室内装修材料和家具含有大量的醛类物质,醛类物质的释放及室内不良的通风会造成室内甲醛浓度的上升,影响人们的身体健康。因此,室内甲醛浓度的检测显得尤为重要。传统的甲醛检测方法有分光度法、气相色谱法、极谱法等,但是这些检测仪器体积庞大、价格昂贵、操作困难,不适合一般用户使用;新型的甲醛传感器虽然体积小、成本低、操作方便,却存在交叉干扰的问题,检测结果可靠性低。为了解决甲醛传感器存在交叉干扰的问题,本文设计了一种基于多传感器与机器学习的甲醛检测系统。系统以STM32F103为主控芯片的甲醛及干扰因子检测终端分别采集了模拟环境中甲醛、氨气、乙醇及温湿度传感器的响应值,并用专用甲醛检测仪记录下模拟环境中甲醛实际浓度。本文的数据具有低维非稀疏的特点,XGBoost算法在处理低维数据集上具有较高的计算精度,并且其处理速度快,占用资源少,适合手机等移动设备。因此,系统采用XGBoost算法对甲醛传感器进行交叉干扰抑制。本文使用局部异常因子算法对实验过程中产生的异常值进行了处理,提高了XGBoost算法的鲁棒性。此外,采用核函数对低维非稀疏数据进行特征空间变换,提升XGBoost算法的计算精度。最后,采用Java语言将交叉干扰抑制模型移植到Android App,并通过蓝牙将甲醛及干扰因子检测终端采集到的传感器响应值发送到Android App,最后结合传感器响应值和交叉干扰抑制模型计算出交叉干扰抑制之后的甲醛浓度,并在Android页面向用户展示,同时将该结果存储在SQLite数据库中。搭建了混合气体模拟环境对甲醛检测系统的每个模块进行了测试和验证。结果表明,各个模块均可正常工作,并且使用本文提出的方法对甲醛传感器进行交叉干扰抑制后的均方根误差(rmse)只有0.0023,与使用核函数对特征空间进行处理前相比rmse降低了10倍,与使用神经网络相比rmse降低了12倍。