AIRSENSE电子鼻技术结合GAP‑CNN 模型识别室内甲醛、氨气、苯、甲醇混合气体

室内有害气体对居民健康构成较大威胁。为提高室内有害气体组分识别的准确率，本文提出一种结合AIRSENSE电子鼻与卷积神经网络的室内有毒气体组分分析方法。该方法利用卷积神经网络提取非线性特征的能力，对仿生嗅觉响应信号开展各组分识别。与其他方法的结果对比证实，在时间开销处于同等水平的条件下，该方法提升了识别率，验证了所提模型的有效性。实验结果表明，针对不同种类、不同浓度的有害气体组分，模型识别率可达 90.96%，解决了气体之间相互干扰的问题。

试验对象

实验气体选取甲醛、氨气、苯、甲醇四种室内常见污染物

实验仪器

AIRSENSE电子鼻系统分为采集单元、检测分析单元、结果分析软件 Winmuster 三部分。

动态配气仪，实验环境控制温度 25±1℃、湿度 75±1%。

实验流程

动态配气仪配制多组分混合气体→通入气体测试腔→AIRSENSE电子鼻采集响应信号→废气无害化处理。

AIRSENSE电子鼻原始数据与预处理

原始输出矩阵：60×10，60 行代表 60 个采样时刻，10 列对应 10 个传感器的响应值。

数据特性：高维、信息冗余、非线性；S2、S6、S8 传感器响应变化明显，其余传感器区分度弱。

预处理：将 60×10 矩阵转置为 10×60，把 10 路传感器时序依次拼接为600 维一维行向量，存储为 csv 格式；实验共采集 1040 组电子鼻样本数据。

AIRSENSE电子鼻的数据可视化

绘制传感器时间‑响应曲线，对比弱干扰、中等干扰条件下不同甲醛浓度的响应变化；

取 30‑40 s 采样数据求平均，绘制雷达图，观察不同样本传感器阵列的响应模式差异。

GAP‑CNN 模型原理

借鉴 GoogleNet 全局池化思想，用全局平均池化 GAP 替换传统 CNN 的全连接层：

传统 CNN 的全连接层参数量占比极高，容易发生过拟合；GAP 无训练参数，在保留全局特征信息的同时大幅削减模型参数量。

对照组普通 CNN 参数量 14963，GAP‑CNN 仅 4259；两者卷积层配置完全一致，训练超参数 epoch=400，batchsize=32，学习率 0.01。

结果与分析

01

训练表现

GAP‑CNN 收敛略慢于普通 CNN；测试集准确率 91.40%，普通 CNN 测试集准确率 90.71%。分类错误主要发生在浓度分类边界样本、强干扰气体条件下低浓度甲醛样本。

02

五折交叉验证对比

GAP‑CNN 识别准确率90.96%，优于 PLS (71.16%)、PCA+LDA (41.54%)、t‑SNE+RF (85.58%) 以及普通 CNN (90.58%)。GAP‑CNN 在轻度、重度污染等级识别上表现突出，泛化性能更好。

03

运算耗时

GAP‑CNN 因多层卷积，计算耗时 25.7133s，高于 CNN（19.3968s）和 t‑SNE+RF（12.1842s）。

结论

将AIRSENSE电子鼻传感器时序信号转化一维序列，使用 GAP‑CNN，在压缩模型参数量、抑制过拟合的前提下，实现 90% 以上的室内甲醛污染等级识别，可解决混合气体互相干扰的识别难题，为仿生嗅觉系统气体浓度估算提供技术基础。本研究只完成等级分类，未开展电子鼻信号的气体浓度回归，作为后续研究方向。