電子鼻Electronic Nose算法知多少？
電子鼻是20世紀90年代中期發展起來的一種用于分析、識別氣味物質總體特征的新型檢測儀器。
通過電子鼻可以建立食品、醫藥、生物、化工、環境等的氣味指紋圖譜，能實現氣味的客觀化表達，通過儀器分析推動食品、醫藥、化工等多領域的現代化發展。
電子鼻是模仿生物的嗅覺感受機制研制出來的，電子鼻系統中的傳感器陣列即相當于生物系統中的嗅覺感受細胞，能感受不同的氣味物質，將采集到的氣體指紋信息輸入電腦;電腦代替了生物系統中的大腦功能，通過軟件進行分析處理，區分辨識不同性質物質的整體特征，最后給出各個物質的感官信息。
在電子鼻應用過程中，需要多元數理統計系統對電子鼻采集特征數據進行分析，大數據算法對其使用效果至關重要，只有通過專業的數據統計分析系統才能深入地、完全地提取并解釋數據信息，還可以有效減少實驗誤差數據對結果的影響，得到科學的、可視化的實驗結果。現將上海保圣電子鼻Electronic Nose的電子鼻系統算法集中一一介紹。
1、上海保圣電子鼻Electronic Nose差異對比：方差分析ANOVA和多重比較comparison
分析對該事物有顯著影響的因素，各因素之間的交互作用，以及顯著影響因素的最佳水平等。
2、上海保圣電子鼻Electronic Nose降維分析
1)主成分分析PCA(Principal Component Analysis)：找到高維數據中的主成分，并利用“主成分”數據來表征原始數據，從而達到降維的目的，其側重于信息貢獻影響力綜合評價。
保圣科技電子鼻系統中的PCA算法，以多類型圖形表達降維分析結果，以多種可視化方式表現數據結果。
2)線性判別分析LDA(Latent Dirichlet Allocation)：分析時最大化類間距離以及最小化類內距離，是目前數據挖掘領域中比較經典且熱門的一種有監督的算法。
保圣科技電子鼻ElectronicNose系統中的LDA算法，以多類型圖形表達降維分析結果，以多種可視化方式表現數據結果。
3)局部線性嵌入LLE：可以學習任意維的局部線性的低維流形，而且LLE算法歸結為稀疏矩陣特征分解，計算復雜度相對較小，實現容易。
4)拉普拉斯特征映射LE(Laplacian Eigenmaps)：使相互間有關系的點在降維后的空間中盡可能的靠近，從而在降維后仍能保持原有的數據結構。
5)等距特征映射Isomap(Laplacian Eigenmaps) ：分析尋找到所有樣本全局的最優解，當數據量很大時或者樣本維度很高時，計算量非常大。
6)非線性降維T-SNE(t-distributed stochastic neighbor embedding) ：非常適用于高維數據降維到2維或者3維，進行可視化。
3、上海保圣電子鼻Electronic Nose回歸分析：電子鼻定量分析
1)偏最小二乘法回歸PLSR(Partial Least Squares Regression) ：對于自變量或因變量較多的數據處理更為優越，而且回歸系數可以看出各自變量與因變量的相關性及其影響的大小。
2)神經網絡BP(BPNN, Back Propagation Neural Network) ：通過矩陣乘法運算，其包括信號前向傳播和誤差反向傳播兩個過程。
3)支持向量機SVM(support vector machines) ：通過使用非線性映射算法將低維輸入空間轉化為高維特征空間，使其線性可分。
4、上海保圣電子鼻Electronic Nose分類分析：電子鼻定性分析
K鄰近分析KNN(k-NearestNeighbor) ：對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。
5、上海保圣電子鼻Electronic Nose聚類算法
1)系統聚類：計算方法有歐式距離(EuclideanDistance)、閔氏距離(MinkowskiDistance)、馬氏距離(MahalanobisDistance)，并在最后的分類樹狀圖中依據自己的分類需求確定分類結果。
2)密度聚類DBSCAN(Density-Based Spatial Clustering of Applications with Noise)：將簇定義為密度相連的點的最大集合，能夠把具有足夠高密度的區域劃分為簇，并可在噪聲的空間數據庫中發現任意形狀的聚類。
3)聚類K-Means：原理較為簡單，實現也很容易，收斂速度快，聚類效果較優，算法的可解釋度比較強。
在電子鼻應用過程中，需要多元數理統計系統對電子鼻采集特征數據進行分析，大數據算法對其使用效果至關重要，只有通過專業的數據統計分析系統才能深入地、完全地提取并解釋數據信息，還可以有效減少實驗誤差數據對結果的影響，得到科學的、可視化的實驗結果。現將上海保圣電子鼻Electronic Nose的電子鼻系統算法集中一一介紹。1、上海保圣電子鼻Electronic Nose差異對比：方差分析ANOVA和多重比較comparison分析對該事物有顯著影響的因素，各因素之間的交互作用，以及顯著影響因素的最佳水平等。2、上海保圣電子鼻Electronic Nose降維分析1)主成分分析PCA(Principal Component Analysis)：找到高維數據中的主成分，并利用“主成分”數據來表征原始數據，從而達到降維的目的，其側重于信息貢獻影響力綜合評價。保圣科技電子鼻系統中的PCA算法，以多類型圖形表達降維分析結果，以多種可視化方式表現數據結果。2)線性判別分析LDA(Latent Dirichlet Allocation)：分析時最大化類間距離以及最小化類內距離，是目前數據挖掘領域中比較經典且熱門的一種有監督的算法。保圣科技電子鼻ElectronicNose系統中的LDA算法，以多類型圖形表達降維分析結果，以多種可視化方式表現數據結果。3)局部線性嵌入LLE：可以學習任意維的局部線性的低維流形，而且LLE算法歸結為稀疏矩陣特征分解，計算復雜度相對較小，實現容易。4)拉普拉斯特征映射LE(Laplacian Eigenmaps)：使相互間有關系的點在降維后的空間中盡可能的靠近，從而在降維后仍能保持原有的數據結構。5)等距特征映射Isomap(Laplacian Eigenmaps) ：分析尋找到所有樣本全局的最優解，當數據量很大時或者樣本維度很高時，計算量非常大。6)非線性降維T-SNE(t-distributed stochastic neighbor embedding) ：非常適用于高維數據降維到2維或者3維，進行可視化。
3、上海保圣電子鼻Electronic Nose回歸分析：電子鼻定量分析1)偏最小二乘法回歸PLSR(Partial Least Squares Regression) ：對于自變量或因變量較多的數據處理更為優越，而且回歸系數可以看出各自變量與因變量的相關性及其影響的大小。2)神經網絡BP(BPNN, Back Propagation Neural Network) ：通過矩陣乘法運算，其包括信號前向傳播和誤差反向傳播兩個過程。3)支持向量機SVM(support vector machines) ：通過使用非線性映射算法將低維輸入空間轉化為高維特征空間，使其線性可分。4、上海保圣電子鼻Electronic Nose分類分析：電子鼻定性分析K鄰近分析KNN(k-NearestNeighbor) ：對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。5、上海保圣電子鼻Electronic Nose聚類算法1)系統聚類：計算方法有歐式距離(EuclideanDistance)、閔氏距離(MinkowskiDistance)、馬氏距離(MahalanobisDistance)，并在最后的分類樹狀圖中依據自己的分類需求確定分類結果。2)密度聚類DBSCAN(Density-Based Spatial Clustering of Applications with Noise)：將簇定義為密度相連的點的最大集合，能夠把具有足夠高密度的區域劃分為簇，并可在噪聲的空間數據庫中發現任意形狀的聚類。3)聚類K-Means：原理較為簡單，實現也很容易，收斂速度快，聚類效果較優，算法的可解釋度比較強。
