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。     

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.     

基于改进BP网络的弹药库房有害气体检测

通过气体采样分析,确定了弹药库房需要重点检测的有害气体种类,在此基础上构建了基于传感器阵列与粒子群优化BP网络的气体检测系统;针对线性惯性权重调整的粒子群优化BP神经网络算法的不足,提出了一种新的非线性惯性权重调整方法,既保证了算法在运行前期具有较快的搜索速度和全局搜索能力,又保证了后期具有较高的搜索精度;为了克服算法在运行后期的局部收敛,在算法运行过程中引入速度变异算子,使算法摆脱了易陷入局部最优点的束缚;最后,通过实验对气体检测系统的性能进行了检验。结果表明,该气体检测系统速度快、精度高,能够较好地实现对弹药库房有害气体的检测。     

基于集成神经网络技术的IDS入侵检测系统研究

网络入侵检测是近几年信息安全领域的研究热点。为了提高网络入侵检测系统中异常数据检测的精度、降低漏报率和误报率,维护网络系统安全,该文提出了一种基于Adaboost算法集成BP神经网络的网络入侵检测方法。该方法首先构造个体BP神经网络模型,个体BP神经网络为弱分类器即可,然后通过大量训练样本对模型进行训练,采用Adaboost算法对其弱分类器进行集成构造强分类器模型。最后在KDD 99数据集上,通过Matlab软件进行仿真实验,实验结果表明,该方法能有效的提高异常数据检测的精度。     

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Adaboost算法的交通事件检测

提出一种Adaboost BP神经网络的交通事件检测方法:以上下游的流量和占有率作为特征,用BP神经网络作为分类器进行交通事件的自动分类与检测.在BP神经网络的训练过程中,提出一种新的训练算法,提高了神经网络的分类能力.为了进一步提高神经网络的泛化能力,采用改进的Adaboost算法,进行网络集成.运用Matlab进行仿真分析.结果表明所提出的交通事件检测算法具有较好的检测性能.     

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.     

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.     

针对香蕉品质检测的专用电子鼻系统

研究开发了一套针对香蕉品质检测的专用电子鼻系统。针对香蕉品质变化过程中释放的特征气体选择了特定的气敏传感器阵列,利用传感器检测腔的环境控制优化模块来稳定气体传感器的工作环境,提高系统检测精度和稳定性。同时通过传感器阵列及气腔的小型化设计,实现系统的便携化,极大地提高了系统的实用性。系统采用数据预处理和BP神经网络的组合识别算法,对香蕉的不同品质状态进行了分类识别。实验结果表明,系统的识别率达到了100%。     

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.     

基于蚁群优化算法的瓦斯预测模型研究

针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山企业带来的危害极大的问题,将蚁群优化算法和BP神经网络技术结合应用到瓦斯涌出量预测,建立比较准确的预测模型。重点研究了BP网络模型的选择与优化训练,通过蚁群算法优化解决了BP神经网络易陷入局部收敛的问题。仿真与实际数据验证表明：改进的神经网络算法对瓦斯涌出量预测能达到良好的效果。     

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Adaboost算法的软件缺陷预测模型

将Adaboost算法应用到软件缺陷预测模型中是软件缺陷预测的一种新思路,Adaboost算法原理通过训练多个弱分类器构成一个更强的级联分类器,有效地避免了过拟合问题。通过采用美国国家航空航天局(NASA)的软件缺陷数据库的仿真实验,分别对原始BP神经网络算法和Adaboost算法进行分析对比,其中Adaboost的弱分类器采用神经网络。实验结果表明,Adaboost级联分类器有效地提高了软件缺陷预测模型的预测性能。