CN112819158A - 一种基于优化的bp神经网络的气体辨识方法 - Google Patents
一种基于优化的bp神经网络的气体辨识方法 Download PDFInfo
- Publication number
- CN112819158A CN112819158A CN202110171098.7A CN202110171098A CN112819158A CN 112819158 A CN112819158 A CN 112819158A CN 202110171098 A CN202110171098 A CN 202110171098A CN 112819158 A CN112819158 A CN 112819158A
- Authority
- CN
- China
- Prior art keywords
- neural network
- gas
- training
- samples
- optimized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 82
- 230000004044 response Effects 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 238000012887 quadratic function Methods 0.000 claims abstract description 28
- 239000007789 gas Substances 0.000 claims description 194
- 210000002569 neuron Anatomy 0.000 claims description 74
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 30
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 claims description 30
- 239000000523 sample Substances 0.000 claims description 27
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 26
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 26
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 24
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 claims description 22
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 18
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000003909 pattern recognition Methods 0.000 claims description 11
- 229910021529 ammonia Inorganic materials 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 229910044991 metal oxide Inorganic materials 0.000 claims description 3
- 150000004706 metal oxides Chemical class 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 241000005398 Figaro Species 0.000 claims 1
- 231100000331 toxic Toxicity 0.000 abstract description 10
- 230000002588 toxic effect Effects 0.000 abstract description 10
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 231100000614 poison Toxicity 0.000 description 5
- 230000007096 poisonous effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- -1 formaldehyde, benzene series Chemical class 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008786 sensory perception of smell Effects 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 239000012855 volatile organic compound Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开一种基于优化的BP神经网络的气体辨识方法，涉及气体检测及识别领域。所述方法首先通过气体传感器阵列获取有毒有害气体气的响应信号，对响应信号进行时域特征提取得到输入特征，其次，利用二次函数拟合法完成BP神经网络的训练及优化，然后将气体样本输入优化后的BP神经网络，最终实现多种有毒有害气体组分的辨识。该方法首先获取气体训练样本的信息，采用二次函数拟合法对BP神经网络进行训练和优化，优化后的BP神经网络其分类能力更强，该发明方法具有气体组分识别率更高、识别结果泛化性能更好等优点。
Description
技术领域
本发明涉及气体检测及识别领域，更具体地，涉及一种基于优化的BP神经网络的气体辨识方法。
技术背景
受建筑物室内装饰材料及家具质量影响，室内环境常存在氨气、甲醛、苯及苯系物、多元芳香烃等多种气态污染物。除建筑饰材中存在的氨气、甲醛、苯及苯系物等气态污染物，此外，用于维持居民日常生活的天然气管道以及下水道等设施，也可能使人们暴露于一氧化碳和硫化氢等有毒气体的危害之下。
长期生活和工作在上述有毒有害气体浓度超标的室内环境中，人体健康将受到严重威胁。随着大众健康意识的不断提高，人们对当前室内生活及工作环境中存在的有毒有害气体也越来越关注。因此，发明一种室内环境有毒有害气体的检测装置，对保障人体健康具有重要意义。
目前可同时实现上述室内常见有毒有害气体检测的装置不多，主要集中于气体检测装置硬件本身的研究，实现气体组分辨识并提高辨识准确率的算法成果较少，且多为对单一气体的辨识。因此，在控制设备成本的同时，要求可识别气体种类多且具有较高识别率，需对对气体辨识算法进行升级。
徐凡提出的“一种可检测有毒有害气体的腕表”(申请号：201911411706.6)所述有毒有害气体传感器可支持一氧化碳、二氧化硫、硫化氢、甲醛以及氨气的检测，未给出上述气体检测及辨识方法，也无法实现有毒有害气体混合情况下的组分辨识。
孙运龙等提出的“一种基于机器嗅觉的有毒有害气体检测与识别方法”(授权号：CN107478683B)所述方法通过基于特征选择的线性判别方法对传感器阵列测量的数据进行处理，结合马氏二维距离判别法，可识别二氧化碳、甲烷、氨气以及挥发性有机化合物等各种有毒有害气体，但未对混合气体情况进行分析。
王平等提出的“一种厨房环境中多组分有害气体检测装置及检测方法”(授权号：CN110426421B)所述装置和方法，采用BP神经网络对传感器阵列响应信号进行分析，实现厨房环境中的一氧化碳、甲烷和甲醛等三种有害气体，在氢气和乙醇干扰下的检测，该发明未对神经网络隐含层最优节点数进行优化。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于优化的BP神经网络的气体辨识方法，解决常见的有毒有害气体检测装置在控制设备成本的情况下，无法实现多组分气体辨识、气体组分识别准确率较低、对未训练浓度样本识别结果较差等缺点。
本发明的目的是这样实现的，本发明提供了一种基于优化的BP神经网络的气体辨识方法，包括对传感器阵列电压响应信号的检测，包括以下步骤：
步骤1，传感器阵列及气体的设定：
设定1，所述传感器阵列共包含4种传感器；
设定2，所述气体辨识中的气体为p种，包括m种单一气体和n种二元混合气体，所述二元混合气体由两种气体混合而成；将p种气体中的任意一种气体记为气体ai，i＝1，2，...，p，p＝m+n；
设定3，所述传感器阵列电压响应信号检测中的设定条件，所述设定条件包括气体浓度和检测次数，具体的，对每种单一气体设定了x种气体浓度，且对每种气体浓度均进行y次信号检测，即每种单一气体的检测样本为x×y个；对每种二元混合气体设置了x2种浓度，且对每种二元混合气体浓度均进行y次检测，即每种二元混合气体的检测样本为x2×y个，记p种气体的检测样本总数为K，K＝m×x×y+n×x2×y；
步骤2，传感器阵列电压响应信号的采集：
步骤2.1，首先将传感器阵列放至恒温恒湿的气腔中，用洁净空气对气腔及放置在气腔中的传感器阵列进行清洗，再按照步骤1设定的气体浓度和检测次数，将气体ai中的一种检测样本通过气阀控制送入恒温恒湿的气腔中，并用风扇将气腔内气体吹匀，然后利用A/D采集卡对传感器阵列电压响应信号进行检测，得到气体ai的一种检测样本的一组电压响应信号，记录该组电压响应信号，并将该组电压响应信号上传至上位机进行保存；所述电压响应信号中包括传感器阵列电压响应信号在洁净空气中的基线值和待测气体气氛中的稳态响应值，基线与稳态响应时长分别为50s和250s，采样频率1Hz；
步骤2.2，按照步骤2.1的方法对气体ai的所有检测样本进行检测，得到与气体ai所有检测样本对应的电压响应信号，将与气体ai所有检测样本对应的电压响应信号转化为数字信号即电压响应数据，并记载在个体电压响应数据矩阵xi中，i＝1，2，...，p；
步骤2.3，按照步骤2.2的方法对p种气体的所有检测样本进行检测后，得到与p种气体所有检测样本对应的个体电压响应数据矩阵，引入电压响应数据矩阵X，
X＝[x1，x2，…，xi，...，xp]
步骤3，对电压响应数据矩阵X＝[x1，x2，...，xi，...，xp]进行时域特征提取，得到BP神经网络输入T，同时设定与电压响应数据矩阵X相对应的BP神经网络输出Y；其中，BP神经网络输入T为12×1的数据矩阵，行向量12表示从四种传感器电压响应信号中提取的三种时域特征的数量，BP神经网络类别输出Y为p×1的数据矩阵，行向量p表示待识别气体数量；
BP神经网络输入T的表达式如下：
T＝[T1，T2，T3]T
其中，
T1为做差法时域特征，T1＝Rgas-Rair，Rair为传感器阵列电压信号响应中基线前10个电压响应信号的均值，Rgas为传感器阵列电压信号响应中稳态响应最后10个电压响应信号的均值；
T2为相对差法时域特征，T2＝(Rgas-Rair)/Rair；
T3为对数差法时域特征，T3＝Log(|Rgas-Rair|)；
BP神经网络类别输出Y的表达式如下：
Y＝[g1，...，gi，…，gp]T
在BP神经网络类别输出Y的表达式中，列向量gi表示输出层第i个神经元对应的气体代号，gi的值为1或者0，且BP神经网络类别输出Y的p项中一项为1时，其余各项均为0；
步骤4，利用步骤3得到的BP神经网络输入T和BP神经网络类别输出Y，通过二次函数拟合法对BP神经网络进行训练和优化，得到优化后的BP神经网络；
步骤5，将步骤3得到的BP神经网络输入T输入到优化后的BP神经网络中，得到优化后的BP神经网络输出Y’，BP神经网络输出Y′的表达式为：
Y′＝[g′1，…，g′i，…，g′p]T
其中，列向量g′i为优化后的BP神经网络输出层第i个神经元的输出；
在BP神经网络输出Y′的表达式中，取Y′的p项中最大的一项为1时，其余各项均为0，得到BP神经网络类别输出Y，在BP神经网络类别输出Y中，第i个列向量的数值为1，即表示为第i种气体，从而实现气体类型的辨识。
优选地，步骤4所述通过二次函数拟合法对BP神经网络进行训练和优化的具体步骤如下：
步骤4.1，对以下参数进行设置：
BP神经网络最大迭代次数Lmax、分类准确率阈值Thr、BP神经网络输入层神经元数M＝12、输出层神经元数N＝p、隐含层激活函数为Sigmoid函数、隐含层神经元数最小值lmin和隐含层神经元数最大值lmax，其中，隐含层神经元数最小值lmin和隐含层神经元数最大值lmax均为整数，取值方法如下：
步骤4.2，记当前神经元数为l，lmin≤l≤lmax；
步骤4.3，总量为K的检测样本中，将每一种气体的检测样本，取75％的检测样本作为训练样本，剩余的为测试样本，并将训练样本与测试样本分别随机打乱；
步骤4.4，对输入层与隐含层连接权重和阈值进行随机初始化，载入训练样本对应的BP神经网络输入T，通过贝叶斯正则化算法对BP神经网络进行训练，训练过程中取BP神经网络输出Y′的p项中最大的一项为1时，其余各项均为0，损失函数采用分类准确率Q1，并进行如下判断：
若Q1＜Thr，返回步骤4.3，再次进行训练；
若Q1≥Thr，结束BP神经网络训练，将剩余25％的测试样本输入当前训练后的BP神经网络，保存测试样本的模式识别准确率ξ，进入步骤4.5；
步骤4.5：考察步骤4.4中的训练重复次数F：
若F＜Lmax，返回步骤4.3，再次进行训练；
若F≥Lmax，将通过训练获得的F个模式识别准确率ξ求和后取平均值，并将该平均值记为第l个神经元下的平均准确率
步骤4.6，更新后的隐含层神经元数为l′，l′＝l+1，并进行如下判断：
若l′≤Lmax，返回步骤4.3，并用二次当前神经元数l′更新步骤4.3中的当前神经元数l，再次进行训练；
若l′＞lmax，对不同隐含层神经元数下对应的模式识别准确率进行二次函数拟合，其表达式为：
f(l)＝a0l′2+b0l+c0
其中，a0为拟合得到的一元二次函数的二次项系数，b0为拟合得到的一元二次函数的一次项系数，c0为拟合得到的一元二次函数的零次项系数，f(l)为不同隐含层神经元数下的模式识别准确率，该一元二次函数顶点的横坐标ltop为：
对ltop取整数后得到优化的隐含层神经元数loptimal；
步骤4.7，再次进行参数设置：训练准确率Thr、BP神经网络输入层神经元数M，BP神经网络输出层神经元数N，隐含层激活函数为Sigmoid函数，隐含层神经元数为loptimal；
步骤4.8，总量为K的检测样本中，将每一种气体的检测样本，取75％的检测样本作为训练样本，并将训练样本随机打乱；
步骤4.9，对输入层与隐含层连接权重和阈值进行随机初始化，载入训练样本对应的BP神经网络输入T，通过贝叶斯正则化算法对BP神经网络进行训练，训练过程中取BP神经网络输出Y′的p项中最大的一项为1时，其余各项均为0，损失函数采用分类准确率Q1，并进行如下判断：
若Q1＜Thr，返回步骤8，再次进行训练；
若Q1≥Thr，结束BP神经网络训练，保存当前BP神经网络输入层与隐含层连接权重和阈值，优化后的BP神经网络训练完成。
优选地，所述步骤1中恒温恒湿为：温度为室温25℃、相对湿度为40％-60％。
优选地，所述步骤1中的四种气体传感器为日本FIGARO公司生产的TGS2620、TGS2603、TGS2600、TGS2602四种商用金属氧化物半导体气体传感器。
优选地，所述步骤1中的m＝6，n＝3，具体的，6种单一性气体分别为：硫化氢(H2S)、一氧化碳(CO)、氨气(NH3)、甲苯(C7H8)、甲醛(CH2O)、丙酮(C3H6O)，3种混合性气体分别为：硫化氢+一氧化碳(H2S+CO)、氨气+甲苯(NH3+C7H8)、甲醛+丙酮(CH2O+C3H6O)。
与现有技术相比，本发明的有益效果是：
1、可实现室内常见的具有不同性质的有毒有害气体的检测及辨识，可实现混合气体对应组分的辨识，具有单一气体以及混合气体同时检测及辨识的能力。
2、该有毒有害气体检测装置选用成熟的商用气体传感器构造传感器阵列，其成本低廉且易于集成，为室内有毒有害气体检测装置的大规模应用提供了可能。
3、时域特征提取实现简单，无需复杂的信号处理技术。多种时域特征同时作为分类器的输入，可充分表征传感器阵列响应的特征，其对温湿度变化等因素具有较好的抗干扰能力，提高了气体检测装置在实际使用中的可靠性。
4、提出的基于二次函数拟合的BP神经网络隐含层神经元数优化方法，克服了经验公式法未考虑神经网络输入的数据结构特征的不足，因此，优化的BP神经网络相对于传统方法训练得到的神经网络，具有更好的泛化性能，即对浓度未参与训练的气体样本具有更高的识别准确率。
附图说明
图1为本发明整体流程图；
图2为本发明实施例中气体样本响应数据获取的实验示意图；
图3为本发明实施例中传感器阵列中气体传感器TGS2620在不同浓度一氧化碳气体的气氛下的响应曲线图；
图4为本发明实施例中BP神经网络的结构示意图；
图5为BP神经网络使用传统训练方法得到的不同隐含层神经元数对应的分类平均准确率以及对测试样本的分类准确率。
图6为BP神经网络使用基于二次函数拟合方法训练得到的不同隐含层神经元数对应的分类平均准确率以及对测试样本的分类准确率。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
图1为本发明基于优化的BP神经网络的气体辨识方法的整体流程图。由图1可见，本发明所述气体辨识方法，包括对传感器阵列电压响应信号的检测。具体的，包括以下步骤：
步骤1，传感器阵列及气体的设定：
设定1，所述传感器阵列共包含4种传感器；
设定2，所述气体辨识中的气体为p种，包括m种单一气体和n种二元混合气体，所述二元混合气体由两种气体混合而成；将p种气体中的任意一种气体记为气体ai，i＝1，2，...，p，p＝m+n；
设定3，所述传感器阵列电压响应信号检测中的设定条件，所述设定条件包括气体浓度和检测次数，具体的，对每种单一气体设定了x种气体浓度，且对每种气体浓度均进行y次信号检测，即每种单一气体的检测样本为x×y个；对每种二元混合气体设置了x2种浓度，且对每种二元混合气体浓度均进行y次检测，即每种二元混合气体的检测样本为x2×y个，记p种气体的检测样本总数为K，K＝m×x×y+n×x2×y。
在本实施例中，四种气体传感器为日本FIGARO公司生产的TGS2620、TGS2603、TGS2600、TGS2602四种商用金属氧化物半导体气体传感器。
在本实施例中，m＝6，n＝3，具体的，6种单一性气体分别为：硫化氢(H2S)、一氧化碳(CO)、氨气(NH3)、甲苯(C7H8)、甲醛(CH2O)、丙酮(C3H6O)，3种混合性气体分别为：硫化氢+一氧化碳(H2S+CO)、氨气+甲苯(NH3+C7H8)、甲醛+丙酮(CH2O+C3H6O)。
在本实施例中，x＝4，y＝3，即对于每一种单一气体，设置了4种浓度，每个浓度重复进行3次检测，即每种单一气体的检测样本为12个。对每种二元混合气体设置了16种浓度，且对每种二元混合气体浓度重复3次检测，即每种二元混合气体的检测样本为48个，p种气体的检测样本总数为K，K＝216。
步骤2，传感器阵列电压响应信号的采集：
步骤2.1，首先将传感器阵列放至恒温恒湿的气腔中，用洁净空气对气腔及放置在气腔中的传感器阵列进行清洗，再按照步骤1设定的气体浓度和检测次数，将气体ai中的一种检测样本通过气阀控制送入恒温恒湿的气腔中，并用风扇将气腔内气体吹匀，然后利用A/D采集卡对传感器阵列电压响应信号进行检测，得到气体ai的一种检测样本的一组电压响应信号，记录该组电压响应信号，并将该组电压响应信号上传至单片机进行保存；所述电压响应信号中包括传感器阵列电压响应信号在洁净空气中的基线值和待测气体氛围中的稳态响应值，基线与稳态响应时长分别为50s和250s，采样频率1Hz。
步骤2.2，按照步骤2.1的方法对气体ai的所有检测样本进行检测，得到与气体ai所有检测样本对应的电压响应信号，将与气体ai所有检测样本对应的电压响应信号转化为数字信号即电压响应数据，并记载在个体电压响应数据矩阵xi中，i＝1，2，...，p。
步骤2.3，按照步骤2.2的方法对p种气体的所有检测样本进行检测后，得到与p种气体所有检测样本对应的个体电压响应数据矩阵，引入电压响应数据矩阵X，
X＝[x1，x2，...，xi，...，xp]
在本实施例中，恒温恒湿为：温度为室温25℃、相对湿度为40％-60％。
步骤3，对电压响应数据矩阵X＝[x1，x2，...，xi，...，xp]进行时域特征提取，得到BP神经网络输入T，同时设定与电压响应数据矩阵X相对应的BP神经网络类别输出Y；其中，BP神经网络输入T为12×1的数据矩阵，行向量12表示从四种传感器电压响应信号中提取的三种时域特征的数量，BP神经网络类别输出r为p×1的数据矩阵，行向量p表示待识别气体数量。
BP神经网络输入T的表达式如下：
T＝[T1，T2，T3]T
其中，
T1为做差法时域特征，T1＝Rgas-Rair，Rair为传感器阵列电压信号响应中基线前10个电压响应信号的均值，Rgas为传感器阵列电压信号响应中稳态响应最后10个电压响应信号的均值；
T2为相对差法时域特征，T2＝(Rgas-Rair)/Rair；
T3为对数差法时域特征，T3＝Log(|Rgas-Rair|)。
BP神经网络类别输出Y的表达式如下：
Y＝[g1，…，gi，…，gp]T
在BP神经网络类别输出Y的表达式中，列向量gi表示输出层第i个神经元对应的气体代号，gi的值为1或者0，且BP神经网络类别输出Y的p项中一项为1时，其余各项均为0；。
步骤4，利用步骤3得到的BP神经网络输入T和BP神经网络类别输出Y，通过二次函数拟合法对BP神经网络进行训练和优化，得到优化后的BP神经网络。
图4是本发明实施例中BP神经网络的结构示意图，输入层神经元数M为12，输出层神经元数N为9，激活函数为Sigmoid，与传统训练方法相比，需要先对隐含层神经元数进行优化得到loptimal。
步骤5，将步骤3得到的BP神经网络输入T输入到优化后的BP神经网络中，得到优化后的BP神经网络输出Y′，BP神经网络输出Y′的表达式为：
Y′＝[g1，…，gi，…，gp]T
其中，列向量g′i为优化后的BP神经网络输出层第i个神经元的输出。
在BP神经网络输出Y′的表达式中，取Y′的p项中最大的一项为1时，其余各项均为0，得到BP神经网络类别输出Y，在BP神经网络类别输出Y中，第i个列向量的数值为1，即表示为第i种气体，从而实现气体类型的辨识。。
本发明实施例中BP神经网络的隐含层神经元数最大值lmax和最小值lmin为10和108，步骤4所述通过二次函数拟合法对BP神经网络进行训练和优化的具体步骤如下：
步骤4.1，对以下参数进行设置：
BP神经网络最大迭代次数Lmax、分类准确率阈值Thr、神经网络输入层的层数M＝12、输出层神经元数N＝p、隐含层激活函数为Sigmoid函数、隐含层神经元数最小值lmin和隐含层神经元数最大值lmax，其中，隐含层神经元数最小值lmin和隐含层神经元数最大值lmax均为整数，取值方法如下：
步骤4.2，记当前神经元数为l，lmin≤l≤lmax。
步骤4.3，总量为K的检测样本中，将每一种气体的检测样本，取75％的检测样本作为训练样本，剩余的为测试样本，并将训练样本与测试样本分别随机打乱。
步骤4.4，对输入层与隐含层连接权重和阈值进行随机初始化，载入训练样本对应的BP神经网络输入T，通过贝叶斯正则化算法对BP神经网络进行训练，训练过程中取神经网络输出Y′的p项中最大的一项为1时，其余各项均为0，损失函数采用分类准确率Q1，并进行如下判断：
若Q1＜Thr，返回步骤4.3，再次进行训练；
若Q1≥Thr，结束BP神经网络训练，将剩余25％的测试样本输入当前训练后的BP神经网络，保存测试样本的模式识别准确率ξ，进入步骤4.5。
步骤4.5：考察步骤4.4中的训练重复次数F，
若F＜Lmax，返回步骤4.3，再次进行训练；
若F≥Lmax，将通过训练获得的F个模式识别准确率ξ求和后取平均值，并将该平均值记为第l个神经元下的平均准确率
步骤4.6，更新后的隐含层神经元数为l′，l′＝l+1，并进行如下判断：
若l′≤lmax，返回步骤4.3，并用二次当前神经元数l′更新步骤4.3中的当前神经元数l，再次进行训练；
若l′＞lmax，对不同隐含层神经元数下对应的模式识别准确率进行二次函数拟合，其表达式为：
f(l)＝a0l2+b0l+c0
其中，a0为拟合得到的一元二次函数的二次项系数，b0为拟合得到的一元二次函数的一次项系数，c0为拟合得到的一元二次函数的零次项系数，f(l)为不同隐含层神经元数下的模式识别准确率，该一元二次函数顶点的横坐标ltop为：
对ltop取整数后得到优化的隐含层神经元数loptimal。
步骤4.7，再次进行参数设置：分类准确率阈值Thr、BP神经网络输入层神经元数M，BP神经网络输出层神经元数N，隐含层激活函数为Sigmoid函数，隐含层神经元数为loptimal。
步骤4.8，总量为K的检测样本中，将每一种气体的检测样本，取75％的检测样本作为训练样本，并将训练样本随机打乱。
步骤4.9，对输入层与隐含层连接权重和阈值进行随机初始化，载入训练样本对应的BP神经网络输入T，通过贝叶斯正则化算法对BP神经网络进行训练，训练过程中取BP神经网络输出Y′的p项中最大的一项为1时，其余各项均为0，损失函数采用分类准确率Q1，并进行如下判断：
若Q1＜Thr，返回步骤8，再次进行训练；
若Q1≥Thr，结束BP神经网络训练，保存当前BP神经网络输入层与隐含层连接权重和阈值，优化后的BP神经网络训练完成。
在本实施例中，气体样本的浓度、数量见表1。
表1
a.H2S+CO表示气体H2S和CO的二元混合物。
b.当H2S浓度为5ppm时，CO气体浓度分别为5，10，20和30ppm。
c.4个不同浓度的H2S，每个浓度分别重复3次试验得到12个样本。
图2为本发明实施例中气体样本响应数据获取的实验示意图。由图2可见，不同气体检测样本获取过程如下：
D1：打开电动气泵3、电动气泵4、电动气泵5，送入洁净空气获得传感器阵列基线；
D2：关闭电动气泵3和电动气泵5，打开电动气泵1送气t秒，关闭电动气泵4，打开电动气泵5，将硫化氢气体送入气腔，得到硫化氢第一个浓度下的传感器阵列响应，数据采集为基线采样时长50s，气体送入气腔后采样250s，即稳态响应部分；
D3：重复D1、D2步骤3次，获得硫化氢在该浓度下的3个不同批次的气体样本；
D4：控制电动气泵1不同的送气时间，重复D1、D2、D3，获得硫化氢不同浓度下的不同批次的传感器阵列响应；
D5：重复上述步骤获得一氧化碳、氨气、甲苯、甲醛、丙酮等剩余5种气体的不同浓度不同批次的气体样本；
D6：打开电动气泵3、电动气泵4、电动气泵5，送入洁净空气获得传感器阵列基线；
D7：关闭电动气泵3和电动气泵5，首先打开电动气泵1，送入硫化氢，打开时间t秒，然后关闭电动气泵1，打开电动气泵2送入一氧化碳，打开时间为t秒，然后关闭电动气泵2和电动气泵4，打开电动气泵5，测量并保存气体传感器阵列响应数据；
D8：重复步骤D6和D7，硫化氢送入时间仍为t秒，控制一氧化碳不同的送入时间，获得二元混合气体的气体样本，重复上述步骤直到获得所有不同浓度组分的二元混合气体样本；
D9：重复步骤D6、步骤D7和步骤D8，得到硫化氢+一氧化碳、氨气+甲苯、甲醛+丙酮的气体样本。
图3为本发明实施例中传感器阵列中气体传感器TGS2620在不同浓度一氧化碳气体的气氛下的响应曲线图。从图中可见，在进行特征提取时，首先取基线部分前10个数据的平均值作为Rair、取响应曲线部分后10个数据的平均值作为Rgas，然后利用下式计算三种时域特征：
T1为做差法时域特征，T1＝Rgas-Rair；
T2为相对差法时域特征，T2＝(Rgas-Rair)/Rair；
T3为对数差法时域特征，T3＝Log(|Rgas-Rair|)；
其中，传感器阵列中的每一个气体传感器的电压响应信号均进行上述特征提取。
因此，BP神经网络输入T的表达式如下：
T＝[T1，T2，T3]T
获得检测样本后，对BP神经网络进行基于二次函数拟合的训练和优化。
为验证优化训练后的BP神经网络对气体辨识的有效性，尤其是浓度未参与训练的气体样本分类的有效性，即BP神经网络的泛化性能，重复上述实验，获取了如表2所示未标签气体样本。
表2
图5给出了本发明实施例中BP神经网络使用传统训练方法得到的不同隐含层神经元数对应的分类平均准确率以及对测试样本的分类准确率，由图5可见，用传统方法对BP神经网络进行训练时，当隐含层神经元数为37时，其对训练样本的分类准确率即可达到100％，无需再增加隐含层神经元数。而此时将训练后的BP神经网络用于对表2中未标签气体样本进行分类，在图5中可以发现：
当BP神经网络隐含层神经元数为37时，其对未标签样本的分类准确率仍未达到最佳；当BP神经网络隐含层神经元数大于55时，训练后的BP神经网络对未标签气体样本的分类准确率显著下降，此时，传统方法训练得到的BP神经网络发生了过拟合，对浓度未参与训练的气体样本分类性能显著下降。
因此，从图5中可以知道，BP神经网络隐含层神经元数的增加，会有效提升其分类性能，即提高分类准确率，但隐含层神经元数并非越多越好，对BP神经网络隐含层神经元数进行优化是有必要的。
图6给出了本发明实施例中BP神经网络使用基于二次函数拟合方法训练得到的不同隐含层神经元数对应的分类平均准确率以及对测试样本的分类准确率，由图6可见，采用二次函数拟合法优化得到的BP神经网络隐含层神经元数为46，其用于对表2中未标签气体样本进行分类时，最优隐含层神经元数为48。显然，本发明提出的优化训练方法显著提高了BP神经网络在对气体分类时的泛化性能，平衡了分类准确性能与分类泛化性能。
在对BP神经网络隐含层神经元数进行优化后，取隐含层神经元数为46，然后对BP神经网络进行训练，训练后的BP神经网络对气体组分辨识结果如表3所示。
表3
表3中，1到9分别代表一种气体类别，分别对应硫化氢、一氧化碳、氨气、甲苯、甲醛、丙酮、硫化氢+一氧化碳、氨气+甲苯、甲醛+丙酮。
显然，本发明提出的一种基于优化的BP神经网络的气体辨识方法，可有效实现单一气体和二元混合气体等多种气体的同时检测和辨识，其对浓度未参与训练的气体样本，同样具有较好的辨识性能。
Claims (5)
1.一种基于优化的BP神经网络的气体辨识方法，包括对传感器阵列电压响应信号的检测，其特征在于，包括以下步骤：
步骤1，传感器阵列及气体的设定：
设定1，所述传感器阵列共包含4种传感器；
设定2，所述气体辨识中的气体为p种，包括m种单一气体和n种二元混合气体，所述二元混合气体由两种气体混合而成；将p种气体中的任意一种气体记为气体ai，i＝1，2，...，p，p＝m+n；
设定3，所述传感器阵列电压响应信号检测中的设定条件，所述设定条件包括气体浓度和检测次数，具体的，对每种单一气体设定了x种气体浓度，且对每种气体浓度均进行y次信号检测，即每种单一气体的检测样本为x×y个；对每种二元混合气体设置了x2种浓度，且对每种二元混合气体浓度均进行y次检测，即每种二元混合气体的检测样本为x2×y个，记p种气体的检测样本总数为K，K＝m×x×y+n×x2×y；
步骤2，传感器阵列电压响应信号的采集：
步骤2.1，首先将传感器阵列放至恒温恒湿的气腔中，用洁净空气对气腔及放置在气腔中的传感器阵列进行清洗，再按照步骤1设定的气体浓度和检测次数，将气体ai中的一种检测样本通过气阀控制送入恒温恒湿的气腔中，并用风扇将气腔内气体吹匀，然后利用A/D采集卡对传感器阵列电压响应信号进行检测，得到气体ai的一种检测样本的一组电压响应信号，记录该组电压响应信号，并将该组电压响应信号上传至上位机进行保存；所述电压响应信号中包括传感器阵列电压响应信号在洁净空气中的基线值和待测气体气氛中的稳态响应值，基线与稳态响应时长分别为50s和250s，采样频率1Hz；
步骤2.2，按照步骤2.1的方法对气体ai的所有检测样本进行检测，得到与气体ai所有检测样本对应的电压响应信号，将与气体ai所有检测样本对应的电压响应信号转化为数字信号即电压响应数据，并记载在个体电压响应数据矩阵xi中，i＝1，2，...，p；
步骤2.3，按照步骤2.2的方法对p种气体的所有检测样本进行检测后，得到与p种气体所有检测样本对应的个体电压响应数据矩阵，引入电压响应数据矩阵X，
X＝[x1，x2，...，xi，...，xp]
步骤3，对电压响应数据矩阵X＝[x1，x2，...，xi，...，xp]进行时域特征提取，得到BP神经网络输入T，同时设定与电压响应数据矩阵X相对应的BP神经网络类别输出Y；其中，BP神经网络输入T为12×1的数据矩阵，行向量12表示从四种传感器电压响应信号中提取的三种时域特征的数量，BP神经网络类别输出Y为p×1的数据矩阵，行向量p表示待识别气体数量；
BP神经网络输入T的表达式如下：
T＝[T1，T2，T3]T
其中，
T1为做差法时域特征，T1＝Rgas-Rair，Rair为传感器阵列电压信号响应中基线前10个电压响应信号的均值，Rgas为传感器阵列电压信号响应中稳态响应最后10个电压响应信号的均值；
T2为相对差法时域特征，T2＝(Rgas-Rair)/Rair；
T3为对数差法时域特征，T3＝Log(|Rgas-Rair|)；
BP神经网络类别输出Y的表达式如下：
Y＝[g1，...，gi，...，gp]T
在BP神经网络类别输出Y的表达式中，列向量gi表示输出层第i个神经元对应的气体代号，gi的值为1或者0，且BP神经网络类别输出Y的p项中一项为1时，其余各项均为0；
步骤4，利用步骤3得到的BP神经网络输入T和BP神经网络类别输出Y，通过二次函数拟合法对BP神经网络进行训练和优化，得到优化后的BP神经网络；
步骤5，将步骤3得到的BP神经网络输入T输入到优化后的BP神经网络中，得到优化后的BP神经网络输出Y′，BP神经网络输出Y′的表达式为：
Y′＝[g′1，...，g′i，...，g′p]T
其中，列向量g′i为优化后的BP神经网络输出层第i个神经元的输出；
在BP神经网络输出Y′的表达式中，取Y′的p项中最大的一项为1时，其余各项均为0，得到BP神经网络类别输出Y，在BP神经网络类别输出Y中，第i个列向量的数值为1，即表示为第i种气体，从而实现气体类型的辨识。
2.根据权利要求1所述的一种基于优化的BP神经网络的气体辨识方法，其特征在于，步骤4所述通过二次函数拟合法对BP神经网络进行训练和优化的具体步骤如下：
步骤4.1，对以下参数进行设置：
BP神经网络最大迭代次数lmax、分类准确率阈值Thr、BP神经网络输入层神经元数M＝12、输出层神经元数N＝p、隐含层激活函数为Sigmoid函数、隐含层神经元数最小值lmin和隐含层神经元数最大值lmax，其中，隐含层神经元数最小值lmin和隐含层神经元数最大值lmax均为整数，取值方法如下：
步骤4.2，记当前神经元数为l，lmin≤l≤lmax；
步骤4.3，总量为K的检测样本中，将每一种气体的检测样本，取75％的检测样本作为训练样本，剩余的为测试样本，并将训练样本与测试样本分别随机打乱；
步骤4.4，对输入层与隐含层连接权重和阈值进行随机初始化，载入训练样本对应的BP神经网络输入T，通过贝叶斯正则化算法对BP神经网络进行训练，训练过程中取神经网络输出Y′的p项中最大的一项为1时，其余各项均为0，损失函数采用分类准确率Q1，并进行如下判断：
若Q1＜Thr，返回步骤4.3，再次进行训练；
若Q1≥Thr，结束BP神经网络训练，将剩余25％的测试样本输入当前训练后的BP神经网络，保存测试样本的模式识别准确率ξ，进入步骤4.5；
步骤4.5：考察步骤4.4中的训练重复次数F；
若F＜Lmax，返回步骤4.3，再次进行训练；
若F≥Lmax，将通过训练获得的F个模式识别准确率ξ求和后取平均值，并将该平均值记为第l个神经元下的平均准确率
步骤4.6，更新后的隐含层神经元数为l′，l′＝l+1，并进行如下判断：
若l′≤lmax，返回步骤4.3，并用二次当前神经元数l′更新步骤4.3中的当前神经元数l，再次进行训练；
若l′＞lmax，对不同隐含层神经元数下对应的模式识别准确率进行二次函数拟合，其表达式为：
f(l)＝a0l2+b0l+c0
其中，a0为拟合得到的一元二次函数的二次项系数，b0为拟合得到的一元二次函数的一次项系数，c0为拟合得到的一元二次函数的零次项系数，f(l)为不同隐含层神经元数下的模式识别准确率，该一元二次函数顶点的横坐标ltop为：
对ltop取整数后得到优化的隐含层神经元数loptimal；
步骤4.7，再次进行参数设置：训练准确率Thr、BP神经网络输入层神经元数M，BP神经网络输出层神经元数N，隐含层激活函数为Sigmoid函数，隐含层神经元数为loptimal；
步骤4.8，总量为K的检测样本中，将每一种气体的检测样本，取75％的检测样本作为训练样本，并将训练样本随机打乱；
步骤4.9，对输入层与隐含层连接权重和阈值进行随机初始化，载入训练样本对应的BP神经网络输入T，通过贝叶斯正则化算法对BP神经网络进行训练，训练过程中取BP神经网络输出Y′的p项中最大的一项为1时，其余各项均为0，损失函数采用分类准确率Q1，并进行如下判断：
若Q1＜Thr，返回步骤8，再次进行训练；
若Q1≥Thr，结束BP神经网络训练，保存当前BP神经网络输入层与隐含层连接权重和阈值，优化后的BP神经网络训练完成。
3.根据权利要求1所述的一种基于优化的BP神经网络的气体辨识方法，其特征在于，所述步骤1中恒温恒湿为：温度为室温25℃、相对湿度为40％-60％。
4.根据权利要求1所述的一种基于优化的BP神经网络的气体辨识方法，其特征在于，所述步骤1中的四种气体传感器为日本FIGARO公司生产的TGS2620、TGS2603、TGS2600、TGS2602四种商用金属氧化物半导体气体传感器。
5.根据权利要求1所述的一种基于优化的BP神经网络的气体辨识方法，其特征在于，所述步骤1中的m＝6，n＝3，具体的，6种单一性气体分别为：硫化氢(H2S)、一氧化碳(CO)、氨气(NH3)、甲苯(C7H8)、甲醛(CH2O)、丙酮(C3H6O)，3种混合性气体分别为：硫化氢+一氧化碳(H2S+CO)、氨气+甲苯(NH3+C7H8)、甲醛+丙酮(CH2O+C3H6O)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110171098.7A CN112819158B (zh) | 2021-02-05 | 2021-02-05 | 一种基于优化的bp神经网络的气体辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110171098.7A CN112819158B (zh) | 2021-02-05 | 2021-02-05 | 一种基于优化的bp神经网络的气体辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112819158A true CN112819158A (zh) | 2021-05-18 |
| CN112819158B CN112819158B (zh) | 2024-02-27 |
Family
ID=75863862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110171098.7A Active CN112819158B (zh) | 2021-02-05 | 2021-02-05 | 一种基于优化的bp神经网络的气体辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819158B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269261A (zh) * | 2021-05-31 | 2021-08-17 | 国网福建省电力有限公司电力科学研究院 | 一种配网波形智能分类方法 |
| CN113406958A (zh) * | 2021-05-31 | 2021-09-17 | 杭州电子科技大学 | 一种多嗅觉机器人协同的气味源定位方法 |
| CN113449676A (zh) * | 2021-07-13 | 2021-09-28 | 凌坤(南通)智能科技有限公司 | 一种基于双路互促进解纠缠学习的行人重识别方法 |
| CN113720968A (zh) * | 2021-07-29 | 2021-11-30 | 深圳市天得一环境科技有限公司 | 气体浓度检测方法、装置、系统及存储介质 |
| CN114046179A (zh) * | 2021-09-15 | 2022-02-15 | 山东省计算中心（国家超级计算济南中心） | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
| CN117783051A (zh) * | 2024-02-28 | 2024-03-29 | 西安尚展信息科技有限公司 | 一种基于多传感器数据融合的甲烷气体泄漏检测方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120062161A (ko) * | 2010-12-06 | 2012-06-14 | 경북대학교 산학협력단 | 무선 가스 인식 시스템 및 이를 이용한 인식 방법. |
| CN102563361A (zh) * | 2012-01-18 | 2012-07-11 | 中国石油大学(华东) | 基于常规数据和音波信号的输气管道泄漏检测定位装置及方法 |
| CN102937670A (zh) * | 2012-11-17 | 2013-02-20 | 河南科技大学 | 一种基于Elman神经网络的感应电机转子电阻参数辨识方法 |
| KR101552564B1 (ko) * | 2014-03-12 | 2015-09-14 | 홍익대학교 산학협력단 | 가스센서 및 ｉｐ네트워크 카메라 기반 융합 보안 시스템 |
| CN105045958A (zh) * | 2015-06-24 | 2015-11-11 | 中交一公局第一工程有限公司 | 基于bp神经网络的gps高程拟合的实现系统及方法 |
| CN107132311A (zh) * | 2017-03-30 | 2017-09-05 | 深圳大学 | 一种基于频域特征提取的快速气体识别算法 |
| CN109492287A (zh) * | 2018-10-30 | 2019-03-19 | 成都云材智慧数据科技有限公司 | 一种基于bp神经网络的固态电解质离子电导率预测方法 |
| CN109799269A (zh) * | 2019-01-24 | 2019-05-24 | 山东工商学院 | 基于动态特征重要度的电子鼻气体传感器阵列优化方法 |
| CN110002162A (zh) * | 2019-04-27 | 2019-07-12 | 安徽凌坤智能科技有限公司 | 一种新型仓储复合机器人 |
| US20190270655A1 (en) * | 2017-05-02 | 2019-09-05 | ClearCorp | Methods and systems for optimizing water treatment coagulant dosing |
| CN110426421A (zh) * | 2019-09-09 | 2019-11-08 | 浙江大学 | 一种厨房环境中多组分有害气体检测装置及检测方法 |
| WO2019218395A1 (zh) * | 2018-05-17 | 2019-11-21 | 华东理工大学 | 一种恶臭气体多点集中式电子鼻仪器在线监测与分析方法 |
| CN111259750A (zh) * | 2020-01-10 | 2020-06-09 | 西北工业大学 | 一种基于遗传算法优化bp神经网络的水声目标识别方法 |
-
2021
- 2021-02-05 CN CN202110171098.7A patent/CN112819158B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120062161A (ko) * | 2010-12-06 | 2012-06-14 | 경북대학교 산학협력단 | 무선 가스 인식 시스템 및 이를 이용한 인식 방법. |
| CN102563361A (zh) * | 2012-01-18 | 2012-07-11 | 中国石油大学(华东) | 基于常规数据和音波信号的输气管道泄漏检测定位装置及方法 |
| CN102937670A (zh) * | 2012-11-17 | 2013-02-20 | 河南科技大学 | 一种基于Elman神经网络的感应电机转子电阻参数辨识方法 |
| KR101552564B1 (ko) * | 2014-03-12 | 2015-09-14 | 홍익대학교 산학협력단 | 가스센서 및 ｉｐ네트워크 카메라 기반 융합 보안 시스템 |
| CN105045958A (zh) * | 2015-06-24 | 2015-11-11 | 中交一公局第一工程有限公司 | 基于bp神经网络的gps高程拟合的实现系统及方法 |
| CN107132311A (zh) * | 2017-03-30 | 2017-09-05 | 深圳大学 | 一种基于频域特征提取的快速气体识别算法 |
| US20190270655A1 (en) * | 2017-05-02 | 2019-09-05 | ClearCorp | Methods and systems for optimizing water treatment coagulant dosing |
| WO2019218395A1 (zh) * | 2018-05-17 | 2019-11-21 | 华东理工大学 | 一种恶臭气体多点集中式电子鼻仪器在线监测与分析方法 |
| CN109492287A (zh) * | 2018-10-30 | 2019-03-19 | 成都云材智慧数据科技有限公司 | 一种基于bp神经网络的固态电解质离子电导率预测方法 |
| CN109799269A (zh) * | 2019-01-24 | 2019-05-24 | 山东工商学院 | 基于动态特征重要度的电子鼻气体传感器阵列优化方法 |
| CN110002162A (zh) * | 2019-04-27 | 2019-07-12 | 安徽凌坤智能科技有限公司 | 一种新型仓储复合机器人 |
| CN110426421A (zh) * | 2019-09-09 | 2019-11-08 | 浙江大学 | 一种厨房环境中多组分有害气体检测装置及检测方法 |
| CN111259750A (zh) * | 2020-01-10 | 2020-06-09 | 西北工业大学 | 一种基于遗传算法优化bp神经网络的水声目标识别方法 |
Non-Patent Citations (7)
| Title |
|---|
| HONG MEN 等: "Applies of Neural Networks to Identify Gases Based on Electronic Nose", 《APPLIES OF NEURAL NETWORKS TO IDENTIFY GASES BASED ON ELECTRONIC NOSE》, pages 2699 - 2704 * |
| WU PAN 等: "Application of electronic nose in gas mixture quantitative detection", 《 2009 IEEE INTERNATIONAL CONFERENCE ON NETWORK INFRASTRUCTURE AND DIGITAL CONTENT》, pages 976 - 980 * |
| WU PAN 等: "IEEE 高级检索， ()/all metadata and /all metadata", 《2009 IEEE INTERNATIONAL CONFERENCE ON NETWORK INFRASTRUCTURE AND DIGITAL CONTENT》, pages 976 - 980 * |
| 中国测试 等: "机器视觉在气体检测仪型式评价试验自动检测系统中的应用", 《中国测试》, vol. 46, no. 2, pages 89 - 93 * |
| 张纪: "基于气味分析的设备异常检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2012, pages 029 - 150 * |
| 王春香 等: "基于深度信念网络的集成分类器在气体识别中的应用", 《计算机工程》, vol. 42, no. 10, pages 318 - 321 * |
| 耿孝谨 等: "基于纳米材料气体传感器的接口电路设计", 《传感器与微系统》, vol. 38, no. 09, pages 64 - 66 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269261A (zh) * | 2021-05-31 | 2021-08-17 | 国网福建省电力有限公司电力科学研究院 | 一种配网波形智能分类方法 |
| CN113406958A (zh) * | 2021-05-31 | 2021-09-17 | 杭州电子科技大学 | 一种多嗅觉机器人协同的气味源定位方法 |
| CN113269261B (zh) * | 2021-05-31 | 2024-03-12 | 国网福建省电力有限公司电力科学研究院 | 一种配网波形智能分类方法 |
| CN113449676A (zh) * | 2021-07-13 | 2021-09-28 | 凌坤(南通)智能科技有限公司 | 一种基于双路互促进解纠缠学习的行人重识别方法 |
| CN113449676B (zh) * | 2021-07-13 | 2024-05-10 | 凌坤(南通)智能科技有限公司 | 一种基于双路互促进解纠缠学习的行人重识别方法 |
| CN113720968A (zh) * | 2021-07-29 | 2021-11-30 | 深圳市天得一环境科技有限公司 | 气体浓度检测方法、装置、系统及存储介质 |
| CN113720968B (zh) * | 2021-07-29 | 2024-04-05 | 深圳市天得一环境科技有限公司 | 气体浓度检测方法、装置、系统及存储介质 |
| CN114046179A (zh) * | 2021-09-15 | 2022-02-15 | 山东省计算中心（国家超级计算济南中心） | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
| CN114046179B (zh) * | 2021-09-15 | 2023-09-22 | 山东省计算中心（国家超级计算济南中心） | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
| CN117783051A (zh) * | 2024-02-28 | 2024-03-29 | 西安尚展信息科技有限公司 | 一种基于多传感器数据融合的甲烷气体泄漏检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112819158B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112819158B (zh) | 一种基于优化的bp神经网络的气体辨识方法 | |
| CN108268935B (zh) | 一种基于时序循环神经网络的pm2.5浓度值预测方法及系统 | |
| Li et al. | Non-destructive evaluation of pork freshness using a portable electronic nose (E-nose) based on a colorimetric sensor array | |
| CN113011660A (zh) | 空气质量预测方法、系统及存储介质 | |
| CN113344261A (zh) | 基于随机森林和isca优化relm的pm2.5浓度预测方法及系统 | |
| CN113239991A (zh) | 基于回归生成对抗网络的火焰图像氧浓度预测方法 | |
| CN114368795B (zh) | 一种在线式黑臭水体的多模态辨识方法及系统 | |
| JP2005509847A5 (zh) | ||
| CN113496324A (zh) | 喷涂质量预测方法、装置、电子设备以及存储介质 | |
| Zhang et al. | Prediction of soluble solids content, firmness and pH of pear by signals of electronic nose sensors | |
| CN115359857A (zh) | 一种基于cart模型和优化rvflnn模型预测pm2.5浓度的方法 | |
| CN112990593A (zh) | 基于cso-ann-el算法的变压器故障诊断及状态预测方法 | |
| CN111950795A (zh) | 基于随机森林的松散回潮加水比例的预测方法 | |
| CN115324698A (zh) | 基于神经网络的柴油机尾气分析传感方法 | |
| CN112836902B (zh) | 一种基于改进型bp神经网络的煤燃烧发热量预测方法 | |
| CN115096357A (zh) | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 | |
| CN114202060A (zh) | 基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法 | |
| CN115936079B (zh) | 一种适用于气体传感器阵列的标定浓度选取方法 | |
| CN116796179A (zh) | 基于噪声滤波框架和融合模型的电子鼻检测葡萄酒质量的方法 | |
| CN116992749A (zh) | 一种双级注意力机制的臭氧浓度预测和成因分析方法 | |
| CN116933084A (zh) | 一种污染物排放的预测方法和装置 | |
| Wang et al. | A Research of Neural Network Optimization Technology for Apple Freshness Recognition Based on Gas Sensor Array | |
| Tudu et al. | Smell peak prediction during black tea fermentation process using time-delay neural network on electronic nose data | |
| Li et al. | Genetic algorithms (GAs) and evolutionary strategy to optimize electronic nose sensor selection | |
| Dodd et al. | Electronic nose analysis of Tilapia storage |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |