電子鼻是20世紀90年代中期發(fā)展起來的一種用于分析、識別氣味物質(zhì)總體特征的新型檢測儀器。

    通過電子鼻可以建立食品、醫(yī)藥、生物、化工、環(huán)境等的氣味指紋圖譜，能實現(xiàn)氣味的客觀化表達，通過儀器分析推動食品、醫(yī)藥、化工等多領(lǐng)域的現(xiàn)代化發(fā)展。

    電子鼻是模仿生物的嗅覺感受機制研制出來的，電子鼻系統(tǒng)中的傳感器陣列即相當于生物系統(tǒng)中的嗅覺感受細胞，能感受不同的氣味物質(zhì)，將采集到的氣體指紋信息輸入電腦;電腦代替了生物系統(tǒng)中的大腦功能，通過軟件進行分析處理，區(qū)分辨識不同性質(zhì)物質(zhì)的整體特征，最后給出各個物質(zhì)的感官信息。

    在電子鼻應(yīng)用過程中，需要多元數(shù)理統(tǒng)計系統(tǒng)對電子鼻采集特征數(shù)據(jù)進行分析，大數(shù)據(jù)算法對其使用效果至關(guān)重要，只有通過專業(yè)的數(shù)據(jù)統(tǒng)計分析系統(tǒng)才能深入地、提取并解釋數(shù)據(jù)信息，還可以有效減少實驗誤差數(shù)據(jù)對結(jié)果的影響，得到科學的、可視化的實驗結(jié)果?，F(xiàn)將上海保圣電子鼻Electronic Nose的電子鼻系統(tǒng)算法集中一一介紹。

1、上海保圣電子鼻Electronic Nose差異對比：方差分析ANOVA和多重比較comparison

分析對該事物有顯著影響的因素，各因素之間的交互作用，以及顯著影響因素的最佳水平等。

2、上海保圣電子鼻Electronic Nose降維分析

1)主成分分析PCA(Principal Component Analysis)：找到高維數(shù)據(jù)中的主成分，并利用“主成分"數(shù)據(jù)來表征原始數(shù)據(jù)，從而達到降維的目的，其側(cè)重于信息貢獻影響力綜合評價。

保圣科技電子鼻系統(tǒng)中的PCA算法，以多類型圖形表達降維分析結(jié)果，以多種可視化方式表現(xiàn)數(shù)據(jù)結(jié)果。

2)線性判別分析LDA(Latent Dirichlet Allocation)：分析時類間距離以及最小化類內(nèi)距離，是目前數(shù)據(jù)挖掘領(lǐng)域中比較經(jīng)典且熱門的一種有監(jiān)督的算法。

保圣科技電子鼻ElectronicNose系統(tǒng)中的LDA算法，以多類型圖形表達降維分析結(jié)果，以多種可視化方式表現(xiàn)數(shù)據(jù)結(jié)果。

3)局部線性嵌入LLE：可以學習任意維的局部線性的低維流形，而且LLE算法歸結(jié)為稀疏矩陣特征分解，計算復雜度相對較小，實現(xiàn)容易。

4)拉普拉斯特征映射LE(Laplacian  Eigenmaps)：使相互間有關(guān)系的點在降維后的空間中盡可能的靠近，從而在降維后仍能保持原有的數(shù)據(jù)結(jié)構(gòu)。

5)等距特征映射Isomap(Laplacian Eigenmaps) ：分析尋找到所有樣本全局的解，當數(shù)據(jù)量很大時或者樣本維度很高時，計算量非常大。

6)非線性降維T-SNE(t-distributed stochastic neighbor embedding) ：非常適用于高維數(shù)據(jù)降維到2維或者3維，進行可視化。

3、上海保圣電子鼻Electronic Nose回歸分析：電子鼻定量分析

1)偏最小二乘法回歸PLSR(Partial Least Squares Regression) ：對于自變量或因變量較多的數(shù)據(jù)處理更好，而且回歸系數(shù)可以看出各自變量與因變量的相關(guān)性及其影響的大小。

2)神經(jīng)網(wǎng)絡(luò)BP(BPNN, Back Propagation Neural Network) ：通過矩陣乘法運算，其包括信號前向傳播和誤差反向傳播兩個過程。

3)支持向量機SVM(support vector machines) ：通過使用非線性映射算法將低維輸入空間轉(zhuǎn)化為高維特征空間，使其線性可分。

4、上海保圣電子鼻Electronic Nose分類分析：電子鼻定性分析

K鄰近分析KNN(k-NearestNeighbor) ：對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。

5、上海保圣電子鼻Electronic Nose聚類算法

1)系統(tǒng)聚類：計算方法有歐式距離(EuclideanDistance)、閔氏距離(MinkowskiDistance)、馬氏距離(MahalanobisDistance)，并在最后的分類樹狀圖中依據(jù)自己的分類需求確定分類結(jié)果。

2)密度聚類DBSCAN(Density-Based Spatial Clustering of Applications with Noise)：將簇定義為密度相連的點的最大集合，能夠把具有足夠高密度的區(qū)域劃分為簇，并可在噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的聚類。

3)聚類K-Means：原理較為簡單，實現(xiàn)也很容易，收斂速度快，聚類效果較優(yōu)，算法的可解釋度比較強。