiangsu 223003,China

The classification model of BP neural networks is put forward,which using electronic nose to acquire odor datum from four kinds of Chinese Liquors,aims at the research of Chinese liquors identification electronic nose.But the BP algorithm of neural network commonly used has several disadvantages,such as the slow convergence speed,the optimization procedure getting easily stacked into the minimal value locally and network parameter must be decided by experiment and experience.This paper designs a recognition classifier of Genetic Algorithm-Wavelet Neural Network（GA-WNN）,which has global optimization capability of GA,non-linear approximation ability of wavelet and self-learning characteristic of neural network.The simulation results prove that it can improve the recognition accuracy and convergence rate,and the GA-WNN algorithm can be used in Chinese liquors identification electronic nose.

Chinese liquors identification;electronic nose;wavelet neural networks;genetic algorithm

為研究不同品質(zhì)白酒快速識(shí)別的電子鼻技術(shù)，利用自制的電子鼻采集四種白酒樣品的氣味數(shù)據(jù)，建立了BP神經(jīng)網(wǎng)絡(luò)分類(lèi)模型。針對(duì)BP算法普遍存在的收斂速度慢、易陷入局部極小且網(wǎng)絡(luò)參數(shù)需要人工設(shè)定的缺陷，提出一種將遺傳算法的自適應(yīng)全局優(yōu)化搜索能力、小波分析的非線(xiàn)性逼近能力和BP算法自學(xué)習(xí)能力結(jié)合在一起的遺傳小波神經(jīng)網(wǎng)絡(luò)白酒識(shí)別模型。仿真結(jié)果表明，與BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)相比，GA-WNN分類(lèi)模型的收斂速度和分類(lèi)準(zhǔn)確率都得到了較大提高，可應(yīng)用于白酒識(shí)別電子鼻。

白酒識(shí)別；電子鼻；小波神經(jīng)網(wǎng)絡(luò)；遺傳算法

A

TS261.7；TP274+.2

10.3778/j.issn.1002-8331.1108-0350

ZHOU Hongbiao,ZHANG Xinrong,GENG Zhonghua.Chinese liquors identification electronic nose based on GA-WNN. Computer Engineering and Applications,2013,49（5）：254-257.

江蘇省自然科學(xué)基金（No.08KJA460001）；淮安市科技支撐項(xiàng)目（No.SN1045）；淮陰工學(xué)院科技項(xiàng)目（No.HGC1009）。

周紅標(biāo)（1980—），男，講師，主要研究領(lǐng)域：人工智能；張新榮，男，副教授。E-mail：hyitzhb@163.com

2011-08-24

2011-10-20

1002-8331（2013）05-0254-04

CNKI出版日期：2011-12-09 http://www.cnki.net/kcms/detail/11.2127.TP.20111209.1000.018.html