基于支持向量机算法的气体识别研究

利用多传感器或者传感器阵列,同时,结合神经网络技术来进行气体识别和定量分析研究已成为目前传感器领域的一个研究热点。介绍了一种在该领域还没有引起足够重视的算法———支持向量机算法(SVM)。利用该算法,结合多传感器技术,对 3种不同体积分数的有机溶剂进行了识别研究,并取得了较好的识别效果,证明了该算法在气体识别领域具有相当大的研究价值。     

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.     

基于单传感器动态检测和神经网络的气体识别

介绍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气体传感器在方波温度调制的状态下实现了对多种有机气体的定性分析.在0.02Hz的调制频率、250℃～300℃的温度调制范围内,测得了传感器对不同浓度异丙醇、乙酰丙酮及其混合气体的动态响应值,再通过小波变换对单个周期测试信号进行特征提取,最后将提取的特征值输入神经网络进行网络训练和定性识别,识别的成功率高达100%.     

基于神经网络的肉类新鲜度辨识技术

阐述了肉类新鲜度检测识别机理,构建了由气体传感器阵列、数据采集单元、神经网络组成的智能检测辨识系统。通过猪肉样本的测试与分析表明:该方法可实时准确地识别肉类新鲜度,辨识准确率可达90%以上。     

基于Fe_2O_3系列气体传感器阵列的电子鼻系统

阐述了一种基于Fe2O3系列气体传感器阵列的电子鼻系统硬件实现方法及其系统的一般组成,介绍了Fe2O3系列气体传感器和传感器的加热电路。该系统以MSP430F149单片机为核心,实现对检测气体的自动数据采集、脱机和联机识别。利用该系统对甲烷、氢气和液化石油气进行检测,结果表明:该电子鼻系统能有效地对这3种气体进行定性识别,识别率接近100%。     

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。     

基于屋顶二值红外传感器网络的人体定位和行为识别系统设计

为了解决个人隐私的保护、受光照条件和障碍物等因素的影响,设计了一种基于屋顶二值红外传感器网络的人体行为识别系统；系统采用STM32芯片和ZigBee协调器建立ZigBee网络；当实验者在安装在屋顶的20个互连的AMN31111红外传感器下面做出一系列行为时,传感器对其进行二值数据采集,ZigBee协调器将数据通过串口发送到PC机上实时动态显示,通过Keil 5系统软件对采集的二值数据以txt文本格式存储；提出了像素值法对人体进行定位和BP神经网络算法在模拟的居家环境中对7种不同人物行为进行识别；实验结果表明:该系统实现了人体多种行为的识别,其识别率为84.7%,4名实验者得到平均识别精度相比固定在居家电器传感器设备要高4.7%左右,并且该系统采集精度高、性能稳定、可靠性高、成本低、功耗低,解决了一些目前人体行为识别监测系统存在的问题。     

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。     

基于特征比值法的电子鼻农药识别系统

采用二氧化锡半导体气敏传感器、热线型和催化型气敏传感器构成气体传感器阵列,用小波降噪和数据压缩对传感器响应信号进行预处理,采用特征比值法对响应曲线进行特征提取.选取不同浓度的常用农药等10种气体用径向基神经网络进行训练和识别试验,气味识别正确率达到83.3%.     

融合传感器阵列与SSA-BP神经网络的气体监测系统设计

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。     

基于电子鼻技术的混合气体检测方法研究

对基于常规单一BP神经网络的电子鼻系统进行改进,提出一种基于Gabor原子神经网络的电子鼻系统,并以3种混合气体为实验对象,进行混合气体的定量分析研究.实验结果表明,应用Gabor原子神经网络的电子鼻系统的最大相对误差与单一BP神经网络相比得到减小,大大提高了定量分析精度.     

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.     

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。     

基于中红外光谱技术的非接触式气体识别电子鼻系统

为了对混合气体进行非接触式识别,基于可调谐二极管激光吸收光谱与波长调制光谱(TDLAS—WMS)技术,采用激射波长为中红外的可调谐分布反馈式量子级联激光器(DFB—QCL),设计并研制了可对被测混合气体进行实时、非接触识别的电子鼻系统。该系统采用主成分分析(PCA)和反向传播(BP)混合神经网络模式,通过LabVIEW对气体"指纹信息"数据库进行分析。实验结果表明:该系统可以区分成分为一氧化碳(CO)、甲烷(CH4)、二氧化氮(NO2)和乙烯(C2H4)的混合气体,为混合气体非接触式识别提供了一种便利方法。     

一种基于神经网络的混合气体体积分数预测模型

针对目前混合气体预测建模中的建模时间过长和泛化能力较差的问题,采用主成分提取(PCE)结合贝叶斯正则化神经网络法进行了改进.通过对4种常见污染气体CH4,CO,SO2,NO2的混合红外吸收光谱进行了分析,得到了各单一气体的体积分数.使用Matlab软件编程构建了网络,并优化了网络参数.结果表明:该方法使网络建模时间从4...     

基于人工神经网络的苹果气体识别方法研究

将气体传感器阵列与人工神经网络模式识别技术相结合,建立了电子鼻系统,对水果变化过程进行监控。尝试对3种不同状态(好、碰伤、坏)的苹果气体进行定性识别。实验结果表明:结合主成分分析的人工神经网络方式为模式识别、分类提供了快速准确的辨识方法,对红富士苹果进行分类时正确率在83.33%以上。     

气体传感器阵列信号处理的混合神经网络

:讨论了基于气体传感器阵列的混合气体识别的信号处理方法 ,将自组织特征映射神经网络与BP神经网络相结合 ,采用先进行气体分类后识别气体组份的方式 ,将传统方法中的全程拟合改为分段拟合 ,降低了算法的复杂性 ,提高了识别率。     

基于分布式多子网神经网络的可燃气体分析

根据催化传感器在不同的电场条件下具有不同气体检测灵敏度的特点,介绍了采用单一的热催化传感器在不同的电场强度下,通过分布式多子网神经网络对含未知气体的可燃混合气体进行分析的新方法。应用分布式神经网络,通过训练建立了信号识别的模型,并以3种混合气体为对象进行实验,结果证明了分析方法的可行性。实验表明：该网络在泛化能力与学习速度等均优于BP和RBF网络,其多子网、自动分解任务的特点尤其适用于复杂样本的学习,具有很好的应用前景。