CN115809427A - 基于混合策略优化bp神经网络的混合气体识别方法 - Google Patents

Abstract

本发明涉及气体传感检测技术领域，具体公开了一种基于混合策略优化BP神经网络的混合气体识别方法，该方法首先提供了一种气体传感系统的湿度补偿方法，建立了湿度补偿的多元回归模型，构建了标准湿度下的气体浓度与实际测量浓度和环境相对湿度的多元关系，输出湿度补偿后的标准气体浓度信息；然后引入tent混沌映射，初始化秃鹰的位置信息，使秃鹰均匀分布在搜索区域内，有效提高了秃鹰算法的全局搜索能力和收敛速度；通过秃鹰算法和莱维飞行混合策略优化BP神经网络的权值和阈值，最后使用混合策略优化后的BP神经网络，实现对混合气体的识别与分类。本发明提升了混合气体的识别和检测精度。

Description

基于混合策略优化BP神经网络的混合气体识别方法

技术领域

本发明涉及气体传感检测技术领域，特别涉及一种基于混合策略优化BP神经网络的混合气体识别方法。

背景技术

挥发性有机物（Volatile Organic Compounds, VOCs）广泛存在于我们的环境中，这些有毒气体一旦泄露到空气中不仅会造成污染环境和影响生态平衡，还会对人们的身体健康产生危害。因此，对环境中的VOCs气体进行实时监测至关重要。气敏传感器常被用于VOCs气体的检测，但单一的气敏传感器受交叉敏感问题的制约，无法有效识别复杂混合气体。基于传感器阵列的电子鼻气体传感系统，很好地弥补了单一传感器的缺陷，通过传感器阵列采集多个气体响应特征，能够实现混合气体的识别与检测，从而应对更为复杂的气体环境。电子鼻气体传感系统的气体识别精度主要受传感器性能以及气体识别算法等方面的影响，因此，消除环境因素对传感器性能的干扰，优化气体识别算法，对于高精度的气体识别具有重要意义。

在气体识别算法方面，目前常用的算法包含主成分分析法、线性判别分析和BP神经网络等。由于传感器常存在非线性特性以及交叉敏感特性，主成分分析法和线性判别分析法难以准确识别混合气体的类别和浓度信息。BP神经网络能较好的弥补上述算法的缺陷，但基于BP神经网络的识别方法由于权值和阈值难以确定，容易陷入局部最优和收敛速度慢等问题，进而影响气体识别精度。另外，这些气体识别算法都较少考虑环境因素对传感器性能的影响。在实际应用中，电子鼻气体传感系统常用的气敏传感器阵列，如金属氧化物半导体（Metal oxide semiconductor, MOS）传感器、导电聚合物传感器和石英晶体微天平（QuartzCrystal Microbalance，QCM）等，传感性能通常会受到湿度等环境因素干扰，造成较大的测量误差，从而影响气体识别和气体检测的准确度。

针对环境湿度变化带来的测量误差，目前主要通过硬件补偿或软件补偿的两种策略。硬件补偿方案中，可设计传感器结构或选择合适的气敏材料来降低对湿度的响应，或者在信号采集与处理电路中加入湿敏电阻等元器件来补偿湿度影响，然而，此过程较为复杂，且很难找到合适的气敏材料或匹配的湿敏元器件，难以完全消除湿度的影响。软件补偿方面，则是首先分析电子鼻气体传感系统在不同湿度下的响应特征，然后利用补偿算法对实际测量中采集到的数据进行湿度补偿，常用的补偿算法包括最小二乘线性拟合法等，然而该方法是通过建立线性数学模型对湿度进行补偿，不适用于非线性的响应情况。

发明内容

本发明的目的在于提出一种基于混合策略优化BP神经网络的混合气体识别方法，以消除环境湿度对气体检测的影响，同时提升混合气体的识别和检测精度。

本发明为了实现上述目的，采用如下技术方案：

基于混合策略优化BP神经网络的混合气体识别方法，包括如下步骤：

步骤1. 获取气体传感器阵列分别在不同湿度下对待测气体的响应数据集，所获取的传感器响应数据包括传感器阵列对多种不同比例浓度下混合VOC气体的响应；

步骤2. 对经过步骤1获得的传感器响应数据集进行数据预处理，得到预处理后的气体响应特征数据集，并构建BP神经网络的训练集和测试集；

数据预处理依次包括滤波、基线处理、湿度补偿、特征提取以及归一化处理；

步骤3. 构建BP神经网络，确定BP神经网络的输入层、隐藏层和输出层节点数；

步骤4. 利用tent混沌映射进行秃鹰算法的种群初始化，使用莱维飞行和秃鹰算法混合策略对BP神经网络的权值和阈值参数进行优化；

确定优化后的BP神经网络参数，构造LBES-BP神经网络预测模型，并对步骤2预处理后的气体响应特征数据集进行识别预测，最终输出混合气体识别与分类结果。

本发明具有如下优点：

如上所述，本发明述及了一种基于混合策略优化BP神经网络的混合气体识别方法，针对环境湿度对于气体检测影响的问题，提供了一种电子鼻气体传感系统的湿度补偿方法，建立多元回归模型，同时适用于气体传感检测系统输出响应为线性和非线性的情形，消除了环境湿度对气体检测的影响；此外，本发明还针对基于BP神经网络的气体识别算法收敛时间过长和易陷入局部最优的问题，提出了一种通过改进的秃鹰算法替代传统BP神经网络的参数寻优过程，改善了BP神经网络的全局寻优能力，提升了混合气体的识别和检测精度。

附图说明

图1为本发明基于混合策略优化BP神经网络的混合气体识别方法的流程图。

图2为本发明湿度补偿方法流程示意图。

图3为本发明构建的BP神经网络结构示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

如图1所示，本实施例述及了一种基于混合策略优化BP神经网络的混合气体识别方法，该混合气体识别方法包括如下步骤：

步骤1. 获取气体传感器阵列分别在不同湿度下对待测气体的响应数据集；所获取的传感器响应数据包括传感器阵列对多种不同比例浓度下混合VOC气体的响应。

步骤1.1. 首先以石英晶体为基底，分别涂敷不同的气敏材料，构成由g个不同特性QCM传感器组成的气体传感器阵列；其中，g为传感器的数量。

步骤1.2. 在标准湿度环境中，利用电子鼻传感系统对浓度为c ₁=[c _a ,c _b ,…,c _n ]的混合气体通入测试腔，获取传感器阵列对待测气体的响应数据集S ₁=[S ₁ ^M ,S ₂ ^M ,…,S _g ^M ] ^T 。

其中，标准湿度环境为45%RH的相对湿度环境。c _a ,c _b ,…,c _n 分别对应于a类气体、b类气体、…、n类气体的浓度；M为c ₁浓度下待测气体样本数量；S ₁ ^M ,S ₂ ^M ,…,S _g ^M 分别表示第1个，第2个，…，第g个传感器对c ₁浓度下待测气体响应数据。

步骤1.3. 使用电子鼻传感系统，通入不同浓度比例的混合气体测得传感器阵列响应数据集，气体浓度分别为50ppm、100ppm、150ppm、……、500ppm，共有k个不同浓度比例混合气体的样本类别，包含了日常环境中的VOCs气体环境。

将标准湿度下总共k个样本类别数的响应数据集S作为实际测量值。S=[S ₁,S ₂,…,S _k ]。其中，S ₁,S ₂,…,S _k 分别表示第1,2, …，k个类别混合气体的响应数据集。

步骤1.4. 利用电子鼻传感系统分别获取在不同的相对湿度下的传感器阵列响应数据集。相对湿度例如分别取20%RH、30%RH、40%RH、50%RH、60%RH、70%RH、80%RH。

步骤2. 对获得的响应数据集S进行数据预处理，构建BP神经网络的训练集和测试集；数据预处理依次包括滤波、基线处理、湿度补偿、特征提取以及归一化处理。

如图2所示，该步骤2具体为：

步骤2.1. 使用递推平均滤波法方法对响应数据集S进行噪声信号剔除和平滑处理。

步骤2.2. 对平滑处理后的数据进行基线处理，获得基线处理后的响应数据集。

具体公式为：Δf=f-f ₀ ；其中，f ₀ 为初始响应频率值，Δf表示每个时刻频率偏移量，f表示每个时刻响应频率值。

步骤2.3. 建立湿度补偿算法的多元回归模型，对基线处理后的响应数据集进行湿度补偿。

步骤2.3.1. 将实际湿度下测量的频率偏移量和相对湿度作为两个自变量，将标准湿度下的频率偏移量作为一个因变量，构建多元非线性回归模型，作为湿度补偿数学模型。

湿度补偿数学模型表达式为：y=β₀+β₁x₁+β₂x₂+β₃x₁x₁+β₄x₂x₂+β₅x₁。

其中，y为标准湿度下的频率偏移量，x₁为实际湿度下测量的频率偏移量，x₂为实际测量的相对湿度值，β_k为方程的偏回归系数，k=1,2,3,4,5。

步骤2.3.2. 多元回归模型不仅包含了传感器的输出与气体浓度频率响应偏移成线性或非线性关系的情形，而且也包含了传感器的输出与相对湿度成线性或非线性关系的情形。

将多元非线性回归模型转化为标准线性形式的多元回归模型，便于求解偏回归系数。

设定x₃= x₁x₁，x₄=x₂x₂，x₅=x₁x₂。

获得新的多元回归模型，其方程形式为：y=β₀+β₁x₁+β₂x₂+β₃x₃+β₄x₄+β₅x₅。

步骤2.3.3. 设定β=(β₀ β₁ β₂ β₃ β₄ β₅)，求解偏回归系数矩阵β。

利用步骤1中的响应数据集以及步骤2.3.2中的多元回归模型进行多项式拟合，计算出偏回归系数矩阵β，将β代入到多元回归模型，以便进行湿度补偿。

步骤2.3.4. 在环境湿度中实际测量气体频率偏移量。

在实际的湿度环境中利用电子鼻传感系统测量实际的气体频率偏移量为x₁₀；在实际的湿度环境中，利用湿度传感模块测量环境的相对湿度为x₂₀。

步骤2.3.5. 计算湿度补偿后的标准湿度下气体频率偏移量。

将实际湿度下测量到的实际频率偏移量x₁₀和相对湿度x₂₀代入到多元回归模型，计算得到湿度补偿后的标准气体频率偏移量，即标准湿度下的气体频率偏移量y。

步骤2.4. 由于原始数据集数据量庞大，采用时域特征提取方法，对湿度补偿后的响应数据集进行特征提取，选取最能代表气体响应的数据点。例如：对浓度c ₁下湿度补偿后的响应数据集，进行等时间间隔提取的方法，构成特征数据集T ₁=[T ₁ ^N ,T ₂ ^N ,…,T _g ^N ] ^T 。

其中，N为c ₁浓度下经特征提取后的气体样本数量；T ₁ ^N ,T ₂ ^N ,…,T _g ^N 分别表示第1个，第2个，…，第g个传感器对c ₁浓度下待测气体经特征提取后响应数据。

对总共k个类别样本的混合气体，经特征提取后构成的特征数据集T=[T ₁,T ₂,…,T _k ]。其中，T ₁,T ₂,…,T _k 分别表示第1,2, …，k个类别混合气体的特征数据集。

步骤2.5. 对特征提取后的特征数据集T进行归一化处理，得到特征数据集Z。

归一化公式为：△f _c =(△f _c ^gas －△f _c ⁰)/( △f _c ^max －△f _c ⁰)。

其中，△f _c 为归一化后的频率偏移量数值，△f _c ^gas 表示每个频率偏移量数值，△f _c ^max 表示频率偏移量的最大值，△f _c ⁰表示频率偏移量的最小值。

步骤2.6. 分别选取特征数据集Z中的2/3作为训练集，1/3作为测试集。

湿度补偿方法采用多元回归模型，能够补偿较大的湿度变化，而且能够同时适用于气体传感系统输出响应为线性和非线性的情形，有效消除了环境湿度的干扰，提高气体检测精度。

步骤3. 构建BP神经网络，确定BP神经网络的输入层、隐藏层和输出层节点数。如图3所示为本发明设计的BP神经网络结构示意图。

步骤3.1. 确定BP神经网络的网络结果，输入层、隐藏层和输出层分别为1层。

步骤3.2. 分别确定输入层、隐藏层和输出层的节点数。输入层的节点数等于电子鼻气体传感系统中的传感器数量l。输出层的节点数等于样本的类别数n。

隐藏层的节点数确定，首先根据经验公式获得节点范围，

。m为隐藏层节点数，d表示1到10之间的常数，通过matlab仿真实验最终确定节点数。

步骤4. 利用tent混沌映射进行秃鹰算法的种群初始化，然后使用莱维飞行和秃鹰算法混合策略对BP神经网络的权值和阈值参数进行优化，确定优化后的BP神经网络参数。

本发明通过首先引入了混沌映射和莱维飞行，改进了秃鹰算法的位置更新步长，进一步提升了秃鹰算法的全局搜索能力。然后，将莱维飞行优化的秃鹰算法应用于BP神经网络的训练，优化BP神经网络权值和阈值，改善BP神经网络的全局寻优能力。

该步骤4具体为：

步骤4.1. 确定BP神经网络输入层、隐藏层和输出层的节点数量，初始化BP神经网络。

步骤4.2. 将步骤2.6中的特征数据集Z赋值给BP神经网络。

步骤4.3. 将秃鹰算法和莱维飞行混合优化策略与BP神经网络进行结合，寻找BP神经网络的最佳权值和阈值，最佳权值和阈值的寻找步骤为：

步骤4.3.1. 对秃鹰算法利用tent混沌映射进行种群初始化设置，种群数量为size，最大迭代次数为max_iteration，初始化秃鹰的位置。

I. 基于tent映射生成混沌序列过程如下：

当0≤X _i ^size<b时，X _i+1 ^size=X _i ^size /b，当b≤X _i ^size≤1时，X _i+1 ^size=(1-X _i ^size )/(1-b)。

其中，i为当前迭代次数；X _i ^size和X _i+1 ^size表示第i和i+1次运算的混沌映射值；size为种群数量，b取值为0-1的随机数。

II. 结合混沌序列，生成搜索区域内的秃鹰个体的初始位置序列：

P _i ^size =P _i,min ^size +X _t ^size (P _i,max ^size -P _i,min ^size ) ；其中，P _i ^size 表示初始位置序列，P _i,min ^size 表示当前P _i ^size 序列的最小值，P _i,max ^size 表示当前P _i ^size 序列的最大值。

步骤4.3.2. 构造适应度函数并计算分析，确定最佳权值和阈值，构建的目标函数如下：

当y _q =o _q ，λ _q ＝1，当y _q ≠o _q ，λ _q ＝0；f(x)=∑ ^num _q=1 λ _q /num。

其中，λ _q 表示第个样本预测输出值与期望输出值的一致性。

y _q 为第q个样本预测输出值，o _q 为第q个样本期望输出值，num表示训练集或者测试集的输入样本数量，f(x)的值越接近1表明选取的权值和阈值越好。

步骤4.3.3. 每只秃鹰相当于BP神经网络中的每个节点，每只秃鹰的位置信息代表网络中的权值和阈值，第j只秃鹰位置用pos _j 表示。

步骤4.3.4. 利用秃鹰算法进行参数寻优；每进行一次迭代，秃鹰的位置更新了三次，秃鹰每更新一个位置，BP神经网络的权值和阈值就会更新一次。

这从一定程度上节省了参数寻优过程的时间，能够以最快的速度获得最佳权值和阈值，而这一特性能够更好的适合电子鼻系统对混合气体识别快速性的要求。

步骤4.3.4具体为：

I. 选择搜索空间；

秃鹰首先通过每个个体相互之间的搜索与沟通机制选择食物最多的空间作为搜索空间，位置更新公式为：P _new,j =P _best +α*r(P _mean -P _j )。

其中，P _new,j 表示位置更新后第只秃鹰的位置，P _best 表示当前秃鹰种群上一次搜索过程中所确定最佳搜索空间对应的位置，P _mean 表示种群完成一个阶段搜索后秃鹰的平均位置。

P _j 表示种群中第只秃鹰当前的位置，r表示取值为0到1之间的随机数，α表示控制秃鹰位置更新变化的参数，α的取值为[1.5, 2]。

研究表明秃鹰算法在位置更新时步长服从于布朗运动，这导致了秃鹰算法容易陷入局部最优。为了进一步提高秃鹰算法的全局搜索能力，引入莱维飞行策略替代布朗运动。

莱维飞行是一种模拟自然界中动物捕食的随机游走策略，兼顾了大概率的小范围飞行和小概率的长距离飞行。莱维飞行具有更好的搜索效率和更广阔的搜索空间，可以改善秃鹰算法陷入局部最优的缺陷。莱维飞行具体实现为：Levy(s)~u=t ^－λ 。

莱维飞行的具体公式为：

。

，

。

，

。

。

其中，s表示游走步长，u表示服从于均值为0、方差为σ _u ²的正态分布，v表示服从于均值为0、方差为σ _v ²的正态分布，γ表示1到3的随机数，本实施例中取值γ=1.5。

通过引入莱维飞行，使得位置更新步长服从莱维飞行机制，改善了全局寻优的能力。选择搜索空间阶段更新后的位置更新公式为：P _new,j =P _best +α*r(P _mean -P _j )+Levy(s)。

本发明方法利用莱维飞行机制，对秃鹰算法的位置更新引入了莱维飞行，对秃鹰算法的位置更新步长进行了改进，提高了秃鹰算法的全局搜索能力。

II. 搜索阶段；

秃鹰在选择好空间之后，在空间内以阿基米德螺线飞行寻找猎物，位置更新公式为：

P _new,j =P _j +y(j)*(P _j -P _j+1)+x(j)*(P _j -P _mean )。

其中，P _j+1表示种群中第只秃鹰下一次更新的位置。

x(j)=r(j)*sin(θ(j))/max(|x(j)r(j)|)；y(j)=r(j)*cos(θ(j))/max(|y(j)r(j)|)。

r(j)=θ(j)+R*rand；θ(j)=A*π*rand。

其中，θ(j)和r(j)分别为螺旋方程的极角和极径。

rand为随机的常数步长，R表示控制秃鹰进行螺旋飞行式搜索的循环次数，取值为。

A取值为5到10之间的随机数，用于实现对螺旋转角的控制。

III. 俯冲阶段；

秃鹰从当前的最优位置快速俯冲冲向猎物，位置更新公式为：

P _new,j =rand*P _best +y ₁(j)*(P _j -c ₂*P _best )+x ₁(j) *(P _j -c ₁*P _mean )。

x ₁(j)=r(j)*sinh[θ(j)]/max(|x(j)r(j)|)，y ₁(j)=r(j)*cosh[θ(j)]/max(|y(j)r(j)|)。

θ(j)= A *π*rand，r(j)=θ(j)。

其中，c ₁和c ₂表示秃鹰向最佳位置的控制参数由于位置更新步长为固定值。

步骤4.3.5. 记录每一次位置更新时的f(x)值。

获取f(x)的值最接近于1时所对应的秃鹰位置信息Best_pos。

步骤4.4. 最优秃鹰位置信息Best_pos代表了神经网络的最佳权值和阈值，将最佳权值和阈值赋值给BP神经网络，构造LBES-BP神经网络预测模型。

其中，LBES即Levy Bald Eagle Search的缩写，表示基于莱维飞行优化后的秃鹰算法。

通过将莱维飞行优化的秃鹰算法用于BP神经网络的训练，确定最佳的权值和阈值，与传统BP神经网络相比，提高了对混合气体的分类识别精度。

最后利用构建好LBES-BP神经网络预测模型，并对步骤2预处理后的气体响应特征数据集Z进行识别预测，最终输出混合气体的识别与分类结果。

本发明基于秃鹰算法和莱维飞行混合策略优化的BP神经网络模型，具有全局寻优能力，改善了BP神经网络气体识别算法容易陷入局部最优和收敛速度慢的问题。

本发明混合气体识别方法不仅补偿了环境湿度对电子鼻系统的影响，而且优化了气体识别算法，有效地提升了电子鼻系统对复杂混合气体的识别和检测精度。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (7)

1.基于混合策略优化BP神经网络的混合气体识别方法，其特征在于，

包括如下步骤：

步骤1. 获取气体传感器阵列分别在不同湿度下对待测气体的响应数据集，所获取的传感器响应数据包括传感器阵列对多种不同比例浓度下混合VOC气体的响应；

步骤2. 对经过步骤1获得的传感器响应数据集进行数据预处理，得到预处理后的气体响应特征数据集，并构建BP神经网络的训练集和测试集；

数据预处理依次包括滤波、基线处理、湿度补偿、特征提取以及归一化处理；

步骤3. 构建BP神经网络，确定BP神经网络的输入层、隐藏层和输出层节点数；

步骤4. 利用tent混沌映射进行秃鹰算法的种群初始化，使用莱维飞行和秃鹰算法混合策略对BP神经网络的权值和阈值参数进行优化；

确定优化后的BP神经网络参数，构造LBES-BP神经网络预测模型，并对步骤2预处理后的气体响应特征数据集进行识别预测，最终输出混合气体识别与分类结果。

2.根据权利要求1所述的混合气体识别方法，其特征在于，

所述步骤1具体为：

步骤1.1. 首先以石英晶体为基底，分别涂敷不同的气敏材料，构成由g个不同特性QCM传感器组成的气体传感器阵列；其中，g为传感器的数量；

步骤1.2. 在标准湿度环境中，利用电子鼻传感系统对浓度为c ₁=[ c _a , c _b ,…, c _n ]的混合气体通入测试腔，获取传感器阵列对待测气体的响应数据集S ₁=[ S ₁ ^M , S ₂ ^M ,…, S _g ^M ] ^T ；

其中，标准湿度环境为45%RH的相对湿度环境；c _a , c _b ,…, c _n 分别对应于a类气体、b类气体、…、n类气体的浓度；M为c ₁浓度下待测气体样本数量；S ₁ ^M , S ₂ ^M ,…, S _g ^M 分别表示第1个，第2个，…，第g个传感器对c ₁浓度下待测气体响应数据；

步骤1.3. 使用电子鼻传感系统，通入不同浓度比例的混合气体测得传感器阵列响应数据集，共有k个不同浓度比例混合气体的样本类别；

将标准湿度下总共k个样本类别数的响应数据集S作为实际测量值；

S=[ S ₁, S ₂,…, S _k ]；

其中，S ₁, S ₂,…, S _k 分别表示第1,2, …，k个类别混合气体的响应数据集；

步骤1.4. 利用电子鼻传感系统分别获取在不同的相对湿度下的传感器阵列响应数据集。

3.根据权利要求2所述的混合气体识别方法，其特征在于，

所述步骤2具体为：

步骤2.1. 使用递推平均滤波法方法对响应数据集S进行噪声信号剔除和平滑处理；

步骤2.2. 对平滑处理后的数据进行基线处理，获得基线处理后的响应数据集；

具体公式为：Δf= f- f ₀ ；

其中，f ₀ 为初始响应频率值，Δf表示每个时刻频率偏移量，f表示每个时刻响应频率值；

步骤2.3. 建立湿度补偿算法的多元回归模型，对基线处理后的响应数据集进行湿度补偿；

步骤2.4. 采用时域特征提取方法，对湿度补偿后的响应数据集进行特征提取；对总共k个类别样本的混合气体，经特征提取后构成的特征数据集T=[ T ₁, T ₂,…, T _k ]；

其中，T ₁, T ₂,…, T _k 分别表示第1,2, …，k个类别混合气体的特征数据集；

步骤2.5. 对特征提取后的特征数据集T进行归一化处理，得到特征数据集Z；

归一化公式为：△f _c =(△f _c ^gas －△f _c ⁰)/( △f _c ^max －△f _c ⁰)；

其中，△f _c 为归一化后的频率偏移量数值，△f _c ^gas 表示每个频率偏移量数值，△f _c ^max 表示频率偏移量的最大值，△f _c ⁰表示频率偏移量的最小值；

步骤2.6. 分别选取特征数据集Z中的2/3作为训练集，1/3作为测试集。

4.根据权利要求3所述的混合气体识别方法，其特征在于，

所述步骤2.3具体为：

步骤2.3.1. 将实际湿度下测量的频率偏移量和相对湿度作为两个自变量，将标准湿度下的频率偏移量作为一个因变量，构建多元非线性回归模型，作为湿度补偿数学模型；

湿度补偿数学模型表达式为：y=β₀+β₁x₁+β₂x₂+β₃x₁x₁+β₄x₂x₂+β₅x₁；

其中，y为标准湿度下的频率偏移量，x₁为实际湿度下测量的频率偏移量，x₂为实际测量的相对湿度值，β_k为方程的偏回归系数，k=1,2,3,4,5；

步骤2.3.2. 将多元非线性回归模型转化为标准线性形式的多元回归模型，求解偏回归系数；设定x₃= x₁x₁，x₄=x₂x₂，x₅=x₁x₂；

获得新的多元回归模型，其方程形式为：y=β₀+β₁x₁+β₂x₂+β₃ x₃+β₄ x₄+β₅ x₅；

步骤2.3.3. 设定β=(β₀ β₁ β₂ β₃ β₄ β₅)，求解偏回归系数矩阵β；

利用步骤1中的响应数据集以及步骤2.3.2中的多元回归模型进行多项式拟合，计算出偏回归系数矩阵β，将β代入到多元回归模型，以便进行湿度补偿；

步骤2.3.4. 在环境湿度中实际测量气体频率偏移量；

在实际的湿度环境中利用电子鼻传感系统测量实际的气体频率偏移量为x₁₀；在实际的湿度环境中，利用湿度传感模块测量环境的相对湿度为x₂₀；

步骤2.3.5. 计算湿度补偿后的标准湿度下气体频率偏移量；

将实际湿度下测量到的实际频率偏移量x₁₀和相对湿度x₂₀代入到多元回归模型，计算得到湿度补偿后的标准气体频率偏移量，即标准湿度下的气体频率偏移量y。

5.根据权利要求3所述的混合气体识别方法，其特征在于，

所述步骤4具体为：

步骤4.1. 确定BP神经网络输入层、隐藏层和输出层的节点数量，初始化BP神经网络；

步骤4.2. 将步骤2.6中的特征数据集Z赋值给BP神经网络；

步骤4.3. 将秃鹰算法和莱维飞行混合优化策略与BP神经网络进行结合，寻找BP神经网络的最佳权值和阈值，最佳权值和阈值的寻找步骤为：

步骤4.3.1. 对秃鹰算法利用tent混沌映射进行种群初始化设置，种群数量为size，最大迭代次数为max_iteration，初始化秃鹰的位置；

步骤4.3.2. 构造适应度函数并计算分析，确定最佳权值和阈值，构建的目标函数如下：

当y _q =o _q ，λ _q ＝1，当y _q ≠o _q ，λ _q ＝0；

f(x)=∑ ^num _q=1 λ _q /num；

其中，λ _q 表示第个样本预测输出值与期望输出值的一致性；y _q 为第q个样本预测输出值，o _q 为第q个样本期望输出值，num表示训练集或者测试集的输入样本数量；

步骤4.3.3. 每只秃鹰相当于BP神经网络中的每个节点，每只秃鹰的位置信息代表网络中的权值和阈值，第j只秃鹰位置用pos _j 表示；

步骤4.3.4. 利用秃鹰算法进行参数寻优；每进行一次迭代，秃鹰的位置更新了三次，秃鹰每更新一个位置，BP神经网络的权值和阈值就会更新一次；

步骤4.3.5. 记录每一次位置更新时的f(x)值；

获取f(x)的值最接近于1时所对应的秃鹰位置信息Best_pos；

步骤4.4. 最优秃鹰位置信息Best_pos代表了神经网络的最佳权值和阈值，将最佳权值和阈值赋值给BP神经网络。

6.根据权利要求5所述的混合气体识别方法，其特征在于，

所述步骤4.3.1具体为：

I. 基于tent映射生成混沌序列过程如下：

当0≤X _i ^size<b时，X _i+1 ^size = X _i ^size /b，当b≤X _i ^size≤1时，X _i+1 ^size=(1- X _i ^size )/(1-b)；

其中，i为当前迭代次数；X _i ^size和X _i+1 ^size表示第i和i+1次运算的混沌映射值；size为种群数量，b取值为0-1的随机数；

II. 结合混沌序列，生成搜索区域内的秃鹰个体的初始位置序列：

P _i ^size = P _i,min ^size + X _t ^size (P _i,max ^size - P _i,min ^size ) ；其中，P _i ^size 表示初始位置序列，P _i,min ^size 表示当前P _i ^size 序列的最小值，P _i,max ^size 表示当前P _i ^size 序列的最大值。

7.根据权利要求5所述的混合气体识别方法，其特征在于，

所述步骤4.3.4具体为：

I. 选择搜索空间；

秃鹰首先通过每个个体相互之间的搜索与沟通机制选择食物最多的空间作为搜索空间，位置更新公式为：P _new,j = P _best +α*r(P _mean - P _j )；

其中，P _new,j 表示位置更新后第只秃鹰的位置，P _best 表示当前秃鹰种群上一次搜索过程中所确定最佳搜索空间对应的位置，P _mean 表示种群完成一个阶段搜索后秃鹰的平均位置，

P _j 表示种群中第只秃鹰当前的位置，r表示取值为0到1之间的随机数，α表示控制秃鹰位置更新变化的参数，α的取值为[1.5, 2]；

为了进一步提高秃鹰算法的全局搜索能力，引入莱维飞行策略替代布朗运动；

莱维飞行的具体实现为：Levy(s)~u=t ^－λ ；

其中，λ为随机数，1<λ<3；

s表示游走步长，u表示服从于均值为0、方差为σ _u ²的正态分布；

通过引入莱维飞行，使得位置更新步长服从莱维飞行机制，改善了全局寻优的能力；选择搜索空间阶段更新后的位置更新公式为：P _new,j = P _best +α*r(P _mean - P _j )+Levy(s)；

II. 搜索阶段；

秃鹰在选择好空间之后，在空间内以阿基米德螺线飞行寻找猎物，位置更新公式为：

P _new,j = P _j +y(j)* (P _j - P _j+1)+ x(j) *( P _j -P _mean )；

其中，P _j+1表示种群中第只秃鹰下一次更新的位置；

x(j)=r(j) *sin(θ(j))/max(|x(j)r(j)|)；y(j)=r(j) *cos(θ(j))/max(|y(j)r(j)|)；

r(j)=θ(j)+R*rand；θ(j)=A*π*rand；

其中，θ(j)和r(j)分别为螺旋方程的极角和极径；rand为随机的常数步长，R表示控制秃鹰进行螺旋飞行式搜索的循环次数，取值为；A取值为5到10之间的随机数；

III. 俯冲阶段；

秃鹰从当前的最优位置快速俯冲冲向猎物，位置更新公式为：

P _new,j =rand*P _best +y ₁(j)*(P _j -c ₂* P _best )+ x ₁(j) *( P _j - c ₁* P _mean )；

x ₁(j)= r(j)*sinh[θ(j)] /max(|x(j)r(j)|)，y ₁(j)=r(j)*cosh[θ(j)] /max(|y(j)r(j)|)；

θ(j)= A *π*rand，r(j)=θ(j)；

其中，c ₁和c ₂表示秃鹰向最佳位置的控制参数由于位置更新步长为固定值。

Images