基于遗传小波神经网络的白酒识别电子鼻

周红标，张新荣，耿忠华

淮阴工学院 电子与电气工程学院，江苏 淮安 223003

基于遗传小波神经网络的白酒识别电子鼻

周红标，张新荣，耿忠华

淮阴工学院 电子与电气工程学院，江苏 淮安 223003

白酒是中国特有的一种蒸馏酒，其由淀粉或糖质原料制成酒醅或发酵醪经蒸馏而得。酒质无色透明，气味芳香纯正，入口绵甜爽净，酒精含量较高，经贮存老熟后，具有以酯类为主体的复合香味。目前，白酒的识别主要是通过感官评定和化学分析法检测[1]。感官评定是评酒员凭眼观、嘴品、鼻子闻等感官手段对酒体进行评价；化学分析法主要是利用色谱仪、光谱仪和毛细管电泳仪等快速检测出白酒的主体成分构成。显而易见，感官评定容易受到评酒员身体状况、情绪及评酒环境的影响，化学方法只分析主体成分，对复杂酒体构成缺乏整体反映。

电子鼻是一种分析、识别和检测复杂嗅味和挥发性成分的人工嗅觉系统，其得到的不是被测样品中某种或某几种成分的定性与定量结果，而是样品中挥发性成分的整体信息[2]。电子鼻的模式识别单元主要是对气味信息及其特征建立相应的数学模型，以达到对样品气味的全面分类，主要有统计模式识别和人工神经网络方法[3-4]。前者所建模型都是采用线性判别方法，与电子鼻气味数据非线性的本质不相符；后者较为典型的是BP神经网络，由于其结构简单、非线性处理能力强，应用较为广泛。但BP神经网络存在容易陷入局部极小和收敛速度慢等缺点，限制了它进一步的应用[5]。小波神经网络（Wavelet Neural Networks，WNN）是建立在小波理论基础之上的一种新型神经网络模型，它兼具小波分析和神经网络的优点，具有更强的非线性处理能力。但尽管如此，小波神经网络的BP算法并没改变，依然存在BP算法固有的缺点[6]。因此，本文提出了遗传小波神经网络，通过遗传算法获得小波神经网络的最优初始化参数，将遗传小波神经网络应用于白酒识别电子鼻，对四种白酒样品的5路传感器采集的气味数据进行处理，取得了令人满意的识别效果。

1 遗传小波神经网络

1.1 小波神经网络

小波是一种长度有限、平均值为0的波形，小波函数是由一个母小波函数经过平移和尺度伸缩得到，小波变换是指把某一基本小波函数φ(t)平移τ后再在不同尺度a下与待分析信号x(t)做内积：

等效的时域表达式为：

BP神经网络是一种多层前馈神经网络，其主要特点是信号前向传递，误差反向传播。前向传递时，输入信号从输入层经隐含层逐层处理，直至输出层。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。WNN是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络[7]，由于采用小波基函数，这使得WNN在很大程度上克服了BP固有的缺点。WNN也是3层网络，包括输入层、隐含层和输出层，如图1所示，X1，X2，…，Xk是WNN的输入参数，Y1，Y2，…，Ym是WNN的预测输出，ωij和ωjk是WNN的权值[8]。

图1 小波神经网络拓扑结构图

当输入信号序列为xi(i=1，2，…，k)时，隐含层输出计算公式为：

式（3）中，h(j)为隐含层第 j个节点输出值；ωij为输入层和隐含层的连接权值；bj为小波基函数hj的平移因子；aj为小波基函数hj的伸缩因子；hj为小波基函数；l为隐含层节点数。

小波神经网络输出层计算公式为：

式（4）中，ωjk为隐含层到输出层权值；h(j)为隐含层第 j个节点输出；l为隐含层节点数；m为输出层节点数。

本文隐含层选取的神经元激励函数为Morlet母小波函数，其数学公式为：

有了网络的预测输出y(k)，再根据期望输出yn(k)，就能计算出网络的预测误差：

然后根据预测误差e修正小波神经网络权值和小波基函数系数，类似于BP，采用梯度修正法，从而使小波神经网络的预测输出不断逼近期望输出。修正过程不再赘述，参见文献[9]。由于小波神经网络的结构和参数修正算法与BP本质上是一样的，因此，需要人工确定相应的伸缩因子和平移因子以及各个权值和阈值。同时，小波神经网络依然存在易陷入局部极小、收敛速度慢等BP网络固有的缺点。因此，需要利用优化算法来获取小波神经网络的最好的初始值，遗传算法就是一个典型的优化算法。

1.2 遗传小波神经网络

遗传算法借鉴了达尔文的进化论和孟德斯鸠的遗传学说，模拟生物界自然选择和自然遗传机制进化过程，通过全局随机搜索来解决复杂问题[10]。它对问题空间进行二进制或实数编码，用适应度函数作为评价依据，通过遗传中的选择、交叉和变异算子对个体进行筛选。随着个体的不断进化，适应度值好的个体被保留，适应度值差的个体被淘汰，直到完成最大进化代数或达到设定的适应度值，算法才结束。这里主要有编码、适应度函数和遗传操作三个关键问题。

就本文而言，由于变量较多，种群中个体采用实数编码方式更直观明了，包括隐含层节点数、输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值、伸缩因子、平移因子，共7个部分。

根据个体得到小波神经网络的初始参数，用训练数据训练小波神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值和作为个体适应度值F，计算公式为：

式（7）中，m为网络输出节点数；yn(k)、y(k)见式（6）定义；q为系数。

遗传操作主要是利用选择概率Pi、交叉概率Pc、变异概率Pm等生成新个体，产生下一代种群。个体的选择概率是根据个体的适应度值来计算：

式（8）中 fi=k/Fi，Fi为个体i的适应度值。对于Pc和Pm的计算请参考文献[9]，这里不再详述。

最后将新个体插入种群中，进行再迭代，最终利用遗传算法得到了问题的最优解，解决了小波神经网络中参数手动调整的困难。

遗传小波神经网络算法的具体步骤如下[11-12]：

步骤1设定遗传算法中的参数，包括个体编码长度、种群规模、遗传代数、交叉概率、变异概率等。

步骤2按照公式（7）计算各个体的适应度值。

步骤3根据适应度值，利用遗传算法的选择、交叉和变异三个算子得到下一代群体。

步骤4将新的个体插入种群中，并计算新一代群体的适应度值。

步骤5计算网络的误差平方和，若达到设定值或达到设定的进化代数，则转向步骤6；否则，转向步骤3，继续进行遗传操作。

步骤6选出适应度最高的个体进行解码，并将参数赋给小波神经网络作为初始值，开始小波神经网络的训练和测试。

2 实验数据

2.1 电子鼻

图2是课题组研制的白酒电子鼻实验装置示意图。传感器阵列是由TGS2600（S1）、TGS2611（S2）、TGS2602（S3）、TGS2620（S4）和TGS2610（S5）共5个气体传感器构成。TGS2600对气态的空气质量检测具有很高的灵敏度，TGS2611对天然气等可燃气体具有高敏感度，TGS2602对气味气体具有高敏感度，TGS2620对有机蒸汽（尤其是酒精）具有高敏感度，TGS2610对甲烷、乙烷、丙烷等可燃气体具有高敏感度。

图2 电子鼻实验装置示意图

数据采集卡采用的是北京迪阳公司生产的U18，板卡上集成有12 bit分辨率的A/D转换器，能提供16路单端或8路双端模拟输入通道，可通过USB总线与PC机连接，配合虚拟仪器软件LabVIEW，能够快速、方便地搭建一个通用的数据采集系统。电子鼻工作过程：将白酒等液体置入塑料制成的样品池中，通过内置真空泵1将其挥发性成分吸入到由气体传感器阵列构成的气室中；PC机启动数据采集卡采集白酒气味数据，一直到传感器到达稳定状态；下一个样品测试前，内置真空泵2首先需要将上一次测试样品的废气抽走，并利用新鲜空气充分洗刷传感器阵列；每一种传感器对白酒混合气味均有唯一的响应图谱，通过PC机将5路图谱呈现出来，并进行特征提取和模式识别。

2.2 数据采集及特征提取

2011年3月18日，从淮安某超市购买到洋河42°蓝色经典、今世缘40°省接待、双沟42°好运来和京都56°二锅头若干作为测试样品。每次取15 mL待测样品，利用电子鼻进行气味数据采集，每个样品测试30次，这样就得到4种白酒样品共120个样本数据。如图3所示为省接待样品的传感器信号强度图，其中横坐标是数据采集点数（32万点），纵坐标是响应强度或幅值，每条曲线代表一个传感器在采样时间内的响应值变化。

图3 蓝地球样品的传感器信号强度图

需要说明的是，由于在采样操作的起始时刻，传感器阵列暴露在空气当中，它们的响应幅值几乎一样（稍大于0）；在10万点左右，响应值有明显变化（样品的挥发性成分影响传感器输出）；在25万点以后，5路传感器的响应强度相对于其自身都维持在一个较为稳定的值，对于蓝地球样品，S2、S3和S4存在较大差异，但S1、S5比较相近。为了将5条曲线更清晰地展示出来，图3给S1、S2、S3、S4分别叠加了8、6、4、2的常量，抬高了上述4个传感器的响应曲线，在建立识别模型时分别减去叠加值，因此，并不影响模式识别的结果。

由于5路传感器采集的原始气味数据总计达到160万点，直接利用原始数据建立识别模型是不可行的，在建模之前必须进行降维或特征提取。在白酒电子鼻中，本文采取的方法是截取一段传感器稳态响应曲线，求取稳态响应值：

式（9）中，vkx表示第x个传感器n个稳态响应点中第k点的序列值，实验时，n取3 000，并且从25万点开始。这样，每个样本就用5个数值特征值来进行表征，达到了降维目的。

3 结果与讨论

3.1 网络收敛性

从120个样本中选取60组（每种白酒取15组）数据作为训练集，剩余60组作为测试集。对训练集和测试集数据统一采用[0，1]归一化，四种白酒样本的小波神经网络输出分别标记为：蓝色经典0001、省接待0010、好运来0100、二锅头1000。

神经网络的输入层有5个神经元，输出层有4个神经元，经遗传算法优化的隐含层节点个数为9个。在相同条件下（都是三层网络、各层节点数一样），分别建立了BP神经网络、小波神经网络和遗传小波神经网络三种分类模型。对于BP网络，隐含层和输出层传递函数分别采用Sigmoid型tansig函数和线性purelin函数，训练采用L-M优化算法trainlm函数。对于WNN，隐含层采用的是Morlet小波基函数。对于GA-WNN，种群规模为50，进化代数为100，交叉概率为0.5，变异概率为0.2。上述三种模型的学习目标都为0.001，学习率都为0.1。三种模型的误差学习曲线如图4所示。

图4 BP、WNN、GA-WNN训练误差学习曲线

从图4可以看出，传统的BP网络经过设定的最大步数1 000步训练停止，但没达到预期设定的理想误差，这是因为传统BP算法存在局部极小问题。小波神经网络经过178步后收敛，虽然最终达到了预期的理想误差，但训练过程存在振荡问题。遗传小波神经网络仅迭代94次就达到理想误差0.001，训练过程收敛性好，振荡现象不明显。由此可知，无论在收敛速度上，还是在预测的精度上，基于遗传小波神经网络的分类模型都比传统BP网络和小波神经网络具有更好的效果。遗传小波神经网络避免了局部极小问题，从而快速地找到最优解，降低了学习时间。

3.2 网络诊断精度

表1列出了电子鼻的8个气味样品特征值数据（从每种白酒样本中随机选择2个）及其在遗传小波神经网络分类模型下的预测标签和实际标签。从表1可以看出，遗传小波神经网络模型正确识别出8个样本。

表1 部分数据遗传小波神经网络分类结果

为了能够利用本文的算法对自制的白酒识别电子鼻的性能进行全面的评估，将所采集到的120个样本数据分别送入三个分类模型中进行10次同等条件下的测试。将每种白酒样本正确检出的个数与此种白酒的样本总数之比作为分类准确率，比如在GA-WNN下，蓝色经典样本总数为150个，正确识别148个，因此分类准确率为148/150= 98.67%。表2列出了三种模型对四种白酒的最终测试集分类准确率。

从表2可以看出：对于蓝色经典和二锅头样本数据，三种模型的识别准确率都比较高，都达到了94.00%以上，但是对于蓝地球和好运来样本数据，GA-WNN分类准确率为97.67%和97.34%，明显高于WNN的92.00%和91.34%以及BP的82.00%和80.67%。蓝地球和好运来样本识别准确率的大幅提高，主要是由于GA-WNN算法采用遗传算法在全局范围内确定了较优的网络初值，很大程度上消除了BP网络随机选取初始值，易陷入局部极小的可能，获得了良好的网络性能，致使网络具有较强的泛化能力。同时，通过10次实验的极差和均方差也能说明GA-WNN网络的稳定性较高，识别准确率波动不大。

表2 三种模型对四种白酒的分类准确率（%）

4 结论

基于传统BP算法的小波神经网络具有BP算法的固有缺陷，收敛速度慢，并且存在振荡问题。遗传算法和小波神经网络相结合的GA-WNN混合算法，充分发挥了遗传算法的全局优化搜索能力、小波变换良好的时频局部特性和神经网络的自学习能力，其收敛速度和诊断精度明显提高，更加适应用于白酒电子鼻中的模式识别算法。

[1]杨国强，张淑娟.电子鼻技术在酒类识别应用中的研究进展[J].山西农业大学学报：自然科学版，2010，30（1）：92-96.

[2]刘红秀，李洪波，李卫东.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（2）：28-30.

[3]Yu Huichun，Wang Jun.Discrimination of Longjing green-tea grade by electronic nose[J].Sensors and Actuators B，2007，122：134-140.

[4]贾洪锋，卢一，何江红，等.电子鼻在牦牛肉和牛肉猪肉识别中的应用[J].农业工程学报，2011，27（5）：358-363.

[5]王美玲，王念平，李晓.BP神经网络算法的改进及应用[J].计算机工程与应用，2009，46（35）：47-48.

[6]聂鹏，谌鑫，徐涛，等.基于小波神经网络的航空刀具磨损状态识别[J].北京航空航天大学学报，2011，37（1）：106-109.

[7]张坤，郁湧，李彤.小波神经网络在黄金价格预测中的应用[J].计算机工程与应用，2010，46（27）：224-226.

[8]Billings S A，Weih L.A new class of wavelet networks for nonlinear system identification[J].IEEE Transactions on Neural Networks，2005，16（4）：862-874.

[9]韩志艳，王健，伦淑娴.基于遗传小波神经网络的语音识别分类器设计[J].计算机科学，2010，37（11）：243-246.

[10]周红标，张宇林，胡金平.基于遗传算法和BP神经网络的CTG识别研究[J].重庆医科大学学报，2011，36（7）：68-71.

[11]张松华，何怡刚，李兵，等.基于遗传小波神经网络的RFID调制识别[J].计算机工程，2011，37（2）：191-193.

[12]MATLAB中文论坛.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010.

ZHOU Hongbiao,ZHANG Xinrong,GENG Zhonghua

Faculty of Electronic and Electrical Engineering,Huaiyin Institute of Technology,Huai'an,Jiangsu 223003,China

The classification model of BP neural networks is put forward,which using electronic nose to acquire odor datum from four kinds of Chinese Liquors,aims at the research of Chinese liquors identification electronic nose.But the BP algorithm of neural network commonly used has several disadvantages,such as the slow convergence speed,the optimization procedure getting easily stacked into the minimal value locally and network parameter must be decided by experiment and experience.This paper designs a recognition classifier of Genetic Algorithm-Wavelet Neural Network（GA-WNN）,which has global optimization capability of GA,non-linear approximation ability of wavelet and self-learning characteristic of neural network.The simulation results prove that it can improve the recognition accuracy and convergence rate,and the GA-WNN algorithm can be used in Chinese liquors identification electronic nose.

Chinese liquors identification;electronic nose;wavelet neural networks;genetic algorithm

为研究不同品质白酒快速识别的电子鼻技术，利用自制的电子鼻采集四种白酒样品的气味数据，建立了BP神经网络分类模型。针对BP算法普遍存在的收敛速度慢、易陷入局部极小且网络参数需要人工设定的缺陷，提出一种将遗传算法的自适应全局优化搜索能力、小波分析的非线性逼近能力和BP算法自学习能力结合在一起的遗传小波神经网络白酒识别模型。仿真结果表明，与BP神经网络和小波神经网络相比，GA-WNN分类模型的收敛速度和分类准确率都得到了较大提高，可应用于白酒识别电子鼻。

白酒识别；电子鼻；小波神经网络；遗传算法

A

TS261.7；TP274+.2

10.3778/j.issn.1002-8331.1108-0350

ZHOU Hongbiao,ZHANG Xinrong,GENG Zhonghua.Chinese liquors identification electronic nose based on GA-WNN. Computer Engineering and Applications,2013,49（5）：254-257.

江苏省自然科学基金（No.08KJA460001）；淮安市科技支撑项目（No.SN1045）；淮阴工学院科技项目（No.HGC1009）。

周红标（1980—），男，讲师，主要研究领域：人工智能；张新荣，男，副教授。E-mail：hyitzhb@163.com

2011-08-24

2011-10-20

1002-8331（2013）05-0254-04

CNKI出版日期：2011-12-09 http://www.cnki.net/kcms/detail/11.2127.TP.20111209.1000.018.html