【摘要】：来自传感器阵列的实时响应信号通常是包含大量信息的数据集，这为气体的性质、浓度判断提供了大量的依据；但同时也对数据的分析和处理造成了困难，甚至还会误导辨别结果。因此需要对所测量的数据进行预处理。综合考虑后，本文的传感器阵列数据预处理均采用传感器归一化法。具体处理为其中，maxC为气体浓度的最大值，j为样本数。气体浓度信号的预处理是为了满足BP神经网络中神经元S型激励函数输出幅度的需要。
数据预处理_质量敏感型有毒有
来自传感器阵列的实时响应信号通常是包含大量信息的数据集，这为气体的性质、浓度判断提供了大量的依据；但同时也对数据的分析和处理造成了困难，甚至还会误导辨别结果。因此需要对所测量的数据进行预处理。表6-2列出了目前正在使用的传感器阵列信号预处理方法[183]。
表6-2 传感器阵列信号预处理方法
Vi max：响应最大值；Vi min：响应最小值；xi某一时刻响应值
不同预处理方法各有特点。
相对差分法和分式差动法有助于补偿传感器的温度效应，同时分式差动法可以线性化电阻与浓度的关系。
对数法可以将高度非线性的浓度依赖关系线性化。
传感器归一化可以使单个传感器的输出处于[0，1]之间，从而使响应向量的每一个元素处于同一数量级，既可减少化学计量识别中的计算误差，又可为神经识别器中的输入空间准备合适的数据。
归一化传感器的输出在效果上相当于调整增益，并不能增强对不同气味的识别能力。整个传感器阵列归一化可以把所有的响应矢量置于多维空间的球面上。当对样品的浓度不关心，只对样品种类精确识别时，此方法特别有效。归一化过程修正了样品浓度的实验误差，并已用于识别金属氧化物和聚合物阵列的响应。但是对于弱信号，这种方法会增加噪声。
综合考虑后，本文的传感器阵列数据预处理均采用传感器归一化法。
对于气体浓度的定量识别还需对气体浓度进行预处理，气体浓度都是些离散值且数额较大，因此采用归一化处理。具体处理为
其中，maxC为气体浓度的最大值，j为样本数。气体浓度信号的预处理是为了满足BP神经网络中神经元S型激励函数输出幅度的需要。网络进行测试时，其输出经过上式的反变换即可得到气体的预测浓度。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
