基于混合策略优化BP神经网络的混合气体识别方法技术

本发明专利技术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。本发明专利技术提升了混合气体的识别和检测精度。精度。精度。

【技术实现步骤摘要】
基于混合策略优化BP神经网络的混合气体识别方法


[0001]本专利技术涉及气体传感检测
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]本专利技术为了实现上述目的，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。
[0007]本专利技术具有如下优点：如上所述，本专利技术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，本专利技术还针对基于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
[0008]图1为本专利技术基于混合策略优化BP神经网络的混合气体识别方法的流程图。
[0009]图2为本专利技术湿度补偿方法流程示意图。
[0010]图3为本专利技术构建的BP神经网络结构示意图。
具体实施方式
[0011]下面结合附图以及具体实施方式对本专利技术作进一步详细说明：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。
[0012]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。
[0013]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c1=[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S1=[S
1M
,S
2M
,
…
,S
gM
]T
。
[0014]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c1浓度下待测气体样本数量；S
1M
,S
2M
,
…
,S
gM
分别表示第1个，第2个，
…
，第g个传感器对c1浓度下待测气体响应数据。
[0015]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。
[0016]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=[S1,S2,
…
,S
k
]。其中，S1,S2,
…
,S
k
分别表示第1,2,
ꢀ…
，k个类别混合气体的响应数据集。
[0017]步骤1.4. 利用电子鼻传感系统分别获取在不同的相本文档来自技高网...

【技术保护点】

【技术特征摘要】
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c1=[ 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S1=[ S
1M
, S
2M
,
…
, S
gM
]
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c1浓度下待测气体样本数量；S
1M
, S
2M
,
…
, S
gM
分别表示第1个，第2个，
…
，第g个传感器对c1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=[ S1, S2,
…
, S
k
]；其中，S1, S2,
…
, 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
‑ꢀ
f0；其中，f0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=[ T1, T2,
…
, T
k
]；其中，T1, T2,
…
, 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
cgas
－
△
f
c0
)/(
ꢀ△
f
cmax
－
△
f
c0
)；其中，
△
f
c
为归一化后的频率偏移量数值，
△
f
cgas
表示每个频率偏移量数值，
△
f
cmax
表示频率偏移量的最大值，
△
f
c0
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+β
3 x3+β
4 x4+β
5 x5；步骤2.3.3. 设定β=(β
0 β
1 β
2 β
3 β
4 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x
10
；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x
20
；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x
10
和相对湿度x
20
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...

【专利技术属性】
技术研发人员：郑舟，张国栋，孙振东，王晓敏，孔旭，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：