基于空载数据的鉴别食醋电子鼻信号漂移校正方法

殷 勇，王燕芳，葛 飞，于慧春

基于空载数据的鉴别食醋电子鼻信号漂移校正方法

殷 勇，王燕芳，葛 飞，于慧春

（河南科技大学食品与生物工程学院，洛阳 471023）

由于传感器老化，环境温度等因素，电子鼻信号的漂移是不可避免的，且严重降低电子鼻的长期稳健检测能力。为了实现电子鼻对6种食醋样品的长期稳健检测，该文提出了一种基于空载数据的小波包分解系数的漂移递归校正方法。通过小波包对电子鼻空载数据的分解，给出空载阈值函数（no-load threshold function，NLTF），然后将NLTF转换为适合样本数据的样本阈值函数（sample threshold function，STF）。在获得的STF基础上，构建样本检测数据小波包分解系数的校正函数。借助于所构建的样本测试数据的校正函数，对6种食醋样品的电子鼻数据进行漂移校正。同时，运用“样本测量时间窗口（sample measurement time window，SMTW）”的概念，实现电子鼻数据的递归校正，进而建立了可实现长期稳健检测的递归鉴别模型。针对6种食醋样品，进行了为期16个月的间歇式测试。当SMTW选为4个月的测试样本及每次递推前移1个月样本数据时，建立的基于递归校正的Fisher判别分析（Fisher discriminant analysis，FDA）模型可完全实现6种食醋样品的长期稳健鉴别，正确鉴别率达到100%，使紧随SMTW后1个月内的测试样本能得到准确鉴别。该校正方法能够有效的去除漂移并且实现了电子鼻的长期稳健检测。

农产品；模型；电子鼻；漂移；检测；小波包分解；食醋；递归建模

0 引 言

电子鼻是一种对多组分挥发性样品非常有前景的鉴别工具[1-2]，已广泛应用于农业[3]、医药[4]、环境监测[5-6]和食品（包括稻谷[7]、坚果[8]、鱼虾[9]、水果[10-11]）等领域。特别是近年来，电子鼻在食品、农产品质量检测领域的应用最受关注，其应用研究成果不断涌现[12-16]。然而，气敏传感器的漂移严重制约了电子鼻长期检测的稳健性，并且会在一段时间后破坏原来已构建的模式识别系统，降低了系统的鉴别能力[17-19]。因此，漂移是影响电子鼻长期稳健检测的关键因素。并且它被认为是电子鼻发展中最具有挑战性的问题[20]。在6种食醋的鉴别实践中，电子鼻鉴别过程中漂移现象非常明显，并且由先期测试样本数据建立的鉴别模型不能准确地预测后期的测试样本。因此，如何通过校正电子鼻漂移来实现长期稳健检测是电子鼻检测应用中的一项重要任务。在现有的研究中，漂移问题的解决方案主要分为2类。一种是漂移成分校正法[21-23]，如主成分分析[21]，独立分量分析[22]等。另一种是模型校正方法[24-26]，如概率神经网络模型[24]，深度信念网络模型[25]，偏最小二乘模型[26]等。对于漂移成分校正法，已有成果没有确立漂移信号与有用气敏信号的界限，且后期数据和前期数据不具有相同的基向量，因此不能保证成分校正方法的有效性。如选择其中的某些主成分作为漂移偏差的补偿[23]，而未选择的主成分中是否包含检测对象的有用信息也未明确，使其应用存在一定的局限性。对于模型校正方法，已有的成果往往不考虑漂移变化趋势或漂移规律，只是让模型中自带漂移修正的功能，这不能算是真正的漂移校正方法。如通过对测试对象不断分解重构，增强特征间的相关性，起到对漂移的抑制作用[25]，但没有从漂移变化规律入手来消除漂移影响。

殷勇等[27]提出了基于空载条件下小波包分解的漂移校正方法。该方法是在空载条件并依据漂移是传感器的固有行为所提出的，具有普遍适用性，使后期样本的检测中基本实现了电子鼻的长期稳健检测。但是该方法忽略了阈值范围外的分解系数可能包含有真实信号，直接用阈值边界取代可能包含漂移信号，会造成信号失真。

为此，在空载数据基础上本文提出了基于小波包分解系数的一种新的漂移校正方法。这种方法不需要专门的校正处理，仅根据传感器的空载响应数据和样本响应数据就可以实现传感器漂移的校正。主要内容包括样本测试数据小波分解系数校正函数的构建和样本测量时间窗口（sample measurement time window，SMTW）的确定。这种校正函数是对一个时期的小波包分解系数全部进行校正，并且还保留了某个时期某个频点下真实信号的原始特征，使校正后的系数趋势相对平滑且不会造成校正失真。最后，为了检验上述方法的有效性，把4个月SMTW中的样本数据作为训练集，紧随其后1个月的样本数据作为测试集；通过校正函数处理训练集与测试集中的样本数据之后，借助于Fisher判别分析（Fisher discriminant analysis，FDA）尝试了递归鉴别模型的构建，并进行了有效性分析。

1 材料与方法

1.1 试验材料

试验材料为6种食醋样品，分别为东湖3年（DH3N）、东湖5年（DH5N）、水塔3年（ST3N）、水塔6年（ST6N）、紫林4号（ZL4H）、紫林5号（ZL5H）。这6种样品分属3个品牌，每个品牌又包含2个质量等级相近的样品，增加了鉴别工作的难度，更适宜于检验漂移校正方法的有效性以及电子鼻的长期稳健性。6种食醋基本信息见表1。

表1 食醋样品的基本信息

1.2 试验仪器和数据采集

电子鼻系统为实验室自行研制的，主要由3部分组成，即气敏传感器阵列、数据采集装置和计算机数据处理软件。气敏传感器阵列由14个SnO2型气敏传感器组成，它们分别是TGS813，TGS800，TGS821，TGS822，TGS824，TGS816，TGS812，TGS825，TGS826，TGS831，TGS832，TGS830，TGS880和TGS842。该14个气敏传感器的典型敏感气体见文献[28]。此14个传感器安放在不锈钢测量室内的环形板上；考虑到测量室内温度和湿度会对气敏传感器产生影响以及为了补偿这种影响，环形板上还安装了温度传感器和湿度传感器，这是个集成部件，型号为DHT11。温度测量范围为0～50℃，湿度测量范围为20%～90%RH。选用16通道和12位高精度数据采集系统（data acquisition system，DAS）用于管理14个气敏传感器和温、湿度传感器。每个气敏传感器的加热电压均为（5.0 ± 0.05）V，测量回路电压为（10.0 ± 0.01） V。数据处理是在MATLAB R2014a平台上实现所需数据处理方法。

空载样本数据是指电子鼻对无样品条件下的测量室内空气的响应结果。空载测试与样本测试隔日进行，均为动态采集，每个空载样本和食醋样本均采集1 500 s，相邻2个采集点的间隔为1 s。因此，每个空载样本和每个食醋样本都采集1 500个数据。由于电子鼻漂移是缓变信号，故整个试验从2017年10月开始到2019年1月结束，共计16个月，共测量了235个空载样本数据， 6种食醋样品的测试与空载测试隔天交替进行，6种食醋共测量6×234=1404个样本。

需要指出的是，在6种食醋样本测量时，样本种类是随机选择的，没有固定顺序。每个食醋样本测量前先对传感器阵列进行20 s的空采，以获得各个气敏传感器的基线值，然后再对样本进行1 500 s的动态测量。测量结束时对传感器阵列进行960 s的恢复，使各传感器恢复到基线值状态，以便后续样本的测量。每个传感器对1个样本的测试数据减去对应的基准值被称为这个传感器对这个样本的测试结果，这种处理称为去基准处理[29]。随后的数据分析均是基于这种测试结果进行的。

1.3 漂移现象描述

为了描述空载和食醋样本在测试期间的漂移现象，图1a给出了TGS800在16个月内对DH3N样品测量结果的变化趋势；图1b给出了TGS800在16个月内对空载样本测量的变化趋势。图1a和图1b中，纵坐标表示测试结果（电压值），横坐标表示测试时间（年-月）。图1中的每1个离散符号表征1个食醋样本或1个空载样本的第1 500个测试值。

a. DH3N

b. 空载样品

b. No-load samples

图1 TGS800对DH3N样品和空载样品测试结果的变化描述

Fig. 1 Changing representation of TGS800 to DH3N samples and no-load samples

由图1看出，漂移不仅是明显的，而且空载条件下的漂移趋势与样本条件下的漂移趋势基本一致，只是信号强度不同而已。这表明漂移是传感器的固有行为。该现象为空载条件下的开展漂移去除方法研究提供了有力的支持。因此，基于空载测试数据的漂移校正方法的研究不仅是合适的，而且也是必要的。

1.4 数据处理方法

1.4.1小波包分解

当用小波基函数对电子鼻数据进行第1尺度分解时，可获得低频系数集和相同频宽的高频系数集；进行第2尺度分解时，上述低频系数集也被分成相同频宽的低频系数集和高频系数集，同样上述高频系数集也被分成低频和高频部分；以此类推，可以生成小波包分解的二叉树[30]。小波基函数的选择是小波包分解的关键环节，Symlet小波是在Daubechies（dbN）小波基础上提出的近似对称的小波基函数，可以较好避免信号分解或重建过程中的失真现象。通过试算，选择四阶Symlet小波作为分解用的基函数。另外，当小波包分解的尺度较大时，可能会丢失一些有用的信息。根据试算，选择了3尺度实施小波包分解。

图2a描述了TGS800对1个DH3N样本的响应结果曲线，图2b给出了TGS800对1个DH3N样本在不同频点下小波包分解系数的变化趋势。从图2b可以看出，测试结果的信息主要集中在低频段，其他频段几乎为零。因此，后续对分解系数的分析选定为低频系数集。

a. 响应结果曲线

a. Response result curve

b. 不同频点下小波包分解系数的变化曲线

1.4.2 空载阈值函数构建

考虑到漂移是气敏传感器的固有现象，因此可用空载样本数据揭示漂移规律。空载阈值函数（no-load threshold function，NLTF）是基于空载样本数据构建的，它的思想来自标准偏差的概念，根据小波包分解系数的偏差范围，可以得到下限和上限阈值的简单表达式。具体计算见式 （1）～式（2）。

空载样本数据下限阈值函数

空载样本数据上限阈值函数

1.4.3 样本阈值函数构建

公式（1）和式（2）解释了气敏传感器在空载条件下的测试结果的限定范围。当一个气敏传感器的测试结果小于或大于这个限定范围，测试结果将被认为是偏离气敏传感器测试真值的漂移数据，应该被消除。当测试样品时，测试结果主要受样品挥发性强度影响，导致下限和上限阈值强度的变化。根据图1a和图1b中漂移规律的一致性（相似性），可以修正NLTF以获得样本阈值函数（sample threshold function，STF）。则

样本数据下限阈值函数

样本数据上限阈值函数

1.4.4 小波包系数校正与重构

根据大量的计算尝试与分析，提出了一种小波包分解系数校正方法，称此校正方法为“阈值范围内缩放”校正法，校正公式为

根据公式（6），可以看出校正思路主要体现在两个方面：1）在同一测量时间段内，通过放大空载阈值可得到样本阈值，体现了气敏传感器的漂移规律；2）校正后的系数不仅保证了数据的平滑性，并且保留了数据的完整性而不导致信号失真。

被分析样本小波包分解系数校正后，通过重构可得校正后的电子鼻数据。值得注意的是，由于该方法是在SMTW的测量时间段内构造校正函数，因此确定SMTW的大小非常重要，SMTW的大小会影响阈值的上限和下限的确定。随着SMTW的前移，就生成新的校正函数，进而实现递归校正。

1.4.5 Fisher判别分析

Fisher判别分析（Fisher discriminant analysis，FDA）方法通常是基于交叉验证法来构建FDA模型，此方法不具备用先验信息构建的鉴别模型来预测后验样本数据的功能，不符合实际工程应用。只有按时间顺序来构造建模用的训练集和检验集，才具有实用价值。因此，将SMTW中的样本数据作为构建模型用的训练集，以随后1个月或2个月样本数据作为测试集来构建FDA递归模型。实验室依据FDA原理[31]在MATLAB R2014a平台上构建了满足上述要求的FDA程序，以满足基于先验训练集的FDA模型来实现对后验测试集样本的预测。

2 结果与分析

2.1 特征提取

电子鼻信号特征值的选取在鉴别分析中是必不可少的，对判别的结果起着至关重要的作用。因为积分值（integral value，INV）可以反映传感器阵列对样本的总体响应[32]，选择“积分值”作为特征，其计算公式见式（7）。用式（7）对校正前后的样本数据提取积分值。为了进一步补偿对应于每个测试样品的温度和湿度的影响，测量室中的温度和湿度测量值的积分值也分别用作模式识别系统的输入值。

2.2 训练集与测试集的选定

SMTW太长，会包含更多的样本数据，增加数据处理的复杂性和构建检测模型的难度，但若SMTW太短，则不能充分反应漂移信息，难以获得有效的漂移校正方法[33]。为了确定合适的SMTW，分别考察了SMTW为6、5、4、3个月时所构建FDA模型的鉴别结果；同时，将随后2个月或1个月内的测量样本用作测试集进行模型校验。因为FDA模型的训练集应该占样本总数的2/3及以上[34]，所以，当1个月的样本数据作为测试集时，SMTW至少需要2个月的测试数据，当2个月的样本数据用作测试集时，SMTW至少有4个月的数据。但实践发现，当测试集超过2个月的测试样本时，基于训练集的鉴别模型很难满足后期测试集的鉴别。这可能是超过2个月的测试样本占据较长的时间跨度，包含的漂移信息也较多，不利于所构造的漂移校正函数有效处理这些测试样本。因此，在以下分析中，在选择不同的SMTW后，只考察随后2个月或1个月中的测试样本作为测试集。

当SMTW为4个月时（空载样本数据也对应于4个月以构建NLTF），选择随后1个月样本作为测试集，这时可以形成12组的递归数据集，如表2所示。

表2 测试集为1个月的时间窗口

2.3 判别分析

以SMTW为4个月为例，分别研究了校正前和校正后的小波包分解系数变化情况，图3给出了TGS813对DH3N样本去漂移前后的小波包分解第193频点下分解系数的变化情况。

图3 TGS813对DH3N样本在第193个频点下去漂移前/后小波包分解系数的变化趋势

Figure 3 Changes of wavelet packet coefficients based on TGS813 to DH3N samples before/after correction at 193 th frequency point

从图3中可以看出，校正前DH3N样本在测试窗口的漂移趋势是明显的，校正后，漂移得到了控制。为了检验该漂移校正方法的有效性和可靠性，使用FDA处理校正前后的数据。图4给出了漂移校正前的第1组训练集的鉴别结果，很容易看出6种食醋样品混合严重、难以区分，FDA的正确鉴别率仅为62.43%。

图4 基于4个月的样本测量时间窗口（SMTW）去漂移前训练集的FDA鉴别结果

图5a和图5b分别给出了第1组和第2组训练集和对应的测试集样本数据漂移校正后的FDA鉴别结果。从图 5可以看出，SMTW为4个月时，训练集和测试集的鉴别效果明显高于漂移校正前，其鉴别正确率均为100%。同样，对于第3组到第12组的样本数据集，每个训练集和对应的测试集的鉴别正确率也是100%。当SMTW分别为6、5、3个月，并且构建随后1个或2个月的样本测试集时，所能构建的训练集和相应的测试集的最差FDA结果显示在表3中。当SMTW为3个月时，相应的测试集仅由随后1个月的样本数据构建。

表3 不同大小的SMTW所构建模型的鉴别结果

图5 去漂移后第1组和第2组训练集及测试集的 FDA 鉴别结果

从表3可以看出，基于2个月数据的测试集的鉴别正确率不如基于1个月的鉴别正确率。原因可能是基于1个月的测试集包含的样本量少，其漂移比基于2个月的测试集更容易校正。同时，随着SMTW的改变，训练集和测试集的正确鉴别率也随之变化。当SMTW为4个月时，鉴别正确率达到最高（100%）。随着SMTW增加，鉴别正确率逐渐减少，如SMTW为6个月、5个月，校正后续1个月样本时，鉴别正确率分别为96.67%、97.78%，这是因为SMTW越大，数据量越大，需要校正的数据越多，引入的校正误差也会越多，不利于模型的构建，所以模型的精度降低。随着SMTW的减少，如SMTW为3个月时，训练集与测试集的鉴别正确率降低，分别为93.28%，92.22%，这是因为SMTW包含的数据量减少了，不足以体现数据的变化规律，进而使模型的精度降低。另外，也考察了SMTW为2个月时的情况，它们的训练集与测试集的鉴别正确率比3个月的SMTW还要低。因此，4个月的SMTW是最佳选择。基于4个月SMTW所构建的检测模型能够准确鉴别随后1个月内的测试样本。值得注意的是，基于3个月SMTW的模型不能预测未来2个月的样本，因为训练集的样本少于总样本的2/3，不能满足样本的建模比例要求。

3 结 论

气敏传感器的漂移导致电子鼻缺乏长期稳健检测能力。为了准确鉴别长期的电子鼻数据，提出了一种基于空载数据的小波包分解系数漂移递归校正方法，即样本数据的小波包分解系数可以通过建立在空载阈值函数（no-load threshold function，NLTF）上的样本阈值函数（sample threshold function，STF）来校正。同时，借助样本测量时间窗口（sample measurement time window，SMTW）思想，可以有效地实现递归校正。当SMTW为4个月时，建立的递归Fisher判别分析（Fisher discriminant analysis，FDA）模型可以准确鉴别随后1个月的样本数据，鉴别正确率为100%，实现了6种食醋样品的长期稳健鉴别。本文提出的基于空载数据的漂移校正方法因不受检测对象的限制，使得该方法更加具有普遍性，为实现电子鼻的长期稳健检测奠定了基础。

[1] 张婷婷，孙群，杨磊，等. 基于电子鼻传感器阵列优化的甜玉米种子活力检测[J]. 农业工程学报，2017，33(21)：275－281. Zhang Tingting, Sun Qun, Yang Lei, et al. Vigor detection of sweet corn seeds by optimal sensor array based on electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(21): 275－281. (in Chinese with English abstract)

[2] Sanaeifar A, Mohtasebi S S, Ghasemi-Varnamkhasti M, et al. Application of MOS based electronic nose for the prediction of banana quality properties[J]. Measurement, 2016, 82: 105–114.

[3] Andrzej B, Katarzyna J G, Ukasz G, et al. Evaluating soil moisture status using an E-nose[J]. Sensors, 2016, 16(6): 886－899.

[4] van de Goor R M G E, Leunis N, Van Hooren M R A, et al. Feasibility of electronic nose technology for discriminating between head and neck, bladder, and colon carcinomas[J]. European Archives of Oto-Rhino-Laryngology, 2017, 274(2): 1053－1060.

[5] Romero-Flores A, Mcconnell L L, Hapeman C J, et al. Evaluation of an electronic nose for odorant and process monitoring of alkaline-stabilized biosolids production[J]. Chemosphere, 2017, 186: 151－159.

[6] 路鹏，吴世新，戴志锋，等等. 基于电子鼻和GIS的大型生活垃圾堆肥厂恶臭污染源测定[J]. 农业工程学报，2014，30(17): 235－242. Lu Peng, Wu Shixin, Dai Zhifeng, et al. Determination of odor pollution sources in large domestic waste composting plants based on electronic nose and GIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(17): 235－242. (in Chinese with English abstract)

[7] Gao L, Liu T, An X. Analysis of volatile flavor compounds influencing Chinese-type soy sauces using GC–MS combined with HS-SPME and discrimination with electronic nose[J]. Journal of Food Science and Technology, 2017, 54(1): 130－143.

[8] 徐克明，王俊，邓凡霏，等. 用于山核桃陈化时间检测的电子鼻传感器阵列优化[J]. 农业工程学报，2017，33(3)：281－287. Xu Keming, Wang Jun, Deng Fanfei, et al. Optimization of electronic nose sensor array for pecan aging time detection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 281－287. (in Chinese with English abstract)

[9] 傅润泽，沈建，王锡昌，等. 基于神经网络及电子鼻的虾夷扇贝鲜活品质评价及传感器的筛选[J]. 农业工程学报，2016，32(6)：268－275. Fu Runze, Shen Jian, Wang Xichang, et al. Quality evaluation of live yesso scallop and sensor selection based on artificial neural network and electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 268－275. (in Chinese with English abstract)

[10] 徐赛，陆华忠，周志艳，等. 基于电子鼻的果园荔枝成熟阶段检测[J]. 农业工程学报，2015，31(18)：240－246. Xu Sai, Lu Huazhong, Zhou Zhiyan, et al. Electronic nose monitoring mature stage of litchi in orchard[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(18): 240－246. (in Chinese with English abstract)

[11] 李静，宋飞虎，浦宏杰，等. 基于电子鼻气味检测的苹果微波干燥方案优选[J]. 农业工程学报，2015，31(3)：312－318. Li Jing, Song Feihu, Pu Hongjie, et al. Optimization of apple microwave drying scheme based on electronic nose odor detection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(3): 312－318. (in Chinese with English abstract)

[12] 殷勇，赵玉珍，于慧春. 基于多种变量分析方法鉴别食醋种类电子鼻信号特征筛选[J]. 农业工程学报，2018，34(15)：290－297. Yin Yong, Zhao Yuzhen, Yu Huichun. Identification of electronic nose signal characteristics of vinegar species based on multiple variable analysis methods[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(15): 290－297. (in Chinese with English abstract)

[13] 何金鑫，郜海燕，穆宏磊，等. 山核桃氧化过程中品质指标变化的电子鼻快速检测[J]. 农业工程学报，2017，33(14)：284－291. He Jinxin, Gao Haiyan, Mu Honglei, et al. Rapid detection of quality parameters change in hickory oxidation process by electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 284－291. (in Chinese with English abstract)

[14] 沈飞，刘鹏，蒋雪松，等. 基于电子鼻的花生有毒霉菌种类识别及侵染程度定量检测[J]. 农业工程学报，2016，32(24)：297－302. Shen Fei, Liu Peng, Jiang Xuesong, et al. Identification and infective degree detection of peanut toxic mold based on electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 297－302. (in Chinese with English abstract)

[15] 刘宁晶，史波林，赵镭，等. 基于独立成分分析结合遗传算法的电子鼻蜜源检测特征信号挖掘[J]. 农业工程学报，2015，31(增刊1)：315－324. Liu Ningjing, Shi Bolin, Zhao Lei, et al. Feature signal mining based on independent component analysis combined with genetic algorithm for electronic nose honey source detection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(supp 1): 315－324. (in Chinese with English abstract)

[16] 何余勤，胡荣锁，张海德，等. 基于电子鼻技术检测不同焙烤程度咖啡的特征性香气[J]. 农业工程学报，2015，31(18)：247－255. He Yuqin, Hu Rongsuo, Zhang Haide, et al. Detection of characteristic aroma of coffee with different baking degrees based on electronic nose technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(18): 247－255. (in Chinese with English abstract)

[17] Yan K, Zhang D. Calibration transfer and drift compensation of e-noses via coupled task learning[J]. Sensors & Actuators B: Chemical, 2016, 225: 288－29.

[18] Zhang L, Liu Y, He Z, et al. Anti-drift in e-nose: A subspace projection approach with drift reduction[J]. Sensors and Actuators B: Chemical, 2017, 253: 407－417.

[19] Xu S, Sun X, Lü E, et al. A modified mean deviation threshold function based on fast Fourier transform and its application in litchi rest storage life recognition using an e-nose[J]. J Food Meas Charact, 2018, 12: 867－876.

[20] Liu H, Tang Z. Metal oxide gas sensor drift compensation using a dynamic classifier ensemble based on fitting[J]. Sensors, 2013, 13(7): 9160－9173.

[21] 裴高璞，史波林，赵镭，等. 典型掺假蜂蜜的电子鼻信息变化特征及判别能力[J]. 农业工程学报，2015，31(增刊1)：325－331. Pei Gaopu, Shi Bolin, Zhao Lei, et al. Variation characteristics and discriminative ability of electronic nose information of typical adulterated honey[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(supp 1): 325－331. (in Chinese with English abstract)

[22] 曹小玲，刘开元，严良俊. 大地电磁的小波变换—独立分量分析去噪[J]. 石油地球物理勘探，2018，53(1)：206－213. Cao Xiaoling, Liu Kaiyuan, Yan Liangjun. Wavelet transform of magnetotelluric electromagnetics-independent component analysis denoising[J]. Petroleum Geophysical Prospecting, 2018, 53(1): 206—213. (in Chinese with English abstract)

[23] 陈英义，程倩倩，方晓敏，等等. 主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧[J]. 农业工程学报，2018，34(17)：183－191. Chen Yingyi, Cheng Qianqian, Fang Xiaomin, et al. Principal component analysis and long-term short-term memory neural network for predicting dissolved oxygen in aquaculture waters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(17): 183－191. (in Chinese with English abstract)

[24] Aleixandre M, Santos J P, Sayago I, et al. A wireless and portable electronic nose to differentiate musts of different ripeness degree and grape varieties[J]. Sensors, 2015, 15(4): 8429－8443.

[25] 罗宇. 基于深度信念网络的气体传感器漂移补偿[D]. 重庆: 重庆大学，2017. Luo Yu. Gas Sensor Drift Compensation Based on Deep Belief Network[D]. Chongqing: Chongqing University, 2017. (in Chinese with English abstract)

[26] 尼加提·卡斯木，师庆东，王敬哲，等. 基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算[J]. 农业工程学报，2017，33(22)：208－216. Nijat Kasim, Shi Qingdong, Wang Jingzhe, et al. Estimation of chlorophyll content of spring wheat based on hyperspectral features and partial least squares method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(22): 208－216. (in Chinese with English abstract)

[27] 殷勇，葛飞，于慧春. 电子鼻漂移阈值构建及其在白酒鉴别中的应用[J]. 农业机械学报，2018，49(1)：322－328. Yin Yong, Ge Fei, Yu Huichun. Construction of electronic nasal drift threshold and its application in liquor identification[J]. Transactions of the Chinese Society of Agricultural Machinery, 2018, 49(1): 322－328. (in Chinese with English abstract)

[28] 殷勇，吴文凯，于慧春. 独立分量分析融合小波能量阈值的电子鼻信号去漂移方法[J]. 农业工程学报，2014，30(24)：325－331. Yin Yong, Wu Wenkai, Yu Huichun. Drift elimination method of electronic nose signals based on independent component analysis coupled with wavelet energy threshold value[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(24): 325－331. (in Chinese with English abstract)

[29] 于慧春，褚冰，殷勇. 食醋电子鼻检测中一种特征参量评价方法[J]. 农业工程学报，2013，29(3)：258－264. Yu Huichun, Chu Bing, Yin Yong. Evaluation method of feature vector in vinegar identification by electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(3): 258－264. (in Chinese with English abstract)

[30] 王海江，王周龙，李丽宏，等等. 基于高平衡阶多进制多小波包变换的遥感影像融合[J]. 农业工程学报，2015，31(1)：178－186. Wang Haijiang, Wang Zhoulong, Li Lihong, et al. Remote sensing image fusion based on high-equal multi-band multi-wavelet packet transform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(1): 178－186. (in Chinese with English abstract)

[31] 高惠璇. 应用多元统计分析[M]. 北京：北京大学出版社，2004.

[32] Yin Y, Hao Y, Yu H, et al. Detection potential of multi-features representation of E-nose data in classification of moldy maize samples[J]. Food & Bioprocess Technology, 2017, 10(12): 1－14.

[33] Yin Y, Bai Y, Ge F, et al. Long-term robust identification potential of a wavelet packet decomposition based recursive drift correction of E-nose data for Chinese spirits[J]. Measurement, 2019, 139: 284－292.

[34] Carmel L, Levy S, Lancet D, et al. A feature extraction method for chemical sensors in electronic noses[J]. Sensors, 2003, 93(1/2/3): 67－76.

E-nose information drift correction method for identifying vinegarbased on no-load data

Yin Yong, Wang Yanfang, Ge Fei, Yu Huichun

(,,471023,)

Electronic nose (E-nose) signal drift is inevitable due to sensor aging and fluctuation of ambient temperature and humidity, which could compromise its ability of robust long-term detection. To ensure long-term robust service of the E-nose for detecting vinegar samples, a drift recursive correction method is proposed in this paper using the wavelet packet decomposition coefficients based on no-load data. The method does not require special correction processing and the sensor drift can be corrected based only on the no-load response data and the sample response data of the E-nose. In the model, the Symlet wavelet function was first used to decompose the no-load data of the E-nose using a no-load threshold function (NLTF) given in the paper. The NLTF was then converted to sample threshold function (STF) suiting the samples data by a constructed adjustment coefficient. Using the STF, a correction function based on the wavelet packet decomposition coefficient of the samples of E-nose data was constructed. The E-nose data of six vinegars were subject to a drift correction by means of the correction function. We also introduced the concept of “sample measurement time window” (SMTW), and used the correction function to process the sample data within the SMTW. As the SMTW progresses recursively, the drift in all sample data at different times (or SMTW) could be used to recursively correct the samples of the vinegars. To validate the drift correction method and test the applicability of the SMTW, the sample data in the SMTW were used as a training set and the sample data between one month and two months after the SMTW were used as test set. A recursive Fisher discriminant analysis (FDA) model was built, which was proven capable of long-term robust detection of the vinegars. The samples of the vinegars were tested intermittently for 16 months, and the SMTW in which was 6, 5, 4 and 3 months, respectively. With the change in SMTW, the correct discrimination rate for the training set and the test set also changes. When the SMTW was more than 4 months or less than 4 months, the correction identification rate of FDA was less than 100%, and the correction identification rate was only 92.22% under certain circumstance. Therefore, when the SMTW was 6, 5 or 3 months, the samples of the vinegars cannot be identified robustly in long term. When SMTW was 4 months, the test samples in SMTW and the samples within one month after the SMTW were effectively identified by the established recursive FDA model, and the vinegar samples can be identified robustly in long term, with a correction identification rate of 100%. That is, the test samples within one month after the SMTW could be accurately identified using the FDA model built from the sample E-nose data when the SMTW was within 4 months. We believe that our results has implications as the proposed method is applicable to other E-nose data.

agricultural products; models; E-nose; drift; detection; wavelet packet decomposition; vinegar; recursive modeling

2019-03-30

2019-04-30

国家自然科学基金资助项目（31571923）

殷 勇，教授，博导，主要研究方向为农产品、食品品质检测技术。Email：yinyong@haust.edu.cn

10.11975/j.issn.1002-6819.2019.17.035

TP212.2；TS207.5

A

1002-6819(2019)-17-0293-08

殷 勇，王燕芳，葛 飞，于慧春. 基于空载数据的鉴别食醋电子鼻信号漂移校正方法[J]. 农业工程学报，2019，35(17)：293－300. doi：10.11975/j.issn.1002-6819.2019.17.035 http://www.tcsae.org

Yin Yong, Wang Yanfang, Ge Fei, Yu Huichun. E-nose information drift correction method for identifying vinegarbased on no-load data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(17): 293－300. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.17.035 http://www.tcsae.org