電子鼻Electronic Nose算法知多少？
電子鼻是20世紀(jì)90年代中期發(fā)展起來(lái)的一種用于分析、識(shí)別氣味物質(zhì)總體特征的新型檢測(cè)儀器。
通過(guò)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(shí)現(xiàn)氣味的客觀化表達(dá)，通過(guò)儀器分析推動(dòng)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(jué)感受機(jī)制研制出來(lái)的，電子鼻系統(tǒng)中的傳感器陣列即相當(dāng)于生物系統(tǒng)中的嗅覺(jué)感受細(xì)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(guò)軟件進(jìn)行分析處理，區(qū)分辨識(shí)不同性質(zhì)物質(zhì)的整體特征，最后給出各個(gè)物質(zhì)的感官信息。
在電子鼻應(yīng)用過(guò)程中，需要多元數(shù)理統(tǒng)計(jì)系統(tǒng)對(duì)電子鼻采集特征數(shù)據(jù)進(jìn)行分析，大數(shù)據(jù)算法對(duì)其使用效果至關(guān)重要，只有通過(guò)專(zhuān)業(yè)的數(shù)據(jù)統(tǒng)計(jì)分析系統(tǒng)才能深入地、完全地提取并解釋數(shù)據(jù)信息，還可以有效減少實(shí)驗(yàn)誤差數(shù)據(jù)對(duì)結(jié)果的影響，得到科學(xué)的、可視化的實(shí)驗(yàn)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(duì)比：方差分析ANOVA和多重比較comparison
分析對(duì)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(lái)表征原始數(shù)據(jù)，從而達(dá)到降維的目的，其側(cè)重于信息貢獻(xiàn)影響力綜合評(píng)價(jià)。
保圣科技電子鼻系統(tǒng)中的PCA算法，以多類(lèi)型圖形表達(dá)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(shí)最大化類(lèi)間距離以及最小化類(lèi)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(mén)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(lèi)型圖形表達(dá)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(xué)習(xí)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(jì)算復(fù)雜度相對(duì)較小，實(shí)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(diǎn)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最優(yōu)解，當(dāng)數(shù)據(jù)量很大時(shí)或者樣本維度很高時(shí)，計(jì)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(jìn)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(duì)于自變量或因變量較多的數(shù)據(jù)處理更為優(yōu)越，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(guò)矩陣乘法運(yùn)算，其包括信號(hào)前向傳播和誤差反向傳播兩個(gè)過(guò)程。
3)支持向量機(jī)SVM(support vector machines) ：通過(guò)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(lèi)分析：電子鼻定性分析
K鄰近分析KNN(k-NearestNeighbor) ：對(duì)于類(lèi)域的交叉或重疊較多的待分樣本集來(lái)說(shuō)，KNN方法較其他方法更為適合。
5、上海保圣電子鼻Electronic Nose聚類(lèi)算法
1)系統(tǒng)聚類(lèi)：計(jì)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(lèi)樹(shù)狀圖中依據(jù)自己的分類(lèi)需求確定分類(lèi)結(jié)果。
2)密度聚類(lèi)DBSCAN(Density-Based Spatial Clustering of Applications with Noise)：將簇定義為密度相連的點(diǎn)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(kù)中發(fā)現(xiàn)任意形狀的聚類(lèi)。
3)聚類(lèi)K-Means：原理較為簡(jiǎn)單，實(shí)現(xiàn)也很容易，收斂速度快，聚類(lèi)效果較優(yōu)，算法的可解釋度比較強(qiáng)。
在電子鼻應(yīng)用過(guò)程中，需要多元數(shù)理統(tǒng)計(jì)系統(tǒng)對(duì)電子鼻采集特征數(shù)據(jù)進(jìn)行分析，大數(shù)據(jù)算法對(duì)其使用效果至關(guān)重要，只有通過(guò)專(zhuān)業(yè)的數(shù)據(jù)統(tǒng)計(jì)分析系統(tǒng)才能深入地、完全地提取并解釋數(shù)據(jù)信息，還可以有效減少實(shí)驗(yàn)誤差數(shù)據(jù)對(duì)結(jié)果的影響，得到科學(xué)的、可視化的實(shí)驗(yàn)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(duì)比：方差分析ANOVA和多重比較comparison分析對(duì)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(lái)表征原始數(shù)據(jù)，從而達(dá)到降維的目的，其側(cè)重于信息貢獻(xiàn)影響力綜合評(píng)價(jià)。保圣科技電子鼻系統(tǒng)中的PCA算法，以多類(lèi)型圖形表達(dá)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(shí)最大化類(lèi)間距離以及最小化類(lèi)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(mén)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(lèi)型圖形表達(dá)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(xué)習(xí)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(jì)算復(fù)雜度相對(duì)較小，實(shí)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(diǎn)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最優(yōu)解，當(dāng)數(shù)據(jù)量很大時(shí)或者樣本維度很高時(shí)，計(jì)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(jìn)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(duì)于自變量或因變量較多的數(shù)據(jù)處理更為優(yōu)越，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(guò)矩陣乘法運(yùn)算，其包括信號(hào)前向傳播和誤差反向傳播兩個(gè)過(guò)程。3)支持向量機(jī)SVM(support vector machines) ：通過(guò)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(lèi)分析：電子鼻定性分析K鄰近分析KNN(k-NearestNeighbor) ：對(duì)于類(lèi)域的交叉或重疊較多的待分樣本集來(lái)說(shuō)，KNN方法較其他方法更為適合。5、上海保圣電子鼻Electronic Nose聚類(lèi)算法1)系統(tǒng)聚類(lèi)：計(jì)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(lèi)樹(shù)狀圖中依據(jù)自己的分類(lèi)需求確定分類(lèi)結(jié)果。2)密度聚類(lèi)DBSCAN(Density-Based Spatial Clustering of Applications with Noise)：將簇定義為密度相連的點(diǎn)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(kù)中發(fā)現(xiàn)任意形狀的聚類(lèi)。3)聚類(lèi)K-Means：原理較為簡(jiǎn)單，實(shí)現(xiàn)也很容易，收斂速度快，聚類(lèi)效果較優(yōu)，算法的可解釋度比較強(qiáng)。
