电子鼻是一种模拟生物嗅觉的仿生技术,与传统的检测方法相比,电子鼻系统具有实时性强、反应快速、性能高效等优点,广泛用于空气质量监测、食品工业、医疗诊断等领域。对气体的定性和定量分析,也就是对气体类别和的浓度判定是电子鼻系统检测精度的两大重要指标。本文以空气质量监测系统为应用背景,针对提高电子鼻系统检测精度的方法进行了研究。目前,提高电子鼻系统分类检测精度的经典方法有线性判别方法、BP神经网络和支持向量机(SVM)等方法,这些方法广泛用于空气质量监测仪的定性与定量分析,都表现出自身特有的一些优缺点。其中BP神经网络存在容易陷入局部最小值的问题；支持向量机凭借其良好的分类效果而应用广泛,然而它对数据的特征值要求较高,SVM通常与一些特征值提取方法结合使用。然而无论是线性的主成分分析(PCA)和独立成分分析(ICA),还是非线性的核主成分分析法(KPCA)和核熵成分分析法(KECA),在特征值提取过程中都对原始特征进行部分意向性丢失,从而无法保证对气体原始特征的完整保留。因此,本文将深度置信网络(DBN)引入电子鼻系统。深度置信网络在应用过程中,通过对大量的数据进行学习,自动实现特征提取和检测,从而提高系统分类识别的效果。深度置信网络的隐含层采用受限玻尔兹曼机(RBM)的结构,在学习和继承了BP神经网络优点的同时克服了容易陷入局部最小值的问题。为了体现深度置信网络在特征值提取方面的优势,本文将深度置信网络与支持向量机结合多种特征值提取方法后的分类效果进行对比,结果表明DBN效果更优。虽然DBN能提高气体分类的检测精度,但是不能解决温度和湿度引起的传感器漂移问题。而传感器漂移问题是影响电子鼻系统检测精度的重要因素,因此对传感器进行漂移补偿对提升检测精度有重要作用。基于多项式拟合的温湿度补偿方法能有效减少温度和湿度引起的漂移。但是多项式拟合对系数比较敏感,容易出现过拟合现象,本文提出基于LP正则化的传感器漂移补偿方法,通过对拟合系数进行正则化处理,提高模型检测的精度。通过仿真实验结果表明,多项式拟合方法经过LP正则化后的效果明显优于正则化处理前的多项式拟合效果。