EQBC-RBFNN：电子鼻识别技术的新进展

"文章介绍了基于主动学习的新型电子鼻学习技术——EQBC-RBFNN，用于提升电子鼻在区分室内污染物气体（如甲苯、甲醛和苯）时的分类精度。传统电子鼻系统需要大量标记样本进行训练，而主动学习算法 EQBC-RBFNN 结合了查询委员会（Query by Committee, QBC）和径向基函数神经网络（Radial Basis Function Neural Network, RBFNN），有效地利用未标记样本进行训练，从而提高系统的泛化能力。实验证明，这种技术能通过利用未标记样本改善电子鼻的分类性能，相较于仅使用有标签样本的训练方式，分类精度得到显著提升。" 本文探讨了电子鼻（E-nose）在室内污染气体检测中的应用。E-nose是一个集成传感器阵列的智能系统，能模拟人类嗅觉识别多种气体。通常，E-nose的学习过程依赖于大量已标记的样本，以便从中提取特征并建立有效的分类模型。然而，获取这些标记样本的过程既耗时又耗费人力，而且标记样本数量有限，可能限制了模型的泛化能力。 为了解决这个问题，研究者提出了一种新的主动学习算法——EQBC-RBFNN。主动学习是一种有效的数据标注策略，它允许系统选择最有价值的未标记样本进行标记，以最小的成本最大化学习效果。在这里，EQBC（基于委员会的查询）方法被用来评估未标记样本的不确定性，选择那些最能提升模型性能的样本。RBFNN作为一种强大的非线性分类器，被用于构建模型，其径向基函数能够适应复杂的数据分布。 EQBC-RBFNN 技术将这两者结合，使得E-nose可以在较少的标记样本基础上，利用未标记样本的潜在信息，优化其学习过程。实验结果表明，与仅使用有标签样本训练的E-nose相比，应用EQBC-RBFNN在区分甲苯、甲醛和苯等室内污染物气体时，分类准确率得到了显著提升，证明了该方法的有效性和实用性。 总结来说，主动学习的引入，特别是EQBC-RBFNN算法，极大地提升了电子鼻在室内污染气体分类任务中的性能。这种方法不仅减少了对大量标记样本的依赖，还能够充分利用未标记样本，增强模型的泛化能力，为电子鼻在环境监测和健康防护等领域提供了更高效、经济的解决方案。