电子鼻系统中的传感器阵列可以是单片集成阵列，也可以由多个分立元件构成。当使用的阵列单元较多时，单片集成的阵列显示出尺寸小、功耗低的优点；另一方面，分立器件的性能也在不断得到提高。不论采用哪种阵列，阵列的规模和尺寸都非常重要。适当增加阵列单元数目，会得到更好的系统识别能力，但有时阵列单元的增加并不能改善系统的识别效果，并且较大规模的阵列，其功耗也较大，单元之间的热干扰也比较严重，这将增加系统集成的难度。构成阵列时，还要考虑阵列各单元的选择性。如果各单元对于特定气体具有较好的选择性，则阵列对这些气体及其混合气体的识别能力就比较强，但其能够识别的气体种类就会减少，对于更多成分的复杂混合气体的识别能力就比较弱。在构造传感器阵列时可以采用选择性不强、具有较宽的响应范围的传感器件，通过模式识别技术提升系统选择性和精度，同时针对不同的识别对象，加入个别选择性较好的单元，以简化阵列。在阵列单元选择方面，有采用测试结果的正态分布特性、相对标准方差分析、相关系数分析等方法。本系统中，交叉响应特性、阵列稳定性是传感器阵列单元选择的主要目标。

　　2.4 模式识别技术的选择

　　利用阵列中气体传感器的交叉选择性对被测介质形成高维响应模式，结合模式识别技术，可以对单一气体进行定性分析或确定混合气体中的特定分量。气体传感器的响应通常具有较强的非线性，所以常规的模式识别方法，如主成分分析法、偏最小二乘回归法、欧几里德聚类分析法等受到限制(大多数常规分类法是线性方法，假设响应向量位于欧几里德空间，被测对象的浓度与传感器的响应呈线性关系。只有当气体和气味的浓度很低时，情况才如此)。而人工神经网络能够处理非线性数据，能够容忍传感器的漂移和噪声，鲁棒性好，预报正确率也比常规方法高。

　　由于传感器的响应值与所测气体成分之间的关系非常复杂，很难用明确的数学关系表达，因此采用神经网络技术建立传感器阵列响应信号与测量气体之间的映射关系。径向基函数RBF(Radial Basis Function)神经网络在一定程度上可克服局部最小和效率低等问题，在函数逼近方面与BP神经网络相比有着明显的优势。综合以上分析，本系统采用RBF神经网络模式识别方法。图3是RBF神经网络拓扑结构。

      RBF神经网络由输入层、中间层(隐层) 和输出层组成。在此, 输入层仅对数据信息进行传递，而不进行任何变换。隐层神经元的核函数(或称作用函数)取为高斯函数，对输入信息进行空间映射变换。输出层神经元的作用函数为Sigmoid函数，对隐层神经元输出的信息进行线性加权后输出，作为网络的输出结果。采用监督学习的方法训练神经网络，以确定网络的中心、宽度和调节权重。从测试样本中，随机抽取80个样本中的60个为训练集，其余20个为测试集，在不同的温度和湿度条件下，分别做三次实验。

　　网络训练参数动量因子α＝0.09，学习因子η＝10.12，最大训练次数为20 000次，目标误差为0.01，训练时间约3min，网络达到目标误差要求。将训练好的网络对样本进行测试，结果如表1所示。对于三次实验，正确的判别结果达到了90%以上。这样的结果是令人满意的，说明本应用可以及早发现肺癌患者。

      本文建立了一套能快速准确地诊断肺癌的电子鼻系统。该电子鼻系统由传感器阵列组成。在数据处理中，对所得的传感器数据采用RBF神经网络进行模式识别处理，选取不同的温度和湿度条件，进行了三次实验。整个测试过程除了样本放入时需要顶空气体稳定2 min左右和采集传感器与样本气体反应数据需要2 min左右外，其他数据处理几乎不到半分钟，因此测试一个样本的时间不超过5 min。但由于所研制的电子鼻还处于实验室阶段，仍有许多需要进一步研究的问题，如在装置上，如何改进现有装置、优化传感器阵列；在数据处理方面，特征值的提取、模式识别算法的改进等。