PSO-BP 神經網絡在多元有害氣體檢測中的應用*

龔雪飛，徐 景，孫壽通，劉 萍，簡家文

(寧波大學 信息科學與工程學院，浙江 寧波315211)

0 引 言

隨著近代工業規模不斷擴大，在此過程中產生了大量的NOx，CO，CO2等有毒、有害氣體，O2作為衡量大氣的有效標桿，因此，檢測上述氣體對改善大氣環境具有指導意義［1］。傳統傳感器氣體檢測都是基于單一氣體的主成分特征，但是當多種有害氣體發生混合時，氣體之間相互干擾造成主成分特征丟失，導致檢測無法正常完成［2］。針對這一缺陷，將氣體傳感器陣列和模式識別技術相結合構建的多元有害氣體檢測系統，能夠很好地解決氣體傳感器的交叉敏感問題［3］。

本文針對氣體CO，CO2，NO2，O2和實驗的溫濕度選取5 只傳感器組成陣列，組合成一個多元有害氣體檢測裝置。結合實驗室的配氣系統，利用該裝置對不同體積分數的混合氣體進行電信號測量與采集。為了提高系統的預測精度，采用粒子群優化(PSO)算法優化BP(PSO-BP)神經網絡的權值、閾值，使用PSO-BP 神經網絡對實驗數據進行分析，并對比傳統BP 神經網絡和PSO-BP 神經網絡預測的精度，分析兩種網絡的性能。

1 檢測系統與實驗

1.1 檢測系統

本文中的有害氣體檢測系統是模擬人的嗅覺系統對被測氣體進行感知、分析和識別，由氣敏傳感器陣列、傳感器信號預處理、陣列信號采集和模式識別四部分組成的檢測系統，其原理如圖1 所示。

圖1 檢測系統原理圖Fig 1 Principle diagram of detection system

本文選用A2—O2氧傳感器、TGS4160 二氧化碳傳感器、TGS2201 一氧化碳傳感器、NO2—AE 二氧化氮傳感器、HTG3515 溫濕度傳感器組成陣列，如圖2(a)所示。利用動態配氣的方法將4 種的標準氣體經過四臺精密流量控制器進行流量調節、配比、混合，模擬實現各種有害氣體成分的環境，后流入封閉的測試裝置，如圖2(b)所示。為了便于對傳感器信號的采集，需對傳感器信號進行預處理，預處理后輸出的信號均為模擬電壓。之后使用美國NI 公司的PCI 6221 采集板卡實現傳感器陣列采集。

圖2 檢測系統硬件模塊Fig 2 Hardware module of detection system

由于選取的傳感器輸出參數不同，因此，針對每個傳感器設計信號預處理電路，主要將傳感器輸出信號進行流壓轉換，信號放大，濾波等處理。圖3(a)是電化學傳感器(氧傳感器、二氧化氮傳感器)，圖3(b)是半導體傳感器(二氧化碳傳感器、一氧化氮傳感器)傳感器信號預處理電路。

圖3 傳感器預處理電路Fig 3 Sensor preprocessing circuit

圖3 (a)中，R2 為一個定值反饋電阻器，R3 為可調電阻器，R2，C2 構成低通濾波器，R2，R3 和運算放大器構成反向放大電路，并進行電流/電壓轉換。

1.2 實驗過程

本文根據工業排放規定和傳感器敏感范圍選定氣體體積分數范圍:O2［18%～22%］，NO2［0～250×10-6］，CO［0～1 000×10-6］，CO2［0～5 000×10-6］，配制了510 組混合氣體，盡可能覆蓋整個被測空間。將配好的氣體逐一通入測試裝置，得到510 組樣本數據。

2 PSO-BP 神經網絡算法

BP 網絡又稱反向傳播神經網絡，通過樣本數據的訓練，不斷修正網絡的權值和閾值使誤差函數沿著負梯度方向下降，逼近期望輸出［4，5］。在運用過程中網絡也存在著不足，如網絡的收斂速度較慢，訓練易陷入癱瘓;不具有全局搜索能力，容易出現局部極小值。

PSO 算法是一種新的演化算法，該算法通過粒子間的相互作用在復雜搜索空間中發現最優區域，具有訓練精度較高、收斂性良好等優點［6，7］。粒子群算法的具體實現如下:假設在一個D 維的目標搜索空間中，有m 個粒子組成一個群體，其中第i 個粒子的位置為xi=(xi1，xi2，…，xiD)，i=1，2，…，m;其速度也是一D 維向量:vi=(vi1，…，vi2，vi1)，i=1，2，…，m;第i 個粒子迄今為止搜索到的最優位置為pi=(pi1，pi2，…，piD)，i=1，2，…，m;整個粒子群搜索到的最優位置為pg=(pg1，pg2，…，pgD)，g=1，2，…，m;粒子更新公式如下

式中 c1，c2均為學習因子，非負常數;r1，r2均為服從;［0-1］的均勻分布隨機數;vmax為非負數;w 為慣性權重函數;STEP，STEPmax分別為當前迭代步數和最大迭代步數。

PSO-BP 神經網絡的基本思想是，改變神經網絡算法依賴梯度信息的指導來調整網絡權值和閾值的方法，通過利用粒子群算法群體并行搜索的特點，尋找較為合適的神經網絡初始權值和閾值［8］。PSO-BP 神經網絡算法流程如圖4所示。

圖4 PSO-BP 神經網絡算法流程圖Fig 4 Flow chart of PSO-BP neural network algorithm

3 實驗數據處理與性能分析

3.1 交叉敏感性測試

將本測試系統的二氧化碳傳感器分別在40×10-6～200×10-6NO2+余N2和摻雜有一定體積分數(CO，CO2)的40×10-6～200×10-6NO2+余N2混合氣體中進行測試，就呈現出不同的特性曲線如圖5 所示。

圖5 NO2 傳感器在不同氣氛中輸出對比圖Fig 5 Output comparison chart of NO2 sensor in different atmosphere

從圖5 可以得到，不同體積分數的CO 對NO2表現出不同的干擾特性，而CO2對NO2基本不產生干擾。因此，采用單一傳感器由于交叉干擾的問題無法實現對多種共存氣體的測試。

3.2 PSO-BP 神經網絡預測

實驗中4 種氣體傳感器陣列對應的輸出電信號和溫度、濕度，所以，神經網絡輸入層M 為6 個，輸出層神經元L為4 個，根據隱含層神經元經驗公式2，…，10)，采用試錯法選取隱含層q=11，因此，神經網絡結構為6—11—4。粒子群的維數D=(6×11+11+11×4+4)=125，經過多次實驗比較后設定粒子群的粒子個數m=40，學習因子c1=c2=2.49，慣性權重w=0.5。

對樣本數據進行歸一化，隨機取450 組樣本數據作為訓練樣本輸入PSO-BP 神經網絡進行訓練，訓練完成后保存網絡參數，完成網絡的建立。剩余60 組樣本數據測試網絡性能，測試結果見圖6。

圖6 測試樣本的期望輸出和PSO-BP 神經網絡實際輸出Fig 6 Expected output of test sample and actual output of PSO-BP neural network

從圖6 可以看出:PSO-BP 網絡的預測結果與真實值基本重合，能夠很好地預測未知氣體的含量，說明PSO-BP 神經網絡模型為多元有害氣體檢測提供了有效的模式識別方法。

3.3 PSO-BP 與傳統BP 算法性能分析

為了比較網絡的性能，本文分別采用PSO-BP 神經網絡和BP 神經網絡在相同情況下進行訓練。將上節選取的450 組訓練樣本輸入兩種網絡訓練，訓練完成后保存網絡參數，使用剩下60 組樣本進行測試，二種神經網絡測試的結果見表1。

從表1 中可以得到:在相同的訓練樣本時，PSO-BP 神經網絡較BP 神經網絡具有更小的預測誤差，PSO-BP 神經網絡預測的平均相對誤差均小于2%;在網絡訓練時，PSOBP 收斂性明顯好于BP 神經網絡，有效避免訓練時進入局部最優解，提高了預測系統的穩定性。

4 結 論

針對多元有害氣體檢測問題，本文利用PSO-BP 神經網絡的模型來實現對傳感器陣列信號分析，從實驗結果可以得到如下結論:使用傳感器陣列檢測多元氣體能夠消除氣體交叉響應的影響，攝取更多混合氣體組分信息和體積分數信息;將神經網絡和傳感器陣列技術組合的檢測系統對多元有害氣體檢測取得了較好的效果，在定量檢測實驗中，預測的平均誤差均小于2%;PSO-BP 神經網絡的算法要較BP 神經網絡的算法能夠達到更小的預測誤差，并且建模穩定性高。

［1］ Yamazoe N，Miura N.Development of gas sensors for environment protection［J］.IEEE Tran on Comp Pack and Manuf，1995，18(2):252-256.

［2］ 鄭 杰.混合有毒氣體檢測算法研究［J］.計算機仿真，2011，28(8):413-416.

［3］ 張覃軼.電子鼻:傳感器陣列、系統及應用研究［D］.武漢:華中科技大學，2005.

［4］ 楊守建，陳 懇.BP 神經網絡性能與隱藏層結構的相關性探究［J］.寧波大學學報:理工版，2013，26(1):48-52.

［5］ Hu J G，Zhou G M，Xu X J.Using an improved back propagation neural network to study spatial distribution of sunshine illumination from sensor network data［J］.Ecological Modelling，2013，266:86-96.

［6］ Sun Y，Zhang L B，Gu X S.A hybrid co-evolutionary cultural algorithm based on particle swarm optimization for solving global optimization problems［J］.Neurocomputing，2012，98:76-89.

［7］ Wang H F，Moon I，Yang S X.et al.A memetic particle swarm optimization algorithm for multimodal optimization problems［J］.Information Sciences，2012，197:38-52.

［8］ 楊紅平，傅衛平，王 雯，等.結合面法向和切向接觸剛度的MPSO-BP 神經網絡算法的建模［J］.儀器儀表學報，2012，33(8):1856-1861.