一个基于机器学习的电子鼻子系统,使用众多低成本的气体传感器实时进行酒精饮料分类

科学领域:

• 分析化学 分析化学
• 传感器技术 传感器技术
• 机器学习 机器学习

背景情况:

• 狗的优异嗅觉突出了先进的气味分类系统的潜力.
• 均的金属氧化物半导体 (MOS) 传感器,尽管选择性差,但可以产生独特的分类模式.
• 利用众多低成本传感器为昂贵,复杂的系统提供了可行的替代方案.

研究的目的:

• 开发一个实时的酒精饮料分类系统,使用众多低成本的气体传感器和机器学习.
• 调查传感器数量和数据预处理对分类准确性的影响.
• 根据商业标准评估拟议的电子鼻子系统的性能.

主要方法:

• 使用30个均的MOS气体传感器构建了一个电子鼻子系统.
• 酒精饮料样品 (威士忌,豆,白酒) 在气室中进行分析.
• 时间序列传感器数据被预处理成四个数据集,并使用机器学习算法进行分析,包括预训练的线性差异分析 (LDA) 模型.

主要成果:

• 该系统实现了高分类精度,超过99%,在使用更多传感器时,最佳性能为99.83 ± 0.21%.
• 分类性能受到所采用的数据预处理技术的显著影响.
• 拟议系统的分类性能与商业电子鼻子系统相美.

结论:

• 低成本,高精度的电子鼻子系统可用于实时酒精饮料分类是可行的.
• 气体传感器的数量是提高预测准确性的关键因素.
• 该研究验证了使用机器学习与异质传感器响应进行有效的气味分析.