共查询到18条相似文献,搜索用时 62 毫秒
1.
厚膜SnO2气体传感器的嗅觉特征提取与处理 总被引:2,自引:0,他引:2
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%。 相似文献
2.
3.
4.
5.
基于传感器阵列与前馈神经网络的气体辨识系统 总被引:9,自引:0,他引:9
将气体传感器阵列与前馈神经网络模式识别技术相结合形成气体辨识技术相结合形成气体辨识系统,通过实验比较了不同的传感器信号预处理方法、前馈神经网络的结构和参数对气体辨识系统性能的影响,研究结果具有一定的工程应用价值。 相似文献
6.
7.
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. 相似文献
8.
为了有效监测化工厂等场所的危险气体和解决金属氧化物传感器普遍存在交叉敏感性的问题,首先使用不同的MEMS气体传感器组成传感器阵列。然后配制不同的实验气样进行测试,得到实验测试数据,并整理成训练集和测试集样本。最后,采用麻雀搜索算法优化的BP神经网络(SSA-BP)完成气体的定性、定量分析。实验测试结果表明:SSA可以有效提高预测模型的预测精度和稳定性,对乙醇、甲烷、氨气的定性识别的正确率达到100%,气体定量预测的最大相对误差不超过5.50%,预测效果得到明显改善。该系统可以满足混合气体的定性和定量分析要求,在危险化学气体监测方面具有良好的应用前景。 相似文献
9.
电子鼻信号特征提取与传感器优化的研究 总被引:6,自引:2,他引:6
采用PEN2型电子鼻系统对芝麻油的玉米油掺假进行定性鉴别和定量预测,运用主成分分析,逐步判别分析和Fisher线性判别函数变换对原始数据进行预处理,从而降低原始数据空间的维数,并用判别分析与人工神经网络对数据进行进一步分析,考察了不同的数据预处理方法的效果.判别分析结果表明,采用Fisher线性判别函数变换所得到的十个变量判别能力最强,误判率为0.61%,仅有1个样品出现误判.在BP神经网络的定量预测中,采用逐步判别分析所筛选出的十个变量作为网络输入,所得的预测结果最为理想,绝对误差个体值的95%置信区间最小,为(-4.71%,3.38%),均方误差为4.75,预测值与实际值之间有极显著的相关性,相关系数R=0.998 08. 相似文献
10.
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。 相似文献
11.
12.
13.
基于电子鼻的气敏传感器及其阵列 总被引:3,自引:0,他引:3
电子鼻是模拟动物的嗅觉系统设计研制的一种智能电子仪器,是利用气敏传感器阵列的响应图谱来识别气味的电子系统。本文从应用的角度出发,对电子鼻系统中常用气敏传感器的工作原理、适用范围和优、缺点进行了比较,指出了电子鼻系统中选择气敏传感器及其阵列的一些注意事项,为电子鼻特别是便携式电子鼻的研制提供参考。 相似文献
14.
电子鼻传感器阵列优化与谷物霉变程度的检测 总被引:8,自引:3,他引:8
研制一套适合对谷物霉变进行检测的电子鼻系统,对6个霉变程度的稻谷进行了检测.主成份(PCA)分析结果显示6个霉变程度的稻谷是可以区分的,对前三个主成分的载荷因子进行分析去掉冗余传感器,PCA分析结果显示去掉冗余传感器并不影响分类结果.最后用BP神经网络对所得的数据进行模式识别,30组测试样本对霉变菌落总数的预测结果平均相对误差为1.010 30,最大相对误差为3.942 57.实验结果表明系统对稻谷霉变程度的检测具有很高的分析精度. 相似文献
15.
16.
17.
The possibility of quantifying the landfill gas (LFG) odour in terms of odour-units per cubic meter (ou/m3) using a tin oxide sensor array is investigated. The objective is to determine the most appropriate neural machines (MLP networks, RBF networks) model to perform the odour concentration approximation and evaluate the influence of multiple biogas sources modelling on the approximation quality. The structural risk minimization principle is used instead of the usual empirical risk minimization principle in the training algorithm of the neural machines. Multilayer perceptrons (MLP) networks prove to minimize best the error on the prediction of odour concentration of unknown data. The data is constituted of LFG odour samples from two municipal waste treatment works presenting different concentrations of odorous compounds. It is shown that the quality of the LFG odour approximation is in the present case influenced directly by the size of the training data set. The use of data coming from two different sources is not detrimental to the quality of the approximation. 相似文献