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ICA算法的智能电子鼻在混合气体特征提取中的应用

电子鼻传感器在对环境污染的混合气体浓度监测及对工业废气检测中具有重要的作用,但由于现有算法的辨识能力和抗干扰能力差,影响提取原始信息信号的准确度;独立分量分析(ICA)方法是一种高效自信号分离方法;它将独立的源信号从混合信号中分离出来;文中经过电子鼻传感器检测出混合气体信号,通过ICA算法对混合气体进行分解,对外界干扰噪声进行消除,从而使气体成分辨别达到很好的效果;最后经过MATLAB仿真验证,对辨识出来的原始气体成分具有高精度,强抗干扰能力.     

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.     

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。     

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.     

基于传感器温度动态响应信息和Kohonen算法的葡萄酒定性识别方法

对复杂混合气体/气味的定性识别是电子鼻技术应用的重要方面.文章以对不同品牌的葡萄酒样本的定性识别为例,尝试利用气体传感器温度动态响应信息并结合Kohonen算法,实现对复杂混合气体/气味的定性识别.仿真验证结果表明:采用仅由3个气体传感器构成阵列的电子鼻系统,利用上述方法对5种不同品牌的葡萄酒样本的识别准确率达到100%.文中同时针对识别对象的特点,介绍了一种差值抵消的数据预处理方法.     

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%。     

基于KPCA与MRVM的二元混合气体成分识别算法研究

混合气体成分识别是电子鼻系统进行气体检测与分析的关键技术。为了提高二元混合气体成分识别准确率,本文提出了一种基于KPCA与MRVM相结合的二元混合气体成分识别算法,该算法利用 KPCA的非线性特征提取能力对传感 阵列的响应信号进行特征提取,再利用多分类相关向量机(MRVM)分类器对二元混合气体成分进行识别, 通过自主设计的实验系统获得的气体样本集对算法的有效性进行了验证。实验结果说明二元混合气体成分识别准确率达到99.83%。     

交通环境有毒气体的检测技术研究

针对交通环境中毒害较大的CO、NO₂和CH₄三种气体,优选金属氧化物半导体气体传感器构成阵列,并对BP网络进行改进,采用有弹回的BP算法,构造了电子鼻系统。实验结果表明,系统能够以较高的精度检测出交通环境中三种有毒气体的浓度。     

电子鼻中预处理算法选择及阵列优化

为了研 究数据预处理算法和传感器阵列优化对电子鼻气体辨识的影响,对3种气体进行了测试。使 用主成分分析(Principal component analysis, PCA)法选择预处理算法,确定分类效果最 好的相对差分法对电子鼻数据进行预处理。对初始阵列优化前,首先通过传感器响应变化趋 势及变异系数剔除响应异常的传感器;然后进行PCA因子载荷分析,结合相关系数分析及方 差膨胀因子进行多重共线性检验确定可能的最优阵列。最后,运用反向传播(Back propagation,BP)神 经网络对可能的最优阵列进行气体识别检验并确定最终阵列,同时选取其他阵列作为对照研 究。通过计算检验,证明本文的阵列优化方法不仅可以剔除异常和冗余传感器,而且对测试 样本分类效果良好。     

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。     

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.     

带参考向量的ICA电子鼻背景干扰消除算法

针对电子鼻伤口感染检测中的背景干扰问题,提出一种带参考向量的独立分量分析(ICA)背景干扰消除算法。利用ICA分解传感器阵列信号并提取独立分量,通过计算独立分量与参考向量的相关性,区分有用信号和背景干扰,采用神经网络分类器进行模式识别。实验结果表明,该算法能消除电子鼻背景干扰,提高伤口感染检测的准确率。     

钴基催化剂F-T合成的人工神经网络模拟

反应温度、压力、空速和原料气H_2/CO比等工艺操作条件对F-T合成生成重质烃的选择性影响很大。以上述操作参数为输入变量,CO的转化率、甲烷在产物烃中的质量分数C_1和重质烃的质量分数C_5~ 为输出变量,采用LM算法建立了钴基催化剂F-T合成的BP神经网络模型,定量预测工艺操作条件对F-T合成的影响规律。预测结果表明,低温有利于重质烃生成,高温下CO的转化率高,但C_1也高,C_5~ 重质烃的选择性较低。压力升高,C_1下降,CO的转化率和C_5~ 增加。C_1随空速的提高而增加,CO的转化率和C_5~ 随空速的升高而下降。低合成气H_2/CO比CO转化率和C_1较低,C_5~ 重质烃高。进一步的实验验证表明,模型具有较高的预测精度,CO转化率和C_5~ 的相对误差小于8%,C_1小于9%。     

医用电子鼻气体传感器阵列优化方法

电子鼻气体传感器阵列存在冗余和相关,将对分类识别效果产生影响。提出并实现了一种新的医用电子鼻气体传感器阵列优化方法,利用改进遗传算法设定气体传感器的重要性系数,以去除传感器阵列的冗余和相关,提高系统的判别能力。新的方法分别用于五种乳癌特征气体和七种伤口病原菌检测,使正确识别率得到较大提高。     

电子鼻在气体检测中的应用研究

优选对甲烷、丙烷及氢气交叉敏感的5只半导体传感器组成气体传感器阵列,建立实时数据采集系统,结合特征提取和模式识别算法,研制出了一种对3种可燃性气体进行实时检测的电子鼻系统。提出了双重神经网络定量分析多种未知气体的方法,即先利用第一重网络对气体进行定性识别,再应用第二重网络对识别出的气体进行定量分析。通过BP神经网络分析表明:该系统对3种气体的识别率达到了100%,定量分析的最大相对误差不超过9.4%。