PSO-BP 神經(jīng)網(wǎng)絡(luò)在多元有害氣體檢測(cè)中的應(yīng)用*

龔雪飛，徐 景，孫壽通，劉 萍，簡(jiǎn)家文

(寧波大學(xué) 信息科學(xué)與工程學(xué)院，浙江 寧波315211)

0 引 言

隨著近代工業(yè)規(guī)模不斷擴(kuò)大，在此過(guò)程中產(chǎn)生了大量的NOx，CO，CO2等有毒、有害氣體，O2作為衡量大氣的有效標(biāo)桿，因此，檢測(cè)上述氣體對(duì)改善大氣環(huán)境具有指導(dǎo)意義［1］。傳統(tǒng)傳感器氣體檢測(cè)都是基于單一氣體的主成分特征，但是當(dāng)多種有害氣體發(fā)生混合時(shí)，氣體之間相互干擾造成主成分特征丟失，導(dǎo)致檢測(cè)無(wú)法正常完成［2］。針對(duì)這一缺陷，將氣體傳感器陣列和模式識(shí)別技術(shù)相結(jié)合構(gòu)建的多元有害氣體檢測(cè)系統(tǒng)，能夠很好地解決氣體傳感器的交叉敏感問(wèn)題［3］。

本文針對(duì)氣體CO，CO2，NO2，O2和實(shí)驗(yàn)的溫濕度選取5 只傳感器組成陣列，組合成一個(gè)多元有害氣體檢測(cè)裝置。結(jié)合實(shí)驗(yàn)室的配氣系統(tǒng)，利用該裝置對(duì)不同體積分?jǐn)?shù)的混合氣體進(jìn)行電信號(hào)測(cè)量與采集。為了提高系統(tǒng)的預(yù)測(cè)精度，采用粒子群優(yōu)化(PSO)算法優(yōu)化BP(PSO-BP)神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值，使用PSO-BP 神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，并對(duì)比傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)和PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精度，分析兩種網(wǎng)絡(luò)的性能。

1 檢測(cè)系統(tǒng)與實(shí)驗(yàn)

1.1 檢測(cè)系統(tǒng)

本文中的有害氣體檢測(cè)系統(tǒng)是模擬人的嗅覺(jué)系統(tǒng)對(duì)被測(cè)氣體進(jìn)行感知、分析和識(shí)別，由氣敏傳感器陣列、傳感器信號(hào)預(yù)處理、陣列信號(hào)采集和模式識(shí)別四部分組成的檢測(cè)系統(tǒng)，其原理如圖1 所示。

圖1 檢測(cè)系統(tǒng)原理圖Fig 1 Principle diagram of detection system

本文選用A2—O2氧傳感器、TGS4160 二氧化碳傳感器、TGS2201 一氧化碳傳感器、NO2—AE 二氧化氮傳感器、HTG3515 溫濕度傳感器組成陣列，如圖2(a)所示。利用動(dòng)態(tài)配氣的方法將4 種的標(biāo)準(zhǔn)氣體經(jīng)過(guò)四臺(tái)精密流量控制器進(jìn)行流量調(diào)節(jié)、配比、混合，模擬實(shí)現(xiàn)各種有害氣體成分的環(huán)境，后流入封閉的測(cè)試裝置，如圖2(b)所示。為了便于對(duì)傳感器信號(hào)的采集，需對(duì)傳感器信號(hào)進(jìn)行預(yù)處理，預(yù)處理后輸出的信號(hào)均為模擬電壓。之后使用美國(guó)NI 公司的PCI 6221 采集板卡實(shí)現(xiàn)傳感器陣列采集。

圖2 檢測(cè)系統(tǒng)硬件模塊Fig 2 Hardware module of detection system

由于選取的傳感器輸出參數(shù)不同，因此，針對(duì)每個(gè)傳感器設(shè)計(jì)信號(hào)預(yù)處理電路，主要將傳感器輸出信號(hào)進(jìn)行流壓轉(zhuǎn)換，信號(hào)放大，濾波等處理。圖3(a)是電化學(xué)傳感器(氧傳感器、二氧化氮傳感器)，圖3(b)是半導(dǎo)體傳感器(二氧化碳傳感器、一氧化氮傳感器)傳感器信號(hào)預(yù)處理電路。

圖3 傳感器預(yù)處理電路Fig 3 Sensor preprocessing circuit

圖3 (a)中，R2 為一個(gè)定值反饋電阻器，R3 為可調(diào)電阻器，R2，C2 構(gòu)成低通濾波器，R2，R3 和運(yùn)算放大器構(gòu)成反向放大電路，并進(jìn)行電流/電壓轉(zhuǎn)換。

1.2 實(shí)驗(yàn)過(guò)程

本文根據(jù)工業(yè)排放規(guī)定和傳感器敏感范圍選定氣體體積分?jǐn)?shù)范圍:O2［18%～22%］，NO2［0～250×10-6］，CO［0～1 000×10-6］，CO2［0～5 000×10-6］，配制了510 組混合氣體，盡可能覆蓋整個(gè)被測(cè)空間。將配好的氣體逐一通入測(cè)試裝置，得到510 組樣本數(shù)據(jù)。

2 PSO-BP 神經(jīng)網(wǎng)絡(luò)算法

BP 網(wǎng)絡(luò)又稱(chēng)反向傳播神經(jīng)網(wǎng)絡(luò)，通過(guò)樣本數(shù)據(jù)的訓(xùn)練，不斷修正網(wǎng)絡(luò)的權(quán)值和閾值使誤差函數(shù)沿著負(fù)梯度方向下降，逼近期望輸出［4，5］。在運(yùn)用過(guò)程中網(wǎng)絡(luò)也存在著不足，如網(wǎng)絡(luò)的收斂速度較慢，訓(xùn)練易陷入癱瘓;不具有全局搜索能力，容易出現(xiàn)局部極小值。

PSO 算法是一種新的演化算法，該算法通過(guò)粒子間的相互作用在復(fù)雜搜索空間中發(fā)現(xiàn)最優(yōu)區(qū)域，具有訓(xùn)練精度較高、收斂性良好等優(yōu)點(diǎn)［6，7］。粒子群算法的具體實(shí)現(xiàn)如下:假設(shè)在一個(gè)D 維的目標(biāo)搜索空間中，有m 個(gè)粒子組成一個(gè)群體，其中第i 個(gè)粒子的位置為xi=(xi1，xi2，…，xiD)，i=1，2，…，m;其速度也是一D 維向量:vi=(vi1，…，vi2，vi1)，i=1，2，…，m;第i 個(gè)粒子迄今為止搜索到的最優(yōu)位置為pi=(pi1，pi2，…，piD)，i=1，2，…，m;整個(gè)粒子群搜索到的最優(yōu)位置為pg=(pg1，pg2，…，pgD)，g=1，2，…，m;粒子更新公式如下

式中 c1，c2均為學(xué)習(xí)因子，非負(fù)常數(shù);r1，r2均為服從;［0-1］的均勻分布隨機(jī)數(shù);vmax為非負(fù)數(shù);w 為慣性權(quán)重函數(shù);STEP，STEPmax分別為當(dāng)前迭代步數(shù)和最大迭代步數(shù)。

PSO-BP 神經(jīng)網(wǎng)絡(luò)的基本思想是，改變神經(jīng)網(wǎng)絡(luò)算法依賴(lài)梯度信息的指導(dǎo)來(lái)調(diào)整網(wǎng)絡(luò)權(quán)值和閾值的方法，通過(guò)利用粒子群算法群體并行搜索的特點(diǎn)，尋找較為合適的神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值［8］。PSO-BP 神經(jīng)網(wǎng)絡(luò)算法流程如圖4所示。

圖4 PSO-BP 神經(jīng)網(wǎng)絡(luò)算法流程圖Fig 4 Flow chart of PSO-BP neural network algorithm

3 實(shí)驗(yàn)數(shù)據(jù)處理與性能分析

3.1 交叉敏感性測(cè)試

將本測(cè)試系統(tǒng)的二氧化碳傳感器分別在40×10-6～200×10-6NO2+余N2和摻雜有一定體積分?jǐn)?shù)(CO，CO2)的40×10-6～200×10-6NO2+余N2混合氣體中進(jìn)行測(cè)試，就呈現(xiàn)出不同的特性曲線(xiàn)如圖5 所示。

圖5 NO2 傳感器在不同氣氛中輸出對(duì)比圖Fig 5 Output comparison chart of NO2 sensor in different atmosphere

從圖5 可以得到，不同體積分?jǐn)?shù)的CO 對(duì)NO2表現(xiàn)出不同的干擾特性，而CO2對(duì)NO2基本不產(chǎn)生干擾。因此，采用單一傳感器由于交叉干擾的問(wèn)題無(wú)法實(shí)現(xiàn)對(duì)多種共存氣體的測(cè)試。

3.2 PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

實(shí)驗(yàn)中4 種氣體傳感器陣列對(duì)應(yīng)的輸出電信號(hào)和溫度、濕度，所以，神經(jīng)網(wǎng)絡(luò)輸入層M 為6 個(gè)，輸出層神經(jīng)元L為4 個(gè)，根據(jù)隱含層神經(jīng)元經(jīng)驗(yàn)公式2，…，10)，采用試錯(cuò)法選取隱含層q=11，因此，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為6—11—4。粒子群的維數(shù)D=(6×11+11+11×4+4)=125，經(jīng)過(guò)多次實(shí)驗(yàn)比較后設(shè)定粒子群的粒子個(gè)數(shù)m=40，學(xué)習(xí)因子c1=c2=2.49，慣性權(quán)重w=0.5。

對(duì)樣本數(shù)據(jù)進(jìn)行歸一化，隨機(jī)取450 組樣本數(shù)據(jù)作為訓(xùn)練樣本輸入PSO-BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完成后保存網(wǎng)絡(luò)參數(shù)，完成網(wǎng)絡(luò)的建立。剩余60 組樣本數(shù)據(jù)測(cè)試網(wǎng)絡(luò)性能，測(cè)試結(jié)果見(jiàn)圖6。

圖6 測(cè)試樣本的期望輸出和PSO-BP 神經(jīng)網(wǎng)絡(luò)實(shí)際輸出Fig 6 Expected output of test sample and actual output of PSO-BP neural network

從圖6 可以看出:PSO-BP 網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與真實(shí)值基本重合，能夠很好地預(yù)測(cè)未知?dú)怏w的含量，說(shuō)明PSO-BP 神經(jīng)網(wǎng)絡(luò)模型為多元有害氣體檢測(cè)提供了有效的模式識(shí)別方法。

3.3 PSO-BP 與傳統(tǒng)BP 算法性能分析

為了比較網(wǎng)絡(luò)的性能，本文分別采用PSO-BP 神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)在相同情況下進(jìn)行訓(xùn)練。將上節(jié)選取的450 組訓(xùn)練樣本輸入兩種網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練完成后保存網(wǎng)絡(luò)參數(shù)，使用剩下60 組樣本進(jìn)行測(cè)試，二種神經(jīng)網(wǎng)絡(luò)測(cè)試的結(jié)果見(jiàn)表1。

從表1 中可以得到:在相同的訓(xùn)練樣本時(shí)，PSO-BP 神經(jīng)網(wǎng)絡(luò)較BP 神經(jīng)網(wǎng)絡(luò)具有更小的預(yù)測(cè)誤差，PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的平均相對(duì)誤差均小于2%;在網(wǎng)絡(luò)訓(xùn)練時(shí)，PSOBP 收斂性明顯好于BP 神經(jīng)網(wǎng)絡(luò)，有效避免訓(xùn)練時(shí)進(jìn)入局部最優(yōu)解，提高了預(yù)測(cè)系統(tǒng)的穩(wěn)定性。

4 結(jié) 論

針對(duì)多元有害氣體檢測(cè)問(wèn)題，本文利用PSO-BP 神經(jīng)網(wǎng)絡(luò)的模型來(lái)實(shí)現(xiàn)對(duì)傳感器陣列信號(hào)分析，從實(shí)驗(yàn)結(jié)果可以得到如下結(jié)論:使用傳感器陣列檢測(cè)多元?dú)怏w能夠消除氣體交叉響應(yīng)的影響，攝取更多混合氣體組分信息和體積分?jǐn)?shù)信息;將神經(jīng)網(wǎng)絡(luò)和傳感器陣列技術(shù)組合的檢測(cè)系統(tǒng)對(duì)多元有害氣體檢測(cè)取得了較好的效果，在定量檢測(cè)實(shí)驗(yàn)中，預(yù)測(cè)的平均誤差均小于2%;PSO-BP 神經(jīng)網(wǎng)絡(luò)的算法要較BP 神經(jīng)網(wǎng)絡(luò)的算法能夠達(dá)到更小的預(yù)測(cè)誤差，并且建模穩(wěn)定性高。

［1］ Yamazoe N，Miura N.Development of gas sensors for environment protection［J］.IEEE Tran on Comp Pack and Manuf，1995，18(2):252-256.

［2］ 鄭 杰.混合有毒氣體檢測(cè)算法研究［J］.計(jì)算機(jī)仿真，2011，28(8):413-416.

［3］ 張覃軼.電子鼻:傳感器陣列、系統(tǒng)及應(yīng)用研究［D］.武漢:華中科技大學(xué)，2005.

［4］ 楊守建，陳 懇.BP 神經(jīng)網(wǎng)絡(luò)性能與隱藏層結(jié)構(gòu)的相關(guān)性探究［J］.寧波大學(xué)學(xué)報(bào):理工版，2013，26(1):48-52.

［5］ Hu J G，Zhou G M，Xu X J.Using an improved back propagation neural network to study spatial distribution of sunshine illumination from sensor network data［J］.Ecological Modelling，2013，266:86-96.

［6］ Sun Y，Zhang L B，Gu X S.A hybrid co-evolutionary cultural algorithm based on particle swarm optimization for solving global optimization problems［J］.Neurocomputing，2012，98:76-89.

［7］ Wang H F，Moon I，Yang S X.et al.A memetic particle swarm optimization algorithm for multimodal optimization problems［J］.Information Sciences，2012，197:38-52.

［8］ 楊紅平，傅衛(wèi)平，王 雯，等.結(jié)合面法向和切向接觸剛度的MPSO-BP 神經(jīng)網(wǎng)絡(luò)算法的建模［J］.儀器儀表學(xué)報(bào)，2012，33(8):1856-1861.