基于人工神经网络的酒精识别电子鼻研究

《基于人工神经网络的酒精识别电子鼻研究》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、大连理工大学硕士学位论文摘要随着汽车工业的迅猛发展，因酒后驾车而引起的交通事故日益剧增，严重的威胁着人们的生命财产安全。因此，检测司机是否酒后驾车并采取适当措施减少交通事故的发生，是一项非常有实际意义的研究课题。电子鼻是90年代发展起来的一种新的检测技术，它将传感器技术、电子技术、信号处理和计算机技术融合在一起，克服了传统的单一气体传感器在检测中存在的交叉敏感等缺点，能够对混合气体中各气体成分进行定性或定量分析，在食品加工和检验、医学诊断、毒气检测和控制领域有着广阔的应用前景。因此，本文应用电子鼻技术开展了对

2、酒精气味进行定性识别和定量分析的研究。由于驾驶室内常存在汽油和烟雾等干扰气体，同时考虑到环境温度和湿度对传感器输出特性的影响，本文利用5个满足要求的气敏传感器和一个烟雾传感器，以及一个温湿度模块组成传感器阵列；采用合适的信号调理电路和ADC、运放、AT89C52单片机、DAC、字符型液晶显示等器件组成电子鼻硬件系统；用C51语言编写了单片机部分的控制软件，可实现脱机和联机两种工作模式；用VisualC++6．0编写了PC机部分电子鼻系统的应用软件，可实现试验的搡作控制、实时显示、数据处理，及神经网络下载等功能

3、。针对BP算法存在的不足，利用遗传算法对BP算法进行优化；比较了BP网络和RBF网络在酒精气味定性识别中的应用；比较分析了单BP网络和多BP子网系统(multi—BP网络)对酒精气体的定量识别，其中采用多BP予网系统的方法获得了较好的识别效果；本文还利用遗传算法探讨了最佳传感器阵列的维数；对影响气敏传感器性能漂移的两个主要因素温度和湿度进行了在线式补偿。关键词：电子鼻；传感器阵列；神经网络：遗传算法；单片机基于人工神经网络的酒精识别电子鼻研究E-NoseSystemBasedonArtificialNeura

4、lNetworkinAlcoholVaporDetectionAbstractAlongwiththeswiftandviolentdevelopmentofautomobileindustry,trafficaccidentscausedbydrivingalterdrunkaresteadilyincreasing，SOitisanextremelyurgentandimportantresearchprojecttomonitorwhetherthedriverhasdnmkandmakereinsur

5、e．Asainnovativetechnologyin90’S，Electronicnose(E-nose)syncretizesmanytechnologyaboutsensor,electronics，signaIprocessingandcomputeretal，whichCallovercomefaultsintraditionalsin西eserlsorandrecogmzemixedgasqualitativelyandquantitatively．E-nosehasbeenwidelyappli

6、edi11foodindustry,medicine,qualitycontrolfQA)anddeleteriousgasdetecting．Therefore，inthispaper,allE-nosesystemfordetectingalcoholodorqualitativelyandquantitativelyisdeveloped．Inordertodistinguishalcoholodorfrompetrolandsmogindriver’Scab，anarmyofchemicalsenso

7、rshasbeenformedwithfivegassenso《sbasedonmetal—oxidsemiconducmr,onesmogsenSOr,andoneintegratedmodulefortemperatureandhumidity．HardwareofE-nosesystemetcconsis七sofpreprocessingcircuit,ADC，amplifier，AT89C52，DACandLCDetc．SoftwarecompiledwithC51／nsinglechipcarlsu

8、pplyonlineandoffiinework,andsoftwarecompiledwithViualC++6．0inPChasthecapabilityofexperimentcontr01．real-limedisplay,dataprocessingandparametersofneuralnetworkete．BPalgorithmisoptimizedbygeneticalgofith