（4）CaCl2和MgSO4都含堿土金屬離子，它們引起躍遷的濃度低於人體對苦味產生感覺的閾值濃度。除CaCl2、MgSO4外，苦味物質引起膜阻抗躍遷的濃度比人體內相應的閾值濃度高。因此，闡明機理，找出苦味物質的固有響應是很必要的。
基於目前研究情況，多通道類脂膜味覺傳感器陣列還有待進一步研究。
（三）人工嗅覺和味覺傳感器陣列的微結構化
最近有一些研究者利用微機械製造技術及微電子技術將微型傳感器陣列、電子線路和微處理器集成為一個完整的微結構係統。與分立元件形成的陣列相比，采用微結構可形成較大的陣列，且微結構具有結構一致性和成膜一致性，使整個係統的魯棒性得以增強。然而隨著結構尺寸的變小，敏感單元之間的相互影響變大，尤其是發熱造成的不均勻溫度分布，使傳感器不能在所需的工作溫度下工作，因而降低了傳感器的選擇性、靈敏性和重複性等。
由於對微結構傳感器進行熱分析較難，一般需要用仿真方法進行優化。有限元分析(Finite Element Analysis， FEA) 是用得最多的仿真方法，該方法最早應用於力學分析，近年來也開始應用於熱分析。U.Dillner曾用FEA分析一個多層膜的靜態熱分布，並將結果與解析方法的結果進行了比較，他認為當遇上較複雜的幾何形狀和載荷情況時，用解析方法較難獲得熱模型的解，這時FEA方法就具有優勢。SamuelK.H.Fung將FEA方法用於分析集成氣體傳感器的熱行為，並提出了一種新的氣體傳感器陣列，它具有較好的隔熱效果，但集成較難且容易損壞。Duk-Donglee應用FEA仿真了一個方形膜的熱分布，並由此推出了膜長度與加熱層長度的最佳比率。P.Maccagnani等研製了以多孔矽為熱隔離層材料的微結構氣體傳感器，並用FEA分析其熱機械行為。
由以上可知，工作溫度對傳感器的特性有很大的影響，而且在傳感器的陣列實現中，可通過調整陣列中的各個傳感器的工作溫度實現對不同氣體的最佳識別，所以，選擇最佳的工作溫度是一個很重要的問題。很少有人從事有關這方麵的工作，大多數人是通過實驗數據來尋找最佳工作溫度的。
二、人工嗅覺、人工味覺的模式識別
（一）人工嗅覺的響應表達式
人工嗅覺、人工味覺的數學模型非常複雜，目前人工味覺的數學模型還在研究中，因此這裏隻介紹人工嗅覺的響應表達式。設由m個氣體傳感器組成陣列，檢測對象為h種不同成分、不同濃度的氣體組成的混合氣體。
第i(i=1,2,…,m)個氣體傳感器的靈敏度ki與單一化學成分j(j=1,2,…h，濃度為bj）之間關係的數學表達式是：
ki=GWijGSij=aij(bj+pij)tj
式中GSij、GWij——傳感器在標準狀態和工作狀態的電導
tj——0～1之間的常數
aij、pij——待定係數
bj——各成分的濃度
第i個氣體傳感器對由各種成分濃度為bj(j=1,2,…,h)組成的混合氣體的總響應qi之間關係的表達式為：
qi=ai0+ai1bt11+…+aijbtjj+…aihbthh
式中ai0——常數項
式可認為是一個氣體傳感器對氣體混合物的響應模型；式則描述了氣體傳感器陣列對氣體混合物的響應模型。這說明傳感器的測量值與氣體濃度之間關係非常複雜，待定係數很多，用常規的數據處理方法很難找到式中的參數。對於具有高度選擇性的氣體傳感器陣列，係數矩陣可簡化為對角矩陣。
（二）數據的預處理
1．特征提取、選擇和歸一化
在模式識別中，特征提取是一個重要的問題。如果從輸入數據中得到了能區分不同類別的所有特征，那麼模式識別和分類也就不困難了。但實際上隻需要提取對區分不同類別最為重要的特征，即可有效的分類和計算，這叫做特征的選擇。特征可分為三種：物理特征、結構特征和數學特征。前兩種特征用接觸、目視觀察或其他感覺器官檢測得到。數學特征如統計均值、相關係數、協方差矩陣的特征值和特征向量等，常用於機器識別。
采樣後的傳感器輸出是一個時間序列，其穩態響應值和瞬態響應值是提取特征的依據。實驗表明，相對法和差商法有助於補償敏感器件的溫度敏感性。對數分析常用於濃度測定，可將高度非線性的濃度響應值線性化。表中xij為第i個傳感器對第j種氣體的響應特征值，Vmaxij為第i個傳感器對第j種氣體的最大響應值，Vminij為第i個傳感器對第j種氣體的最小響應值。
傳感器陣列中不同傳感器的不同特征值之間數據差異性可能會很大，有時會相差幾個數量級。因此，在提取傳感器特征的基礎上，還得將傳感器響應值歸一化，即使得傳感器響應特征值處於［0，1］之間。
2．主成分分析
國內外對人工嗅覺、人工味覺的數據進行統計處理時，使用最多的是主成分分析法。主成分分析（Principal Component Analysis, PCA）是一種把原來多個指標化為少數幾個新的互不相關或相互獨立的綜合指標的統計方法，可以達到數據簡化，揭示變量之間的關係和進行統計解釋的目的，為進一步分析總體的性質和數據的統計特性提供一些重要信息。對於總體X=(x1，…，xp)′，提出X的綜合指標y1，…，yk(k≤p)的原則：
（1）yi（i=1,…,k）是X的線性函數；
（2）要求新特征值yi（i=1,…,k）的方差盡可能大，即yi盡可能反映原來數據的信息；
（3）要求yi（i=1,…,k）互不相關，或者說y1,…,yk之間盡可能不含重複信息。
這樣y1,…,yk均稱為X的主成分。
PCA的基本目標是減少數據的維數。維數減少有許多的優勢。第一，後續處理步驟的計算被減少了；第二，噪聲可被減少，因為沒有被包含在前麵幾個主成分裏的數據可能大都是噪聲，有利於特征數據的優化；第三，投影到一個非常低維的（比如二維）子空間對於數據的可視化是有用的。正因為主成分分析法有以上功能，因此，在人工嗅覺和人工味覺特征值的簡化中得到了廣泛的應用
（三）人工神經網絡
模式識別是對所要研究的對象根據其共同的特征或屬性進行識別和分類。在人工嗅覺和人工味覺中，常用的模式識別方法是人工神經網絡數據處理方法。
1．人工神經網絡簡介
人工神經網絡（Artificial Neural Network, ANN）是模擬人的大腦進行工作的，如圖3-7所示。人工神經網絡信息處理技術的興起，為人工味覺、人工嗅覺檢測技術的發展注入了活力。英國的Shumer、Gardner等人率先將ANN用於嗅敏傳感器陣列信息處理，並較好地解決了信息的並行處理、變換、環境的自學習和自適應，特別是由於傳感器交叉響應帶來的非線性嚴重等難題，在一定程度上可抑製傳感器的漂移或噪聲，有助於氣體檢測精度的提高。目前，人工神經網絡用於人工嗅覺信息處理中麵臨的問題是：在網絡構造上尚缺乏一定的指導，網絡的訓練時間較長，特別是在感受器件特性不夠穩定或出現疲勞時，往往不能滿足要求等。未來的人工嗅覺和人工味覺將是傳感器陣列與處理電路的大規模集成，神經網絡的硬件實現將是首選方案之一。因此，發展新的神經網絡算法及與其他模式識別及信號處理方法相結合，以解決ANN在人工嗅覺和人工味覺應用中的實際問題，成為該領域的又一熱點。
在人工神經網絡的研究過程中，以誤差反傳（Back-Propagation， BP）算法為數學模型的前向多層神經網絡（Multi-layer Neural Networks，MLNNs）在模式識別和分類、非線性映射、特征提取等許多領域中獲得了成功的應用。