：

　　fid=fopen(′F:/data_20090525八角原料八角原料0010.nos′);

　　path=′F:/data_20090525八角原料′;

　　filename=′八角原料0010.nos′;

　　[fileinfo,channel,method,sensor_data]=read_NOS_data(path,filename);

　　hold on

　　subplot(2,4,1);

　　plot(sensor_data);

　　axis([0 62 0 2.5]);

　　xlabel(′采样时间t′);ylabel(′传感器响应值G/G0′);

　　title(′八角原料0010′);

　　由图3可以看出，传感器s1、s3和s5属于负向型金属氧化物传感器，其G与G0的比值一般均小于1，为便于比较分析，将程序中的这三个传感器的数据进行进一步处理，亦即将这三个传感器的响应值改为G0/G。传感器1至传感器10分别用s1至s10来表示，部分代码如下：

　　s1=1./sensor_data(:,1); %% s1传感器的响应值以G0/G表示

　　s2=sensor_data(:,2); %% s2传感器的响应值以G/G0表示

　　……

　　s10=sensor_data(:,10);%% s2传感器的响应值以G/G0表示

　　效果图如图4(见封三)所示。从图中可以看出，各传感器在前10　s之内，对不同样品响应区别不大;然后随着采样时间推移，响应区别逐渐明显。各传感器的响应是样本中挥发性成分的组成及相应的浓度不同而综合作用的结果。

　　2.2 模式识别

　　2.2.1 模式建立 实验中每种样品都采用连续采样12次。考虑到传感器测量的稳定性(因为每个传感器达到稳定均需要一定的时间，所以前5次采样所得到的数据有可能还没有足够达到稳定状态)，选用第6次至第10次采样得到的5个文件中40～50 s的55个数据向量(由10个传感器的数据构成的10维向量)。

　　2.2.2 特征提取 根据被识别的对象产生出一组基本特征，它可以是计算出来的，也可以是用仪表或传感器测量出来的，这样的特征称为原始特征。原始特征的数量可能很大，甚至会造成“维数灾难”，这种情况下，为提高计算效率，需要在尽量不丢失对分类有用信息的前提下，对原始特征进行合理的选择，产生出对分类识别最有效、数目最少的特征，以降低维数，这就是特征提取的基本任务。在此对电子鼻的响应信号进行分析，生成与中草药气味相关的原始特征空间。假设使用s个传感器，每个传感器的特征变量有q个，那么原始的特征空间的维数为m=sq。在电子鼻各传感器的响应信号中，依据各特征提取与选择方法，找出最合适的特征数，以实现最好的分类结果。PEN3电子鼻采用10个传感器来进行测量，因此全部采用的话会造成数据冗余太多，影响识别的实时性。通过MATLAB7.0软件编写程序，得到10个传感器分别对7类样本第10次采样的响应曲线，由此选出合适数量的传感器，达到既能进行有效识别又能节约运算成本的目的。由图5(见封三)可知，传感器4，8，10的响应曲线基本不变，对各类样品的响应差别非常小，因此对不同样本的区分基本没有贡献，可以去除这三个传感器的数据，达到数据降维的目的。

　　2.2.3 模式分析 对7种不同品种的中药材样品的原始特征参数进行主成分分析(PCA分析)，前2个主成分的累积方差贡献率已经超过85%，达到Variance:99.338%，其中第一个main axis方差贡献率:95.886%，第二个main axis方差贡献率:3.451 8%。根据由前2个主成分的得分值可画出7种不同品种中药材的二维分布图，如图6(见封三)所示，其中每一个点代表一个样本。可见通过PCA分析就能够将所有样品分开，不过图中每类样品主要呈带状分布、集中度不是很高。

　　对7种不同品种的中药材样品的原始特征参数进行线性判别分析(LDA分析)，前2个主成分的累积方差贡献率也超过85%，达到Variance:93.488%，其中第一个main axis方差贡献率:78.761%，第二个main axis方差贡献率:14.726%。根据由前2个主成分的得分值可画出7种不同品种中药材的二维分布图，如图7(见封三)所示，其中每一个点代表一个样本。可见通过LDA分析也同样能够将所有样品分开，并且图中每类样品主要呈点状分布、集中度比PCA方法高很多。

　　3 讨 论

　　本文进行的是不同品种的中药材识别，由于不同品种的气味信息差别比较大，鉴别不同中药材相对比较容易，所以无论采用PCA分析还是采用LDA分析方法，都能很好地区别这7种不同中药材。由于同一品种的不同地域、不同采收期的中药材样品准备比较困难，因此对于同一品种的不同地域、不同采收期的中药材指纹图谱的建立还有待进后进一步的深入研究。

【参考文献】
  　　[1] 韩凤梅,蔡敏,陈勇.中药指纹图谱技术研究现状[J].分析科学学报,2004,20(6): 647-651.

　　[2] 谢培山.中药材制剂色谱指纹图谱(图像)鉴别[J].中成药,2000,22 (6):391-395.

　　[3] 王天松.毛细管电泳法与中草药指纹图谱[J].中成药,2000,22(6):397-399.

　　[4] 杜英峰,张兰桐.现代分离分析技术在中药材研究中的应用[J].河北医科大学学报,2005,26(1):71-73.

　　[5] 严琳,高健,侯莉莉.中药指纹图谱的方法学研究概述[J].泸州医学院学报,2004,27(1):87-89.

　　[6] KELLER P E,KANGAS L J,LIDEN L H,et al. Electronic noses and their applications[C]// Proceedings of the IEEE Technical Applications Conference (TAC′95) at Northcon′95. Portland:Oregon,1995:116-120.

　　[7] SCHALLER E,BOSSET J O,ESCHER F.“Electronic noses” and their application to food: a review[J]. Food Sci Technol Lebensm Wiss Technol,1998,31(4):305-316.

　　[8] 邹宇华.岭南中草药分类鉴别的机器嗅觉实现方法研究[D].广州：广东工业大学，2009.

　　[9] 许广桂.基于仿生嗅觉的中药材气味指纹图谱研究[D].广州：广东工业大学，2008.

上一页  [1] [2]