人工嗅觉系统,即电子鼻,是由具有特异性的气相传感器阵列结合信号处理单元和机器学习算法而组成的系统,具有识别单一或复杂成分气味的能力。与传统的气体分析技术相比,电子鼻具有成本低、操作方便、快速识别、可靠性高、客观性强等优点。随着计算科学的迅速发展,电子鼻理论与技术也得以不断完善,实现对复杂对象的定性或定量检测,已成为研究热点之一。本文选取人参和石斛两种典型中草药作为实验对象,制备样本,设计实验流程,通过实验室设计的电子鼻软硬件系统,完成对样本测试的控制并采集样本的响应信号;选择合适的数据预处理方法,包括信号滤波降噪、基线校正,进而提取样本特征。本文设计实现了一个两层的Adaboost.M2集成模型框架:第一层采用代数融合规则来调整不同基分类器的输出比重,并将其结果归一化;取底层集成输出作为第二层Adaboost.M2框架每次迭代学习的结果。迭代过程中产生的误差既会返回修改训练样本的权重分布,同时调整整体迭代过程中加权最大投票规则的权重,不断强化集成模型对样本的学习能力。引入差异性度量方法,分析不同基分类器性能的差异性和相似程度,并在不同迭代次数下比较集成组合的表现,进而找到融合规则下最优的基分类器组合进行集成。在对人参和石斛的集成学习中,优化的基分类器组合分别为“SVM-PNN-LDA”和“MLP-PNN-LDA”,相应的分类准确度为91.75%和87.71%,优化迭代次数为30,并使用平均值规则作为底层基分类器的融合规则。设计的两层集成模型可以在分类应用中提供精确有效的概率预测,且不仅仅局限于电子鼻的应用;同时为不同的集成系统提供了思路,可以实现有效的在线分类学习。回归到哺乳动物嗅觉机制本身,分析KⅢ嗅觉神经网络和其数学模型,配置网络模型参数,并求解网络节点在时序空间中的状态变量值。同时对KⅢ网络进行功能仿真,展示模型的仿生性能。基于KⅢ网络的学习机制实现模式识别:1)配置KⅢ网络参数来学习特征X;2)采用具有全局适应性的改Hebb规则来训练KⅢ网络,训练使OB层M1节点的连接权重收敛;3)取M1节点的幅度调制振荡波形作为网络的输出,求解标准差SD值来进行表征;4)使用分类规则来对KⅢ模型学习的输出特征信息进行学习。针对人参和石斛两种对象,构建了基于KⅢ网络的工作流,主要包括:1)KⅢ网络的自组织无监督学习;2)特征归一化处理;3)有监督学习的预测模型。其中,预测模型分别选用基分类器和相应的集成模型进行学习,并分析不同组合模型之间的性能差别。针对人参和石斛样本,基于KⅢ网络的工作流最优的识别结果分别为88.57%和86.46%。