魚粉品質檢測電子鼻傳感器陣列的多特征數據融合優化

李 培，牛智有,2，譚鶴群,2，張偉健，皇甫季璇

魚粉品質檢測電子鼻傳感器陣列的多特征數據融合優化

李 培1，牛智有1,2※，譚鶴群1,2，張偉健1，皇甫季璇1

（1. 華中農業大學工學院，武漢 430070；2. 農業部長江中下游農業裝備重點實驗室，武漢 430070）

為了提高基于仿生嗅覺的魚粉品質檢測裝置的鑒別能力，該文利用自主設計的仿生嗅覺魚粉品質檢測裝置，提取魚粉樣本的響應特征信息，對其傳感器陣列進行多特征數據融合優化。依據各傳感器對樣本的響應曲線，提取傳感器特征值（10×6個）構成原始特征矩陣，后對傳感器陣列特征值進行歸一化處理，以緊湊性作為評價特征選擇方法合理性的標準，采用了3種單特征排序方法（MIC、2、-test），3種多特征排序方法（RF、LR、SVM），4種特征遞減消除方法（RFRFE、SVMRFE、DTRFE、LRRFE）對不同品質的魚粉進行分類準確率檢驗，得到基于隨機森林的特征遞減消除算法（RFRFE）的緊湊性最好，此時最佳的分類準確率為98.3%，特征數目為33個。優化后的傳感器陣列特征發生了明顯的變化，傳感器陣列由原來的10個變為了8個，去掉了傳感器TGS2620和傳感器TGS2600，特征值也減少了45%。為了避免選擇偏差，采用了10折交叉驗證方法，再次得到了RFRFE算法具有更佳的緊湊性。該特征選擇方法為利用仿生嗅覺技術鑒別其他動物源性原料樣本的特征優化提供了新的方法和參考。

品質控制；無損檢測；飼料；魚粉；歸一化；隨機森林；特征遞減消除

0 引 言

魚粉（fish meal）是優質的蛋白質飼料，不但蛋白質含量高，而且氨基酸種類齊全，磷、鈣含量高，并含有豐富的維生素A、維生素D、維生素B12和未知生長因子，是飼料工業主要的動物源性飼料原料，因此其品質直接影響飼料產品的質量[1-2]。在魚粉儲藏過程中，由于儲藏環境和儲藏方法等因素影響，魚粉品質會隨之發生變化，這將直接使魚粉營養價值降低，從而影響動物的消化與免疫能力[3]。因此魚粉品質的檢測是確保飼料產品質量的重要技術環節和手段。目前，魚粉品質檢測主要是采用化學檢測、感官評定、光譜分析[4]等傳統方法。傳統的檢測方法存在操作繁瑣、耗時、主觀性強等缺點，已難以滿足現代飼料生產的需要。雖然有學者將電子舌應用在魚粉品質檢測當中，但檢測結果并不理想[5]。電子鼻則應用廣泛并具有很好的應用效果，沈飛等[6]將該檢測系統應用在花生有害霉菌種類識別當中，鑒別正確率高達100%，Sanaeifar等[7]將檢測系統應用在香蕉品質檢測當中。所以，電子鼻系統作為一種樣本品質的檢測工具，具有非常大的潛力。

在電子鼻系統中，氣體傳感器陣列是尤為關鍵的一部分，同時，傳感器之間的交叉響應所產生的冗余信息，對鑒別結果也極為不利[8]。因此，采用該檢測系統進行魚粉樣本品質檢測鑒別時，傳感器特征的提取與表征特征的優化尤為重要。

常用的電子鼻系統優化特征方法有相關性分析[9-10]、聚類分析[11]、因子載荷分析[12]、方差分析[13-14]、Wilks統計量[15-16]等。徐克明等[17]通過基于非搜索性特征優化方法，對用于山核桃陳化時間的仿生嗅覺系統傳感器陣列進行優化，優化后的山核桃組內聚集度增大，組間更易區分；殷勇等[18]通過基于多種變量的分析方法對用于食醋種類區分的仿生嗅覺系統傳感器特征值進行篩選，獲得了最佳的傳感器陣列；尹芳緣等[19]利用隨機共振非線性信號分析方法對區分霉變燕麥的檢測系統進行傳感器陣列優化。但這些方法的實用性皆因不同的鑒別目標而存在應用效能上的差異，且這些方法基本上都是單特征變量選擇方法，與多特征變量選擇方法和特征遞減消除特征選擇方法相比在應用效能方面有一定的局限性。目前，在基于電子鼻的魚粉品質檢測裝置研究中，由于缺少對傳感器陣列的優化，導致系統檢測數據冗余，從而影響后續建模及檢測結果[20]。所以，針對基于電子鼻技術的魚粉品質檢測方面，對傳感器陣列進行優化顯得尤為重要。

在實際應用中，常用積分值、平均微分值、穩定值用來表征樣本信息[21]。本文在常用的特征值基礎上增加了能量值、最大梯度值、方差值。在提取了不同儲藏時間魚粉樣本的多個特征值構成初始特征矩陣的基礎上，以特征子集的緊湊性為評價標準，采用4種遞歸特征消除（RFE，recursive feature elimination）的算法對傳感器特征值進行提取，且將該方法與以卡方、方差分析、最大信息系數為主的單特征變量排序方法（SFR，single feature ranking）和以SVM、RF、Logistic regression為主的多特征變量排序方法（MFR，multi-feature ranking）相比較，為傳感器陣列多特征融合的魚粉品質檢測提供一種新的優化方法。

1 材料與方法

1.1 試驗材料

試驗采用不同儲藏時間等級的魚粉樣本，該樣本經過氣候箱的高溫高濕環境逐漸腐敗變質，總共獲得了6個不同儲藏時間的樣本。每種樣本平均分成30份，每份質量為80 g，總共進行180次試驗。其中，126個樣本為訓練集用于建立模型，其余54個樣本為測試集用于對模型的驗證。

1.2 儀器與設備

采用自行研制的基于仿生嗅覺的的魚粉品質檢測裝置，如圖1所示。該裝置主要由氣體采集與傳輸模塊、以樹莓派為核心的控制處理存儲模塊、ARPI600數據采集模塊、傳感器陣列模塊組成。傳感器陣列模塊為該裝置的核心部件，主要由10個氣體傳感器組成，即傳感器1（TGS822）、傳感器2（TGS2602）、傳感器3（TGS813）、傳感器4（TGS2620）、傳感器5（MQ136）、傳感器6（TGS2600）、傳感器7（MQ139）、傳感器8（TGS2610）、傳感器9（MQ137）、傳感器10（TGS2611）。

1.3 試驗方法

首先對該檢測裝置進行預熱，再經活性炭過濾之后的純凈空氣對裝置進行清洗，由于清洗時間對裝置的影響較大，即清洗時間若較短，則吸附在傳感器上的樣品氣體無法全部被清洗干凈，殘留的氣體分子會影響下一個樣品的測試結果，導致不同品質樣品的區分度不大；若清洗時間太長，則會造成能量的浪費以及儀器的損耗，經試驗優化得到清洗時間為77 s；然后將魚粉樣本置于250 mL的高硼硅采樣瓶中，由微型氣泵將樣本產生的頂空氣體抽至檢測裝置的氣體采樣室中，與位于采樣室中的氣體傳感器發生化學反應，進而引起傳感器的阻值發生變化。當采樣時間較短時，電子鼻傳感器響應值未達到最大值且保持穩定，導致檢測結果無法全面正確地反映樣品的所有氣味特征；當采樣時間過長時，樣品瓶中的氣體被抽空后，空氣會被繼續抽進反應室，此時傳感器的響應值逐漸下降，致使檢測結果產生誤差，經試驗優化得到該裝置的檢測時間為39 s，數據采樣間隔為1 s。最后每次采樣完之后對裝置進行清洗復原，進行下一個樣本的測試。通過測試，獲得各個傳感器對腐敗樣本的響應曲線如圖2所示。從圖2可以看出，每個傳感器對魚粉樣本都有響應，響應趨勢大致相同，且隨著傳感器表面富集樣本氣體的不斷增大，電導比值呈現先增大后趨于平緩，達到一個相對穩定的狀態。所以在后期特征值優化中，每一個傳感器的特征值都將作為初始特征值。

注：電導比G/G0即R0/R，也就是處于經活性炭過濾之后的空氣當中氣體傳感器的電阻值與處在樣品氣體中氣體傳感器的電阻值之比, 1～10為傳感器編號。

1.4 數據處理

1.4.1 預處理

采用Savitzky-Golay進行5點濾波平滑處理[22]，用來消除噪聲信號的影響，提取積分值（integral value，INV）、能量值（wavelet energy value，WEV）、最大梯度值（maximum gradient value，MGV）、平均微分值（average differential value，ADV）、相對穩定均值（relation steady-state response average value，RSAV）、方差值（variance value，VARV）6種特征作為魚粉樣本特征信息的特征參量，共提取10×6個特征參數，構成60維特征矩陣。由于6種特征值的量綱不同，需對各特征值進行數據歸一化處理。各特征編號與傳感器編號的對應關系如表1所示。

表1 各特征編號與傳感器編號的對應關系

1.4.2 算 法

SFR算法：本文采用卡方（2）、-test（-value）和最大信息系數[23-24]（MIC，maximum information coefficient）3種單特征排序（SFR，single feature ranking）方法。由于單特征選擇方法并不能直接得出分類結果，必須與分類器結合，因此選擇了隨機森林分類器對魚粉樣本品質進行分類。其方法為：根據計算各個特征與分類標簽之間的卡方、值、最大信息系數，按從大到小的順序進行排列，并依據特定的分類器，依次去掉值較小的特征，最終得到最佳的特征子集以及最佳分類正確率。

MFR算法：在進行特征選擇方法之前，采用網格搜索方法對各分類器下的參數進行優化，并得出最優參數。在最優參數下分別采用RF分類方法[25-26]、SVM分類方法（線性核）[27-28]和Logistic Regression[29]方法建立分類器，并得到各個特征的重要性得分或系數的絕對值，得分越高或系數絕對值越大，則該特征的貢獻越大，此為多特征排序方法（MFR），且這些算法都可以用來處理非線性問題。

RFE算法：遞歸特征消除（RFE，recursive feature elimination）的主要思想是反復構建模型，通過重要性得分或系數絕對值對特征按從大到小排列，刪除最差的特征，在剩余的特征上重復上述過程，直到只剩下一個特征或達到用戶設定的特征數[30]。因此，這是一種尋找最優特征子集的貪心算法。本文選擇了RFRFE、DTRFE、SVMRFE、LRRFE4種基于RFE的特征選擇方法，通過得到最佳的分類正確率得到最優子集，各種特征選擇方法的選擇過程如下：

輸入：訓練數據集（個樣本，個特征），類標簽（，1）。

1）初始化當前特征集合now為原始數據集，最優特征集合best為空，最優特征子集分類正確率best為0；

2）由now分別建立RF、DT、SVM、Logistic Regression分類模型，分別得到正確率評估值now以及按特征評分的絕對值降序排列now中的特征；

3）分別刪除當前子集now中排名靠后的個特征直至當前特征集合now為空。若當前特征子集now的正確率now大于best：best＝now，否則執行2）～3）；

輸出：最優特征子集best。

1.4.3 評價指標

本文以特征子集的緊湊性[31]作為評價指標。給定一個訓練集，如果和是2種不同的特征選擇方法，其中1和1分別是由和在上創建的特征子集，2和2分別是和在特征子集1和1上得到的最大識別精度，如果2>2或者2=2且|1|<|1|，則認為特征子集比特征子集更緊湊。如果|22<1%，則采用比值的方法進行評價，若2/12/1，則認為特征子集比特征子集更緊湊。

特征選擇的目的是獲得一組有較強識別能力且有較少特征的特征子集。從某種意義上來說，一個更緊湊的特征子集可以減少由原始特征中冗余信息和不相關信息產生的學習過程的復雜性，增強學習速度和提高泛化能力。

2 結果與分析

2.1 原始特征矩陣歸一化處理

由于每種特征值的量綱不同，為了消除數據屬性間的差別，避免大數值的數據變化掩蓋掉小數值的變化，需對數據進行歸一化處理[32-34]。歸一化處理是一種無量綱處理手段，可減小計算量和訓練時間，便于數據處理。本文所采用的歸一化方法為正規化方法，該方法將傳感器特征數據映射到0～1的范圍內，計算公式如式（1）所示。

式中x'為歸一化后的特征值；x為原始數據特征值；max為原始特征最大值；min為原始特征最小值。

2.2 特征選擇算法的分類準確率檢驗

2.2.1 SFR算法分類準確率檢驗

以RF作為分類器構建分類模型，采用單特征排序方法，得到了最終狀態下不同單特征選擇方法準確率，如圖3所示。從圖3可以看出，采用較少特征值進行魚粉品質等級分類時，MIC算法具有最佳的分類準確率，隨著選擇的特征數目的增加，分類準確率呈現先增加后穩定的趨勢，當選擇超過3種特征數量時，MIC特征選擇方法的分類精度達到了90%以上，當選擇超過12個特征值時，卡方特征選擇方法的分類精度達到90%以上，當選擇超過6個特征值時，-test特征選擇方法的分類精度達到90%以上。可能是由于剛開始時卡方檢驗會選擇一些小眾數據，覆蓋率不好，噪音較大，所以效果不如MIC算法，但從38個特征值開始會選擇一些較好的特征，整體效果有所上升，因此就最佳的分類精度以及最佳狀態下的特征值來說，卡方算法是單特征選擇方法中最好的特征選擇方法。但單特征選擇方法的缺點是忽視了特征之間的相關以及非線性關系，一個理想的特征選擇方法需要考慮特征之間的聯系，這樣才能檢測出對分類結果具有冗余信息的特征，因此單特征選擇方法并不能得到最優的情況。

圖3 不同單特征選擇方法準確率比較

2.2.2 MFR算法分類準確率檢驗

與單特征排序方法相比，多特征排序方法在某種程度上考慮了特征之間的關系。圖4為不同的多特征選擇方法的準確率。從圖4中看出，無論選取多少個特征值，RF算法的分類準確率總是高于SVM和LR算法。可能是由于隨機森林算法是一種基于決策樹分類器的集成學習算法，且該算法通過在分類的過程中獲得各個特征的重要性對特征進行排序，考慮了特征之間的關系，因此具有更強的緊湊性。另外，當選擇的特征數目較少時，分類器分類準確率波動較大，這是因為用于分類器分類的信息太少，隨著特征數量的增加，用于分類的信息增多，使分類器性能得到了提高，從而分類準確率增加。當特征達到一定數量，分類準確率隨特征數量的增加不再升高甚至降低，這是因為隨著特征子集中重要性較低的特征的加入，分類器中不相關和冗余信息增多，導致分類器性能降低，分類準確率下降。

圖4 不同多特征選擇方法準確率比較

2.2.3 RFE算法分類準確率檢驗

特征遞減消除是發生在遞歸循環過程中的反向選擇過程。該算法的優勢是不斷地消除對分類無關的特征，并保留對分類具有重要性的特征，更容易得到較少的對分類重要的特征RFE算法間接使用了啟發式的特征排序標準來確保算法的執行。圖5為不同RFE特征選擇方法下準確率。從圖5中可以看出，RFRFE方法不管選擇的特征數目為多少，其分類準確率都大致大于其他特征選擇方法。

圖5 不同RFE特征選擇方法下準確率比較

2.3 不同特征選擇方法對魚粉特征選擇的緊湊性比較

表2為3種單特征排序方法（MIC、2、-test）、3種多特征排序方法（RF、LR、SVM）、4種特征遞減消除方法（RFRFE、SVMRFE、DTRFE、LRRFE）對不同品質等級的魚粉進行分類的檢測結果。若特征選擇方法的精度較高，則性能較好，如果2種或2種以上的特征選擇方法具有相同的分類精度，則特征數較少的選擇方法性能較好。

表2 不同特征選擇方法緊湊性比較

從表2可以看出，單特征選擇方法中卡方特征排序方法具有最高的分類準確率，達到98.9%，但此方法選擇的特征數目為40個。選擇特征數目最少的特征選擇方法為DTRFE和LR，但分類準確率相對比較低，因此不能作為最佳的特征選擇方法。對于多特征選擇方法來說，隨機森林（RF）特征選擇方法具有最高的分類正確率，但特征數目相對較多。與多特征選擇方法相比，遞歸特征消除方法具有較少的特征數目，大大減少了冗余信息。按照本文的評價指標，具有最好緊湊型的分類方法是RFRFE方法。因為RF是集成分類器，可以解決數據的微小變化導致生成不同的樹的問題，集成分類器性能在整體上強于決策樹（decision tree，DT）分類器。RFRFE方法的分類準確率雖然為98.3%，低于卡方特征選擇方法，但它們之間的誤差僅為0.6%，此時已經滿足采用比值方法進行評價的條件，卡方特征選擇方法中比值為2.472 5，而RFRFE算法中比值為2.978 8，高于卡方特征選擇方法的比值，所以RFRFE算法具有更佳的緊湊性。

2.4 基于RFRFE算法的特征排序

從以上對傳感器特征值的特征選擇結果來看，RFRFE特征選擇方法具有最好的緊湊性。因此，選擇RFRFE特征選擇算法作為魚粉傳感器陣列特征選擇方法，并對傳感器陣列特征值重要性排序，排序結果如表3所示。從表3中可以看出，對分類貢獻最大的特征值是2和5，對分類貢獻最小的特征值是4。

表3 RFRFE方法下傳感器陣列特征值重要性排序

2.5 RFRFE算法緊湊性的交叉驗證

為了驗證RFRFE算法的緊湊性和避免選擇偏差，采用最常用和最典型的10折交叉驗證的方法對選擇的4種RFE特征選擇算法進行準確率檢驗，并得到4種RFE算法的準確率和特征子集所對應的箱線圖，如圖6所示，且為了公平比較，所有特征選擇方法都采用由10折交叉驗證隨機產生的訓練集和驗證集，并記錄下每次的最大識別率以及所對應的特征子集。圖6a為4種RFE算法的準確率對應的箱線圖，從圖中可以看出，RFRFE算法的準確率最高，分離程度最小。圖6b為4種RFE算法的特征子集對應的箱線圖，從圖中可以看出，RFRFE算法相比于其他幾種算法而言，準確率最高，依據緊湊型評價標準，當特征選擇方法具有最高的準確率時，則性能最好，因此RFRFE算法具有更好的緊湊性。故本文選擇RFRFE算法作為最佳的特征選擇方法是比較合理的。

圖6 10折交叉驗證下4種RFE算法準確率和特征子集箱線圖

2.6 傳感器陣列特征優化結果

表4為特征優化后各傳感器的型號、特征值與特征編號的對應關系。從表4中可以看出，優化后的傳感器陣列特征發生了明顯的變化，傳感器陣列由原來的10個變為了8個，去掉了傳感器4（TGS2620）和傳感器6（TGS2600）這2個傳感器，說明這2個傳感器對采用RF分類器對魚粉品質進行分類的貢獻率較小。在選擇的6種特征值中，只有傳感器1（TGS822）、傳感器3（TGS813）、傳感器5（MQ136）選擇了全部的特征值，說明這3個傳感器在采用RF分類器對魚粉品質進行分類中具有重要的作用。通過RFRFE特征選擇方法，特征數目由原始的60個特征值縮減為33個，減少了45%的特征數目，大大減少了與魚粉品質分類不相關和冗余的信息。

表4 特征優化后的各傳感器的型號、特征值與特征編號的對應關系

注：傳感器型號從上至下依次對應圖2中1、2、3、5、7、8、9、10。

Note: Sensor model from top to bottom corresponds to 1, 2, 3, 5, 7, 8, 9, 10 in Fig.2.

3 結論

利用基于仿生嗅覺的魚粉品質檢測裝置，對不同儲藏時間的魚粉樣本進行檢測，根據獲得的響應曲線，提取6種特征值組成初始特征矩陣，并對響應特征進行正規化處理。以緊湊性為評價指標，通過單特征排序方法（SFR）、多特征排序方法（MFR）、特征遞減消除方法（RFE）對特征進行選擇，得到以下結論：

1）通過單特征排序方法得到，以隨機森林作為分類器，采用卡方特征選擇方法具有更好的分類準確率。因為該方法更易剔除冗余信息，選取對分類結果更有效的特征，采用此方法進行特征選擇的最佳分類正確率為98.9%，此時的特征子集為40個。

2）通過多特征排序方法得到，隨機森林特征選擇方法具有最佳的分類準確率，且最佳分類準確率為98.3%，此時選擇的特征值為38個。

3）通過RFE算法進行特征排序得到采用RFRFE方法特征緊湊性更強，并得出了對分類貢獻最大的特征值是傳感器2（TGS2602）的積分值和傳感器5（MQ136）的相對穩定均值，對分類貢獻最小的特征值是傳感器4（TGS2620）的相對穩定均值。此方法下的最佳分類準確率為98.3%，特征個數為33個。因此本文采用基于隨機森林的遞歸特征消減方法對檢測魚粉品質的傳感器陣列特征值進行提取，特征個數由原始的60個縮減為33個，且去掉了傳感器4和傳感器6，大大減少了冗余信息和不相關信息，并采用10折交叉驗證得到RFRFE特征選擇方法具有更佳的緊湊性。該特征選擇方法為利用仿生嗅覺技術鑒別其他動物源性原料樣本的特征優化提供了新的方法和參考。

[1] 王銨靜. 不同儲存方法對魚粉的影響及養殖效果評價[D]. 湛江：廣東海洋大學，2017. Wang Anjing. Effects of Different Storage Methods on Fish Meal and the Assessment of Culture Efficiency[D]. Zhanjiang: Guangdong Ocean University, 2017. (in Chinese with English abstract)

[2] 陳星，吳大偉，周巖民. 肉粉替代魚粉對肉雞生產性能、血清生化指標和抗氧化性能的影響[J]. 糧食與飼料工業，2012(10)：53－56. Chen Xing, Wu Dawei, Zhou Yanmin. Influence of meat meal instead of fish meal on growth performance, serum biochemical indices and antioxidant function of broilers[J]. Cereal &Feed Industry, 2012(10): 53－56. (in Chinese with English abstract)

[3] 劉輝，牛智有. 基于電子鼻的魚粉中揮發性鹽基氮檢測模型比較[J]. 農業工程學報，2010，26(4)：322－326. Liu Hui, Niu Zhiyou. Comparison of total volatile basic nitrogen detection models in fishmeal based on electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(4): 322－326. (in Chinese with English abstract)

[4] 曹小華，蔡懋成，余維三，等. 近紅外光譜分析技術在魚粉新鮮度檢測中的應用研究[J]. 廣東飼料，2018，27(3)： 42－45. Cao Xiaohua, Cai Maocheng, Yu Weisan, et al. Near infrared spectroscopy analysis technology in study on application of fish meal freshness detection[J]. Guangdong Feed, 2018, 27(3): 42－45. (in Chinese with English abstract)

[5] 王莉，牛群峰，趙紅月，等. 基于電子舌的不同儲藏期紅魚粉區分與新鮮度評價[J]. 飼料工業，2015，36(3)：52－55. Wang Li, Niu Qunfeng, Zhao Hongyue, et al. Discrimination and freshness evaluation of fishmeal based on electronic tongue[J]. Feed Industry, 2015, 36(3): 52－55. (in Chinese with English abstract)

[6] 沈飛，劉鵬，蔣雪松，等. 基于電子鼻的花生有害霉菌種類識別及侵染程度定量檢測[J]. 農業工程學報，2016，32(24)：297－302. Shen Fei, Liu Peng, Jiang Xuesong, et al. Recognition of harmful fungal species and quantitative detection of fungal contamination in peanuts based on electronic nose technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 297－302. (in Chinese with English abstract)

[7] Sanaeifar A, Mohtasebi S S, Ghasemi-Varnamkhasti M, et al. Application of MOS based electronic nose for the prediction of banana quality properties[J]. Measurement, 2016, 82: 105－114

[8] 張紅梅，鄒光宇，王淼森，等. 基于傳感器陣列多特征優化融合的茶葉品質檢測研究[J]. 傳感技術學報，2018，31(3)：491－496. Zhang Hongmei, Zou Guangyu, Wang Miaosen, et al. Detection method for tea quality using sensor array coupled with multi-feature optimization fusion[J]. Chinese Journal of Sensors and Actuators, 2018, 31(3): 491－496. (in Chinese with English abstract)

[9] 劉晶晶，孫永海，丁健峰，等. 玉米汁辨識中的傳感器陣列優化[J]. 吉林大學學報：工學版，2013，43(2)：538－543. Liu Jingjing, Sun Yonghai, Ding Jianfeng, et al. Optimization of sensor array for identification of corn juice[J]. Journal of Jilin University: Engineering and Technology Edition, 2013, 43(2): 538－543. (in Chinese with English abstract)

[10] 周顯青，暴占彪，崔麗靜，等. 霉變玉米電子鼻識別及其傳感器陣列優化[J]. 河南工業大學學報：自然科學版，2011，32(4)：16－20. Zhou Xianqing, Bao Zhanbiao, Cui Lina, et al. Recognition of moldy corn using electronic nose and optimization of sensor array[J]. Journal of Henan University of Technology: Natural Science Edition, 2011, 32(4): 16－20. (in Chinese with English abstract)

[11] 傅潤澤，沈建，王錫昌，等. 基于神經網絡及電子鼻的蝦夷扇貝鮮活品質評價及傳感器的篩選[J]. 農業工程學報，2016，32(6)：268－275. Fu Runze, Shen Jian, Wang Xichang, et al. Quality evaluation of live Yesso scallop and sensor selection based on artificial neural network and electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 268－275. (in Chinese with English abstract)

[12] 王虎玄，胡仲秋，龍芳羽，等. 蘋果汁中魯氏接合酵母早期污染的電子鼻識別研究[J]. 農業機械學報，2016，47(1)：209－214. Wang Huxuan, Hu Zhongqiu, Long Fangyu, et al. Research on identification of spoilage in apple juice caused byat early stage using electronic nose[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1): 209－214. (in Chinese with English abstract)

[13] Wei Z, Wang J, Jin W. Evaluation of varieties of set yogurts and their physical properties using a voltammetric electronic tongue based on various potential waveforms[J]. Sensors and Actuators B: Chemical, 2013, 177: 684－694.

[14] Hui G, Jin J, Deng S, et al. Winter jujube (Mill.) quality forecasting method based on electronic nose[J]. Food Chemistry, 2015, 170: 484－491.

[15] Bekker A, Roux J J J, Arashi M. Exact nonnull distribution of Wilks’ statistic: The ratio and product of independent components[J]. Journal of Multivariate Analysis, 2010, 102(3): 619－628.

[16] Yin Y, Yu H, Chu B, et al. A sensor array optimization method of electronic nose based on elimination transform of Wilks statistic for discrimination of three kinds of vinegars[J]. Journal of Food Engineering, 2014, 127: 43－48.

[17] 徐克明，王俊，鄧凡霏，等. 用于山核桃陳化時間檢測的電子鼻傳感器陣列優化[J]. 農業工程學報，2017，33(3)：281－287. Xu Keming, Wang Jun, Deng Fanfei, et al. Optimization of sensor array of electronic nose for aging time detection of pecan[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 281－287. (in Chinese with English abstract)

[18] 殷勇，趙玉珍，于慧春. 基于多種變量分析方法鑒別食醋種類電子鼻信號特征篩選[J]. 農業工程學報，2018，34(15)：290－297. Yin Yong, Zhao Yuzhen, Yu Huichun. Feature selection of electronic nose signal for vinegar discrimination based on multivariable analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(15): 290－297. (in Chinese with English abstract)

[19] 尹芳緣，黃潔，王敏敏，等. 用電子鼻區分霉變燕麥及其傳感器陣列優化[J]. 農業工程學報，2013，29(20)：263－269. Yin Fangyuan, Huang Jie, Wang Minmin, et al. Discrimination of mildewed oats using electronic nose and optimization of its sensor array[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(20): 263－269. (in Chinese with English abstract)

[20] 張婷婷，孫群，楊磊，等. 基于電子鼻傳感器陣列優化的甜玉米種子活力檢測[J]. 農業工程學報，2017，33(21)：275－281. Zhang Tingting, Sun Qun, Yang Lei, et al. Vigor detection of sweet corn seeds by optimal sensor array based on electronic nose[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(21): 275－281. (in Chinese with English abstract)

[21] 程紹明，王俊，王永維，等. 基于電子鼻技術的不同特征參數對番茄苗早疫病病害區分效果影響的研究[J]. 傳感技術學報，2014，27(1)：1－5. Cheng Shaoming, Wang Jun, Wang Yongwei, et al. Research on distinguishing tomato seedling infected with early blight disease using different characteristic parameters by electronic nose[J]. Chinese Journal of Sensors and Actuators, 2014, 27(1): 1－5. (in Chinese with English abstract)

[22] 郝銀鳳. 霉變玉米電子鼻檢測中信號降噪及特征提取方法研究[D]. 洛陽：河南科技大學，2017. Hao Yinfeng. Study on Signal Denoising and Feature Extraction of Electronic Nose to Moldy Maize[D]. Luoyang: Henan University of Science and Technology, 2017. (in Chinese with English abstract)

[23] 張俐，袁玉宇，王樅. 基于最大相關信息系數的FCBF特征選擇算法[J]. 北京郵電大學學報，2018，41(4)：86－90. Zhang Li, Yuan Yuyu, Wang Cong. FCBF feature selection algorithm based on maximum information coefficient[J]. Journal of Beijing University of Posts and Telecommunications, 2018, 41(4): 86－90. (in Chinese with English abstract)

[24] Bennasar M, Hicks Y, Setchi R. Feature selection using joint mutual information maximization[J]. Expert Systems With Applications, 2015, 42(22): 8520－8532.

[25] 陳元鵬，羅明，彭軍還，等. 基于網格搜索隨機森林算法的工礦復墾區土地利用分類[J]. 農業工程學報，2017，33(14)：250－257. Chen Yuanpeng, Luo Ming, Peng Junhuan, et al. Classification of land use in industrial and mining reclamation area based grid-search and random forest classifier[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 250－257. (in Chinese with English abstract)

[26] 杜學惠，孟春，劉美爽. 基于單個特征分類準確率的特征選擇研究[J/OL]. 南京林業大學學報：自然科學版，2019，43：1－10. Du Xuehui, Meng Chun, Liu Meishuang. Remote sensing classification research of feature selection based on single feature classification accuracy[J/OL]. Journal of Nanjing Forestry University: Natural Sciences Edition, 2019, 43: 1－10. (in Chinese with English abstract)

[27] 葉小泉，吳云峰. 基于支持向量機遞歸特征消除和特征聚類的致癌基因選擇方法[J]. 廈門大學學報：自然科學版，2018，57(5)：702－707. Ye Xiaoquan, Wu Yuanfeng. Cancer gene selection algorithm based on support vector machine recursive feature elimation and feature clustering[J]. Journal of Xiamen University: Natural Science Edition, 2018, 57(5): 702－707. (in Chinese with English abstract)

[28] Guyon I, Weston J, Barnhill S, et al. Gene selection for cancer classification using support vector machines[J]. Machine Learning, 2002, 46 (3): 389－422.

[29] 蔡騁，李永超，馬惠玲，等. 基于介電特征選擇的蘋果內部品質無損分級[J]. 農業工程學報，2013，29(21)：279－287. Cai Cheng, Li Yongchao, Ma Huiling, et al. Nondestructive classification of internal quality of apple based on dielectric feature selection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(21): 279－287. (in Chinese with English abstract)

[30] 馮建奎，金晶，王蓓，等. 基于SVM_RFE的多任務導聯選擇算法建模[J]. 系統仿真學報，2018，30(12)：4506－4512. Feng Jiankui, Jin Jing, Wang Bei, et al. Multi-tasks Channel Selection Algorithmic Modeling Based on SVM-RFE[J]. Journal of System Simulation, 2018, 30 (12): 4506－4512. (in Chinese with English abstract)

[31] You W, Yang Z, Ji G. PLS-based recursive feature elimination for high-dimensional smallsample[J]. Knowledge-Based Systems, 2014, 55: 15－28.

[32] 潘磊慶，劉明，詹歌，等. 數據預處理在電子鼻評價雞蛋新鮮度中的應用研究[J]. 上海理工大學學報，2010，32(6)：584－588. Pan Leiqing, Liu Ming, Zhan Ge, et al. Data processing for egg freshness evaluation by use of electronic nose[J]. Journal of University of Shanghai for Science and Technology, 2010, 32(6): 584－588. (in Chinese with English abstract)

[33] 閆嘉. 基于電子鼻技術的人體傷口感染檢測系統構建及算法研究[D]. 重慶：重慶大學，2012. Yan Jia. System Construction and Algorithm Research in Human Wound Infection Detection Based on Electronic Nose Technology[D]. Chongqing: Chongqing University, 2012. (in Chinese with English abstract)

[34] Radi, Ciptohadijoyo S, Litananda W S, et al. Electronic nose based on partition column integrated with gas sensor for fruit identification and classification[J]. Computers and Electronics in Agriculture, 2016, 121: 429－435.

Multi-feature data fusion optimization of sensor array of electronic nose for fish meal quality detection

Li Pei1, Niu Zhiyou1,2※, Tan Hequn1,2, Zhang Weijian1, Huangfu Jixuan1

(1.,,430070,; 2.,,430070,)

In order to improve the identification ability of fish meal quality detection device based on bionic olfaction, in this paper, we used the developed fish meal quality detection device based on bionic olfaction to extract response characteristic information of fish meal samples, and performed multi-characteristic data fusion optimization on its sensor array. Firstly, according to the response curve of each sensor to the sample, the sensor features (10×6) were extracted to form the original feature matrix, then the normalization method was adopted to normalize the sensor features, and after that, compactness was taken as the standard to evaluate the rationality of the feature selection methods. Three single feature ranking methods (MIC,2、-test), three multi-feature ranking methods (RF, LR, SVM) and four recursive feature elimination methods (RFRFE, SVMRFE, DTRFE, LRRFE) were selected to carry out classification accuracy tests on fish meal with different quality. The experimental results showed that in the single feature ranking method, the MIC method had the best classification accuracy of 98.3 %, the number of features was 55, the Chi - square method had the best classification accuracy of 98.9 %, the number of features was 40, the-test method had the best classification accuracy of 98.3 %, and the number of features was 50, thus the Chi - square feature selection method was more compact than the other two single feature selection methods. In the multi-feature ranking methods, the best classification accuracy rate of RF method was 98.3 %, the number of features was 38, the best classification accuracy rate of LR method was 83.3 %, the number of features was 24, the best classification accuracy rate of SVM method was 92.2%, and the number of features was 33. Therefore, RF feature selection method was more compact than the other two multi-feature selection methods. In recursive feature elimination, the best classification accuracy rate of RFRFE method was 98.3 %, the number of features was 33, the best classification accuracy rate of SVMRFE method was 92.2%, the number of features was 34, the best classification accuracy rate of DTRFE method was 95.6 %, the number of features was 22, the best classification accuracy rate of LRRFE method was 83.9 %, and the number of features was 37. From this, it could be seen that DTRFE and LR feature selection methods had the least number of features, but the classification accuracy rate was low. However, the RFRFE feature selection method was relatively more compact. The random forest-based recursive feature elimination algorithm (RFRFE) was adopted to select the original features, and the best classification accuracy was 98.3%, at this time, the number of features was 33. The idea of this feature selection method was to repeatedly build the model, then select the worst features, put the selected features aside, and then repeat the process on the remaining features until all features had been traversed. The order in which features were eliminated in this process was the order of features. Therefore, this was a greedy algorithm to find the optimal feature subset, while the RFRFE method selected the random forest (RF) as the base model, and obtained the optimal subset by obtaining the best classification accuracy rate. The number of features optimized by RFRFE feature selection method was 33, which reduced the number of features by 45% and greatly reduced irrelevant and redundant information for fish meal quality classification. The characteristics of the optimized sensor array had changed obviously. The sensor array had changed from the original 10 to 8 and sensor 4 (TGS2620) and sensor 6 (TGS2600) had been removed. This showed that these sensors had little contribution to the classification of fish meal quality using RF classifier. Of the six selected features values, only sensor 1 (TGS822), sensor 3 (TGS813) and sensor 5 (MQ136) had selected all the characteristic values, which showed that these sensors played an important role in the classification of fish meal quality by using RF classifier. By using 10 fold cross validation, the RFRFE algorithm was verified to be more compact again. The feature selection method provided a new method and reference for feature optimization of identifying other animal-derived raw material samples by bionic olfaction technology.

quality control; nondestructive detection; feed; fish meal; normalization; RF; RFE

2019-01-24

2019-05-24

中央高校基本科研業務費專項資金資助項目（2662018PY081）

李 培，博士生，主要從事農產品加工技術方面研究。Email：huanonglipei8@163.com

牛智有，博士，教授，主要從事農產品加工技術與裝備研究。Email：nzhy@mail.hzau.edu.cn

10.11975/j.issn.1002-6819.2019.12.038

S222.1

A

1002-6819(2019)-12-0313-08

李 培，牛智有，譚鶴群，張偉健，皇甫季璇. 魚粉品質檢測電子鼻傳感器陣列的多特征數據融合優化[J]. 農業工程學報，2019，35(12)：313－320. doi：10.11975/j.issn.1002-6819.2019.12.038 http://www.tcsae.org

Li Pei, Niu Zhiyou, Tan Hequn, Zhang Weijian, Huangfu Jixuan. Multi-feature data fusion optimization of sensor array of electronic nose for fish meal quality detection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(12): 313－320. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.12.038 http://www.tcsae.org