基于优化的GA-BP网络算法的混合气体识别

基于还原氧化石墨烯(RGO)复合材料设计并制备气体传感器构成气体传感器阵列,对NO_2和NH_3组成的混合气体进行性能测试,构建算法对混合气体进行识别。通过主成分分析法发现混合气体的响应与气体浓度具有非线性关系,选择BP网络作为识别工具;根据多次模拟结果的预测均方误差(MSE)箱线图,对BP网络的参数进行优化,使其性能大幅提升;采用均匀分布U(-3,3)生成随机数并经过遗传算法(GA)优化后,作为GA-BP网络算法的初始权重和阈值,采用BP网络算法对混合气体进行识别。结果表明,优化的GA-BP网络算法在300次模拟中对混合气体的定性识别准确率均为100%,定量预测在最坏情况下的相对误差不超过30%,可靠性胜过BP网络算法,具有较好的参考价值。     

基于电子鼻技术的混合气体识别研究

为了评估恶臭对人类和环境的影响,需要有效鉴别出恶臭成分,设计并研发了以传感器阵列为核心的在线检测恶臭成分的电子鼻系统。针对传感器响应曲线几何特征提取方式的不足,提出分段拟合曲线的方式进行特征值提取。采用主成分分析(PCA)和线性判别分析(LDA)两种降维方式对原始数据降维,并结合支持向量机(SVM)和BP神经网络进行分类识别。结果表明,SVM和BP神经网络结合LDA都能100%识别出三种恶臭物质,SVM结合PCA识别率为92%,BP神经网络结合PCA识别率为94%。     

CuO纳米线对挥发性有机化合物的气敏性能

通过简单经济的水溶液法并配合后续煅烧制备出了一维Cu O纳米线。利用SEM、XRD、XPS等手段对所得纳米线的形貌、组成和晶体结构进行了表征,同时还测试了其在200℃下对常见挥发性有机物(VOC)的气敏响应状况。结果显示,Cu O纳米线气敏传感器对(10~1 000)×10–6(体积分数,以下同)的乙醇、甲醇、丙酮体现出优良的气敏响应特性,在(10~100)×10–6范围内,灵敏度随气体浓度增加呈线性增长,超过100×10–6后增长趋于平缓;响应时间均在10 s以内;浓度累加实验和多次重复实验显示出材料良好的稳定性和重复性;对所测11种VOC中的乙醇、甲醇、丙酮有一定的选择性;响应恢复基线无明显漂移;在300℃下,Cu O纳米线气敏传感器对(10~1 000)×10–6乙醇的灵敏度始终高于商用Sn O2气敏传感器。     

基于51单片机的电子鼻的设计与实现

研制了一套由51单片机和金属氧化物半导体气敏传感器阵列组成的便携式电子鼻系统,介绍了系统的工作原理和试验过程.对不同气体通过传感器阵列产生的响应信号进行了数据采集,并对各条响应曲线进行了特征分析,得出了适合单片机处理的特征向量.在低成本的51单片机中编制了神经网络识别程序,神经网络训练过程则在PC机上完成.在51单片机中用排序法和BP神经网络对样本进行分析识别,模拟人和动物的气味学习、记忆过程来学习气味特征、识别不同气味.文中阐述了详细的实验过程和部分气体特征向量,实际识别正确率为90%以上.     

氧化石墨烯覆盖电极的双紫外光离子化传感器

对光离子传感器的结构进行了优化研究,针对光离子化传感器灯面残留物干扰问题采取了自清洁双紫外灯式传感器的新型结构,同时利用有限元法对传感器气流场进行仿真实验。通过对仿真实验的结果进行分析,对微型传感器进行了进一步的气路优化,并最终确定选择轴向流动结构的电离室。采取新型纳米材料氧化石墨烯对传感器的收集极板进行表面修饰,改善了光离子化传感器的气敏特性,提高了灵敏度。通过实验分析,详细阐述了传感器的各项性能指标,测定传感器针对甲苯的最低检测限为2.5×10~(-7),并对线性度响应进行了分析,线性相关系数达到了0.993,通过实验验证了双紫外传感器对整体气敏特性的提升,为可挥发性有机物(VOC)气体检测提供了理想的检测单元。     

ZnO纳米线的制备及其气敏特性北大核心

采用水热法制备了ZnO纳米线,利用X射线衍射仪(XRD)、扫描电子显微镜(SEM)和透射电子显微镜(TEM)对其物相及微观形貌进行了表征和分析。测试结果表明,ZnO纳米线的平均直径和长度分别约为250 nm和10μm。同时,研究了ZnO纳米线气体传感器对挥发性有机化合物(VOC)的气敏特性。实验结果表明,ZnO纳米线的气体传感器在最佳工作温度200℃下,对浓度5×10-7乙醇和丙酮气体的灵敏度分别可达4.58和2.63,相应的响应时间分别为9和6 s,恢复时间均为3 s。其最低检测极限为5×10-8,表明该传感器对不同环境中乙醇和丙酮气体的检测具有潜在应用前景。最后,对ZnO纳米线气体传感器的气敏机理进行了讨论。     

LIBS结合GA-BP神经网络与GA-SVM对塑料分类研究北大核心CSCD

塑料制品回收力度小、重复利用率低,造成环境污染和资源浪费,因此对废旧塑料精确分类是提高塑料回收的关键。本文采用激光诱导击穿光谱(LIBS)技术结合遗传算法优化误差反向传播神经网络(GA-BP)和支持向量机(GA-SVM)对常见的10种塑料进行分类识别。利用LIBS技术对塑料样品进行处理,分别采集每种塑料样品100组光谱。对采集到的原始光谱做滤波和归一化处理,提取光谱中14条主要的特征谱线,分别建立GA-BP神经网络和GA-SVM模型。实验结果表明,GA-BP神经网络对塑料的识别性能优于GA-SVM,其中GA-BP神经网络识别精度为99.25%,原因是GA-SVM利用升维算法实现对数据集的分类,在塑料样品种类多的情况,分类效果不及GA-BP神经网络。因此,利用LIBS技术结合不同的识别算法,可以实现对多种塑料样品的分类,也为研究不同算法对塑料样品分类识别提供研究思路。     

基于BP神经网络的激光熔覆参数多目标优化

为了获得TiC铁基合金粉末在316L不锈钢上的激光熔覆最佳工艺参数，提出了一种基于遗传算法优化的反向传播(BP)神经网络的激光熔覆参数优化方法。设计三因素五水平的全因子试验，测量了熔覆层的宏观形貌和平均硬度，建立输入参数(激光功率、扫描速度、保护气流量)和响应量(熔覆层宽度、熔覆层高度、稀释率、显微硬度)的神经网络模型。以多元非线性回归分析工艺参数对响应量的影响，并以综合灰关联度表征熔覆层的综合性能，寻优得到最佳参数。试验结果表明，激光功率和扫描速度对熔覆层宽度、稀释率和显微硬度的影响明显，而保护气流量对熔覆层高度影响最显著，遗传算法优化的BP神经网络模型各响应量模型的拟合优度均达到0.85～0.91之间，GA-BP模型精度良好，当参数为1090 W，扫描速度为4.4 mm/s，保护气流量为10 L·min^-1，综合性能最佳，表明BP神经网络算法适用于激光熔覆层质量控制和参数优化。     

人工神经网络在气体分析系统中的应用

为了研究人工神经网络在气体分析系统中的应用,选择了识别CH4和CO的传感器阵列及用于网络模型训练的样本。实验分析确定了信号预处理方法,选取合适的网络模型并创新性的对用于气体种类识别的BP算法进行改进,并研究网络结构和参数的变化对气体分析系统性能的影响,实验结果证明气体传感器阵列与BP算法相结合进行气体成分分析具有一定的可行性,若能进一步调整及完善气体传感器阵列的硬件测量电路,则可开发出用于现实复杂环境的多气体分析系统。     

基于回归分析和遗传算法优化的BP神经网络熔覆层形貌预测

针对激光熔覆过程中熔覆层形貌难以控制的问题,以45钢和Fe45分别作为基材和熔覆粉末,设计3因素5水平的试验方案,并测量熔覆层的宏观尺寸。首先,利用遗传算法（GA）对反向传播（BP）神经网络的初值进行优化,建立了GABP神经网络模型,以激光工艺参数为输入、熔覆层形貌为输出进行了训练和测试,分析其预测精度。然后,分别以回归分析、BP神经网络和GA-BP神经网络三种方法建立预测模型,并与实际得到的熔覆层形貌进行比较。结果表明,通过遗传算法优化的GA-BP神经网络模型与实际的误差约为3%,BP神经网络模型与实际误差为7.38%,而回归分析预测模型预测误差最大可达到15.5%。经比较可知,GA-BP神经网络预测模型的结果与实际最为接近。故GA-BP神经网络预测模型对提高熔覆层质量具有一定的指导价值。     

一种基于GA-BP神经网络结合PCA的LCD显示器光谱特征化模型

为实现LCD显示器的光谱特征化,本文提出一种基于遗传算法优化(Genetic Algorithm,GA)的BP神经网络(GABP)结合PCA(Principal component analysis)的光谱特征化模型。首先对显示器色空间进行子空间划分,同时采用PCA对光谱数据进行降维,接着在各子空间中采用遗传算法对BP神经网络的权值阈值进行优化,建立显示器驱动值与光谱数据之间的神经网络模型,实现了显示器的光谱特征化。实验结果表明子空间划分后,在子空间中进行模型参数的优化有利于模型整体精度的提高,GA的优化有效改善了BP神经网络的极值问题,提高了模型的精度,PCA在不影响模型精度的同时提高了算法的运行效率。由此说明该模型是一种高精度显示器特征化模型。     

基于GA-BP神经网络的新疆南疆核桃树生长模型研究

文章提出了一种利用遗传算法优化BP神经网络的核桃树生长模型来预测核桃树的树高、胸径的方法,通过优化BP神经网络的权值和阈值建立GA-BP模型,与多元线性回归模型的预测结果进行比较。结果表明：采用遗传算法优化后的模型具有更高的预测精度,对核桃树生长预测具有指导意义。     

遗传算法优化BP网络对掺假蜂蜜快速识别研究

为了更好地实现对掺假蜂蜜进行检测和识别,提出一种遗传算法优化反向传播(BP)神经网络和激光诱导荧光(LIF)技术相结合的新方法.实验采用蜂蜜、果葡糖浆以及二者以不同比例混合获取的实验样本,每类样本数为150个,共600个实验样本.通过激光诱导荧光技术获取实验数据.将各类样本的70％用于算法模型训练、30％用于模型预测评估.通过PCA降维技术进行特征提取,分别用极限学习机(ELM)算法、BP神经网络算法、GA_BP三种算法进行实验.实验结果表明,相比于极限学习机的82.78％、BP神经网络算法的95.89％的准确率,GA_BP算法对预测样本的预测准确率最高,可达100％.通过将GA_BP与蚁群算法(ACO)优化BP网路、粒子群算法(PSO)优化BP网络作对比,发现GA_BP算法具有运行时间较短、鲁棒性较好的特点.     

不规则场景下可见光信道建模与定位的研究

理想室内的可见光通信（VLC）信道传输模型并不适用于实际的不规则室内环境，针对这一问题，本文研究了可见光在不规则场景中无规律反射的情况，建立了更符合实际情况的VLC信道模型，并在此信道模型基础上提出了遗传算法优化反向传播（BP）神经网络（GA-BP）的定位算法，克服了BP神经网络存在处理非线性系统能力差的问题。通过仿真不规则场景下信道模型的反射元法向量信息，确定光线反射方向，使接收器可以接收到更加准确的光功率值。仿真结果表明，在5 m×5 m×5 m的不规则室内环境中，系统总接收光功率在0.0141～0.0639 W范围内波动，GA-BP算法较BP神经网络定位误差大幅减小，达到2.32 cm，平均定位时间为0.0625 s。     

基于气体传感器阵列的电子鼻对混合气体定量识别的研究

阐述了电子鼻的结构,并根据传感器阵列响应信号特性,推导出气体传感器阵列的响应矩阵及其对混合气体的响应;论述了前馈神经网络在电子鼻中的应用原理。最后,利用自制的实验装置对所建立的电子鼻进行性能测试。实验结果证明气体传感器阵列和神经网络模式识别技术所组成的电子鼻完全可以完成对混合气体浓度的识别。     

基于遗传算法的神经网络集成在人耳识别中的应用

BP神经网络算法存在收敛速度慢和网络泛化能力差的缺点,影响分类识别率。为了提高网络的分类识别能力和泛化能力,在此介绍一种基于遗传算法的神经网络集成方法,即训练出多个个体BP神经网络,利用遗传算法选择差异度较大的个体BP网络进行神经网络集成,再利用该神经网络集成进行分类识别。实验结果表明,神经网络集成可以提高识别率。     

基于SAW传感器阵列的混合气体定性分析

针对野外文物古迹环境的多变性、传感器气敏性失效以及腐蚀性气体定性不精确等实际情况,结合物联网技术和模式识别技术,在综合考虑准确度和项目实际要求的情况下,设计了一种基于声表面波(SAW)传感器阵列的模式识别算法,并通过MATLAB对其进行仿真和验证。结果证明,将传感器阵列输出的数据输入到有6个隐层的神经单元的单隐层BP神经网络中进行训练,预测效果最好,对腐蚀性气体的识别率达到了95%左右,提高了野外微气象环境下腐蚀性气体的监测水平。     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

Zn/Co金属有机框架的制备及其对正丁醇的气敏特性

采用水热法合成了Co3O4、ZnO和Zn/Co金属有机框架(Zn/Co-MOF)纳米结构。利用扫描电子显微镜(SEM)和X射线衍射仪(XRD)对其形貌和晶体结构进行了表征,分析结果表明制备的Zn/Co-MOF为边长约300 nm的立方体结构。制备了基于Co3O4、ZnO和Zn/Co-MOF纳米结构的气体传感器,并对正丁醇进行了气敏性能研究。实验结果表明:三种气体传感器对正丁醇均有明显的响应,其中Zn/Co-MOF气体传感器的气敏性能最优。Zn/Co-MOF气体传感器最佳工作温度为200℃,其对体积分数为1×10^-4正丁醇气体的灵敏度为59.18,响应/恢复时间分别约为39 s和40 s。同时,Zn/Co-MOF传感器还具有良好的选择性、重复性和长期稳定性。     

基于改进ALIF与FA-BP的滚动轴承故障诊断

针对滚动轴承的故障信号存在大量噪声信号和滚动轴承故障的准确诊断等问题，提出一种基于改进自适应迭代滤波算法与萤火虫算法优化BP神经网络相结合的故障诊断新方法。首先采用自适应迭代滤波算法对故障信号进行分解得到若干个内禀模态函数，再进行奇异值分解，绘制差分谱曲线并选择重构信号，对其进行二次降噪；然后通过萤火虫算法寻找BP神经网络的最佳参数，建立FA-BP故障诊断模型，提取降噪后的内禀模态函数中心频率形成特征矩阵，输入故障诊断模型；最后应用于美国凯斯西储大学的轴承数据进行检测，准确率达99.4%，诊断时间为3.18 s。该方法与BP神经网络、萤火虫算法网络、遗传算法网络、遗传算法优化BP神经网络的诊断模型相比，大大提高了诊断效率并具有较高准确率。