AIOS-2030 人工智能嗅覺系統——構建新一代嗅覺感知鑒別評價體系

聚芯追風的人工智能嗅覺系統技術介紹

本系統是實驗室級別的人工智能嗅覺系統，有三部分組成：

樣品前處理進樣系統

本部分是由動態頂空處理系統，主要工作是將樣品置入頂空瓶中，加熱提取氣味物質到低溫捕集阱中，濃縮后進樣到嗅覺系統中，具體技術參數可參考產品彩頁，該系統能收集ppt濃度級別的氣味物質，更全面的收集并進樣是人工智能嗅覺系統的重要一環。

AIOS-2030 人工智能嗅覺系統：

本部分是由至少10組傳感器陣列組成嗅覺鼻腔，嗅覺傳感器通過檢測氣味分子與傳感器材料的相互作用，將氣味信息轉化為電信號。傳感器包括：（1）丙酮類、（2）有機硫化物氮化合物、（3）甲苯、醛、酮和醇、烷基芳香族化合物、（4）脂肪族烴、鹵代烴、醚、酯、吡啶、酚和醇、（5）醇、酮、醛和芳香族化合物（6）甲烷和硫化氫、（7）酚、酮、乙酸乙酯、環己酮、氯苯、甲苯和醚（8）烷烴、烯烴和芳香族化合物敏感；烷烴、烯烴和氫、（9）烷烴、一氧化碳、烯醛、醇、氮氧化物、酮和醛、（10）硫化物、氮化物、碳化物、烴類和氮氧化物。傳感器的選型需要根據具體應用場景進行優化。

另外良好的鼻腔氣路回轉體系能更好地對所有氣體組分做出響應，惰性化處理降低殘留，避免交叉污染。

嗅覺神經網絡

嗅覺神經網絡負責對氣味信號進行特征提取和模式識別，生成嗅覺感知數據，嗅覺神經網絡通常包括以下層次：

輸入層：接收來自傳感器的多維數據，如氣體濃度、溫度、濕度等

隱藏層：通過多層感知器或卷積神經網絡提取氣味特征。隱藏層的設計需要考慮網絡的深度和寬度，以平衡計算復雜度和特征提取能力。

輸出層：生成氣味分類或濃度預測結果。輸出層的設計需要根據具體任務進行優化，如多分類任務或回歸任務。

高質量的訓練數據是神經網絡性能的關鍵。鼻腔系統產生數字信號需要進行數據預處理即對原始數據進行降噪、歸一化等處理，以提高數據的質量和一致性。然后做數據標注即對氣味數據進行人工或自動標注，以生成監督學習所需的標簽。

模式識別是通過神經網絡對氣味進行分類或濃度預測的過程。我公司的人工智能嗅覺系統目前集成了4個模式識別算法：

1. ?KNN（K-Nearest Neighbors）算法?是一種基于實例的監督學習分類方法，通過計算待分類樣本與訓練數據中最近鄰的K個樣本的距離，以多數表決原則確定其類別歸屬。

2. 支持向量機（Support Vector Machine, SVM）是一種監督學習的二分類算法，其核心思想是通過很大化分類間隔找到較優超平面，適用于線性可分和非線性可分數據，廣泛應用于模式識別等領域。

3. 隨機森林是一種基于決策樹的集成學習算法，通過構建多棵樹并結合它們的預測結果來提高模型的準確性和魯棒性，廣泛應用于分類、回歸和特征選擇等任務。

4. Gradient Boosting是一種集成學習算法，通過迭代訓練弱學習器（通常是決策樹）并累加其預測結果來優化模型性能，適用于回歸和分類任務。

也可以根據測試需要引進新的算法模型對樣品進行鑒別評價。

最后，為了很好的完成嗅覺系統的訓練，我公司也有“陪跑"技術服務以保證項目系統的順利實施，“陪跑"服務主要工作是協助用戶訓練嗅覺系統，根據項目需求尋求更好的感應器組合并優化，選擇測試更時候的大數據模型算法，算法融合，提升分辨評級的能力和穩定性。