电子鼻数据处理的方法

（一）主成分分析算法（Principal Component Analysis，PCA）

主成分分析算法是一种线性变换方法，可以从多个变量数据中挑选出较少数量的重要变量来代表原数据包含的信息。它能够以低维数的数据表达高维数据包含的信息，解析出主要影响因素以揭示事物的本质，是目前电子鼻模式识别系统领域中最常用的数据预处理方法。在电子鼻模式识别方法设计中，主成分分析算法从电子鼻中传感器阵列所采集到的测试样品信号数据中提取特征参数，客观地剔除数据中的冗余数据，为电子鼻准确分析样品提供了基础数据。该方法简单，易于理解，普适性高，目前已经在众多品牌的电子鼻中得到了应用。

（二）K近邻算法（K-Nearest Neighbor，K-NN）

K-NN分类算法是一种简单、常用的数据挖掘分类技术方法，它是针对特征空间中待测样本的特征向量与其相邻的k个样本特征向量间的距离关系而实现待测样本分类的一种方法，该算法可以仅依靠与待分样本特征向量距离最近邻的一个或者几个样本来判断样本的种类。对电子鼻中传感器阵列采集的数据分类而言，K近邻算法是一种无需训练、简单、便捷的方法，在电子鼻的应用中取得了不错的效果。

（三）线性判别式分析（Linear Discriminant Analysis，LDA）

线性判别式分析算法是通过最大化类内散度矩阵与类间散度矩阵的比值来获得样本采集数据的最优投影空间，进而在最优空间中寻找最佳分离性的线性判别方式。在电子鼻的数据处理中，线性判别式分析是一种成熟快速有效的方法。

（四）支持向量机（Support Vector Machine，SVM）(https://www.xing528.com)

支持向量机算法的核心思想是把输入向量映射到高维特征空间中，将在低维空间中原本线性不可分的问题转化为在高维空间中线性可分的问题，同时避免出现“维数灾难”的现象。作为一种通用的学习方法，支持向量机算法对小样本进行学习与分类具有比较好的推广能力。由于支持向量机算法占用的计算资源少，可以使其在具有有限计算资源的电子鼻中得到应用，因而受到很多学者的重视。

（五）Adaboost集成分类器

Adaboost集成分类器针对贴有标签的训练数据集，训练一组结构相同、参数差异的子分类器，将这些子分类器按照一定的权值集成起来，构成Adaboost集成分类器。该算法以每次迭代训练后的训练误差作为参考，来校正当前每个子分类器和数据样本的权值，利用重新构造的数据集对子分类器进行迭代训练，以此优化Adaboost集成分类器内部参数。相比其他分类算法，Adaboost集成分类器的泛化性能更好，识别率更高。Adaboost算法同时具有融合多个分类算法的能力，因其突出的特性，使其在电子鼻的模式识别应用领域得到了广泛的使用。

（六）人工神经网络（Artificial Neural Network，ANN）

人工神经网络是一种通过模拟人类大脑神经元信息处理方式进行数据分析的网络模型，其由大量相似的感知节点互相连接，并形成一个复杂的网络。人工神经网络拥有常规模式识别算法无法比拟的非线性运算优势，对于高维非线性问题，该算法表现出了较高的容错性。随着计算机硬件技术的不断进步，它已经成为模式识别及机器学习领域的研究热点。目前，许多人工神经网络算法已经在电子鼻的模式识别系统中得到应用，如BP神经网络、模糊神经网络（FNN）、自组织神经网络（SOM）、学习向量量化（LVQ）、概率神经网络（PNN）等。