基于人工神经网络的气体分析方法

基于人工神经网络的气体分析方法7.1人工神经网络概述人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，（如模式、语音识别、非结构化信息处理方面）的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。

人工神经网络与其他传统方法相结合，将推动人工智能和信息处理技术不断发展。

近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。

迄今为止的神经网络研究，大体上可分为三个大的方向：1）求人脑神经系统的生物结构和机制，这实际上是神经网络的初衷。

2）微电子学或光学器件形成特殊功能网络，这主要是新一代计算机制造领域所关注的问题。

3）将神经网络理论作为一种解决某些问题的手段和方法，这些问题在利用传统方法时或者无法解决，或者在具体处理技术上尚存困难。

7.2BP 网络结构及原理BP 网络（Back-Propagation NN）是一种单向传播的多层前向网络。

目前，在人工神经网络的实际应用中，绝大部分的神经网络模型使用的是BP网络或其变化形式，它也是前向型神经网络的核心部分。

其结构如图 7.1 所示。

.7.1 BP网络结构Fig.7.1 Back-Propagation network configurationBP网络有很强的映射能力，其主要用于：模式识别、分类、函数逼近、数据压缩等。

网络除输入输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。

输入信号从输入层节点依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。

整个网络的特性决定于相邻层间神经元的连接权和神经元上的阈值。

7.3 面向MATLAB 的BP 神经网络的设计方法及步骤[78]7.3.1 BP 神经网络的初始化在训练前馈神经网络之前，我们必须设置权值和阈值的初始值。

当我们使用函数newff 创建前馈神经网络后，网络自动初始化的权值和阈值，缺省值都是0。

如果要设置这些初始值，可以使用函数init()，命令格式为:()net init net =（7.3.1）函数init()会根据网络的初始化函数以及它的参数值来设置网络权值和阈值的初始值，它们分别由参数net.initFcn 和net.initParam 表示。

对BP 神经网络来说，参数net.initFcn 的值是initwb ，它使网络的初始化采用了Nguyen －Widrow 算法。

7.3.2 BP 神经网络的创建指令格式:net = newffNet = newff(PR ，[S1 S2…SN]，{TF1 TF2…TFN}，BTF ，BLF ，PF) 参数意义:PR 输入向量的取值范围。

Si 第i 层的神经元个数，总共N 层。

Fi 第i 层的传递函数，缺省值为“tansig ”。

BTF BP 网络训练函数，缺省值为“trainlm ”。

BLF BP 网络权值和阈值学习函数，缺省值为“learngdm ”。

PF 性能函数，缺省值为“mse ”。

执行结果:创建一个N 层的BP 神经网络。

7.3.3 BP 神经网络的仿真BP 神经网络的仿真仍然使用函数Sim()，而且对于高维的多个输入，可以使用该函数方便地得到网络的仿真结果。

7.3.4 BP 神经网络的训练当神经网络的权值和阈值初始化以后，我们就可以对网络进行训练。

在训练的过程中，网络的权值和阈值被反复地调整，以减少网络性能函数net.PerformFcn 的值，直到达到预先的要求。

在BP 网络的训练算法中，都是通过计算性能函数的梯度，再沿负梯度方向调整权值和阈值，从而使性能函数达到最小。

第k 个循环中的调整公式可表示为：1k k k k x x a g +=- （7.3.2）其中x k 表示当前的权值和阈值，g k 表示当前的梯度，a k 是学习率。

7.3.5 BP 神经网络训练结果分析当网络训练结束之后，可以用Sim 函数来仿真网络的输出，从而与目标输出进行比较，来检验网络的性能。

同时，MATLAB 还提供了函数p.streg 用于对网络训练结果的进一步分析。

函数p.Streg 利用了线性回归的方法分析了网络输出和目标输出的关系，即网络输出变化相对于目标输出变化的变化率，从而评估网络的训练结果。

7.4 气体分析方法本文构造的气体分析系统主要是由两大部分构成：半导体气体传感器阵列和基于 BP 神经网络的模式识别。

根据原理阐述，将半导体气体传感器阵列与 BP 神经网络的模式识别技术相结合应用于气体分析，将会得到很好的效果。

实验中我们分别进行了多气体定性识别与单一气体的定量识别两种方式的气体分析实验，但由于在多气体定性识别过程中，涉及到的两种气体分子式极其相近，用传感器阵列采集的数据进行识别过程中误差很大，这部分的实验我们还在进一步的进行中，这里就不做介绍了。

7.4.1 对甲醛和乙醇气体的定量识别根据上述的神经网络原理、BP 算法以及面向 MATLAB的 BP 神经网络的设计，气体定性识别方法的过程如图 7.3 所示。

Fig.7.3 Process of gas quantitative recognition7.4.2 实验数据通过计算机采集的数据是测试电路中的负载 R L 相对于敏感元件表面电阻R O 的分压值V O ，因此在用 BP 神经网络进行模式识别之前，先进行转换。

根据公式：V O=C LR V R -(7.4) 100%R R R S 0G0⨯-=(7.5)0GS 100%V V V -=⨯(7.6)由于相对算法有助于补偿传感器的温度灵敏度误差，因此将 S 相对于敏感体在纯净空气中的电阻值 R 0进行归一化，得出实验数据，如表7所示。

另外，由于期望输出的范围为 0ppm-500ppm ，因此也应该进行归一化。

归一化算法为：'max /j j c c c = ,其中max c = 500ppm 。

在 MATLAB 中，该算法的实现语句为：./500T T =。

7.4.3 BP 网络的设计1、 问题描述设计一个网络并训练它来定量检测气体的浓度。

在本问题中，我们选用4个灵敏度较好的传感器分别为纯SnO 2元件, 掺2%Pa 的元件，掺3%Pa 的元件，掺Sb2%的元件。

用了测量数据的20组数据进行训练，这 20个标准气体样本中的敏感信号被定义成一个 4×20 的输入向量矩阵 P ，目标向量也被定义成一个变量 T 。

每个目标向量含有 1个元素，向量代表某种气体的浓度大小。

例如，20ppm 甲醛 对应的向量，其元素值为 20/500（因为已经进行了归一化）。

2、 网络结构为了实现对单一气体的定量检测，所设计的网络要有 4个输入，在输出层，则仅需要 1 个神经元。

同定性识别一样，也采用单隐层的 BP 神经网络进行训练。

至于隐含层神经元的个数，则根据情况在实验中总结经验再进行确定。

本次训练设计了一个有两层结构的 tan-sigmoid/purelin 网络。

网络结构如图 7.4 所示。

图.7.4网络结构 Fig.7.4 Net structure3、 网络的初始化使用函数 newff 创建一个两层网络。

net=newff(minmax(P),[12,1],{'tansig','purelin'},'trainbr'); 将网络的隐层神经元数选为 12。

为了使网络对于新的输入具有良好的泛化能力，将网络的训练函数选为 trainbr ，该函数使用了 Bayesian 框架结构，假设网络的权值和阈值是特殊分布的随机变量，然后用统计学方法估计出γ的值,最后初始化网络的权值和阈值。

net.LW{2,1}=net.LW{2,1}*0.01;net.b{2}=net.b{2}*0.01; 4、 网络的训练网络的训练参数设置如下：net.performFcn='msereg';％网络的性能函数选择为 mseregnet.trainParam.mu_max=200;％设置 mu 的最大值 net.trainParam.show=200;net.trainParam.lr=0.001 net.trainParam.goal=1e-5; net.trainParam.epochs=20000; [net,tr]=train(net,P,T);在利用 train 函数对网络进行训练执行以上代码后，在 MATLAB 命令行中将实时的显示出网络的训练状态。

训练过程这里就不做详细介绍了，定量检测的训练过程图如下，训练次数为1752次。

图.7.5 气体定量检测的训练过程Fig.7.5 The training process of the gas quantitative measurement 7.4.4实验结果分析将输入向量 P 作为训练过的神经网络的输入，语句为：y=sim(net,P)； y=y.*500；输出结果如表8所示：下面计算一下该网络对甲醛气体进行定量检测的平均相对误差和最大相对误差：111111_100% 2.94%p p Mreal testp P real C C AVE E MC =-=⨯=∑ (7.4.1)11111_max 100% 4.26%p p Mreal testp P realC C MAX E C =-=⨯= (7.4.2)其中 C real 和C test 分别为浓度的真实值和预测值，M 为样本个数。

7.5 误差分析1、气体传感器阵列；性能相近的传感器组成的阵列很难产生互不相关的测试模式，从而会影响整个系统的测试精度。

由于本文采用的传感器阵列都是我们自己实验研制的气敏元件，采集到的数据具有一定的相关性。

从气体传感器的静态曲线可以看出，器件在整个低浓度范围内误差变化由高变低，并趋于饱和。

这一特点，非常适宜检测低浓度微量气体。

2、测量环境；半导体气敏元件敏感原理是基于敏感体表面的吸附反应，易受环境温度、湿度影响，所以气体传感器阵列的测量环境是产生误差的一个主要原因。

气体传感器对被测气体的温湿度较为敏感，在系统建模时将这一因素考虑进去，可以有效的减小测量误差。

本论文对测量环境并没有做详细的介绍，我们对影响因素的环境温度的实验已基本结束，但湿度的实验还在进一步的测试过程中，由于冬天和夏天两季的数据差异较大，故实验周期较长。

7.6 小结实践证明，采用气体传感器阵列与人工神经网络相结合，选用前馈型BP 神经网络进行气体的定性与定量识别是可行的。

在气体样本的选取过程中，我们尽量选择同一气氛，不同浓度条件下的测试样本,以减小训练误差。