基于微气体传感器阵列和神经网络的VOCs的辨别

六个由贵金属Au,Cu,Pt做添加剂的SnO2气体传感器构成了微气体传感器阵列.首先研究了这六只传感器对挥发性有机化合物(VOCs)敏感特性,本文中的VOCs 指VOCsmixture和甲醛(HCHO)气体,其中VOCsmixture是10 ppm甲苯、1 ppm丙酮、5 ppm α-派烯和10 ppm乙醇的混合气.然后采用BP神经网络对所获得的传感器信号进行了分析、识别.结果显示微气体传感器阵列与BP神经网络相结合不仅能有效地识别低浓度的单成分VOCsmixture和甲醛气体,而且也能有效地识别两元气体中的VOCsmixture和甲醛气体.     

Adaboost集成BP神经网络在传感器阵列检测系统中的应用

针对目前常见的多元有害气体检测问题,设计并搭建了一种基于传感器阵列和集成 BP神经网络相结合的传感器阵列检测系统。在该系统中采用集成BP神经网络对传感器阵列的三种混合有害气体的响应信号进行回归分析。为了提高集成BP神经网络的预测准确性,又利用Adaboost算法对集成BP神经网络进行了优化。结果显示：该系统能够准确地检测气体组分,通过Adaboost算法对集成BP神经网络优化后,预测的平均相对误差小于2%,能够有效解决气体传感器的交叉敏感问题,提高传感器的选择性。     

基于卟啉传感器阵列系统的肺癌标志物识别算法

卟啉传感器阵列系统可以检测肺癌呼出气体中特定的标志性气体,不同标志性气体检测输出的差值图谱不一样.介绍了一种结合反向传播(BP)神经网络和主成分分析(PCA)的肺癌标志性气体种类识别算法,并将其应用在卟啉传感器阵列系统中.通过计算卟啉传感器阵列中各点的主成分得分选出敏感点,保留各气体敏感点的值,并组成识别模板作为BP神经网络的输入层,达到去除冗余数据的目的.通过实验对比聚类分析结果、未降维数据的BP神经网络识别结果及已经PCA降维后的数据作为输入的BP神经网络识别结果,证明提出的算法可以更加精确地识别不同的肺癌标志性气体.     

气体传感器阵列信号处理的混合神经网络

:讨论了基于气体传感器阵列的混合气体识别的信号处理方法 ,将自组织特征映射神经网络与BP神经网络相结合 ,采用先进行气体分类后识别气体组份的方式 ,将传统方法中的全程拟合改为分段拟合 ,降低了算法的复杂性 ,提高了识别率。     

厚膜SnO_2气体传感器的嗅觉特征提取与处理

用一组厚膜ＳｎＯ２气体传感器阵列模拟人的嗅觉形成过程,对５种不同体积分数乙醇溶液进行分 析。详细叙述了实验过程,分别从每个气体传感器与气体反应的曲线中提取４个特征,用ＢＰ神经网络对 样本特征值的处理,对不同体积分数乙醇溶液进行识别。神经网络对训练集的回判正确率为１００％,对测 试集测试正确率为９０％。     

基于传感器阵列和卷积神经网络的毒害气体泄漏预测方法研究

本文研究了一种基于传感器阵列和卷积神经网络的毒害气体泄漏预测方法,在实验室中布设监测传感器阵列,实验模拟检测氯气、硫化氢和挥发性有机物（VOCs）三类毒害气体泄漏,获取实验室安全监测的扁平化信号。将扁平化信号输入非线性特征计算模型（NFC）得到对应的模型输出信号参数（NFCOP）特征值,根据实时传感器的特征值与阈值下边界之间进行比较,构建传感器响应特征值向量,建立训练集和预测集,并采用卷积神经网络CNN对实验室安全情况进行预测,结果表明基于NFCOP特征分析和卷积神经网络方法,优于BP、PLS等预测方法,预测准确率最高可达93%。结果表明所探索的方法能够实现毒害气体预测的目标。     

基于传感器阵列与前馈神经网络的气体辨识系统

将气体传感器阵列与前馈神经网络模式识别技术相结合形成气体辨识技术相结合形成气体辨识系统,通过实验比较了不同的传感器信号预处理方法、前馈神经网络的结构和参数对气体辨识系统性能的影响,研究结果具有一定的工程应用价值。     

伪逆BP神经网络在汽车尾气检测中的应用

为了准确、快速、高效地检测汽车尾气中各气体的质量分数,结合传感器阵列和神经网络技术,设计了一种汽车尾气检测系统.为了提高神经网络模型的拟合和预测能力,提出伪逆BP集成神经网络模型:利用伪逆法求得不同BP神经网络集成的最优权重系数,再通过加权平均法集成BP神经网络.利用伪逆BP集成神经网络模型对传感器阵列信号进行回归分析,结果表明:该模型的预测相对误差均小于5％,对比传统Adaboost-BP集成神经网络模型,该模型实现更简单,收敛更快,收敛精度和预测精度更高.     

PSO-BP神经网络在多元有害气体检测中的应用

针对目前常见的多元有害气体检测问题,搭建了一种基于传感器阵列和GP神经网络相结合的多元有害气体检测系统。该检测系统中采用了GP神经网络算法对传感器阵列的4种混合有害气体的响应信号进行回归分析。为了提高GP神经网络的预测准确性,又利用了粒子群优化（ PSO）算法对GP神经网络的权值与阈值进行了优化。结果显示：通过PSO 优化的GP（ PSO-GP）神经网络预测的平均相对误差小于2%,能够有效解决气体传感器交叉敏感问题。     

基于声表面波传感器阵列的气体鉴别算法研究

声表面波(SAW)传感器阵列具有体积小、功耗低、反应灵敏等优点,在食品检测、环境治理、气体鉴别等领域有广泛的应用前景。结合声表面波传感器阵列的原理及特点,建立和优化了声表面波传感器阵列的数学模型,并对数据进行预处理、主成分分析（PCA）以及BP神经网络分析处理,实现了对气体的鉴别分类,取得了好的实验结果。     

气体传感器阵列中特征参数的提取与优化

用一组厚膜金属氧化锡气体传感器阵列对气味进行分析和识别 ,其中最重要、最难的因素是传感器特征提取技术和特征参数的优化 ,使所用的传感器阵列能快速准确地识别不同气味。然而 ,目前尚无令人满意的方法。本文中研制了适用于传感器阵列反应的试验装置 ,在获得传感器与食醋挥发气体反应的整个过程的数据的基础上 ,提取了传感器与食醋散发的气体反应的特征值。利用分辨率来提取 ,以确定所提取的特征参数是否最优 ,从而决定该特征值在以后模式识别中是否有用。再对那些分辨率指数大的特征参数进行主成分分析和神经网络分析 ,主成分分析结果表明不同醋之间区分得比较开 ,神经网络的识别正确率达到 10 0 %。显然这一方法也可用于解决其它形式传感器阵列问题。     

基于传感器阵列与神经网络的气体检测系统

在分析研究电子鼻理论和系统组成的基础上,设计构建了一套传感器阵列与人工神经网络相结合的混合气体检测系统.并采用该系统对三种气体传感器(一氧化碳CO、二氧化硫SO2和二氧化氮NO2)进行了实验,对实验数据用神经网络(BP和 RBF)进行了分析、识别和气体体积分数的计算.结果显示该检测系统识别准确,不仅能够解决气体传感器交叉敏感问题,提高器件的选择性,而且具有智能化和多功能化等优点.     

基于人工神经网络的苹果气体识别方法研究

将气体传感器阵列与人工神经网络模式识别技术相结合,建立了电子鼻系统,对水果变化过程进行监控。尝试对3种不同状态(好、碰伤、坏)的苹果气体进行定性识别。实验结果表明:结合主成分分析的人工神经网络方式为模式识别、分类提供了快速准确的辨识方法,对红富士苹果进行分类时正确率在83.33%以上。     

瓦斯突出模型预测控制的应用研究

煤体瓦斯涌出量的动态变化是一个复杂的非线性系统,传统的瓦斯监测方法准确率较低。针对该问题,文章提出了一种基于BP人工神经网络模型的瓦斯突出危险性预测控制方法。该方法运用BP人工神经网络预测模型对输入的多组样本进行训练学习、建立预测准则,并以此辨识瓦斯突出危险性类型。仿真结果表明,该方法有效解决了传统的瓦斯突出预测模型在事故预测中误差大、稳定性差的缺陷,提高了预测精度。     

基于传感器动态检测和神经网络的气体识别

提出将气体传感器阵列动态检测与人工神经网络相结合的方法实现气体的识别。设计了用该方法进行气体检测识别的实验系统。该方法具有实验次数少、识别准确度高的优点。实验以4个金属氧化物半导体气体传感器组成的阵列为例,详细讨论了该方法的实验过程及识别结果。通过实验对甲烷、乙醇、丙酮3种气体及其混合气体进行识别,结果表明:该方法的正确识别率达到100%,具有很高的实用价值。     

神经网络在煤矿安全决策支持系统中的研究及应用

主要研究人工神经网络在煤矿安全决策支持系统中的应用。将BP网络用于瓦斯突出,解决了瓦斯突出判别困难、难以建立数学模型的难题,为煤矿瓦斯突出研究找到了一种新的建模和预测方法。     

基于神经网络的结构疲劳寿命仿真的研究

疲劳是一个相当复杂的过程 ,受大量难以监控的因素影响。目前的疲劳寿命估算基本是采用传统的经验公式 ,计算程序复杂 ,精度低 ,试验成本高。随着人工神经网络的迅速发展 ,使用人工神经网络对疲劳寿命计算成为可能。该文通过对疲劳寿命的影响因素分析 ,采用改进的BP网络对疲劳寿命计算进行仿真 ,仿真结果表明这种方法对疲劳寿命估算是可行的 ,并且有很好的精度。     

气体传感器阵列常用模式识别算法

模式识别在气体传感器阵列的测量中占有举足轻重的地位。介绍了k近邻法、聚类分析、判别函数分析、反向传播人工神经网络、主元分析法、概率神经网、学习向量量化、自组织映射、自适应共振网、遗传算法等气体传感器阵列常用模式识别算法的原理和特点。同时,指出了在应用中模式识别算法选择和评价的标准。