• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于GA-RBF網(wǎng)絡(luò)的混合氣體紅外光譜定量檢測

    2024-06-24 07:50:34吳廣譜
    科技風 2024年6期
    關(guān)鍵詞:紅外光譜RBF神經(jīng)網(wǎng)絡(luò)遺傳算法

    摘? 要:混合氣體組分的定量分析在各個領(lǐng)域都尤為重要,傳統(tǒng)的氣體成分檢測方法一般是采用電化學法和氣相色譜法,此類方法檢測效率低下、精度不夠,且無法做到實時測量。為解決這一問題,本文由HITRAN光譜數(shù)據(jù)庫獲取100組混合氣體樣本數(shù)據(jù)集,以樣本中CO2和H2O組分為例,利用RBF網(wǎng)絡(luò)分別進行定量識別。結(jié)果得知,兩種氣體在訓練集和測試集的預(yù)測濃度值與實際濃度值偏差均較大, RBF網(wǎng)絡(luò)無法準確的預(yù)測出混合氣體組分的濃度。為改進該問題,考慮到模型參數(shù)對RBF網(wǎng)絡(luò)回歸預(yù)測精度的影響,本文在此基礎(chǔ)上提出一種GA優(yōu)化RBF網(wǎng)絡(luò)的混合氣體組分濃度檢測方法。通過引入GA優(yōu)化RBF網(wǎng)絡(luò)模型參數(shù),獲取最優(yōu)參數(shù)組,再將優(yōu)化模型用于混合氣體組分定量識別。并與RBF網(wǎng)絡(luò)預(yù)測算法在同一數(shù)據(jù)集上對比論證,探討模型改進效果。實驗結(jié)果表明,相較于單獨使用RBF網(wǎng)絡(luò),改進后的GA-RBF模型在混合氣體組分定量識別問題中,表現(xiàn)更為優(yōu)異。

    關(guān)鍵詞: 紅外光譜;RBF神經(jīng)網(wǎng)絡(luò);遺傳算法;濃度檢測

    1 概述

    混合氣體組分濃度檢測一直是研究熱點,它在各大領(lǐng)域都發(fā)揮著重要作用,如機動車尾氣排放、工業(yè)廢氣污染排放檢測等。隨著我國經(jīng)濟的快速增長,人們在對生活品質(zhì)關(guān)注的同時也對生存環(huán)境提出了更高的要求,因工業(yè)廢氣、汽車尾氣等有毒氣體的排放造成了嚴重的環(huán)境污染。尤其是在垃圾焚燒行業(yè),尾氣中含大量CO2、H2O等氣體,煙氣濕度高達70%,且監(jiān)測的氣體組分復(fù)雜,以往投入火電廠[1]使用的常溫儀表在使用過程中由于尾氣的特性極易造成腐蝕問題,后期維護量大,系統(tǒng)使用壽命短暫。因此提出一種能夠準確檢測混合氣體組分濃度的方法具有較大價值。

    基于紅外光譜技術(shù)的混合氣體濃度檢測問題是紅外光譜領(lǐng)域的重要問題。隨著計算機技術(shù)的飛速發(fā)展,利用機器學習算法與紅外光譜技術(shù)相融合[2]用于混合氣體組分濃度檢測逐漸成為研究熱點。大數(shù)據(jù)時代的開啟,使得從繁雜的數(shù)據(jù)庫中高效提取出有用數(shù)據(jù)成為可能。這些新技術(shù)和理論促進了我國原有檢測技術(shù)的發(fā)展,同時大幅度提高了檢測精度。

    傳統(tǒng)氣體檢測方法會受到外界環(huán)境,如溫度、壓強等因素的影響,所測準確度并不穩(wěn)定,需與其他方法相結(jié)合,才能達到檢測目標?,F(xiàn)階段提高傳感器檢測精度的方法主要有人工神經(jīng)網(wǎng)絡(luò)[3] (ANN)法和支持向量機[4] (SVM)等機器學習算法。王瑋[5]用BP網(wǎng)絡(luò)檢測出了CO、SO2、NO的單一氣體的濃度,平均誤差達到3.59%。太惠玲等[6]人采用3層BP神經(jīng)網(wǎng)絡(luò)檢測出CO和H2濃度,CO和H2平均相對誤差分別是0.74%和1.75%。Lei Zhang等[7]人對比了SMIMO和MMISO兩種算法在多層感知網(wǎng)絡(luò)優(yōu)化上的應(yīng)用,得出MMISO在氣體濃度估計上誤差更小。

    以上方法對單一氣體的濃度檢測精度較高,但對多組分混合氣體的濃度檢測精度往往達不到要求。本文以此出發(fā),提出一種改進RBF網(wǎng)絡(luò)的混合氣體組分定量分析方法。首先通過GA優(yōu)化RBF網(wǎng)絡(luò)模型參數(shù),獲取最優(yōu)參數(shù)組,再將優(yōu)化模型用于混合氣體組分定量識別。并與傳統(tǒng)RBF網(wǎng)絡(luò)預(yù)測算法在同一數(shù)據(jù)集上對比論證。

    2 混合氣體濃度檢測的RBF網(wǎng)絡(luò)模型

    2.1 RBF網(wǎng)絡(luò)訓練算法

    RBF網(wǎng)絡(luò)是一種包含三層網(wǎng)絡(luò)結(jié)構(gòu)的前向型網(wǎng)絡(luò),網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示[8]。

    RBF網(wǎng)絡(luò)基本思想是:用徑向基函數(shù)作為隱單元的“基”,構(gòu)成隱層空間。隱層對輸入向量進行變換,將低維空間的模式變換到高維空間,使低維空間線性不可分的問題在高維空間內(nèi)線性可分。

    實現(xiàn)步驟如下:

    2.1.1 確立徑向基函數(shù)中心點

    設(shè)訓練集樣本輸入矩陣和輸出矩陣分別如下式(2.1)和(2.2)所示:

    其中,表示第個訓練樣本的第個輸入變量;表示第個訓練樣本的第個輸出變量;為輸入變量的維;為輸出變量的維;為訓練集樣本總數(shù)。

    2.1.2 確定隱含層神經(jīng)元閾值

    令個隱含層神經(jīng)元對應(yīng)的閾值為式(2.3)

    其中,,為徑向基函數(shù)的擴展速度。

    2.1.3 確定隱含層與輸出層間權(quán)值和閾值

    當隱含層神經(jīng)元的徑向基函數(shù)中心及閾值確定后,隱含層神經(jīng)元的輸出便可以

    由式(2.4)計算:

    其中,為第個訓練樣本向量。并記。

    設(shè)隱含層和輸出層間的連接權(quán)值為式(2.5)

    其中,表示第個隱含層神經(jīng)元與第個輸出層神經(jīng)元之間的連接權(quán)值。

    設(shè)個輸出層神經(jīng)元的閾值為下式(2.6)

    由RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可得式(2.7)

    其中

    求解線性方程組(2.7),即可得到隱含層和輸出層之間的權(quán)值W和閾值b2,如式(2.8)所示

    本節(jié)所采用的混合氣體光譜數(shù)據(jù)集由HITRAN光譜數(shù)據(jù)庫獲得,共100組。將數(shù)據(jù)集隨機劃分為訓練集和測試集。其中,訓練集包含80組數(shù)據(jù),測試集包含20組。

    通過上述理論分析,本節(jié)將利用RBF神經(jīng)網(wǎng)絡(luò)對包含CO2和 H2O樣本的混合氣體紅外光譜數(shù)據(jù)集進行訓練和回歸預(yù)測,并結(jié)合平均相對誤差及預(yù)測值與真實值的擬合相關(guān)系數(shù)作為模型評價指標,對預(yù)測結(jié)果進行分析。

    2.2 兩種氣體濃度預(yù)測實驗驗證與分析

    2.2.1 RBF網(wǎng)絡(luò)對CO2氣體的定量分析

    將隨機選擇的80組數(shù)據(jù)作為訓練集樣本建立回歸分析模型。在測試集上驗證模型的預(yù)測效果,訓練集樣本CO2的模型預(yù)測濃度值與實際濃度值對比如圖2所示。

    由圖2可以看出,利用訓練集樣本建立的RBF模型對訓練集數(shù)據(jù)做預(yù)測時,效果不理想,模型預(yù)測濃度值無法較好的擬合真實值。對數(shù)據(jù)誤差進行計算,結(jié)果可得訓練集平均相對誤差為0.237,實際濃度值與預(yù)測濃度值的擬合相關(guān)系數(shù)為0.8067。由兩個模型評價參數(shù)可知,RBF網(wǎng)絡(luò)對CO2訓練集濃度的預(yù)測效果較差。

    將訓練后的RBF模型應(yīng)用于測試集,測試集的實際濃度和預(yù)測濃度對比如圖3。

    由圖3可以看出,將模型用于測試集的預(yù)測,其預(yù)測濃度值與實際濃度值偏差同樣比較大。對數(shù)據(jù)誤差進行計算,測試集平均相對誤差為0.215,實際值與預(yù)測值的擬合相關(guān)系數(shù)為0.7986。

    由以上分析可知RBF算法在測試集上的回歸分析能力效果較差,RBF網(wǎng)絡(luò)無法準確地預(yù)測CO2組分濃度。故此模型不能用于混合氣體中CO2組分濃度的定量分析。

    2.2.2 RBF網(wǎng)絡(luò)對H2O氣體的定量分析

    為使實驗仿真結(jié)果更具說服力,在同一混合氣體數(shù)據(jù)集下,將RBF網(wǎng)絡(luò)用于H2O訓練集和測試集樣本的濃度回歸預(yù)測,所得實驗結(jié)果如下圖4所示。

    計算數(shù)據(jù)誤差,結(jié)果可得訓練集平均相對誤差為0.599,相關(guān)系數(shù)為0.7432。預(yù)測濃度與實際濃度偏差較大,預(yù)測效果不理想。將訓練的模型應(yīng)用于測試集,測試集的實際濃度和預(yù)測濃度對比如下圖5所示。

    圖5 H2O測試集實際濃度和預(yù)測濃度對比

    根據(jù)圖5結(jié)果可以得知,將模型用于測試集的預(yù)測,其預(yù)測濃度值與實際濃度值擬合效果較差。計算數(shù)據(jù)誤差可知,測試集平均相對誤差為0.431,預(yù)測濃度值與真實濃度值擬合相關(guān)系數(shù)為0.7352。分析可知RBF算法對H2O的回歸預(yù)測能力較差,RBF算法無法準確地預(yù)測H2O組分濃度。模型不適用于混合氣體中H2O組分濃度的定量分析。

    RBF網(wǎng)絡(luò)對兩種氣體組分在訓練集和測試集上預(yù)測的模型評價參數(shù)如下表所示:

    由表1 RBF模型預(yù)測結(jié)果分析可知,RBF神經(jīng)網(wǎng)絡(luò)在混合氣體組分定量識別問題中呈現(xiàn)出的結(jié)果并不理想,RBF網(wǎng)絡(luò)無法準確預(yù)測出混合氣體組分濃度??紤]到RBF網(wǎng)絡(luò)模型參數(shù)對識別精度的影響。為解決這一問題,本文在RBF網(wǎng)絡(luò)的基礎(chǔ)上提出一種改進算法,即遺傳算法(GA)優(yōu)化RBF網(wǎng)絡(luò)的混合氣體組分濃度預(yù)測方法。

    3 GA優(yōu)化RBF網(wǎng)絡(luò)用于混合氣體組分定量分析

    3.1 GA基本原理

    遺傳算法(GA)是根據(jù)自然界生物體的進化規(guī)律而提出的,是一種模擬自然進化過程進而搜索最優(yōu)解的方法[9]。該算法通過數(shù)學求解方式,利用計算機仿真運算,將問題的求解過程轉(zhuǎn)換成類似生物進化中的染色體基因的選擇、交叉和變異等的過程。通過種群一代代的不斷進化,最終收斂到“最適應(yīng)環(huán)境”的個體,從而求得問題最優(yōu)解。

    遺傳算法(GA)是模型參數(shù)優(yōu)化的常用方法。該算法的基本優(yōu)化過程是采用基于適應(yīng)度函數(shù)的選擇、交叉和變異等操作,獲取網(wǎng)絡(luò)模型的最優(yōu)參數(shù)組,以此來提高網(wǎng)絡(luò)的預(yù)測精度。論文采用GA對RBF神經(jīng)網(wǎng)絡(luò)的主要參數(shù)不斷調(diào)節(jié)和優(yōu)化,其中主要參數(shù)包括有中心值c、寬度σ和連接權(quán)值w等。再以對輸出響應(yīng)值有影響的若干個特征因子作為輸入神經(jīng)元,輸出響應(yīng)值作為輸出神經(jīng)元,對GA-RBF神經(jīng)網(wǎng)絡(luò)模型進行訓練和測試。并將模型應(yīng)用在與上述RBF預(yù)測算法同一樣本數(shù)據(jù)集上對比論證,觀察GA-RBF模型的預(yù)測效果。

    3.2 GA優(yōu)化RBF實現(xiàn)過程

    GA優(yōu)化RBF網(wǎng)絡(luò)具體實現(xiàn)流程如下圖6所示:

    從圖6中可以看出遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)主要包括三個模塊:確定網(wǎng)絡(luò)結(jié)構(gòu)、遺傳算法優(yōu)化模型參數(shù)以及RBF網(wǎng)絡(luò)預(yù)測。首先根據(jù)輸入和輸出參數(shù)的個數(shù)確定基本的網(wǎng)絡(luò)結(jié)構(gòu),確立遺傳算法中個體長度值。再通過比較不同寬度種群下的適應(yīng)度值及遺傳算子的變異概率,對遺傳操作方式不斷地改進。最后對優(yōu)化所得最優(yōu)個體分別賦與RBF神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、中心值及閾值,訓練完成后對網(wǎng)絡(luò)進行預(yù)測分析。

    優(yōu)化的基本要素包括種群初始化、計算適應(yīng)度函數(shù)、選擇、交叉與變異操作。

    3.2.1對種群進行初始化

    通過GA對種群中的個體進行編碼,編碼后的個體相當于一個實數(shù)串,它包括四個部分,分別是輸入層與隱含層的連接權(quán)值、隱含層閾值、隱含層與輸出層的連接權(quán)值以及輸出層閾值。

    3.2.2計算適應(yīng)度函數(shù)

    首先依據(jù)個體獲取RBF網(wǎng)絡(luò)的初始權(quán)值及閾值,通過訓練后的RBF網(wǎng)絡(luò)在訓練集上預(yù)測適應(yīng)度值,適應(yīng)度值計算方法如公式(3.1)所示:

    上式中,為第個輸出點的預(yù)測值,為第個輸出點的期望值,為輸出節(jié)點的個數(shù),為系數(shù)。

    3.2.3選擇操作

    依據(jù)預(yù)測的適應(yīng)度值大小執(zhí)行選擇操作,若令個體被選中的概率為,則其計算方法如公式(3.2)所示:

    上式中,,為種群個體的適應(yīng)度值,為種群中所包含的個體數(shù)。

    3.2.4交叉操作

    個體的編碼方式采用的是實數(shù)編碼,因此交叉操作采用實數(shù)交叉。如第個染色體與第個染色體在位進行交叉操作,則有:

    上式中,為[0,1]之間的隨機數(shù)。

    3.2.5變異操作

    以種群個體的第個染色體為例,變異操作可表示為:

    上式中,為的上限,為的下限。;是隨機數(shù),是當前的尋優(yōu)次數(shù),為設(shè)定的迭代次數(shù),為[0,1]之間的隨機數(shù)。

    3.3 優(yōu)化模型在樣本集中的驗證分析

    本節(jié)以包含CO2、H2O組分的混合氣體數(shù)據(jù)集作為研究對象,對兩種氣體單獨建模進行濃度的定量分析。其中,混合氣體中CO2濃度范圍為0.08%~48.83%,H2O濃度范圍為0.03%~39.58%。

    選擇與上述RBF預(yù)測方法相同的100組混合氣體光譜樣本數(shù)據(jù)集,其中80組樣本作為訓練集,融合遺傳算法建立神經(jīng)網(wǎng)絡(luò)優(yōu)化模型,觀察優(yōu)化模型在訓練集上的回歸預(yù)測效果。選取其余20組樣本作為測試集,利用訓練后的模型在測試集上回歸預(yù)測,驗證優(yōu)化模型在測試集上的預(yù)測精度。將優(yōu)化模型預(yù)測結(jié)果與單獨使用RBF神經(jīng)網(wǎng)絡(luò)對比分析,比較兩者的預(yù)測值與真實值擬合相關(guān)系數(shù)和平均相對誤差,評價兩種模型在混合氣體組分定量分析中的優(yōu)劣。

    建立神經(jīng)網(wǎng)絡(luò)模型需合理優(yōu)化選取初始權(quán)值、中心值及閾值,本節(jié)利用GA實現(xiàn)參數(shù)尋優(yōu)過程,其具體步驟如上圖6所示。

    具體優(yōu)化步驟為:

    (1) 選取與上述RBF預(yù)測相同的100組實驗數(shù)據(jù)用作樣本集,其中80組為訓練樣本集,其余20組用為測試樣本集。

    (2) 確定RBF網(wǎng)絡(luò)結(jié)構(gòu)。本節(jié)同時對含兩組分的混合氣體定量識別,因此可設(shè)置RBF網(wǎng)絡(luò)結(jié)構(gòu)為2-7-1模式,即輸入層節(jié)點數(shù)目為2,隱含層節(jié)點數(shù)目為7和輸出層節(jié)點數(shù)目為1。

    (3) 初始化網(wǎng)絡(luò)獲取初始權(quán)值、閾值。

    (4) 初始化GA各個參數(shù)。本次實驗選擇種群的規(guī)模為80;選取空間[10,100];迭代次數(shù)設(shè)定為400;交叉概率設(shè)定為0.3,設(shè)定范圍[0,1];變異概率取0.1。根據(jù)所設(shè)參數(shù),初始化種群初始位置及尋優(yōu)速度。

    (5) 設(shè)定適應(yīng)度函數(shù)是訓練數(shù)據(jù)預(yù)測誤差的絕對值之和。

    (6) 對種群初始化。

    (7) 迭代尋優(yōu)求解出最優(yōu)初始權(quán)值、中心值及閾值。根據(jù)式(3.2)、(3.3)與(3.4)對個體執(zhí)行選擇、交叉與變異操作,通過對個體適應(yīng)度值的橫向及縱向?qū)Ρ全@取當前最優(yōu)個體。

    (8) 判斷尋優(yōu)結(jié)果是否符合結(jié)束條件,若不符合,則跳到第六步繼續(xù)執(zhí)行此過程。

    將通過GA優(yōu)化獲得的最優(yōu)個體賦與RBF網(wǎng)絡(luò),進而對訓練樣本集訓練并以此構(gòu)建神經(jīng)網(wǎng)絡(luò)回歸模型,再在此基礎(chǔ)上對測試集驗證分析模型預(yù)測結(jié)果。

    對于兩種氣體分析模型的參數(shù)優(yōu)化過程,設(shè)定種群數(shù)量80,GA優(yōu)化迭代次數(shù)為400,交叉概率0.3,變異概率0.1。按照圖6的優(yōu)化流程逐步進行,若以橫軸為迭代次數(shù),縱軸為適應(yīng)度值,可得到如下圖7所示的GA優(yōu)化過程中最優(yōu)個體適應(yīng)度值變化規(guī)律曲線。

    3.3.1 GA-RBF對CO2氣體的定量分析

    對于篩選出的80組樣本數(shù)據(jù),將其作為訓練集樣本訓練,構(gòu)建優(yōu)化回歸模型。分別在訓練集和測試集上對模型的回歸效果驗證分析。其中,模型在訓練集樣本上預(yù)測濃度值和實際濃度值對比結(jié)果如下圖8所示。

    由圖8可看出利用訓練樣本集建立的模型對訓練集本身做預(yù)測時,預(yù)測效果較好,預(yù)測濃度值能夠很好的擬合真實濃度值。對數(shù)據(jù)誤差進行計算,結(jié)果可得訓練集平均相對誤差為0.041,預(yù)測濃度值與實際值濃度的擬合相關(guān)系數(shù)為0.9671。分析可知GA-RBF模型相較于單獨使用RBF,具有較好的回歸預(yù)測能力,可以準確預(yù)測樣本中的CO2濃度。

    將訓練后的模型用于測試集驗證,測試集樣本的實際濃度值和預(yù)測濃度值對比如下圖9所示。

    觀察圖9可知,GA-RBF模型在測試集預(yù)測效果較好,其預(yù)測濃度值與實際濃度擬合程度較高??赏茢郍A-RBF模型可以用于混合氣體組分CO2濃度的定量分析。? ?計算可得測試集平均相對誤差為0.024,預(yù)測值與真實值的擬合相關(guān)系數(shù)為0.9576。分析可知GA-RBF模型相較于單獨使用RBF,具有較好的回歸預(yù)測能力,可以精確預(yù)測樣本中CO2的濃度信息。

    3.3.2 GA-RBF對H2O氣體的定量分析

    對于隨機選擇的80組樣本數(shù)據(jù),將其作為訓練樣本訓練,構(gòu)建優(yōu)化回歸分析模型。分別論證模型在訓練集和測試集上的預(yù)測效果。訓練集樣本中模型預(yù)測濃度值和實際濃度值對比結(jié)果如下圖10所示。

    圖10 H2O訓練集實際濃度和預(yù)測濃度對比

    由圖10可看出利用訓練集樣本建立的模型對訓練集本身做預(yù)測時效果較好,預(yù)測值能夠很好的擬合真實值。對數(shù)據(jù)誤差進行計算,結(jié)果可得訓練集平均相對誤差為0.138,相關(guān)系數(shù)為0.9482。分析可知GA-RBF模型相較于單獨使用RBF而言,具有更好的回歸預(yù)測能力,可以較為準確地預(yù)測樣本中的H2O濃度信息。

    將訓練好的模型應(yīng)用于測試集進行驗證,測試集樣本實際濃度值和預(yù)測濃度值對比如下圖11所示。

    圖11 H2O測試集實際濃度和預(yù)測濃度對比

    觀察圖11可知,GA-RBF模型的預(yù)測效果較好,將GA-RBF模型用于測試集的預(yù)測,其預(yù)測濃度值與實際濃度值能夠較好的擬合,由此可推斷GA-RBF模型可以用于混合氣體中H2O濃度的定量分析。對數(shù)據(jù)誤差進行計算,結(jié)果可得測試集平均相對誤差為0.084,相關(guān)系數(shù)為0.9436??芍狦A-RBF模型相比于單獨使用RBF而言,具備較好的回歸分析能力,可以較為準確地預(yù)測出H2O樣本濃度信息。

    GA-RBF算法在兩氣體組分訓練集和測試集上預(yù)測的模型評價參數(shù)如表2所示:

    由表2 GA-RBF模型的預(yù)測結(jié)果評價參數(shù)分析可知,其在混合氣體組分定量識別問題中表現(xiàn)優(yōu)異,模型優(yōu)化效果較好。

    4 結(jié)論

    本文首先選取RBF神經(jīng)網(wǎng)絡(luò)算法用于混合氣體組分濃度預(yù)測,將由HITRAN光譜數(shù)據(jù)庫獲取的100組混合氣體樣本數(shù)據(jù)集,隨機分為訓練集和測試集,其中訓練集包含80組數(shù)據(jù),測試集包含20組數(shù)據(jù)。經(jīng)預(yù)處理輸入至RBF神經(jīng)網(wǎng)絡(luò)模型,以混合氣體組分CO2和H2O為研究對象,利用RBF網(wǎng)絡(luò)模型分別對兩種氣體組分進行定量識別。由預(yù)測結(jié)果分析可知,RBF模型對兩種氣體組分的濃度預(yù)測精度均比較低,模型預(yù)測結(jié)果無法滿足要求。因此為改進RBF網(wǎng)絡(luò)對混合氣體組分預(yù)測效果差的問題,考慮到模型參數(shù)對RBF網(wǎng)絡(luò)回歸預(yù)測精度的影響,本文在RBF網(wǎng)絡(luò)的基礎(chǔ)上提出了一種改進算法,即GA優(yōu)化RBF網(wǎng)絡(luò)用于混合氣體組分濃度預(yù)測。通過GA優(yōu)化RBF網(wǎng)絡(luò)模型參數(shù),獲取最優(yōu)參數(shù)組,再將優(yōu)化后的模型用于混合氣體組分定量識別。為排除實驗隨機性,選擇與RBF網(wǎng)絡(luò)預(yù)測算法相同的樣本數(shù)據(jù)集上對比論證。實驗結(jié)果表明,相較于單獨使用RBF算法,GA-RBF優(yōu)化模型在混合氣體組分的定量識別問題中,表現(xiàn)更加優(yōu)異。

    參考文獻:

    [1]Ayslan S. P. Costa, Josefa M. S. Gon?alves, Hosana O. et al. Application of Near-Infrared for Online Monitoring of Heavy Fuel Oil at Thermoelectric Power Plants. Part I: Development of Chemometric Models[J]. Industrial & Engineering Chemistry Research,2019,58(34):550-558.

    [2]El Khoury Youssef, Gebelin Marie, de Sèze Jér?me, et al. Rapid Discrimination of Neuromyelitis Optica Spectrum Disorder and Multiple Sclerosis Using Machine Learning on Infrared Spectra of Sera[J]. International Journal of Molecular Sciences, 2022,23(5):672-679

    [3]張志峰. 基于直接吸收光譜的高濃度氣體檢測研究及甲烷氣體檢測樣機開發(fā)[D]. 濟南:山東大學,2022.

    [4]翁靜, 袁盼, 王銘赫, 等. 基于支持向量機的泄漏氣體云團熱成像檢測方法[J]. 光學學報, 2022, 42(09):104-111.

    [5]王瑋. 基于氣體傳感器陣列的混合氣體檢測系統(tǒng)[D]. 西安:西北工業(yè)大學,2002.

    [6]太惠玲, 謝光忠, 蔣亞東. 基于氣體傳感器陣列的混合氣體定量分析[J].儀器儀表學報, 2006(07):666-670.

    [7]Lei Zhang 0038, Fengchun Tian. Performance Study of Multilayer Perceptrons in a Low-Cost Electronic Nose.[J]. IEEE Trans. Instrumentation and Measurement, 2014,63(7):1670-1679.

    [8]Ziteng Wen, Linbo Xie, Hongwei Feng, et al. Robust fusion algorithm based on RBF neural network with TS fuzzy model and its application to infrared flame detection problem[J]. Applied Soft Computing Journal, 2019,76:782-789.

    [9]Duan Wenyang, Zhang Peixin, Huang Limin, et al. Ship hull surface reconstruction from scattered points cloud using an RBF neural network mapping technology[J]. Computers and Structures, 2023,281:209-215.

    作者簡介:吳廣譜(1996—? ),男,漢族,安徽宿州人,碩士(在讀),學生,研究方向:紅外光譜、混合氣體成分識別與濃度檢測。

    猜你喜歡
    紅外光譜RBF神經(jīng)網(wǎng)絡(luò)遺傳算法
    基于自適應(yīng)遺傳算法的CSAMT一維反演
    一種基于遺傳算法的聚類分析方法在DNA序列比較中的應(yīng)用
    基于遺傳算法和LS-SVM的財務(wù)危機預(yù)測
    金邊吊蘭與普通吊蘭紅外光譜差異性分析
    紅外光譜結(jié)合模式識別技術(shù)在微量車漆物證分析中的應(yīng)用
    采用活性炭纖維吸附去除水中的三價釤
    紅外光譜分析技術(shù)在涂料物證分析中的作用
    無線Mesh網(wǎng)絡(luò)發(fā)展
    基于RBF神經(jīng)網(wǎng)絡(luò)的PID自校正控制研究
    基于RBF神經(jīng)網(wǎng)絡(luò)的一回路核動力裝置典型故障診斷
    科技視界(2016年18期)2016-11-03 23:59:24
    国产免费一级a男人的天堂| 黄色一级大片看看| 国产精品国产三级专区第一集| 少妇人妻久久综合中文| 9色porny在线观看| 免费黄色在线免费观看| 精品亚洲成a人片在线观看| 欧美激情国产日韩精品一区| 最新的欧美精品一区二区| 美女国产视频在线观看| 国产日韩一区二区三区精品不卡 | 美女xxoo啪啪120秒动态图| 麻豆成人午夜福利视频| 久久久国产欧美日韩av| .国产精品久久| 五月伊人婷婷丁香| 人人妻人人添人人爽欧美一区卜| 国产精品国产三级国产专区5o| 精品一品国产午夜福利视频| 三级国产精品欧美在线观看| 一本—道久久a久久精品蜜桃钙片| 久久 成人 亚洲| 另类精品久久| 中文字幕久久专区| 97超碰精品成人国产| 亚洲欧洲日产国产| 日本vs欧美在线观看视频 | 最新的欧美精品一区二区| 夜夜看夜夜爽夜夜摸| 精品国产露脸久久av麻豆| 国产午夜精品久久久久久一区二区三区| 国产精品秋霞免费鲁丝片| 精品午夜福利在线看| xxx大片免费视频| 日本猛色少妇xxxxx猛交久久| 欧美另类一区| 99九九线精品视频在线观看视频| 亚洲精品国产成人久久av| 人人澡人人妻人| 九色成人免费人妻av| 各种免费的搞黄视频| 亚州av有码| 又粗又硬又长又爽又黄的视频| 黑人猛操日本美女一级片| av国产精品久久久久影院| 高清不卡的av网站| 一本一本综合久久| 女性被躁到高潮视频| 亚洲婷婷狠狠爱综合网| 亚洲av电影在线观看一区二区三区| 欧美另类一区| 毛片一级片免费看久久久久| av女优亚洲男人天堂| 晚上一个人看的免费电影| 老女人水多毛片| 国产又色又爽无遮挡免| 中文资源天堂在线| 欧美人与善性xxx| 成人午夜精彩视频在线观看| 日韩电影二区| 久久婷婷青草| 日本91视频免费播放| 免费少妇av软件| 美女中出高潮动态图| 精品一区二区三卡| 亚洲三级黄色毛片| 亚洲国产毛片av蜜桃av| 亚洲国产毛片av蜜桃av| 亚洲人成网站在线观看播放| 女人久久www免费人成看片| 中文天堂在线官网| 我的老师免费观看完整版| 成人毛片60女人毛片免费| 国产精品一区二区性色av| 欧美三级亚洲精品| 看十八女毛片水多多多| 岛国毛片在线播放| 人体艺术视频欧美日本| 日本免费在线观看一区| 男女免费视频国产| 日韩一本色道免费dvd| 久久99蜜桃精品久久| 少妇人妻一区二区三区视频| 视频区图区小说| 国产 一区精品| 亚洲美女黄色视频免费看| 国产精品成人在线| 日本与韩国留学比较| 精品视频人人做人人爽| 久久精品熟女亚洲av麻豆精品| av线在线观看网站| 99久久人妻综合| 精品亚洲乱码少妇综合久久| 极品少妇高潮喷水抽搐| 免费人成在线观看视频色| 午夜免费观看性视频| 免费人成在线观看视频色| 人妻 亚洲 视频| 高清视频免费观看一区二区| 久久久久久久久久成人| 国产黄片美女视频| 性高湖久久久久久久久免费观看| 看十八女毛片水多多多| 精品国产露脸久久av麻豆| 22中文网久久字幕| 日韩人妻高清精品专区| 中文天堂在线官网| 亚洲精品久久久久久婷婷小说| 日本与韩国留学比较| 国内揄拍国产精品人妻在线| 视频区图区小说| 日韩中文字幕视频在线看片| 夫妻午夜视频| 夜夜骑夜夜射夜夜干| 香蕉精品网在线| 中文字幕制服av| 97在线人人人人妻| 中国美白少妇内射xxxbb| 国产成人一区二区在线| 亚洲欧美成人精品一区二区| 国产探花极品一区二区| 高清视频免费观看一区二区| 九草在线视频观看| 久久久久久久久久久免费av| 国产高清不卡午夜福利| 男女边摸边吃奶| 日韩一本色道免费dvd| 国产午夜精品久久久久久一区二区三区| 亚洲欧美精品专区久久| 最黄视频免费看| 免费不卡的大黄色大毛片视频在线观看| 亚洲国产精品专区欧美| 97超视频在线观看视频| 日本猛色少妇xxxxx猛交久久| 99九九线精品视频在线观看视频| 久久6这里有精品| 一级毛片久久久久久久久女| 亚洲,一卡二卡三卡| 校园人妻丝袜中文字幕| 亚洲婷婷狠狠爱综合网| 人妻人人澡人人爽人人| 男人爽女人下面视频在线观看| 夜夜骑夜夜射夜夜干| 欧美日韩国产mv在线观看视频| 一区二区三区免费毛片| 啦啦啦视频在线资源免费观看| 欧美日韩国产mv在线观看视频| 99久久精品国产国产毛片| 国产美女午夜福利| 另类精品久久| 精品99又大又爽又粗少妇毛片| 中文字幕人妻熟人妻熟丝袜美| 精品亚洲成国产av| 国产乱人偷精品视频| 国产成人精品一,二区| 免费看不卡的av| 国产精品99久久久久久久久| 国产一区二区三区综合在线观看 | 欧美精品亚洲一区二区| 国产一区有黄有色的免费视频| 欧美变态另类bdsm刘玥| 欧美日本中文国产一区发布| 99精国产麻豆久久婷婷| 亚洲美女黄色视频免费看| a级毛片免费高清观看在线播放| 毛片一级片免费看久久久久| 香蕉精品网在线| 伦精品一区二区三区| 天天躁夜夜躁狠狠久久av| 日韩大片免费观看网站| 六月丁香七月| 如何舔出高潮| 亚洲人成网站在线观看播放| 中文天堂在线官网| 亚洲av男天堂| 亚洲成人手机| 婷婷色av中文字幕| 两个人免费观看高清视频 | 亚洲欧美清纯卡通| 涩涩av久久男人的天堂| 久久女婷五月综合色啪小说| 国内揄拍国产精品人妻在线| 中文字幕av电影在线播放| 久久精品国产鲁丝片午夜精品| 男的添女的下面高潮视频| 黄色怎么调成土黄色| 老女人水多毛片| 日产精品乱码卡一卡2卡三| av卡一久久| 精品一区二区三卡| 看非洲黑人一级黄片| 国产精品嫩草影院av在线观看| a级片在线免费高清观看视频| 亚洲怡红院男人天堂| 亚洲国产色片| 女人久久www免费人成看片| 亚洲自偷自拍三级| 女的被弄到高潮叫床怎么办| 人人妻人人澡人人爽人人夜夜| 80岁老熟妇乱子伦牲交| 久久精品国产亚洲网站| 久久国产精品男人的天堂亚洲 | 人妻系列 视频| 18+在线观看网站| 久久免费观看电影| 午夜激情久久久久久久| 亚洲国产精品成人久久小说| 久久久久久久久久成人| 精品一区二区免费观看| 高清欧美精品videossex| 一级爰片在线观看| 亚洲欧美精品自产自拍| 日本wwww免费看| 亚洲欧洲精品一区二区精品久久久 | 夫妻午夜视频| 精品一区二区三区视频在线| h视频一区二区三区| 日本与韩国留学比较| 久久6这里有精品| 乱码一卡2卡4卡精品| 国产免费福利视频在线观看| 精品一区在线观看国产| 如何舔出高潮| 精品酒店卫生间| 日韩制服骚丝袜av| 卡戴珊不雅视频在线播放| 特大巨黑吊av在线直播| 女人久久www免费人成看片| 亚洲熟女精品中文字幕| 中国国产av一级| 亚洲精品中文字幕在线视频 | 日韩av在线免费看完整版不卡| 777米奇影视久久| 亚洲av免费高清在线观看| 日本黄色片子视频| 一级毛片aaaaaa免费看小| 中文字幕人妻丝袜制服| 成人国产av品久久久| 插阴视频在线观看视频| 中文字幕免费在线视频6| 欧美激情极品国产一区二区三区 | 成人午夜精彩视频在线观看| 精品酒店卫生间| 中文乱码字字幕精品一区二区三区| 婷婷色av中文字幕| 成年女人在线观看亚洲视频| 亚洲精品乱码久久久久久按摩| 免费观看性生交大片5| 一级黄片播放器| 伊人久久精品亚洲午夜| 免费不卡的大黄色大毛片视频在线观看| 久久久久网色| 丝袜喷水一区| 边亲边吃奶的免费视频| 观看美女的网站| 精品亚洲成国产av| 精品人妻偷拍中文字幕| 国产综合精华液| 十八禁高潮呻吟视频 | 亚洲内射少妇av| 高清欧美精品videossex| 中文在线观看免费www的网站| 熟女电影av网| 777米奇影视久久| 国产精品一区www在线观看| 亚洲人成网站在线观看播放| 日产精品乱码卡一卡2卡三| 国产精品一区二区在线不卡| 建设人人有责人人尽责人人享有的| 免费看光身美女| 亚洲真实伦在线观看| 国产亚洲最大av| 欧美 日韩 精品 国产| 另类亚洲欧美激情| 中文欧美无线码| 少妇猛男粗大的猛烈进出视频| 久久精品国产a三级三级三级| 在线看a的网站| 伦理电影免费视频| 久久久久久人妻| 亚洲av二区三区四区| freevideosex欧美| 97在线视频观看| 在线 av 中文字幕| 久久久欧美国产精品| 久久99精品国语久久久| 啦啦啦中文免费视频观看日本| 婷婷色av中文字幕| 国产在线视频一区二区| 日本wwww免费看| 亚洲精品日本国产第一区| 亚洲av成人精品一区久久| 欧美日韩一区二区视频在线观看视频在线| 亚洲伊人久久精品综合| 日本欧美国产在线视频| 久久久久久久亚洲中文字幕| 亚洲激情五月婷婷啪啪| 狂野欧美激情性xxxx在线观看| 超碰97精品在线观看| 色5月婷婷丁香| 视频区图区小说| 一本久久精品| 国产淫语在线视频| av免费观看日本| 亚洲av免费高清在线观看| 国产精品人妻久久久久久| 蜜臀久久99精品久久宅男| 亚洲欧洲精品一区二区精品久久久 | 免费看日本二区| 久久久久久久久久久免费av| 丰满人妻一区二区三区视频av| 男人爽女人下面视频在线观看| 国产在线男女| 欧美精品一区二区免费开放| 国产精品久久久久久av不卡| 国产成人精品久久久久久| 中国三级夫妇交换| 天堂俺去俺来也www色官网| 波野结衣二区三区在线| 免费av中文字幕在线| 国产精品久久久久久久久免| 99视频精品全部免费 在线| 午夜久久久在线观看| 成人二区视频| 制服丝袜香蕉在线| 黑人猛操日本美女一级片| 欧美成人精品欧美一级黄| 99精国产麻豆久久婷婷| 国国产精品蜜臀av免费| 亚洲av在线观看美女高潮| 国产精品国产三级专区第一集| 黄色怎么调成土黄色| 欧美成人精品欧美一级黄| 久久国产精品大桥未久av | 日韩电影二区| 国产有黄有色有爽视频| 五月玫瑰六月丁香| 免费在线观看成人毛片| 成人午夜精彩视频在线观看| 国产白丝娇喘喷水9色精品| 亚洲精品日韩av片在线观看| av一本久久久久| 99热全是精品| 亚洲国产精品999| 如日韩欧美国产精品一区二区三区 | 亚洲精品一区蜜桃| 欧美xxⅹ黑人| 日韩三级伦理在线观看| 亚洲精品成人av观看孕妇| 最近中文字幕2019免费版| 日本猛色少妇xxxxx猛交久久| 男人爽女人下面视频在线观看| 中国美白少妇内射xxxbb| 亚洲国产欧美在线一区| 在线观看www视频免费| 久久国产精品大桥未久av | 热re99久久精品国产66热6| 国产白丝娇喘喷水9色精品| 多毛熟女@视频| 国产一级毛片在线| 亚洲国产精品一区二区三区在线| 久久97久久精品| 久久久久久人妻| 边亲边吃奶的免费视频| 国精品久久久久久国模美| 日韩欧美一区视频在线观看 | 男人爽女人下面视频在线观看| 国产精品人妻久久久久久| 日韩不卡一区二区三区视频在线| 成人无遮挡网站| 久久毛片免费看一区二区三区| 国产成人免费观看mmmm| 国产69精品久久久久777片| 久久鲁丝午夜福利片| av又黄又爽大尺度在线免费看| 建设人人有责人人尽责人人享有的| 精品熟女少妇av免费看| 啦啦啦在线观看免费高清www| 亚洲av免费高清在线观看| 色5月婷婷丁香| 黑人高潮一二区| 韩国高清视频一区二区三区| 久久亚洲国产成人精品v| 成人黄色视频免费在线看| 成年人午夜在线观看视频| 亚洲性久久影院| av免费观看日本| 一区二区三区乱码不卡18| 黄色一级大片看看| 国产精品免费大片| 中文字幕亚洲精品专区| 天天操日日干夜夜撸| 在线观看美女被高潮喷水网站| 新久久久久国产一级毛片| 免费人妻精品一区二区三区视频| 国内精品宾馆在线| 亚洲成色77777| 伦理电影免费视频| 亚洲av在线观看美女高潮| 国内少妇人妻偷人精品xxx网站| 国产免费视频播放在线视频| 十八禁高潮呻吟视频 | 能在线免费看毛片的网站| 精品久久久噜噜| 亚洲熟女精品中文字幕| a 毛片基地| 欧美日本中文国产一区发布| 国产欧美另类精品又又久久亚洲欧美| 男人狂女人下面高潮的视频| 交换朋友夫妻互换小说| 欧美日韩视频高清一区二区三区二| 秋霞伦理黄片| 国产一区亚洲一区在线观看| 性色av一级| 国产精品久久久久久久电影| 久久6这里有精品| 日日摸夜夜添夜夜添av毛片| 国产一区亚洲一区在线观看| 国产乱人偷精品视频| 男女边摸边吃奶| 热re99久久国产66热| 一级爰片在线观看| 一区二区av电影网| 妹子高潮喷水视频| 国内少妇人妻偷人精品xxx网站| 能在线免费看毛片的网站| 精品少妇黑人巨大在线播放| 免费久久久久久久精品成人欧美视频 | 久久精品夜色国产| 少妇高潮的动态图| 亚洲欧洲日产国产| 国产69精品久久久久777片| 三级国产精品欧美在线观看| 天堂8中文在线网| 国产高清三级在线| 久久99蜜桃精品久久| 中文字幕精品免费在线观看视频 | 亚洲av男天堂| 精品99又大又爽又粗少妇毛片| 如日韩欧美国产精品一区二区三区 | 国产在视频线精品| 91精品国产九色| 午夜福利在线观看免费完整高清在| 久久人人爽av亚洲精品天堂| 成人美女网站在线观看视频| 亚洲国产精品专区欧美| 蜜桃久久精品国产亚洲av| 精品久久久久久久久亚洲| 99热这里只有是精品在线观看| 22中文网久久字幕| 国产精品久久久久久精品电影小说| 免费观看在线日韩| 黄色毛片三级朝国网站 | 一区二区av电影网| 免费黄网站久久成人精品| 欧美精品一区二区免费开放| 欧美精品亚洲一区二区| 日本黄大片高清| 国产在视频线精品| 夫妻性生交免费视频一级片| 久久人人爽av亚洲精品天堂| 久久av网站| 久久午夜综合久久蜜桃| 蜜桃在线观看..| 色哟哟·www| 欧美成人午夜免费资源| 日本色播在线视频| 亚洲av综合色区一区| 国产永久视频网站| 高清欧美精品videossex| 三级经典国产精品| av在线播放精品| 国产精品99久久久久久久久| 少妇的逼好多水| 精品久久久噜噜| 亚洲国产欧美在线一区| 精品亚洲成a人片在线观看| 视频区图区小说| 丰满饥渴人妻一区二区三| 国产精品 国内视频| 91精品伊人久久大香线蕉| 久久中文看片网| 国产精品欧美亚洲77777| av在线老鸭窝| 精品一区二区三区四区五区乱码| 老汉色∧v一级毛片| 黄片大片在线免费观看| 亚洲va日本ⅴa欧美va伊人久久 | 一区二区av电影网| 女人高潮潮喷娇喘18禁视频| 国产精品秋霞免费鲁丝片| 精品国产超薄肉色丝袜足j| 欧美精品人与动牲交sv欧美| 天天躁日日躁夜夜躁夜夜| 国产在线视频一区二区| 久久热在线av| 久久精品aⅴ一区二区三区四区| 性少妇av在线| 三上悠亚av全集在线观看| 桃红色精品国产亚洲av| 97精品久久久久久久久久精品| 国产成人精品久久二区二区91| 美女福利国产在线| 99精品欧美一区二区三区四区| 男女高潮啪啪啪动态图| 日韩电影二区| 中文字幕色久视频| 亚洲精品一区蜜桃| 两人在一起打扑克的视频| av天堂在线播放| 夜夜夜夜夜久久久久| 无遮挡黄片免费观看| 夜夜夜夜夜久久久久| 国产一区有黄有色的免费视频| 极品人妻少妇av视频| 久久久久久久国产电影| 美女主播在线视频| 9191精品国产免费久久| 777久久人妻少妇嫩草av网站| 99国产综合亚洲精品| 女人爽到高潮嗷嗷叫在线视频| 午夜福利免费观看在线| 99久久综合免费| 精品国产乱码久久久久久男人| 人妻人人澡人人爽人人| 欧美日韩亚洲综合一区二区三区_| 50天的宝宝边吃奶边哭怎么回事| 91麻豆精品激情在线观看国产 | av又黄又爽大尺度在线免费看| 国产又爽黄色视频| 久久久久国产一级毛片高清牌| 午夜福利视频在线观看免费| bbb黄色大片| av线在线观看网站| 99久久国产精品久久久| 亚洲精品国产av蜜桃| 99精品久久久久人妻精品| 99热全是精品| 男女边摸边吃奶| 欧美成人午夜精品| 亚洲五月婷婷丁香| 久久久久久久大尺度免费视频| 午夜老司机福利片| 韩国精品一区二区三区| 精品熟女少妇八av免费久了| 日韩制服丝袜自拍偷拍| 十分钟在线观看高清视频www| 国产亚洲精品第一综合不卡| 成人国产av品久久久| 啦啦啦在线免费观看视频4| 18禁国产床啪视频网站| www.熟女人妻精品国产| 久久毛片免费看一区二区三区| 欧美另类一区| 日韩欧美一区视频在线观看| 国产高清国产精品国产三级| av欧美777| 欧美精品av麻豆av| 人人妻人人爽人人添夜夜欢视频| 黑人欧美特级aaaaaa片| 亚洲男人天堂网一区| 91老司机精品| 99精品欧美一区二区三区四区| 国产精品一区二区免费欧美 | 狂野欧美激情性xxxx| 丁香六月天网| 成人国语在线视频| 欧美精品高潮呻吟av久久| 色婷婷av一区二区三区视频| 亚洲国产欧美日韩在线播放| 欧美日韩福利视频一区二区| 亚洲 国产 在线| 日韩中文字幕视频在线看片| 国产欧美日韩一区二区三 | 中文欧美无线码| a 毛片基地| 两性夫妻黄色片| av天堂在线播放| 国产区一区二久久| 欧美黑人精品巨大| 啦啦啦中文免费视频观看日本| 国产亚洲欧美在线一区二区| 99九九在线精品视频| 男女下面插进去视频免费观看| 秋霞在线观看毛片| 国产欧美日韩综合在线一区二区| 国产精品久久久av美女十八| 黑人猛操日本美女一级片| 久久亚洲国产成人精品v| 啦啦啦视频在线资源免费观看| 国产欧美亚洲国产| 咕卡用的链子| 亚洲激情五月婷婷啪啪| 亚洲精品中文字幕在线视频| 免费观看a级毛片全部| 亚洲精品一区蜜桃| 91麻豆av在线| 宅男免费午夜| xxxhd国产人妻xxx| 久久毛片免费看一区二区三区| 男女国产视频网站| 欧美日本中文国产一区发布| 9191精品国产免费久久| 亚洲av日韩在线播放| 麻豆乱淫一区二区| 99精品久久久久人妻精品| 成年av动漫网址| 成人国语在线视频| 久久精品熟女亚洲av麻豆精品| 丰满迷人的少妇在线观看| 午夜福利免费观看在线| 嫩草影视91久久| 少妇人妻久久综合中文| 天天影视国产精品| 中文字幕最新亚洲高清|