人工神經網絡在氣體分析系統中的應用

摘 要：為了研究人工神經網絡在氣體分析系統中的應用，選擇了識別CH4和CO的傳感器陣列及用于網絡模型訓練的樣本。實驗分析確定了信號預處理方法，選取合適的網絡模型并創新性的對用于氣體種類識別的BP算法進行改進，并研究網絡結構和參數的變化對氣體分析系統性能的影響，實驗結果證明氣體傳感器陣列與BP算法相結合進行氣體成分分析具有一定的可行性，若能進一步調整及完善氣體傳感器陣列的硬件測量電路，則可開發出用于現實復雜環境的多氣體分析系統。

關鍵詞：氣體傳感器陣列；人工神經網絡；信號預處理；BP算法

中圖分類號：TP183 文獻標識碼：B

文章編號：1004-373X(2008)10-187-03

Application of Artificial Neural Network in Gas Analysis System

HE Bo，WANG Wuyi，ZHANG Jiatian

(Education Department Key Laboratory of Photoelectric Oil and Gas Logging Detecting，Xi′an Shiyou University，Xi′an，710065，China)

Abstract：In order to study the application of artificial neural network in gas analysis system，the article chooses gas sensor array and network model training samples to identify CH4 and CO，signal preprocessing algorithms is determined in the experiment.The experiment also chooses appropriate network model and creative improves BP algorithm for gas identification.The article researches the influence on gas analysis system of structure and parameters of feed forward neural network，result indicates that the method based on the combine gas sensor array with BP nervous network to analyze gas component is feasible.If further adjusting and improving hardware measurement circuit of gas sensor array，the multi-gas analysis system，which is applied in reality complex environment can be developed.

Keywords：gas sensor array;artificial neural network;signal preprocessing;BP algorithm

目前，煤礦生產過程中釋放的大量的CH4(甲烷)及CO(一氧化碳)等易燃易爆氣體極大的威脅了生產過程的安全性，發生事故時會造成巨大的經濟損失，特大事故甚至危及礦工的生命^[1]。所以對煤礦井下CH4(甲烷)及CO(一氧化碳)等易燃易爆氣體進行快速準確的檢測顯得尤其重要。同時多組份氣體的定性、定量檢測在環境保護、食品保鮮、航空航天等領域也有著廣泛的應用。使用氣體傳感器構成的氣體分析儀進行多組份氣體的定性定量測量，具有成本低，測量周期短，并可實現在線實時測量等優點。但是由于氣體傳感器普遍存在著交叉敏感特性和選擇性差等缺點，使用單一傳感器很難實現多組份氣體的檢測分析。目前較有效的方法是通過多個敏感程度不同的氣體傳感器組成傳感器陣列，結合人工神經網絡算法進行多氣體的分析。本文主要介紹一種基于氣體傳感器陣列^[2]和采用BP算法^[3]進行訓練的神經網絡進行混合氣體的種類識別。

1 人工神經網絡模型的選取

人工神經網絡是新興交叉學科，也是國際上研究異?；钴S的領域之一。神經網絡模型有BP模型、Hopfield模型、Hamming模型等，都是基于連接學說構造的智能仿生模型。他是由大量神經元組成的非線性動力系統，具有非線性、非區域性、非定長性和非凸性等特點。

BP神經網絡模型是人工神經網絡的重要模型之一^[4]。通常BP算法是通過一些學習規則來調整神經元之間的連接權值，具有初步的自適應與自組織能力，具有學習功能。BP學習算法(反向傳播學習算法)具有思路清晰、結構嚴謹、工作狀態穩定、可操作性強的特點。BP神經網絡由具有多個節點的輸入層、隱含層和多個或1個輸出的輸出層組成，每個節點為1個單獨的神經元，相鄰兩層間單向連接，圖1為BP神經網絡模型的原理框圖。

圖1 BP神經網絡模型原理框圖

2 實驗原理及傳感器陣列的選取

2.1 實驗原理

本實驗的原理是將被測氣體按所需測量精度和濃度成分分成不同的等級，采用標準氣體配置這些等級的不同成分的所有組合作為標準模態訓練神經網絡。通過識別某一未知氣體樣本的模式，即可以得到未知氣體的成分濃度。

2.2 傳感器陣列及樣本的選取

在實驗中為了檢測CH4和CO兩種氣體的混合氣體，選用4個半導體氣體傳感器構成陣列，型號分別為:QM-N7II，QM-H1，QM-N5，QM-N8型。這4個氣體傳感器都是金屬氧化物N型半導體氣敏元件，他們對CH4 ，CO的靈敏度各不相同。當與還原性氣體CH4 ，CO接觸時，其電導率隨氣體濃度的增加而迅速升高。根據數據分析的需要測試CH4，CO分別在100，200，300，400，500，600，700，800，900，1 000 ppm (1 ppm=10-6)濃度時傳感器陣列的響應，從而獲得了20個樣本對。

3 實驗分析

將實驗中測得的氣體樣本一分為二，10組用于訓練，10組用于預測。過程為先將CH4，CO分別在100，300，500，700，900 ppm的共10組樣本進行預處理，輸入前饋神經網絡，期望輸出［1，0］，［0，1］分別對應CH4，CO二種氣體。當網絡收斂到規定的誤差指標時，停止訓練，固定網絡連接權值和節點閥值；然后將CH4，CO分別在200，400，600，800，1 000 ppm的共10組樣本進行預處理，輸入上述經過訓練的網絡，從而得到預測結果。對于分類器，預測值＞0.7視為1；預測值＜0.3視為0；預測值在（0.3，0.7)之間視為預測出錯。同時通過分析確定了信號預處理算法和不同網絡結構參數對系統輸出的影響。

3.1 信號預處理算法

為了提高檢測系統的分類辨識效果，必須對傳感器陣列的輸出信號進行預處理，以消除或降低氣體濃度對傳感器輸出的影響。傳感器信號預處理算法直接影響著檢測系統的工作特性，應該合理選擇。假設傳感器陣列對空氣的電導用Gair=［Gair，1，Gair，2，…，Gair，4］，對混合氣的電導用Ggas=［Ggas，1，Gair，2，…，Ggas，4］，陣列中4個傳感器與CH4，CO作用時其電導將增加，則通常采用陣列歸一化算法:[HT5]

xgas，i=Ggas，i/Gair，i1n∑ni=1Ggas，iGair，i21/2(1)

其中n=4為陣列中傳感器總數。經過式(1)處理后的陣列響應Xgas=［xgas，1，…，xgas，4］作為人工神經網絡系統的實際輸入，氣體傳感器陣列歸一化響應數據如表1^[5]所示。

陣列歸一化算法的預測結果如下表2^[5]所示。

3.2 改進的BP算法

由于BP算法是一種基于梯度下降優化方法的學習算法，因而不可避免地存在可能收斂到局部極小的問題，另外傳統BP算法采用固定的學習率和使用Sigmoid函數為作用函數，從而導致網絡的訓練速度和精度不高。由于傳感器物理特性造成的誤差難以避免，可采用樣本篩選的方法，對原始樣本中偏差較大的刪除或作調整，達到精簡優化樣本質量的效果。但這樣的效果不是很明顯，為此本文從訓練算法入手，對傳統BP算法進行一些改進^[6]:

(1) 采用變步長機制:在誤差變化劇烈的地方，適當減少步長以保證其精確性;而在誤差變化平緩的地方，適當加大步長以加快收斂速度。

(2) 引入動量因子α:其原理類似共軛梯度法，目的在于加入一項以記憶上一時刻權的修改方向，而此時刻的修改方向則為上一時刻修改方向與此刻方向的組合。他能有效加速收斂、防止振蕩。

(3) 加入γpi因子，在一定程度上改變到達平坦區的誤差函數，使誤差變化迅速退出不靈敏區，而得到收斂。

表1 氣體傳感器陣列歸一化響應數據

故連接權值公式修改為:

Wsq(t+1)=Wsq(t)+η(t)δqys+αΔWsq(t)(2)

其中，η為增益項；δq為誤差項；ys為節點的輸出。令sq為ij或jk，而i，j，k分別為從輸入到輸出的對應各層節點。相應的誤差項為:

隱含層-輸出層:

δpjk=(tpk－ypk)ypk(1－ypk)γpk(3)

輸入層-隱含層:

δpij=∑n－1k=0δpjkWjkxpj(1－xpj)γpj(4)

當ΔE總<0，有η(t+1)=η(t)#8226;φ，α=α；而當ΔE總>0時，有η(t+1)=η(t)#8226;β，α=0。其中，φ>1，β<1，

ΔE(t)=E(t)－E(t－1)。

當遇到局部最小而不能收斂時，可以通過調節γpk和γpj來克服，即將γpk和γpj分別調節到大于1。

3.3 神經網絡結構參數的比較

前饋神經網絡中隱含層數目、隱含層神經元數目（本文中采用4∶4∶2結構）也是影響系統性能的可能因素，因此優化選擇神經網絡的結構和參數是系統設計中的另一個重要步驟。為了比較神經網絡結構參數對系統性能的影響，將預處理算法固定為陣列歸一化算法，同樣網絡的初始連接權值和節點閥值也不變，只改變網絡的隱含層數目和隱含層神經元數個數^[6，8]。

結果發現，對于本文的實際問題，采用單隱含層的神經網絡和多隱含層神經網絡都可以完成辨識任務，不同僅在于：單隱含層神經網絡的訓練時間明顯低于多隱含層神經網絡訓練時間。對于單隱含層神經網絡，隱含層神經元數目只要介于3~12之間，預測結果無明顯變化，所以本文的神經網絡結構和參數完全可以滿足設計要求。

4 結 語

通過以上實驗可知，應用氣體傳感器陣列與BP算法訓練的人工神經網絡模型相結合進行多種氣體成分分析具有很好的效果，如果能夠進一步調整和完善氣體傳感器陣列的硬件測量電路，則可開發出用于現實復雜環境的多氣體分析系統。

參 考 文 獻

［1］張延松.煤礦井下有害氣體的危害及預防[J].安全，1996(2):14-16.

［2］曲建嶺，王磊.基于前饋神經網絡的人工嗅覺系統[J].西北工業大學學報，1999（增刊）:124-128.

［3］羅發龍，李衍達.神經網絡信號處理[M].北京:電子工業出版社，1993.

［4］焦李成.神經網絡系統理論[M].西安:西安電子科技大學出版社，1990.

［5］聞新，周露，王丹力，等.Matlab神經網絡應用設計[M].北京:科學出版社，2000.

［6］王永驥，徐建.神經元網絡控制[M].北京:機械工業出版社，1998.

［7］楊建剛.人工神經網絡實用教程[M].杭州:浙江大學出版社，2001.

［8］沈清，胡德文，時春.神經網絡應用技術[M].長沙:國防工業出版社，1993.

［9］Huyberechts G.Simultaneous Quantification of Carbon Mono-xide and Methane in Humid Air Using a Sensor Array and an Artificial Neural Network.Sensors and Actuators BP，1997，45:123-130.

作者簡介 何 博 男，1982年出生，陜西西安人，碩士研究生。主要研究方向為信號分析處理理論與技術。

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。