در کار حاضر رویکردی جدید بر مسأله استخراج ویژگی از پاسخ های یک حسگر گاز مقاومتی تحت مدولاسیون دمایی ارائه می شود. پاسخ های یک حسگر گاز که توسط شکل موج پلکانی ولتاژ گرمکن تحریک می شود با استفاده از شبکه های فازی عصبی مدل می شود. شکل موج پلکانی شامل پنج پله هر یک با مدت دوام s 20 است که سبب افزایش دمای سطح حساس حسگر تا oc330 می شود. دوازده گاز شامل هشت بخار الکل، سه بخار کتون و هیدروژن، هر یک در 11 تراکم مختلف به عنوان گازهای هدف استفاده شد. به ازای هر پلکان ولتاژ یک سیستم تعریف می شود که در آن دمای متغیر سطح حساس حسگر به عنوان ورودی مدل و پاسخ گذرای حسگر به عنوان خروجی آن در نظر گرفته شد. برای مدل سازی سیستم یک شبکه فازی عصبی خطی محلی با الگوریتم آموزش یادگیری درخت مدل خطی محلی (lolimot) استفاده شد. از وزن های شبکه های آموزش داده شده به عنوان ویژگی های پاسخ حسگر در مقابل گازهای هدف مختلف استفاده شد. نگاشت بردارهای ویژگی هر مجموعه گازی به فضای دسته بندی با روش کاهش ویژگی تمایز خطی فیشر حاکی از جدایش موفقیت آمیز هر دوازده گاز هدف بود. در مرحله بعد عملکرد این شبکه فازی عصبی با دو شبکه عصبی معروف mlp و rbf مورد مقایسه قرار گرفت. اطلاعات تمایزی موجود در بردارهای ویژگی این سه شبکه در سه بعد با استفاده از معیار نسبت جدایش فیشر مقایسه شده و میزان موفقیت در دسته بندی داده ها با استفاده از دسته بندی کننده فاصله بدست آمد. نتایج بدست آمده حاکی از شناسایی 100% تمامی گازهای هدف توسط شبکه فازی عصبی خطی محلی است در حالیکه این میزان برای شبکه rbf، 75/93% بوده و بردارهای ویژگی استخراج شده از شبکه mlp نیز فاقد اطلاعات تمایزی است. لازم به ذکر است که این تعداد گاز شناسایی شده بالاترین تعداد گاز شناسایی شده توسط یک تک حسگر تا کنون می باشد.