导读:本文包含了混合气体识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:气体,神经网络,向量,成分,传感器,算法,方差。
混合气体识别论文文献综述
陈寅生,罗中明,孙崐,许永辉,王祁[1]（2019）在《基于KPCA与MRVM的二元混合气体成分识别算法研究》一文中研究指出混合气体成分识别是电子鼻系统进行气体检测与分析的关键技术。为了提高二元混合气体成分识别准确率,本文提出了一种基于KPCA与MRVM相结合的二元混合气体成分识别算法。该算法利用KPCA的非线性特征提取能力对传感器阵列的响应信号进行特征提取;再利用多分类相关向量机(MRVM)分类器对二元混合气体成分进行识别。通过自主设计的实验系统获得的气体样本集对算法的有效性进行了验证,实验结果说明二元混合气体成分识别准确率达到99.83%。(本文来源于《传感技术学报》期刊2019年02期）
赵林[2]（2017）在《VOCs混合气体响应干扰现象及其神经网络识别的研究》一文中研究指出挥发性有机化合物(VOCs)是影响人体健康的室内环境主要污染物,是检测人体患病的标记物,因此VOCs的检测研究得到了越来越广泛的关注。常常采用传感器阵列与神经网络结合的方法解决两类VOCs混合气体的识别问题即分类识别和浓度预测。传感器阵列获取混合气体信息,神经网络通过分析信息得出识别结论。神经网络的分类正确率、浓度预测误差、训练速度等识别性能与网络的层数、每层的节点数和节点间的连接方式等网络结构的组成方面密切相关。为了提高神经网络对VOCs混合气体的识别性能,本文从分析混合气体的响应互相干扰现象、网络结构确定方法和传感器阵列的组建等方面展开了深入的研究。应用极限学习机(ELM)方法提高了使用传感器阵列识别混合气体的速度。极限学习机结合传感器阵列对固定四种组分的混合气体样本中各组分的浓度进行了预测。结果表明:极限学习机的训练时间为0.03秒,与反向传播(BP)神经网络(14秒)和径向基函数(RBF)神经网络(10秒)的训练时间相比速度分别提高了 466倍和333倍。当训练样本由22个提高到91个,极限学习机的训练时间保持不变。原因在于极限学习机的训练过程中大部分权值随机生成,其它权值求解方程获得,取代了传统网络学习的迭代方式,提高了速度。从传感器响应机理的角度分析了乙醇、丙酮及二者的混合气体的试验现象。传感器对两种单一气体乙醇和丙酮的响应值的代数和大于对这两种气体的混合气体的响应值。以该现象的分析为依据,提出了将混合气体中除目标气体外其余气体一律作为一类干扰气体,仅以目标气体的不同浓度进行分类的新的种类定义方法。新方法有效避免了按照不同种类、不同浓度的气体为一种气体的传统定义方法中,由于气体种类和浓度两组参数同时变化所产生的识别种类维度过多的问题,同时解决了神经网络的网络结构对具体样本的依赖性问题。利用BP神经网络、极限学习机和支持向量机(SVM)分别结合传感器阵列对不同浓度的单成分、两成分和四成分的混合气体进行分类识别。新方法成功的将气体种类由108种降低到4种,将网络输出节点数由11个降低到2个,2个输出节点的网络解除了混合气体中除目标气体浓度外的其它气体成分和浓度对网络结构的限定。依据L1正则项能够促使网络的部分权值趋近于零的特性,提出了确定网络的隐层节点数量的修剪方法。综合考虑正则项的数学含义、传感器的响应特性和传感器阵列组成特点,设立了网络隐层节点修剪的规则。使用基于正则学习的修剪方法所确定的隐层节点数与若干穷举的节点数做了实验数据对比,修剪方法确定的隐层节点数量为较优解16个,若干穷举法确定节点数量为区间最优解15个。两种方法确定的网络对相同样本的测试均方误差相差0.16,修剪法解决了网络的隐层节点数量依据经验确定的随意性问题和依据穷举法确定的复杂性问题。为保证传感器阵列能够获取充足、准确和有效的气体样本信息,设定了传感器阵列的组成规则。结合传感器阵列中每个传感器的自身特点和对气体样本响应的特点,从传感器对目标气体的响应浓度范围、传感器获得信息的数量和传感器获得信息的意义等方面对传感器的选择做出了具体要求。(本文来源于《大连理工大学》期刊2017-11-16）
杨胜男,吴伟国[3]（2017）在《人工肺-嗅觉系统集成与混合气体识别方法》一文中研究指出针对仿人机器人的嗅觉及多种混合气体识别问题,提出一种人工肺-嗅觉系统(HAL&OS-I)及基于主动呼吸的气体识别方法.该系统硬件主要集成了微型真空泵、酒精/硫化氢/氨气/烟雾/甲烷5种气体传感器、单片机以及信号采集与处理电路;分别用K-均值聚类分析法、遗传算法结合神经网络(GA+BP)、叁级级联神经网络(GA+3BP)进行了5种单一气体及4种混合气体的识别实验,结果表明:GA+BP算法仅对5种单一气体识别率达到90%以上,加入混合气体后识别率较低;GA+3BP算法除对硫化氢和烟雾的混合气体识别率为70%以外,对其余8种气体识别率均在90%以上,表明GA与多级级联BP神经网络相结合方法对多种单一及混合气体具有较高的识别率.(本文来源于《哈尔滨工业大学学报》期刊2017年01期）
张铭[4]（2016）在《基于RVM的混合气体识别与浓度检测算法研究》一文中研究指出金属氧化物半导体(MOS)气体传感器具有灵敏度高、响应速度快、价格低廉、使用寿命较长等优点,目前已经成为气体检测领域中应用最广泛的传感器之一。但是由于MOS气体传感器选择性差,存在交叉敏感,导致单一传感器很难实现对混合气体的定性识别和定量检测。因此利用气体传感器阵列可以有效改善交叉敏感特性,本文围绕基于MOS气体传感器阵列的混合气体定性识别和定量检测算法进行研究。本文主要研究内容如下:为了解决MOS气体传感器选择性较差的问题,本文利用五种具有不同灵敏度的传感器组成传感器阵列,搭建实验系统,对传感器阵列的响应信号的特性进行了测试与分析,采集了应用于后续实验的样本数据。针对由于传感器阵列对气体的非线性响应特点而导致的混合气体识别准确率较低的问题,本文提出了基于核主成分分析(KPCA)和多分类相关向量机(M-RVM)的混合气体定性识别方法,KPCA通过核函数能够将线性不可分的数据映射到高维特征空间,实现对样本数据的特征提取。利用M-RVM模型稀疏,参数设置较少,能够以概率的形式输出气体类别,分类准确率高的特点,进行气体识别。实验证明,本文提出的混合气体识别方法能够有效地对二元混合气体进行识别,识别率达到99.83%。针对混合气体浓度检测误差较大的问题,本文提出了基于多变量相关向量机(MVRVM)的混合气体浓度检测方法。利用MVRVM在小样本条件下测量精度高,泛化能力强,模型稀疏,可以同时实现多个变量回归的特点,进行混合气体浓度检测。实验结果表明,本文提出的方法对CO和CH4两种气体浓度检测的平均相对误差分别为5.58%、5.38%。与单一RVM、LS-SVR对比,该方法在浓度估计精度及检测时间上均有一定的优势,有效解决了传感器的交叉敏感特性,更适合用于实时性检测。(本文来源于《哈尔滨工业大学》期刊2016-07-01）
秦国军,仲明,张文娜,胡茑庆[5]（2015）在《混合气体识别的响应等效性与瞬态信号正交分解模型》一文中研究指出针对目前混合气体识别大多采用传感器稳态响应信号、基于线性混合假设或大量样本学习,而瞬态响应信号特征分析主要应用非正交分解的问题,提出一种基于响应等效性与瞬态信号正交分解的混合气体识别模型。分析金属氧化物半导体传感器对混合气体的响应特性,建立基于气体响应成分等效性假设的气体非线性混合模型,在此基础上,提出并应用一种新的正交基函数——扩展类Legendre正交基,对气体传感器瞬态响应信号进行分解;通过对正交分解系数与气体浓度的回归分析,验证二者之间的指数型关联关系,并以正交分解系数为特征参数,利用气体非线性等效混合模型对混合气体分解与辨识。实验结果表明,尽管这种混合气体识别模型仅用单一气体检测的先验知识,对混合气体的识别误差仍可达到15%以内。(本文来源于《国防科技大学学报》期刊2015年04期）
薛大为,孔慧芳,杨春兰[6]（2013）在《改进自适应遗传神经网络在混合气体识别中的应用》一文中研究指出BP神经网络和遗传神经网络是混合气体识别中常用的方法,但在实际应用仍然存在一些缺陷与不足。针对存在的问题,提出了1种改进自适应遗传算法,该算法根据进化过程种群中未产生更优解的代数,自适应调整变异率和变异量。利用该改进自适应遗传算法优化BP神经网络的连接权和阈值,构成改进自适应遗传神经网络,并应用于混合气体的识别中。实验结果表明:改进自适应遗传神经网络收敛成功率由40%提高到80%,平均识别误差H_2S由4.66 mL/m~3降为3.69 mL/m~3,CH_4由17.14 mL/m~3降为15.77 mL/m~3,CO由4.38 mL/m~3降为4.19 mL/m~3。(本文来源于《计算机与应用化学》期刊2013年06期）
张双岩,余隽,唐祯安,魏广芬,陈毅[7]（2010）在《二元混合气体识别中传感器阵列优化方法研究》一文中研究指出用于混合气体识别的电子鼻系统中,气体传感器阵列直接决定了识别效果、算法复杂性和硬件成本。为了研究阵列优化方法,以甲烷和乙烯二元混合气体为识别对象,将方差分析法和主成分分析法相结合用于气体传感器阵列的筛选优化,对比了优化前和优化后的传感器阵列对二元混合气体的识别效果。该阵列优化方法能够最大限度地简化传感器阵列,优化后的传感器阵列在保持识别精度的同时,传感器数量更少、软硬件成本降低、网络收敛速度更快。(本文来源于《仪表技术与传感器》期刊2010年07期）
吕先涛[8]（2010）在《基于BP网络混合气体浓度识别的研究》一文中研究指出当前,我国经济正在高速发展,全国人民正在建设社会主义和谐社会,然而,经常发生的矿难却带给了人们无尽的痛苦,煤矿安全特别是瓦斯爆炸问题成了社会的热点。本文设计了可燃性气体浓度识别系统,这个系统可以有效识别煤矿井下的叁种可燃性气体的浓度：CH4、H2S、CO，对于有效预防瓦斯爆炸有一定的现实意义。本文从四个方面进行设计：半导体传感器的选择、配气系统、数据采集、BP网络设计和算法改进。本文开头介绍了课题背景和主要研究内容。第二章介绍了气体传感器和传感器的选择依据,结合矿井下实际情况,选择对CH4、H2S、CO气体敏感的气体传感器和温湿模块组成了传感器阵列。第叁章介绍了静态配气法和动态配气法,并结合实际情况,从集气、实验装置、实验原理和方法等方面设计了配气系统。第四章介绍了数据采集系统,简述了数据采集原理和当前数据采集系统的特点,选择了研华PCI-1710L数据采集卡,设计了信号调理电路,完成了数据采集硬件电路的设计,简单介绍了VC++6.0开发环境,并在此基础上给出了编写数据采集程序的步骤。第五章介绍人工神经网络的发展及主流网络结构、神经元功能函数,神经网络的学习,重点介绍了BP网络的基本算法和结构,并指出了它的不足之处,针对混合气体识别的需要,设计BP网络具体结构并选定了功能函数,对基本算法做了改进和优化：增加了权值改变的动量项,并根据情况改变学习速度,以便加快神经网络的收敛,并且给出了针对混合气体浓度识别神经网络的学习程序流程图和神经网络训练程序代码以及系统识别结果：当可燃性混合气体(CH4、H2S、CO)的浓度为10PPM—500PPM时,经过训练后的BP网络能够有效地对其进行识别,识别的浓度误差在可接受范围内,基本上达到了混合气体浓度识别的目的,这章还对识别结果和误差做了分析和评价。最后对全文工作做了总结,并对今后的进一步研究做了展望。(本文来源于《武汉理工大学》期刊2010-04-01）
吴莉莉,郑宝周,林爱英,郭淼,陈裕泉[9]（2009）在《基于阈上随机共振的混合气体识别研究》一文中研究指出在深入分析阈值随机共振系统模型的基础上,提出了一种基于最大互相关系数的方法来进行混合气体的分类识别。实验结果表明,该分类方法准确可行,为分类识别提供了一种新的思路和方法。(本文来源于《电子技术应用》期刊2009年07期）
白鹏,冀捐灶,张发启,李彦,刘君华[10]（2008）在《基于SVM的混合气体分布模式红外光谱在线识别方法》一文中研究指出针对混合气体组分浓度分析中海量训练样本的获取、分析精度及实时在线分析等问题,将支持向量机这一新的信息处理方法和红外光谱分析法结合,提出了混合气体分布模式的概念。在此基础上,采用先进行混合气体分布模式识别,然后再进行混合气体分析的思路,在大量调查的基础上,研究探索了实际应用中可能出现的混合气体分布模式,确定60种混合气体分布模式,共计6000个混合气体红外光谱数据样本用于模型的训练与检验。采用SMO算法实现了减量和增量的在线学习,最终建立了基于SVM的混合气体分布模式红外光谱在线识别模型。模型由模式识别和结果输出2层组成,模式识别层完成混合气体模式分布模式识别任务;结果输出层由60个SVM校正模型组成,完成具体的浓度分析任务。实验结果表明,该方法对混合气体分布模式的正确识别率不低于98.8%,可在小样本条件下对混合气体的分布模式进行在线识别,可在线实时加入新的混合气体分布模式,具有实际应用价值。(本文来源于《光谱学与光谱分析》期刊2008年10期）
混合气体识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
挥发性有机化合物(VOCs)是影响人体健康的室内环境主要污染物,是检测人体患病的标记物,因此VOCs的检测研究得到了越来越广泛的关注。常常采用传感器阵列与神经网络结合的方法解决两类VOCs混合气体的识别问题即分类识别和浓度预测。传感器阵列获取混合气体信息,神经网络通过分析信息得出识别结论。神经网络的分类正确率、浓度预测误差、训练速度等识别性能与网络的层数、每层的节点数和节点间的连接方式等网络结构的组成方面密切相关。为了提高神经网络对VOCs混合气体的识别性能,本文从分析混合气体的响应互相干扰现象、网络结构确定方法和传感器阵列的组建等方面展开了深入的研究。应用极限学习机(ELM)方法提高了使用传感器阵列识别混合气体的速度。极限学习机结合传感器阵列对固定四种组分的混合气体样本中各组分的浓度进行了预测。结果表明:极限学习机的训练时间为0.03秒,与反向传播(BP)神经网络(14秒)和径向基函数(RBF)神经网络(10秒)的训练时间相比速度分别提高了 466倍和333倍。当训练样本由22个提高到91个,极限学习机的训练时间保持不变。原因在于极限学习机的训练过程中大部分权值随机生成,其它权值求解方程获得,取代了传统网络学习的迭代方式,提高了速度。从传感器响应机理的角度分析了乙醇、丙酮及二者的混合气体的试验现象。传感器对两种单一气体乙醇和丙酮的响应值的代数和大于对这两种气体的混合气体的响应值。以该现象的分析为依据,提出了将混合气体中除目标气体外其余气体一律作为一类干扰气体,仅以目标气体的不同浓度进行分类的新的种类定义方法。新方法有效避免了按照不同种类、不同浓度的气体为一种气体的传统定义方法中,由于气体种类和浓度两组参数同时变化所产生的识别种类维度过多的问题,同时解决了神经网络的网络结构对具体样本的依赖性问题。利用BP神经网络、极限学习机和支持向量机(SVM)分别结合传感器阵列对不同浓度的单成分、两成分和四成分的混合气体进行分类识别。新方法成功的将气体种类由108种降低到4种,将网络输出节点数由11个降低到2个,2个输出节点的网络解除了混合气体中除目标气体浓度外的其它气体成分和浓度对网络结构的限定。依据L1正则项能够促使网络的部分权值趋近于零的特性,提出了确定网络的隐层节点数量的修剪方法。综合考虑正则项的数学含义、传感器的响应特性和传感器阵列组成特点,设立了网络隐层节点修剪的规则。使用基于正则学习的修剪方法所确定的隐层节点数与若干穷举的节点数做了实验数据对比,修剪方法确定的隐层节点数量为较优解16个,若干穷举法确定节点数量为区间最优解15个。两种方法确定的网络对相同样本的测试均方误差相差0.16,修剪法解决了网络的隐层节点数量依据经验确定的随意性问题和依据穷举法确定的复杂性问题。为保证传感器阵列能够获取充足、准确和有效的气体样本信息,设定了传感器阵列的组成规则。结合传感器阵列中每个传感器的自身特点和对气体样本响应的特点,从传感器对目标气体的响应浓度范围、传感器获得信息的数量和传感器获得信息的意义等方面对传感器的选择做出了具体要求。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
混合气体识别论文参考文献
[1].陈寅生,罗中明,孙崐,许永辉,王祁.基于KPCA与MRVM的二元混合气体成分识别算法研究[J].传感技术学报.2019
[2].赵林.VOCs混合气体响应干扰现象及其神经网络识别的研究[D].大连理工大学.2017
[3].杨胜男,吴伟国.人工肺-嗅觉系统集成与混合气体识别方法[J].哈尔滨工业大学学报.2017
[4].张铭.基于RVM的混合气体识别与浓度检测算法研究[D].哈尔滨工业大学.2016
[5].秦国军,仲明,张文娜,胡茑庆.混合气体识别的响应等效性与瞬态信号正交分解模型[J].国防科技大学学报.2015
[6].薛大为,孔慧芳,杨春兰.改进自适应遗传神经网络在混合气体识别中的应用[J].计算机与应用化学.2013
[7].张双岩,余隽,唐祯安,魏广芬,陈毅.二元混合气体识别中传感器阵列优化方法研究[J].仪表技术与传感器.2010
[8].吕先涛.基于BP网络混合气体浓度识别的研究[D].武汉理工大学.2010
[9].吴莉莉,郑宝周,林爱英,郭淼,陈裕泉.基于阈上随机共振的混合气体识别研究[J].电子技术应用.2009
[10].白鹏,冀捐灶,张发启,李彦,刘君华.基于SVM的混合气体分布模式红外光谱在线识别方法[J].光谱学与光谱分析.2008
论文知识图
