挥发性有机化合物,常用VOCs表示,是形成细颗粒物(PM2.5)、臭氧等二次污染物的重要前体物,大部分的VOCs具有特殊气味,特别是苯、甲苯等对人体健康会造成很大的伤害,这些气味会对人体的呼吸系统造成损伤。因此,研究有毒有害气体检测以及识别系统对环境监测、疾病诊断等领域具有重大意义。该系统能准确预测气体的种类和浓度,从而保证人们生活在健康的环境中。由于VOCs具有毒性、刺激性、致畸性和致癌的特点,目前单一气体传感器虽然可以对某种单一气体进行及时可靠地检测,但它通常存在着单一性和重复性差的问题,因此,单个器件的性能常常不能满足实际需求。而基于传感器阵列的电子鼻系统可以实时准确的识别单一或混合的气体、气味,被认为是VOCs气体监测的重要发展方向。本文设计了一种基于质量敏感原理的薄膜体声波谐振器(全称FBAR)传感器阵列结合模式识别技术电子鼻方案,用于定性识别和定量检测VOCs。论文内容主要包括以下几点:(1)电子鼻测试系统的构建以及气体数据的分析:该系统由气体的清洗、干燥管、阀门、测试室、FBAR传感器阵列、PC机自制的模式识别算法软件和专业的数据分析软件等组成。其中,FBAR传感器阵列由四种不同的聚合物涂层的FBAR组成,阵列检测气体可以避免其它气体对目标气体的干扰以及能够在复杂的工作环境中精确地完成对目标气体的识别,之后是数据的采集、处理以及传感器的特性评估。(2)基于图像分析法以及主成分分析(PCA)法定性识别气体:图像分析法是以气体频移和浓度为参数形成特定的标志性图形并借助这些图形的视觉差异识别气体。所识别的气体在传感器阵列上呈现出不同的柱,形成特定气体直方图二维码,可以用作VOCs分类参数识别的指纹并可用于VOCs的分类。主成分分析法将利用maltab软件进行数据分析,对数据进行转换和降维,并对降维后的特征向量进行线性分类,最后在PCA分析的散点图上显示主要的二维散点图。该方法计算出前两个主成分累积方差贡献率达到99%,因此可以很好的区分不同的气体。(3)BP神经网络以及PCA+BP神经网络定性识别和定量检测气体:BP神经网络在MATLAB中分析创建,首先须要做的是对数据归一化预处理,以防止因数量级别而造成计量误差,然后探究了 BP神经网络中隐含层神经元个数,激活函数,性能目标等结构参数对网络预测性能的影响,调试出适合本论文的最佳结构参数。最后,用BP神经网络以及PCA+BP神经网络定性识别和定量检测气体。本文的研究表明:该电子鼻系统具有灵敏度高、选择性好、响应时间/恢复时间快等特性,所用的识别方法可以对气体进行有效的预测:基于主成分分析与图形识别法简单可视化的分类气体,用BP神经网络对单一气体种类的总体识别率为91.7%,检测四种单一气体的平均浓度误差率都在5%以下,混合气体种类识别率为100%,PCA+BP神经网络检测混合气体的平均浓度误差率在0.7%以下,说明该电子鼻系统运行稳定可靠,检测速度快,识别准确度高,能够很好的满足设计预期,在气体环境检测中有着广泛的应用前景。