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.     

混合气体定量检测系统的研究

将气体传感器阵列与采用BP算法进行训练的人工神经网络模式识别技术相结合形成混合气体定量检测系统,通过实验比较了不同的传感器信号预处理方法、BP网络的结构和参数,以及测量环境对混合气体定量检测系统性能的影响.     

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。     

气体传感器阵列测试算法研究

采用人工神经网络中的BP神经网络处理阵列式气体传感器信号,气体传感器阵列与前馈神经网络模式识别技术结合而成的人工嗅觉系统被用来进行混合气体的定量分析.利用计算机模拟方法对非线性气体传感器阵列进行模拟,并运用MATLAB神经网络工具箱设计了BP网络,最后,对模拟数据进行了比较.结果表明:神经网络法具有非线性逼近能力强、识别率较高等特点.     

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。     

基于多BP子网络的电子鼻信息融合技术

针对电子鼻技术的应用中,利用常规BP(back-propagation)网络难以对复杂的混合气味进行识别这一问题,介绍了一种采用多BP网络联合进行电子鼻多传感器数据融合处理的新方法。利用这一方法并结合气体传感器阵列在不同温度条件下的响应信号,对不同品牌的葡萄酒样本进行定性识别,仿真验证结果表明该方法的识别准确率达到100%。     

人工嗅觉技术在酒类鉴别中的应用

简述了人工嗅觉酒类鉴别系统的原理、结构。给出了气体传感器阵列的组成方法,进行了气体传感器温度、湿度补偿。并运用主成分分析法和BP神经网络对试验结果进行了分析。鉴别实验研究表明,经温度、湿度补偿后该系统不仅能鉴别不同香型的白酒,还能鉴别同一香型的白酒。     

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.     

用于检测糖尿病标志物的电子鼻优化设计

人体呼气中的丙酮含量可作为糖尿病的标志物.为实现无创糖尿病诊断,设计以金属氧化物半导体气敏传感器阵列为核心的人工嗅觉系统,对完成痕量丙酮的快速检测具有重要意义.通过多个气体流量控制器MFC(Mass Flow Controller)分别配制出模拟糖尿病患者呼气样本(30×10-6丙酮)与另两种干扰气体样本(30×10-6乙醇样本、15×10-6丙酮与15×10-6乙醇混合样本)进行实验,基于BP神经网络算法对3种气体定性识别,并通过主成分分析PCA(Principal Component Analysis)算法对原始的高维特征子集进行降维优化.实验表明:PCA与BP算法相结合,可降低BP神经网络的复杂性、减少预测的误差,同时能够解决单个气体传感器交叉敏感问题,进而提高对气体的选择性.对痕量丙酮样本与另两种干扰气体样本进行分析识别,识别的结果显示:对3种样本的识别准确率为91％.该研究为准确识别糖尿病标志物实现无创诊断技术提供了理论指导.     

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。     

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PCA的3种改进BP算法性能研究

现有入侵检测系统的效率和准确率较低。为此,提出一种基于主成分分析的特征提取方法。对数据源进行特征降维,将获得的主成分作为BP神经网络的输入数据进行识别。分析原始BP算法存在的问题,研究RPBP、CGBP、LMBP 3种改进BP算法,并进行仿真实验,结果表明,与原始BP算法相比,改进算法收敛速度快,漏报率和误报率低,能有效改善入侵检测的识别效果。