Zaproponowano model analizatora intensywności zapachu w postaci dwóch warstw neuronów. Pierwsza warstwa zawiera chaotycznie rozmieszczone selektywne receptory poszczególnych odorantów. Wpływ odoranta na intensywność zapachu mieszanin zależy od liczby odpowiednich receptorów oraz liczby jego połączeń z neuronami warstwy drugiej (stopień dywergencji). Neuron drugiej warstwy zostaje pobudzony jednakowo po odebraniu sygnału z dowolnego receptora lub z kilku receptorów. Założono, że intensywność zapachu jest wprost proporcjonalna do liczby pobudzonych neuronów warstwy drugiej. Badany model zawierał 1000 neuronów w warstwie pierwszej i 1456 neuronów w warstwie drugiej. Warstwa pierwsza zawierała receptory A i B (RA i RB) w ilościach 15% RA, 15% RB oraz 30% RA I 0% RB. Receptory A cechowała dywergencja 1:9, receptory B - 1:25. Bodźcem były mieszaniny zawierające 5-100 cząsteczek A i B na sto (x , = O, 0,2, 0,5, 0,8 i 1,0). Potwierdzono ogólne podobieństwo reakcji modelu analizatora do reakcji ludzkiego węchu.

Wykonano oznaczenia intensywności zapachu powietrza zanieczyszczonego cykloheksanem (A), cykloheksanonem (B) oraz cykloheksanem z domieszkami cykloheksanonu (mieszaniny MI, M2 i M3; x8 = 0,14; 0,05 i 0,02). Wymaczono empiryczne parametry równań Webera-Fechnera i Stevensa. Dla mieszanin o stężeniu C = 1500-3500 ppm oszacowano stalą interakcji av= 115-130°. Na podstawie wyników weryfikacji znanych modeli interakcji stwierdzono, że możliwości ich zastosowania do przewidywania intensywności zapachu mieszanin cykloheksanu i cykloheksanonu są ograniczone.

Odor source location technology has important application value in environmental monitoring, safety emergency and search and rescue operations. For example, it can be used in post-disaster search and rescue, detection of hazardous gas leakage, and fire source detection. Existing odor source location methods have problems such as low search efficiency, inability to adapt to complex environments, and inaccurate odor source location. In this study, based on unmanned aerial vehicle technology and using swarm intelligence optimization algorithm, an improved artificial fish swarm algorithm (IAFSA) is proposed by combining curiosity in psychology on the basis of retaining the good optimization performance of the artificial fish swarm algorithm. The algorithm quantifies the curiosity of artificial fish searching high-concentration areas through a model, dynamically adjusts the artificial fish's field of vision and step length with the calculated curiosity factor, and avoids the oscillation phenomenon in the later stage of the algorithm. Simulation results show that the IAFSA has a higher success rate and smaller location error. Finally, odor source location experiments were carried out in an indoor physical environment, the feasibility of the odor source location method proposed in this study is verified in actual scenarios.