电子鼻主要通过模拟生物嗅觉系统,实现对气味特征的定性和定量检测。其检测过程主要包括两部分,一是由气体传感器阵列获取气味信号,二是通过智能信息算法对该信号进行分析。理想的传感器具有选择性、可靠性和交叉敏感性,其中交叉敏感性使得电子鼻能够同时检测多种目标气体,但同时给电子鼻带来了非目标气体的干扰问题。干扰问题具体表现为:电子鼻对目标气体产生响应的同时,对一些非目标干扰也有响应。干扰将使得电子鼻工作性能不稳定,这是因为系统可能会将干扰气体判定为目标,直接导致由标准样本训练好的判别模型和浓度预测模型失效。因此,本文以空气质量监测电子鼻为应用背景,主要进行电子鼻干扰检测算法方面的研究。现实生活中干扰种类和数量不计其数,想要通过实验采集到所有的干扰样本是不可能的。即使获得了所有的干扰样本,庞大数量的干扰使得目标和干扰样本数量产生严重失衡,由它们训练得到的分类器性能会偏向于干扰样本,从而导致目标样本识别率很低。考虑到本文电子鼻检测的6种目标气体固定,作者将目标样本模式视为不变量,依托目标样本信息提出非目标干扰检测模型。从数据特征分布的角度出发,利用表达学习思想解决电子鼻系统的干扰检测问题,本文的主要研究成果概括如下:(1)基于极限学习自表达的干扰检测模型基于人工嗅觉系统中目标样本信息呈现出的模式不变性,引入超限学习机(ELM),提出一种基于极限学习自表达的干扰检测模型。该模型主要通过ELM的非线性激活特性建立起一种非线性自表达方式,并借助隐含层输出H找到一个表达性能良好的字典。该方法的干扰判别原则是,新的传感器响应是否违反了由固定的目标气体建立的固有模式,若违反则判定为干扰。(2)基于一类局部表达的干扰检测模型本文电子鼻将室内常见的6种污染气体作为目标。如果利用全部6种目标样本进行表达,一方面运算复杂度较高,另一方面放大了部分弱相关样本的影响,较容易出现表达不完全的情况。基于以上考虑,提出了一类局部表达的干扰检测模型,该方法主要包括三个步骤。首先,利用欧氏距离得到近邻目标样本,将这些近邻样本作为一组有效基;然后,通过获取的这组有效基对待测样本进行在线表达(稀疏表达或协同表达);最后,通过比较表达误差和阈值的大小关系对目标和干扰进行区分。该模型旨在将问题进行局部化,从而进一步提高电子鼻的干扰检测精度。(3)基于局部表达系数分类的干扰检测模型通过观察一类局部表达得到的表达系数分布,发现这些表达系数已具备区分目标和干扰的能力。因此,从表达系数角度出发,结合支持向量机(SVM)提出了一种基于局部表达系数分类的干扰检测模型。(4)基于特定目标类表达的干扰检测模型以上三种方法均将6种目标气体看作一类,优点在于简化计算,缺点是忽略了不同目标气体种类之间的特征分布存在明显差异的特性。因此,为充分利用已知目标样本的特征信息,考虑首先寻找离待测样本最近的几类样本中心点,然后分别用这几类样本中心点对应的该类目标样本来表达待测样本,保留最小表达误差,通过比较该最小表达误差和阈值的大小进行门限判别,达到将目标和干扰进行区分的目的。本文针对提出的这四种电子鼻干扰检测模型,均采用电子鼻数据和设置相应的对比实验来验证模型的有效性。