【摘要】：揮發(fā)性有機化合物(VOCs)是影響人體健康的室內(nèi)環(huán)境主要污染物,是檢測人體患病的標記物,因此VOCs的檢測研究得到了越來越廣泛的關注。常常采用傳感器陣列與神經(jīng)網(wǎng)絡結(jié)合的方法解決兩類VOCs混合氣體的識別問題即分類識別和濃度預測。傳感器陣列獲取混合氣體信息,神經(jīng)網(wǎng)絡通過分析信息得出識別結(jié)論。神經(jīng)網(wǎng)絡的分類正確率、濃度預測誤差、訓練速度等識別性能與網(wǎng)絡的層數(shù)、每層的節(jié)點數(shù)和節(jié)點間的連接方式等網(wǎng)絡結(jié)構的組成方面密切相關。為了提高神經(jīng)網(wǎng)絡對VOCs混合氣體的識別性能,本文從分析混合氣體的響應互相干擾現(xiàn)象、網(wǎng)絡結(jié)構確定方法和傳感器陣列的組建等方面展開了深入的研究。應用極限學習機(ELM)方法提高了使用傳感器陣列識別混合氣體的速度。極限學習機結(jié)合傳感器陣列對固定四種組分的混合氣體樣本中各組分的濃度進行了預測。結(jié)果表明:極限學習機的訓練時間為0.03秒,與反向傳播(BP)神經(jīng)網(wǎng)絡(14秒)和徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(10秒)的訓練時間相比速度分別提高了 466倍和333倍。當訓練樣本由22個提高到91個,極限學習機的訓練時間保持不變。原因在于極限學習機的訓練過程中大部分權值隨機生成,其它權值求解方程獲得,取代了傳統(tǒng)網(wǎng)絡學習的迭代方式,提高了速度。從傳感器響應機理的角度分析了乙醇、丙酮及二者的混合氣體的試驗現(xiàn)象。傳感器對兩種單一氣體乙醇和丙酮的響應值的代數(shù)和大于對這兩種氣體的混合氣體的響應值。以該現(xiàn)象的分析為依據(jù),提出了將混合氣體中除目標氣體外其余氣體一律作為一類干擾氣體,僅以目標氣體的不同濃度進行分類的新的種類定義方法。新方法有效避免了按照不同種類、不同濃度的氣體為一種氣體的傳統(tǒng)定義方法中,由于氣體種類和濃度兩組參數(shù)同時變化所產(chǎn)生的識別種類維度過多的問題,同時解決了神經(jīng)網(wǎng)絡的網(wǎng)絡結(jié)構對具體樣本的依賴性問題。利用BP神經(jīng)網(wǎng)絡、極限學習機和支持向量機(SVM)分別結(jié)合傳感器陣列對不同濃度的單成分、兩成分和四成分的混合氣體進行分類識別。新方法成功的將氣體種類由108種降低到4種,將網(wǎng)絡輸出節(jié)點數(shù)由11個降低到2個,2個輸出節(jié)點的網(wǎng)絡解除了混合氣體中除目標氣體濃度外的其它氣體成分和濃度對網(wǎng)絡結(jié)構的限定。依據(jù)L1正則項能夠促使網(wǎng)絡的部分權值趨近于零的特性,提出了確定網(wǎng)絡的隱層節(jié)點數(shù)量的修剪方法。綜合考慮正則項的數(shù)學含義、傳感器的響應特性和傳感器陣列組成特點,設立了網(wǎng)絡隱層節(jié)點修剪的規(guī)則。使用基于正則學習的修剪方法所確定的隱層節(jié)點數(shù)與若干窮舉的節(jié)點數(shù)做了實驗數(shù)據(jù)對比,修剪方法確定的隱層節(jié)點數(shù)量為較優(yōu)解16個,若干窮舉法確定節(jié)點數(shù)量為區(qū)間最優(yōu)解15個。兩種方法確定的網(wǎng)絡對相同樣本的測試均方誤差相差0.16,修剪法解決了網(wǎng)絡的隱層節(jié)點數(shù)量依據(jù)經(jīng)驗確定的隨意性問題和依據(jù)窮舉法確定的復雜性問題。為保證傳感器陣列能夠獲取充足、準確和有效的氣體樣本信息,設定了傳感器陣列的組成規(guī)則。結(jié)合傳感器陣列中每個傳感器的自身特點和對氣體樣本響應的特點,從傳感器對目標氣體的響應濃度范圍、傳感器獲得信息的數(shù)量和傳感器獲得信息的意義等方面對傳感器的選擇做出了具體要求。
【圖文】：

逑電子鼻系統(tǒng)的三大組成部分分別是氣體傳感器陣列、信號預處理單元和模式識別單逡逑元［９６］，如圖１．４所示。電子鼻的工作原理是仿生人體嗅覺，如圖１．５所示。電子鼻組成逡逑的三大部分分別相當于人體嗅覺系統(tǒng)的嗅感受細胞、嗅球和大腦。逡逑＾邐氣體傳邐｜信號預邐｜模式邐識別逡逑樣本二＝０感器陣處理＝０識別結(jié)果逡逑圖１．４電子鼻系統(tǒng)的組成逡逑Ｆｉｇ．邋１．４邋Ｃｏｍｐｏｓｉｔｉｏｎ邋ｏｆ邋ｔｈｅ邋ｅｌｅｃｔｒｏｎｉｃ邋ｎｏｓｅ逡逑電子鼻在工作中，氣體傳感器陣列吸附被測氣體樣本，并產(chǎn)生響應信號，傳感器將逡逑化學輸入轉(zhuǎn)換成電信號，這些電信號就形成了混合氣體的信息集。這個信息集可以是最逡逑簡單的對一個氣體樣本一個時刻的描述，也可以是多個傳感器對混合氣體樣本一個時間逡逑段的復雜的信息描述，傳感器陣列對不同氣體的響應曲線圖案是不同的，這些信息可以逡逑看成是一個響應譜，是后續(xù)模式識別的對象。響應譜經(jīng)過信號預處理單元處理，主要進逡逑行的是特征提取，并可以在此過程去掉噪聲，對信號進行放大等處理。模式識別模塊的逡逑作用就是使用具體算法根據(jù)響應譜的特征區(qū)分氣體種類，實現(xiàn)對混合氣體樣本的定性或逡逑定量分析。逡逑Ｖ；邐＇邐—邋一邋—．

逑電子鼻系統(tǒng)的三大組成部分分別是氣體傳感器陣列、信號預處理單元和模式識別單逡逑元［９６］，如圖１．４所示。電子鼻的工作原理是仿生人體嗅覺，如圖１．５所示。電子鼻組成逡逑的三大部分分別相當于人體嗅覺系統(tǒng)的嗅感受細胞、嗅球和大腦。逡逑＾邐氣體傳邐｜信號預邐｜模式邐識別逡逑樣本二＝０感器陣處理＝０識別結(jié)果逡逑圖１．４電子鼻系統(tǒng)的組成逡逑Ｆｉｇ．邋１．４邋Ｃｏｍｐｏｓｉｔｉｏｎ邋ｏｆ邋ｔｈｅ邋ｅｌｅｃｔｒｏｎｉｃ邋ｎｏｓｅ逡逑電子鼻在工作中，氣體傳感器陣列吸附被測氣體樣本，并產(chǎn)生響應信號，傳感器將逡逑化學輸入轉(zhuǎn)換成電信號，這些電信號就形成了混合氣體的信息集。這個信息集可以是最逡逑簡單的對一個氣體樣本一個時刻的描述，，也可以是多個傳感器對混合氣體樣本一個時間逡逑段的復雜的信息描述，傳感器陣列對不同氣體的響應曲線圖案是不同的，這些信息可以逡逑看成是一個響應譜，是后續(xù)模式識別的對象。響應譜經(jīng)過信號預處理單元處理，主要進逡逑行的是特征提取，并可以在此過程去掉噪聲，對信號進行放大等處理。模式識別模塊的逡逑作用就是使用具體算法根據(jù)響應譜的特征區(qū)分氣體種類，實現(xiàn)對混合氣體樣本的定性或逡逑定量分析。逡逑Ｖ；邐＇邐—邋一邋—．
【學位授予單位】：大連理工大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：X831;TP183

【相似文獻】

相關期刊論文 前10條

1 王洛國;張良華;康景利;;基于小波分析的神經(jīng)網(wǎng)絡識別毒劑的研究[J];北京理工大學學報;2006年02期

2 張瑞林,蔣靜坪;人工神經(jīng)網(wǎng)絡識別絲織物的研究[J];紡織學報;2002年02期

3 胡小平,楊世錫,譚建榮;基于人工神經(jīng)網(wǎng)絡識別的特征自組織技術[J];計算機輔助設計與圖形學學報;1999年04期

4 譚云亮,吳士良;巷道類別的神經(jīng)網(wǎng)絡識別方法[J];煤;1997年04期

5 王金東,張嘉鐘,劉樹林;應用神經(jīng)網(wǎng)絡識別往復式壓縮機指示圖[J];振動、測試與診斷;2003年03期

6 陳娟，王一民，于長勝，胡恒章;一種基于神經(jīng)網(wǎng)絡識別差動態(tài)特性的自適應模糊控制器[J];哈爾濱理工大學學報;1999年02期

7 劉念;旋轉(zhuǎn)整流器故障的神經(jīng)網(wǎng)絡識別研究[J];電力系統(tǒng)自動化;1998年10期

8 姚志紅;費敏銳;孔海南;謝靂;孫林峰;;基于改進遺傳算法的藻類神經(jīng)網(wǎng)絡識別[J];上海交通大學學報;2007年11期

9 胡和平;黃保華;姚寒冰;盧正鼎;李瑞軒;;P2P環(huán)境下局部可信度的神經(jīng)網(wǎng)絡識別方法[J];小型微型計算機系統(tǒng);2006年08期

10 韓萍;倉儲物害蟲Kohonen神經(jīng)網(wǎng)絡識別方法[J];河南科技;2005年05期

相關會議論文 前10條

1 張壽祥;W．Porter;張侗;;利用神經(jīng)網(wǎng)絡識別系統(tǒng)的新方法[A];1994中國控制與決策學術年會論文集[C];1994年

2 許鵬;左廣霞;黎素芬;秦晉;;具有信息屏障功能的神經(jīng)網(wǎng)絡識別系統(tǒng)的方案設計[A];國家安全地球物理叢書（七）——地球物理與核探測[C];2011年

3 劉念;王海田;黨曉強;劉靖;;旋轉(zhuǎn)整流器故障的神經(jīng)網(wǎng)絡識別研究[A];四川省電工技術學會電機專業(yè)委員會二○○一年第十三屆學術年會論文集[C];2001年

4 崇凱;王貴成;王樹林;柯顯信;;機械結(jié)合面動特性參數(shù)神經(jīng)網(wǎng)絡識別[A];江蘇省機械工程學會第六次會員代表大會論文集[C];2002年

5 劉念;王海田;黨曉強;劉靖;;旋轉(zhuǎn)整流器故障的神經(jīng)網(wǎng)絡識別研究[A];四川省電工技術學會第七屆學術年會論文集[C];2003年

6 趙眾;蔣慰孫;陶振麟;張素貞;;間歇共聚過程反應期的人工神經(jīng)網(wǎng)絡識別[A];1996年中國控制會議論文集[C];1996年

7 敖仙丹;何世彪;蘇志廣;;認知無線電調(diào)制信號的神經(jīng)網(wǎng)絡識別方法[A];2007通信理論與技術新發(fā)展——第十二屆全國青年通信學術會議論文集（下冊）[C];2007年

8 薛海飛;高海濱;劉惠州;柏冠軍;;地震相在煤層氣富集區(qū)預測中的應用[A];2013年煤層氣學術研討會論文集[C];2013年

9 郁志宏;王春光;張曉芳;張莉;;自適應粒子群神經(jīng)網(wǎng)絡識別種蛋成活性[A];農(nóng)業(yè)機械化與新農(nóng)村建設——中國農(nóng)業(yè)機械學會2006年學術年會論文集（下冊）[C];2006年

10 張大偉;章新華;付留芳;胡光潮;李前言;;基于聽覺感知與卷積神經(jīng)網(wǎng)絡識別艦船目標[A];中國聲學學會第十一屆青年學術會議會議論文集[C];2015年

相關重要報紙文章 前1條

1 常麗君;最新計算機神經(jīng)網(wǎng)絡識別圖像達靈長類動物水平[N];科技日報;2014年

相關博士學位論文 前2條

1 趙林;VOCs混合氣體響應干擾現(xiàn)象及其神經(jīng)網(wǎng)絡識別的研究[D];大連理工大學;2017年

2 呂琳;天然氣水合物（地球物理屬性）的神經(jīng)網(wǎng)絡識別方法及軟件開發(fā)[D];吉林大學;2011年

相關碩士學位論文 前10條

1 賈煥軍;油氣層神經(jīng)網(wǎng)絡識別方法研究[D];大慶石油學院;2003年

2 鄧艷平;水下圖像的特征提取和神經(jīng)網(wǎng)絡識別技術研究[D];哈爾濱工程大學;2005年

3 李林;橋梁斷面氣動參數(shù)的人工神經(jīng)網(wǎng)絡識別[D];西南交通大學;2003年

4 張磊;三種神經(jīng)網(wǎng)絡識別P2P流量的方法比較[D];重慶大學;2010年

5 郭力賓;交叉點的神經(jīng)網(wǎng)絡識別及聯(lián)機手寫字符的概率神經(jīng)網(wǎng)絡識別初探[D];大連理工大學;2003年

6 高毅;低應變法檢測樁身曲線的BP神經(jīng)網(wǎng)絡識別[D];蘭州大學;2012年

7 李薇;基于人工神經(jīng)網(wǎng)絡的水面運動目標識別技術研究[D];哈爾濱工程大學;2007年

8 闞文君;基于機器視覺的泡罩藥品缺陷檢測系統(tǒng)研究[D];石家莊鐵道大學;2014年

9 杜圣康;汽車牌照識別系統(tǒng)的設計與實現(xiàn)[D];江南大學;2009年

10 吳波;上市公司會計信息失真識別定量研究[D];湖南大學;2006年

本文編號：2697415