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.     

径向基函数网络预测混合气体浓度

基于气体传感器阵列的混合气体分析方法及研究现状,对径向基函数神经网络对混合气体浓度预测进行了研究.用气体传感器阵列对由四种不同气体组成的混合气体进行测量并以这些测量数据为样本对径向基函数网络进行训练,训练后可使径向基函数网络对各气体成分的浓度预测误差不大于6%.     

基于支持向量机的混合气体定量分析

为了降低电子鼻对混合气体定量分析的误差,消除气体传感器阵列的交叉敏感特性,文章提出了一种在电子鼻中运用支持向量机进行模式分析的方法。用支持向量机对丁烷和乙醇混合气体所测得的原始数据进行处理,并将其与BP神经网络方法对比。结果表明,该方法预测精度高于传统的BP神经网络,在训练速度上也比BP网络神经更快,能有效地完成混合气体组分的定量分析。     

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.     

厚膜SnO2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％。     

基于单传感器动态检测和神经网络的气体监测

研究了气体传感器动态检测结合神经网络识别空气中有机气体的新方法.这种方法利用单个SnO2气体传感器而非阵列在方波温度调制的状态下,可实现多种有机气体的定性分析.在0.02Hz的调制频率、250～300℃的温度调制范围,测得传感器对不同体积分数异丙醇、乙酰丙酮和乙醇气体的动态响应.通过小波变换对单个周期测试信号进行特征提取,并将提取的特征值输入神经网络进行定性识别和体积分数估计,仿真识别的成功率高达100%,同时,较准确地实现待测有机气体的体积分数估计.     

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。     

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.     

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PSO算法集成神经网络的多元有害气体检测系统

针对目前常见的多元有害气体检测问题,搭建了一套基于传感器阵列和集成神经网络相结合的多元有害气体检测系统。为了提高该系统的稳定性和预测精度,提出使用粒子群算法( PSO)优化集成神经网络的权重系数的方法,即利用PSO的全局搜索能力,对该系统的集成神经网络权重系数进行全局优化,再以优化后的权重系数实现多个神经网络的结论结合。该系统对传感器阵列的4种混合有害气体的响应信号进行回归分析。结果显示,该系统PSO算法的集成神经网络预测的平均相对误差小于1%,网络具有更强的稳定性和泛化能力。     

RBF神经网络在储层表征中的应用研究

研究利用RBF神经网络技术进行石油储层表征中有关储层参数的计算与岩性的识别;建立了储层参数(渗透率)预测模型与岩性识别模型,并利用该两个模型对未知样本进行预测,预测结果与实际测量结果相比具有较好的一致性,其渗透率预测精度与收敛速度较BP神经网络模型有了很大的提高;应用表明,RBF神经网络在储层表征问题中有着广阔的应用前景。     

神经网络和SVM多传感器融合的隧道CO体积分数研究

利用BP,RBF神经网络、支持向量机(SVM)不同信息融合模型对高速公路隧道中失效CO传感器数据融合研究,比较了单一融合模型融合效果和不同最优加权信息融合模型融合效果。仿真实验表明:3种单一融合模型对隧道CO体积分数融合的有效性,其中单一SVM融合模型效果最好。最优加权融合性能均优于单一融合模型,其中,BP与SVM最优加权融合精度最高。还分析单一融合模型输出之间的冗余度对最优加权融合精度的影响规律,该规律为参与最优加权融合的单一模型筛选提供了一种新方法。     

基于RBF网络的数据融合在废气数据处理中的应用

针对禽畜养殖场环境废气体积分数数据的处理,使用多个传感器测量环境温度、湿度、某种废气的体积分数。对于传感器故障而失真的数据,使用基于RBF神经网络的数据融合方法融合对某一废气测量值的多种影响因素,估算出该废气的体积分数,从而实现失真数据的恢复。以NH3体积分数数据的处理为例,Matlab仿真结果估算误差小于6.7%,证明了基于RBF网络的数据融合方法的有效性。     

遗传算法自适应模糊神经网络控制

神经网络能够以任意精度逼近任意复杂的非线性关系,具有高度的自适应和自组织性,在解决高度非线性和严重不确定系统的控制方面具有巨大的潜力.但一般神经网络训练算法如BP算法训练速度慢,受初值影响大且易陷入局部极小点,该文提出了一种基于模糊神经网络的间接自校正控制系统,控制器以高斯隶属度函数的径向基函数（RBF）神经网络结构,利用改进的遗传算法（GA）对结构和参数进行同步优化,改进适应度函数指导搜索过程,在保证稳定情况下大大加快了收敛的速度.神经网络正向模型（NNP）利用弹性BP算法进行离线辨识,使得到的模型泛化性能好.     

Application of temporal difference learning rules in short‐term traffic flow prediction

Studying dynamic behaviours of a transportation system requires the use of the system mathematical models as well as prediction of traffic flow in the system. Therefore, traffic flow prediction plays an important role in today's intelligent transportation systems. This article introduces a new approach to short‐term daily traffic flow prediction based on artificial neural networks. Among the family of neural networks, multi‐layer perceptron (MLP), radial basis function (RBF) neural network and wavenets have been selected as the three best candidates for performing traffic flow prediction. Moreover, back‐propagation (BP) has been adapted as the most efficient learning scheme in all the cases. It is shown that the coefficients produced by temporal signals improve the performance of the BP learning (BPL) algorithm. Temporal signals provide researchers with a new model of temporal difference BP learning algorithm (TDBPL). The capability and performance of TDBPL algorithm are examined by means of simulation in order to prove that the wavelet theory, with its multi‐resolution ability in comparison to RBF neural networks, is a suitable algorithm in traffic flow forecasting. It is also concluded that despite MLP applications, RBF neural networks do not provide negative forecasts. In addition, the local minimum problems are inevitable in MLP algorithms, while RBF neural networks and wavenet networks do not encounter them.     

A Hybrid Training Algorithm for Feedforward Neural Networks

Feedforward neural networks (FNN) have been proposed to solve complex problems in pattern recognition, classification and function approximation. Despite the general success of learning methods for FNN, such as the backpropagation (BP) algorithm, second-order algorithms, long learning time for convergence remains a problem to be overcome. In this paper, we propose a new hybrid algorithm for a FNN that combines unsupervised training for the hidden neurons (Kohonen algorithm) and supervised training for the output neurons (gradient descent method). Simulation results show the effectiveness of the proposed algorithm compared with other well-known learning methods.     

一种模糊神经网络的快速参数学习算法

提出了一种新的模糊神经网络的快速参数学习算法, 采用一些特殊的处理, 可以用递推最小二乘法(RLS)来调整所有的参数. 以前的学习算法在调整模糊隶属度函数的中心和宽度的时候, 用的是梯度下降法, 具有容易陷入局部最小值点、收敛速度慢等缺点, 而本算法则可以克服这些缺点, 最后通过仿真验证了算法的有效性.     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的。为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型。针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较。实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的。     

径向基函数网络的隐式曲面方法

将径向基函数网络与隐式曲面构造原理相结合,提出一种构造隐式曲面的方法．首先以描述物体曲面的隐式函数为基础构造三元显式函数,然后用径向基函数网络逼近显式函数,最后从神经网络的仿真超曲面得到描述物体的封闭曲面;并证明了在理论上此等值面可以以任意精度逼近物体曲面．该方法具有光滑度高、稳定性好,尤其适用少量采样点情形等特点．实验表明,它具有很强的造型能力．