第2期 周红标，等：自适应概率神经网络及其在白酒电子鼻中的应用 181 从表3可以看出，3种PNN算法的留一交叉分 3 实验结果分析 类准确率要远高于BP和RBF神经网络；参数集经 在建立识别模型之前，首先给特征数据集中的 过DE优化后的PNN识别模型得到的准确率最高 每个样本附上标签，其中海之蓝定义为1号标签，牛 (训练集为100%、测试集为97.5%)，优于PS0、GA 栏山陈酿定义为2号标签，省接待定义为3号标签， 优化的和未经优化的PNN;未经优化的PNN耗时较 迎驾大曲定义为4号标签.从白酒气味指纹图谱库 短，远低于BP,能够满足在线分析的要求，但由于优 中随机选择40个作为训练集，剩余40个作为测试 化算法寻求过程复杂，GA-PNN和PSO-PNN耗时较 集，先进行PCA处理，然后将每个样本的前2个主 长；本文还对SVM模型进行测试，发现其在白酒识 成分得分输入到DE-PNN模型进行识别，识别结果 别中的效果并不理想（经过简单分析，可能的原因 如表2所示. 是SVM需要整体归一化，而本文数据集特征值采取 表2DE-PNN识别结果 的是分属性归一化) Table 2 The recognition results of DE-PNN 4 预测结果 H 特异度/% 结束语 N 识别出H 10 1 0 0 90.9 电子鼻技术融合了传感器技术、嵌入式技术、信 识别出N 0 9 0 1 90.0 息处理技术和模式识别技术等，目前在农学、工学、 医学和生物学等多个领域都有着广泛应用.利用电 识别出S 1 0 8 80.0 子鼻技术识别白酒种类、检测白酒品质、监控白酒生 识别出Y 1 0 0 P 80.9 产质量是目前研究的主要方向，本文正是针对白酒 灵敏度/%83.390100 80 87.5/92.1 分类提出一种基于APNN的识别模型，其利用DE、 从表2可见，DE-PNN识别算法的总体敏感度 GA、PSO优化PNN的σ参数集.实验结果表明，与 和特异度分别为87.5%和92.1%，证实了模型具有 其他神经网络以及未优化的PNN相比，基于DE 较好的分类性能.径向基函数的扩展速度SPREAD PNN的方法具有较好的分类效果和较快的收敛速 对网络有影响，当SPREAD在0.002~0.007之间取 度 值时，模型的分类和泛化能力较好。 表2只是一次随机性的测试，可能存在误差.为 参考文献： 了全面评价分类器的性能，本文采取了留一交叉验 [1]杨国强，张淑娟.电子鼻技术在酒类识别应用中的研究 证法(leave-one-out cross-validation,LOOCV).该方 进展[J].山西农业大学学报：自然科学版，2010,30 法能够弥补样本不足的缺陷，其原理是：每次从样本 (1):92-96. 集中随机抽取1个作为测试样本，剩余的n-1个作 YANG Guogiang,ZHANG Shujuan.Development of the e- 为训练样本；然后，再轮流提取另一个样本，直到所 lectronic nose technology on the identification of spirit]. Journal of Shanxi Agric ultural University:Natural Science 有样本都轮完，最终由准确分类的样本与样本总数 Edition,2010,30(1):92-96. 之比来决定分类器的分类准确率.表3给出了在不 [2]YU Huichun,WANG Jun.Discrimination of longjing green- 同的分类方法下，全部80个样本采用L00CV进行 tea grade by electronic nose[J].Sensors and Actuators B, 验证对应的识别结果。 2007,122:134-140. 表3各种分类方法的识别结果 [3]ALEIXANDRE M,LOZANO J,GUITERREZ J,et al. Table 3 The recognition results of different methods Portable e-nose to classify different kinds of wine[J].Sen- 分类准确率 建模时间/ sors and Actuators B,2008,131:71-76. 算法 训练样本 测试样本 (8·次-1) [4]刘红秀，李洪波，李卫东，等.基于电子鼻的鱼类新鲜度 估计研究[J].中山大学学报：自然科学版，2010,49 BP 4578/6320 62/80 125.4 (2):2830. RBF 4895/6320 68/80 5.8 LIU Hongxiu,LI Hongbo,LI Weidong,et al.Research on PNN 6125/6320 71/80 2.6 the fish freshness assessment based on electronic nose[J]. GA-PNN 6288/6320 75/80 12.5 Acta Scientiarum Natralium Universitatis Sunyatseni,2010, 49(2):28-30. PSO-PNN 6320/6320 76/80 8.5 [5]李纯，卢志茂，杨朋.基于快速谱聚类的图像分割算法 DE-PNN 6320/6320 78/80 3.7 [J].应用科技，2012,39(2)：26-30