基于电子鼻检测冷链环境下消毒剂浓度的方法技术

本发明专利技术涉及气体传感检测技术领域，具体公开了一种基于电子鼻检测冷链环境下消毒剂浓度的方法

【技术实现步骤摘要】
基于电子鼻检测冷链环境下消毒剂浓度的方法


[0001]本专利技术涉及气体传感检测
，具体公开了一种基于电子鼻检测冷链环境下消毒剂浓度的方法
。

技术介绍

[0002]化学类消毒剂在医疗诊断
、
食品加工
、
制药及清洁消毒等方面都发挥着重要作用，其主要利用化学物质来杀死或去除细菌
、
病毒
、
真菌和其他微生物
。
消毒剂本身易溶于水，易挥发，具有强烈的腐蚀性和刺激性，给消毒剂的检测研究带来挑战
。
[0003]近年来，分光光度法
、
气
/
液色谱法等技术在消毒剂检测方面展现出了独特的性能，检测灵敏度极高，但其使用成本较高
、
机器操作繁琐且使用场景单一，便携性差，难以在冷链市场的实际场景中广泛应用
。
气体传感器法虽然在精确度
、
灵敏度方面劣于以上技术，但其操作简单
、
价格便宜
、
体积较小
、
后期维护相对容易，因此在很多领域的实际应用中有很大的价值
。
针对冷链物流环境的成本和功耗等实际需求，用气体传感器来对冷链物流中各消毒剂气体浓度进行检测成为首选
。
[0004]针对消毒剂或各种挥发性气体浓度的量化方法通常有很多，不同的量化方法输入不同的气体数据集后，得到的量化性能也不尽相同
。
每种量化算法都有自己擅长的一方面，要在不同的角度分析算法的性能才能找到适合消毒剂气体的算法模型，以下为
RF(
随机森林
)、BP
神经网络
(BPNN
，
Back Propagation Neural Network)
和
SVR(
支持向量回归
)
算法的优缺点总结
。
[0005](1)
使用
RF
方法量化时，优点为可以有效处理高维数据和非线性问题，可以通过特征随机抽样和子树随机选择等方法提高模型的泛化能力，但当
RF
中的决策树较多时，训练模型需要耗费大量的时间和内存；
[0006](2)
利用
BPNN
进行量化分析，可以适当的调整权重和偏置提高模型的性能，但由于参数的随机设置，使模型容易过拟合且泛化能力降低；
[0007](3)
利用
SVR
算法进行量化时，能够用少量样品得到算法的最优解，但对于大样品或维度较高的数据集训练性能会变差
。
[0008]综上所述，在面对复杂的消毒剂气体特征，且样品数不是很大的情况下，选取
SVR
算法来实现对消毒剂浓度的量化，因为相对于
BPNN
和
RF
，
SVR
模型的参数较少，量化结果也比较容易解释和理解，有利于在实际应用中进行验证和优化，且
SVR
模型训练速度较快，能够在较短时间内完成模型的训练和优化
。
但是
SVR
中的关键参数在经验赋值时会使模型产生较大的误差
。

技术实现思路

[0009]为了克服现有技术中的问题，本专利技术提出了基于电子鼻检测冷链环境下消毒剂浓度的方法
。
[0010]本专利技术解决上述技术问题的技术方案如下：
[0011]本专利技术提供了一种基于电子鼻检测冷链环境下消毒剂浓度的方法，包括以下步骤：
[0012]模拟冷链环境，制备不同浓度的消毒剂样品；
[0013]在电子鼻设备上搭载气体传感器阵列，对制备的消毒剂样品进行数据采集，获取到传感器响应数据；
[0014]对所述传感器响应数据进行数据预处理，得到气体响应特征数据集；
[0015]采用随机森林
、
主成分分析算法进行特征数据筛选和降维，构建
SVR
模型，引入灰狼优化算法优化
SVR
模型的参数，以此构造
RF
‑
PCA
‑
GWO
‑
SVR
模型，采用
RF
‑
PCA
‑
GWO
‑
SVR
模型对消毒剂浓度进行预测
。
[0016]进一步地，所述气体传感器阵列包括2个以上气体传感器
。
[0017]进一步地，对传感器响应数据集进行数据预处理，所述预处理包括滤波
、
去噪声
、
去基线
、
特征提取和归一化
。
[0018]进一步地，所述特征提取包括：在去基线后的传感器响应数据中，提取传感器响应数据的相对稳态平均值
、
积分值
、
全局平均值和标准差，其中，相对稳态平均值是气体传感器达到最大响应时的稳态区间内的平均值，积分值
、
平均值和标准差是每个样本数据曲线全部数据的积分值
、
全局平均值和标准差
。
[0019]进一步地，采用随机森林
、
主成分分析算法进行特征数据筛选和降维，具体包括：
[0020]基于随机森林计算特征重要度，计算每个传感器的重要度，根据传感器的重要度选择符合要求的传感器，选取重要度高的传感器构建新的传感器阵列和特征矩阵，并采用
PCA
降维，构建最优特征子集
。
[0021]进一步地，引入灰狼优化算法优化
SVR
模型的参数，具体包括：
[0022]Step1
：初始化
SVR、GWO
算法参数；
[0023]设置灰狼种群数量
N、
迭代次数
M、
搜索范围
A(A∈[
‑
a
，
a])
和随机变量
c
，
c∈[0
，
2]，设置
SVR
参数
(C
，
g)
的寻优范围，其中，
C
为
SVR
的惩罚系数，
g
为
SVR
的核宽度；
[0024]Step2
：初始化灰狼种群位置，训练
SVR
模型，计算灰狼个体的适应度；
[0025]Step3
：选取适应度最优的3个灰狼个体，并分别命名为
α
、
β
、
δ
；
[0026]Step4
：更新每匹狼的位置和参数
a、A、c
，重新计算灰狼个体适应度，保留最优的适应度值；
[0027]Step5
：如果达到最大迭代次数则本文档来自技高网...

【技术保护点】

【技术特征摘要】
式中，
r1和
r2取
[...

【专利技术属性】
技术研发人员：魏广芬，张贵帅，何爱香，林忠海，
申请(专利权)人：山东工商学院，
类型：发明
国别省市：