動態隱神經元BP網絡的多氣體分析的MATLAB實現

秦 悅，張慶偉

(大連民族學院機電信息工程學院學生，遼寧大連 116605)

動態隱神經元BP網絡的多氣體分析的MATLAB實現

秦 悅，張慶偉

(大連民族學院機電信息工程學院學生，遼寧大連 116605)

目前，甲醛、甲苯所造成的室內空氣、大氣環境的污染已引起人們的廣泛關注，對這些氣體的低濃度識別與檢測一直是人們最為關心的話題［1］。氣敏傳感器陣列模式識別技術的基本原理是將不同選擇性的氣敏元件組成傳感器陣列，用它測量多種氣體得到一組響應數據，建立線性響應方程組，并根據線性方程組的不同解法解此方程組，可以識別氣體種類和組成成分［2－3］。

1 BP結構

圖1 BP神經網絡

2 實驗方法

將實驗測得的18組數據分為兩組進行數據歸一化處理，其中偶數組作為訓練組，奇數組作為測試組。在MATLAB環境下通過newff函數創建一個BP神經網絡，其中網絡的輸入層節點數為6，輸出層節點數為3，隱含層神經元數設為動態變量，其范圍為3～13，由sim函數對開始數據進行訓練與仿真。

3 實驗結果

經過一定時間的訓練后，實驗結果滿足要求，訓練停止，訓練結果如圖2。

圖2 定性分析訓練結果

訓練完成后可得到不同隱含層神經元個數下對三種氣體的識別誤差，其訓練結果見表1。

表1 隱含層神經元數與實驗誤差關系

采用4個隱含層神經元，能使訓練誤差TRI_P達到最小，最小值為2.29%，訓練次數為1259，訓練時間滿足實驗要求。因此，BP神經網絡最佳隱含層神經元數是4。

式中:Creal與Ctest分別表示濃度的真實值與預測值;M為樣本數。

將偶數組作為訓練過的神經網絡輸入，氣體訓練的辨識結果見表2。

表2 訓練氣體辨識結果

實驗結果表明，上述訓練得到的BP神經網絡，在干擾氣體存在條件下，能對單一微量氣體進行定性識別。當輸出大于0.7時即可識別，由式1得出該網絡結構識別正確率RATE_P為100%。

式中:m為預測正確樣本數;M為實際樣本數。

4 結語

從實際的MATLAB仿真結果看，基于MATLAB的動態隱神經元BP人工神經網絡在氣體的定性識別方面取得了良好的效果，實驗誤差與收斂速度均達到實驗要求。BP網絡實現過程中，適當的算法改進如動態隱神經元、增加動向量等方法可在一定程度上改善BP算法，以達到提高測量精度的目的。實驗結果對室內家居中的甲醛等有害氣體的檢測具有實際意義，為微量有害氣體檢測提供依據。

［1］甘信華，石勇，林保國.基于MATLAB的BP神經網絡在大氣環境質量評價中的應用［J］.安徽化工，2008，35(5):59－61.

［2］林劍峰.動態可重構神經網絡實現及氣體識別方法研究［D］.大連:大連理工大學，2009.

［3］杜海英，王兢，張濤.基于人工神經網絡的微量甲醛氣體識別方法［J］.長春工業大學學報，2008，29(1):52 －54.

TP183

A

1009－315X(2012)05－0523－02

2011－12－04;最后

2012－06－07

大連民族學院太陽鳥計劃資助項目(20110623);中央高校基本科研業務費專項資金資助項目(DC12010301)。

指導教師:杜海英(1978－)，女，遼寧大連人，講師，主要從事傳感器及檢測技術的研究。

(責任編輯 劉敏)