大气杂质气体神经网络识别的推广性研究.pdf

《大气杂质气体神经网络识别的推广性研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、!"#·$!第16卷第6期2005年6月JOurnalOfOptOelectrOnicsLaserVol.16No.6jun.2005!测量!检测!大气杂质气体神经网络识别的推广性研究韩应哲!李素梅!张延!常胜江!申金媛(南开大学现代光学研究所9教育部光电信息技术重点实验室9天津300071)摘要:采用支持向量机(SVM)方法对小波变换压缩后的非线性荧光光谱数据进行识别9对学习样本和未学习过的样本进行测试9其正确识别率均为100%为了全面比较推广性能的好坏9建立了一个模拟实际监测数据的模型9并采用这些数据对提出的SVM网络与概率神经网络(PNN)进行了比较研

2、究仿真结果表明9无论对实验室数据的推广能力9还是对监测条件变化的推广能力9SVM网络较PNN有更好的推广和容错性能关键词:杂质气体识别;非线性荧光光谱;推广性;支持向量机(SVM);概率神经网络(PNN)中图分类号"O433#TP183#O437#TN911.74文献标识码"A文章编号"1005-0086(2005)06-0710-04NeuralNetworkgeneralizationanalysisofrecognitionforgasimpurityinair9ZHANGYan-xin9CHANGSheng-iang9HANYing-zhe9LISu

3、-meiSHENjin-yuan(InstituteofModernOPtics9Nankaiuniversity9KeyLab.ofOPto-electronicsInformationTechnicalSci-ence9EMC9Tianin3000719China)abstract:lnordertoinvesti9atetheProPertyofneuralnetwork9eneralizationmoreround-ly9amodeforthetestin9dataisProPosedandthe9eneralizationcaPabilityoft

4、hesuPPortvectormachine(SVM)networkofthisworkandtheProbabilisticneuralnetwork(PNN)ofaPreviousworkarecomParedwiththedataProducedbythemode.thesimulationresultsshowthattheSVMnetworkProvidesbetter9eneralizationcaPabilitythanthatofthePNNintermsof9eneralizationforeitherlaboratorydataorcha

5、n9esinexPerimentalconditions.Keywords:reco9nitionof9asimPurity;nonlinearfluorescencesPectrum;9eneralization;suPPortvectormachine(SVM);Probabilisticneuralnetwork(PNN)光谱与杂质气体密切相关9但要通过直接寻找某种杂1引言质气体的特征光谱来分析气体成分是非常困难的如何实时监测大气的污染程度9已经成为科学工神经网络的可学习性和推广能力强的特点9使它作者的研究热点目前9监测大气污染的方法很有潜力成为复杂光

6、谱识别的有力工具我们已在非1~5]多9但要求先取样后分析9因而不具实时性超线性荧光光谱的神经网络分析方面作了初步的研9910]短脉冲激光在大气中传输出现的非线性光学自聚集究9取得较好的识别结果然而9用神经网络分6~8]和超辐射现象9使大部分气体分子击碎分裂和发析非线性荧光光谱并识别大气中的杂质成分时9要求生电离9从而发射不同特征的非线性荧光光谱这些用于识别的网络模型有更好的推广性能这里9推广收稿日期"2005-01-26修订日期"2005-04-20基金项目"国家自然科学基金资助项目(60277022960477009);天津市自然科学基金重点资助项目(02

7、3800811);博士点基金资助项目(20030055022);南开大学科技创新基金E-mail:hbulisumei@sina.com第6期韩应哲等:大气杂质气体神经网络识别的推广性研究711性具有两种含义:1)实验室所得的样本数据有限;2)利用Lagrange优化方法可以把上述最优分类面问题监测条件的改变0两者都会造成推广识别的风险0转化为其对偶问题即本文提出采用支持向量机SVM)[11]网络模型对文献nn1[10]中小波压缩后的非线性荧光光谱数据进行识别0min@O)=Oi-2OiOj}i}jKjijj)i=1ij=12)结果表明无论对训练样本还是对未

8、学习过的测试样0Oici=12n本进行测试其正确识别