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.     

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.     

几种神经网络在混合气体预测中的比较

气体传感器阵列的交叉敏感性严重影响气体传感器对混合气体的测量。用M atlab平台的神经网络工具箱,分别构建了BP,径向基(RBF)和模糊(FNN)神经网络,利用掺杂不同材料的4种SnO2气体传感器组成阵列,实现对甲醛、甲苯、丙酮和乙醇混合气体的体积分数预测。结果表明:FNN神经网络对混合气体体积分数预测的精度要高于其他2种网络。而且,结合PCA和ICA对数据样本进行预处理,有利于提高神经网络对体积分数预测的精度。     

基于GA-BP神经网络的红外CO2传感器湿度补偿研究*

为了提高红外CO2气体传感器的探测灵敏度和精度,首先研究了不同镀膜对非色散扁锥腔CO2气体传感器的红外吸收效率和灵敏度的影响.然后搭建了湿度实验平台,着重研究了环境湿度对气体浓度测量结果的影响.最后,采用遗传算法优化的BP神经网络算法(GA-BP)对传感器进行了湿度补偿.实验结果表明:在室温条件下、0～2000×10-6浓度范围内,镀金腔体的CO2传感器具有更高的红外吸收效率和灵敏度;在40％～80％湿度范围内,CO2气体传感器的测量误差与相对湿度密切相关,最高误差达645×10-6.采用GA-BP算法数据融合补偿后,传感器湿度漂移得到了较好抑制,整体平均误差小于±110×10-6,表明CO2气体传感器的测量精度得到了大幅提升.     

SVM和BP算法在气体识别中的对比研究

介绍了一种可以应用于气体识别领域的新的算法-支持向量基算法(SVM),并通过同常规的神经网络算法-BP算法进行实验对比,得到了:SVM算法在数据样本不含噪声时可以得到和BP算法同样好的识别效果;在数据言本含有噪声时,该算法的识别效果相对BP算法具有明显的优势.从而证明了SVM算法在气体识别领域具有良好的研究价值和应用前景.     

基于独立分量分析和BP网络的电子鼻模式识别

为了提高电子鼻对混合气体的识别率,针对气体传感器阵列的交叉敏感特性,探讨了在电子鼻系统中基于独立分量分析(ICA)算法与BP神经网络相结合进行模式识别的可行性。并对4个气体传感器组成的电子鼻对4种气体混合物所测得的原始数据进行处理,结果表明:ICA算法对数据进行有效预分类,减少了样本之间的相关性,将生成的新样本作为BP网络的输入,使网络结构简化,在保证一定正确率的前提下,大大提高网络的学习速度。利用该方法可以提高电子鼻识别混合气体的准确率。     

基于可视化仿生鼻的酮体标志物检测研究

现有的酮体水平检测方法无法完全满足潜在酮症患者在医院外或实验室外的无创、直观简便检测需求.考虑到高选择性、高特征性、无创、直观可视化等优点,基于可视化仿生鼻对酮体标志物丙酮气体的检测进行了实验研究,并对实验结果中所获取的HSI颜色差值特征进行了动态响应分析、层次聚类分析、反向传播(BP)神经网络识别等.分析结果表明:可视化仿生鼻的HSI差值特征与丙酮气体浓度存在非线性关系,且BP神经网络能够通过HSI差值特征实现不同浓度丙酮气体的识别,识别结果的整体平均相对误差为6.67%.     

基于FastICA和神经网络的电子鼻模式识别

气体传感器阵列是电子鼻系统的重要组成部分,传感器阵列的交叉敏特性严重影响电子鼻对气体识别的准确率.将快速独立分量分析算法和BP网络相结合用于电子鼻的模式识别可以有效地改善这一问题.并由一个5个传感器组成的电子鼻系统,对10组不同体积分数的3种气体测量得到的30组数据样本进行仿真.结果表明,用快速独立分量分析对数据作预处理,可以简化计算,减少数据之间的相关性,将预处理后的数据样本作为BP网络的输入,使网络结构简化,收敛速度快.利用该方法可以提高电子鼻识别气体的准确率.     

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。     

混沌遗传神经网络(CGANN)用于压电TSM晶体传感器陈列数据的模式识别

人工神经网络已被广泛应用于气体传感器阵列的模式识别研究中.该文利用混沌遗传人工神经网络算法(CGANN)对压电TSM晶体传感器阵列数据进行模式识别.数据处理结果表明,该方法能准确的对压电TSM传感器阵列数据中对应不同气体物质如乙醇,氯仿及丙酮等样本进行分类识别.     

基于主成分分析和BP 神经网络的气体识别方法研究

本文将主成分分析法与BP算法相结合应用于气体传感器阵列信号的处理,并以一个由4个SnO2气体传感器组成的阵列为例,对其受到不同浓度的汽车、酒精二元气体的响应信号进行了分析,结果表明,主成分分析能够在保留测试数据量大量信息的前提下,给数据有效降维和预分类,以消除样本间的相关性。然后,再将所产生的新的样本空间作为BP网络输入,使之减少网络的输入数,简化网络结构,并在保持相同正确率的前提下,大大提高网络的学习速率。     

基于电子鼻的空气中可挥发有机物定量分析

采用6只不同掺杂的纳米ZnO气体传感器组成的电子鼻实现了空气中乙醇、丙酮、苯的定量分析。对比了多元线性回归(MLR)、主成分回归(PCR)、人工神经网络(ANN)等不同算法在本实验中的应用,其体积分数平均标准误差分别为16.71×10-6,34.183×10-6,7.242×10-6。基于非线性函数映射的ANN算法具有最佳定量精度。研究表明:电子鼻在可挥发有机物(VOCs)定量分析中有潜在的应用前景。     

基于纳米ZnO气体传感器阵列的乙醇、丙酮、苯、甲苯、二甲苯的识别研究

采用6个不同掺杂的纳米ZnO气体传感器组成的阵列实现了乙醇、丙酮、苯、甲苯、二甲苯的识别。研究表明，掺杂可大幅度提高传感器的敏感度和对可挥发有机物（Vocs）的选择性。对比了k近邻法、线性判别法、反传人工神经网络、概率神经网络、学习向量量化等在本实验中的应用。反传人工神经网络具有最高识别率，可达100％。本研究表明电子鼻在空气质量监测中具有广阔的应用前景。     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。     

基于反射光谱的PCA及BP神经网络法预测甘蔗叶片叶绿素含量

叶绿素是植物进行光合作用的重要色素,叶绿素含量可以作为评价植物生长状况的重要参数。本研究基于甘蔗叶片的反射光谱,利用PCA及BP神经网络算法,建立了甘蔗叶片的叶绿素含量预测模型。PCA算法可以在尽可能少地丢失有用光谱信息的前提下,降低输入光谱矩阵的维数,最大限度地减少冗余信息。BP神经网络算法因其良好的非线性逼近能力可大大提高该模型的预测精度。研究发现：基于PCA和BP算法建立的叶绿素含量预测模型,其预测值与实测值之间的R2达0.8929,表明该模型具有较高的预测能力。