基于集成神经网络的多元有害气体定量检测方法研究

《基于集成神经网络的多元有害气体定量检测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、公开分类号：TP183____________，TP212密级：______________ＵＤＣ：____________单位代码：______________11646硕士学位论文论文题目：基于集成神经网络的多元有害气体定量检测方法研究学号：1211082051姓名：龚雪飞专业名称：信号与信息处理学院：信息科学与工程学院指导教师：简家文教授论文提交日期：2015年06月15日AThesisSubmittedtoNingboUniversityfortheMaster’sDegreeMultipleharmfulquantitativedetectionmethodresearchb

2、asedontheintegratedneural-networkCandidate：XuefeiGongSupervisors：ProfessorJiawenJianEECS（FacultyofElectricalEngineeringandComputerScience）NingboUniversityNingbo315211，ZhejiangP.R.CHINAJune15,2015独创性声明本人郑重声明：所呈交的论文是我个人在导师指导下进行的研究工作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得宁波大学或其

3、他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。若有不实之处，本人愿意承担相关法律责任。签名：___________日期：____________关于论文使用授权的声明本人完全了解宁波大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。（保密的论文在解密后应遵循此规定）签名：___________导师签名：___________日期：____________文件名：L1211082051论文题目：基于集成

4、神经网络的多元有害气体定量检测方法研究作者简介：龚雪飞，男，1989年出生，2012年从师于简家文教授，于2015年6月毕业于宁波大学信号与信息处理专业，并获工学硕士学位。论文摘要：从十九世纪至今，世界工业产值飞速发展，期间无论是重工业还是轻工业都消耗了大量的能源，从最开始的煤炭，到现在的石油。而在这短短150年的时间里，产生了大量的有毒，有害气体，例如：引发温室效应的CO2、造成雾霾，光化学烟雾NOx及有毒气体CO，等等。大量的有毒有害气体排放给人类环境造成了极大地破坏，而且还会产生一系列的恶性事件，例如：爆炸、火灾、中毒等事件。在人类生存的环境中，O2作为人类生存的的基本养料，也是

5、人类生存环境的一个最重要的指标。因此，对周围环境中的有毒、有害气体进行监测显得尤为重要。使用气敏传感器对单一气体进行检测是可行的，但在日常生活中上述气体都是混合在一起的构成一个多元环境，当使用气体传感器进行检测时会造成交叉敏感现象，导致无法采用传统的气体检测技术对多元有害气体进行检测。本文针对当前多元有毒、有害气体检测方法的缺陷，搭建了一套多元有害气体检测系统，该系统主要包括两部分：传感器阵列，模式识别。将系统的两部分有机的结合能够消除传感器对气体交叉敏感。测试系统传感器阵列部分能够摄取足够多的多元有害气体浓度信息并保存下来，然后通过模式识别部分实现定量回归分析。主要内容包括：1)搭建

6、测试系统的实验装置：制备气敏传感器阵列及设计对应传感器预处理电路；2)进行仿真测试实验：配气方案、基于LabVIEW的流量控制软件设计、基于LabVIEW的多路信号采集软件设计；3)阵列信号预处理：使用特征值提取算法实现阵列信号特征值提取、对特征值信号的归一化处理；4)模式识别算法设计：通过粒子群算法、神经网络算法、集成算法相结合建立一个有效的模式识别算法模型，对阵列信号进行识别、定量分析；5)算法改进及比较：对本文设计的算法进行改进，并运用于多元有害气体检测系统信号分析，最后与当前经典的模式识别算法做性能比较。本文实验结果表明，传感器阵列技术能够获取交叉敏感的多元响应信号，而模式识别

7、技术则会充分提取交叉敏感信号的信息，完成对气氛的回归分析。对本文检测的四种气体CO，CO2，NOx，O2，该检测系统能够准确的对气氛别进行划分，并且对于定量分析，预测的平均相对误差小于1%。关键词：神经网络，PSO，传感器阵列，多元有害气体检测FileName:Y1211082051TitleofThesis:Multipleharmfulquantitativedetectionmethodresearchbasedontheintegrat