基于PSO算法集成神經網絡的多元有害氣體檢測系統*

龔雪飛,劉 萍,簡家文

(寧波大學信息科學與工程學院,浙江 寧波 315211)

?

基于PSO算法集成神經網絡的多元有害氣體檢測系統*

龔雪飛,劉 萍,簡家文*

(寧波大學信息科學與工程學院,浙江 寧波 315211)

針對目前常見的多元有害氣體檢測問題,搭建了一套基于傳感器陣列和集成神經網絡相結合的多元有害氣體檢測系統。為了提高該系統的穩定性和預測精度,提出使用粒子群算法(PSO)優化集成神經網絡的權重系數的方法,即利用PSO的全局搜索能力,對該系統的集成神經網絡權重系數進行全局優化,再以優化后的權重系數實現多個神經網絡的結論結合。該系統對傳感器陣列的4種混合有害氣體的響應信號進行回歸分析。結果顯示,該系統PSO算法的集成神經網絡預測的平均相對誤差小于1%,網絡具有更強的穩定性和泛化能力。

集成神經網絡;PSO;傳感器陣列;多元有害氣體檢測

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,檢測上述氣體濃度對改善大氣環境具有現實意義[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,將氣敏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,既能夠同步檢測多元氣氛又能夠很好地解決氣敏傳感器的交叉敏感問題[3-5]。

為了提高模式識別的預測精度,神經網絡集成已成為一個研究熱點,近幾年對神經網絡集成的研究主要集中在兩個方面,即如何構造集成中的各個神經網絡以及如何集成各個體神經網絡的輸出[6-8]。本文提出使用PSO優化集成神經網絡的權重系數的算法,以實現集成多個神經網絡的輸出。并對比經典Adaboost算法的集成神經網絡和PSO算法的集成神經網絡預測的精確度,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4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

圖2 檢測系統硬件模塊

本文選用A2-O2氧氣傳感器、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4臺精密流量控制器進行流量調節、配比、混合,模擬實現多元有害氣體混合的環境,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信號采集。

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(氧氣傳感器、二氧化氮傳感器),圖3(b)是半導體傳感器(二氧化碳傳感器、一氧化碳傳感器)傳感器信號預處理電路。

圖3 傳感器預處理電路

圖3(a)中,傳感器輸出電流信號Iin,R2為一個定值反饋電阻,R3表示可調電阻,R2、C2構成低通濾波器,R2、R3及運算放大器構成反向放大電路并進行流壓轉換:

Vout=-Iin*(R2+R3)

(1)

圖3(b)中,VC表示整個回路電壓,VH是傳感器上加熱電壓,R1與傳感器內阻Rs構成分壓電路,R2、R3及運算放大器構成電壓放大電路:

Vout=VC*R1*(R2+R3)/(R1+Rs)*R2

(2)

1.2 實驗過程

本文根據工業排放規定及傳感器敏感范圍選定氣體體積分數范圍:O2[18%～22%]、NO2[0～2.5×10-4]、CO[0～1.0×10-3]、CO2[0～5.0×10-3],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,氣體與傳感器陣列反應,采集傳感器響應信號,得到510組樣本數據:X(氣體濃度)-Y(傳感器響應值)。

2 PSO優化集成神經網絡算法

2.1 PSO算法

粒子群(PSO)是一種新穎的演化算法,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[9-10]。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,viD) 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:

vid(t+1)=

w*vid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t))

(3)

xid(t+1)=xid(t)+vid(t+1) d=1,2,…,D;

(4)

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。

圖4 PSO算法的集成神經網絡算法流程圖

2.2 PSO優化集成神經網絡

1990年,Hansen和Salamon證明:可以簡單地通過訓練多個神經網絡并將其結果進行合成,顯著地提高神經網絡系統的泛化能力。1996年Sollich和Krough的定義,神經網絡集成是用有限神經網絡對同一個問題進行學習,集成在某輸入示例下的輸出由構成集成的各神經網絡在該示例下的輸出共同決定。神經網絡集成研究的關鍵問題是:在確定集成神經結構后,如何集成各個體神經網絡的輸出[11-12]。

因此,本文首先通過改變BP神經網絡隱藏層神經元數來構造具有差異性的集成神經網絡的個體網絡;其次,優化集成神經網絡的集成度;最后,使用PSO算法優化集成神經網絡的權重系數,以實現集成多個BP神經網絡的輸出,構建一個性能極好的集成神經網絡。PSO優化集成神經網絡算法流程,如圖4所示。

3 實驗結果與算法性能分析

3.1 交叉敏感性測試

將本測試系統的NO2傳感器分別在4.0×10-5～2.0×10-4NO2+余N2和參雜有一定濃度(CO、CO2)的4.0×10-5～2.0×10-4NO2+余N2混合氣體中進行測試,呈現出如圖5所示的特性曲線。

圖5 NO2傳感器在不同氣氛中輸出對比圖

從圖5可以得到,雖然CO2對NO2基本不產生干擾,但不同濃度的CO對NO2表現出不同的干擾特性。因此可以得出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精確測試。

3.2 PSO優化集成神經網絡參數學習

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上文所構建的集成神經網絡進行訓練,訓練完成后保存集成神經網絡參數,完成集成神經網絡的建立。剩余60組樣本數據測試該網絡性能,計算網絡的預測誤差。通過不斷訓練學習,調整集成神經網絡參數,從而得出一個針對本實驗數據能夠快速收斂并且進行準確預測的集成BP神經網絡。下面將分別介紹幾個參數的調整實驗。

3.2.1 BP神經網絡參數調整

網絡集成時,既要保證個體網絡的預測精度,又要保證個體之間的差異性,由表1可知,在隱藏層神經元數大于7時,各組氣氛能達到較小的平均相對誤差較小。因此,構建集成網絡時將BP神經網絡隱藏層神經元數設成不同數值(8～14),以保證網絡組中個體網絡的差異性。

表1 隱藏層不同神經元數的網絡預測平均相對誤差

注:平均相對誤差=(|網絡實際輸出-期望輸出|)/期望輸出×100%;

3.2.2 網絡集成度參數調整

上文對集成神經網絡的差異性個體網絡組建進行了闡明,接下來介紹集成神經網絡的集成度參數調整。在神經網絡集成的規模較大,即個體網絡較多時,對結論的權進行優化沒有好處,適于使用簡單平均等結論合成方法;而在神經網絡集成的規模較小,即個體網絡較少時,對結論的權進行優化將提高學習系統的泛化能力。因此網絡的集成度要選擇恰當,這就需要在訓練過程中,調整網絡集成度。表2為網絡集成度取不同值的條件下,所得到的預測平均相對誤差。

表2 不同網絡集成度的網絡預測平均相對誤差

由表2可知,在集成神經網絡集成度為10時,各組氣氛的預測平均相對誤差最小。

3.2.3 PSO參數調整

為了提高集成神經網絡的泛化能力和預測精度,本文利用PSO的全局搜索能力,對該網絡權重系數進行全局優化,再以優化后的權重系數實現多個神經網絡的結論結合。隨機初始化粒子并形成粒子群體,將粒子映射為集成神經網絡權重。由于粒子群的規模,不僅影響搜索精度,還影響算法的收斂速度,因此,在保證搜索精度的情況下,盡量取較小規模的粒子群[14]。本實驗通過改變粒子群體規模,尋找最優的粒子群的規模。表3為PSO不同粒子群規模時,網絡所得到的預測平均相對誤差。

表3 不同粒子群體規模的網絡預測平均相對誤差

由表3可知,在PSO粒子群規模為30時,既保證了各組分氣體具有較小的相對誤差,又保證了較快了收斂速度。

3.3 實驗結果及對比分析

將3.2學習好的參數保存,并建立PSO算法的集成神經網絡,取上節450組訓練樣本輸入網絡訓練,訓練完成后保存該網絡參數,使用剩下的60組樣本進行測試,記錄測試結果。為了比較網絡的性能,本文同時采用經典Adaboost集成神經網絡在相同情況下進行訓練。即采用同樣的樣本數據進行訓練網絡,同樣的測試樣本進行測試。兩種神經網絡測試的結果見表4。

表4 AdaBoost、PSO算法的集成神經網絡預測結果誤差比較

注:①誤差=|網絡實際輸出-期望輸出|;②相對誤差=(|網絡實際輸出-期望輸出|)/期望輸出×100%。

從表1中可以得到:在相同的訓練樣本時,PSO算法的集成神經網絡較經典Adaboost集成神經網絡具有更小的預測誤差,PSO算法的集成神經網絡預測的平均相對誤差均小于1%;在網絡訓練時,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算法優化集成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濃度信息;將集成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的檢測取得了較好的效果,在定量檢測實驗中,預測的平均誤差百分比均小于1%;PSO算法的集成神經網絡的算法要較經典Adaboost集成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] Belhouari S B,Bermak A,Wei G,et al. Gas Identification Algorithms for Microelectronic Gas Sensor[J]. Instrumentation and Measurement,2004(5):584-587.

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

[5] 尤麗華,吳靜靜,王瑤. 基于模擬退火優化BP神經網絡的pH值預測[J]. 傳感技術學報,2014,27(12):1643-1648.

[6] 孫凌逸,黃先祥,蔡偉,等. 基于神經網絡的無線傳感器網絡數據融合算法[J]. 傳感技術學報,2011,24(1):127.

[7] 周志華,何佳洲,陳世福. 神經網絡國際研究動向[J]. 模式識別與人工智能,2000,13(4):415-418.

[8] Zhou Zhihua,Wu Jianxin,Tang Wei. Ensembling Neural Networks:Many could be Better Than All[C]//Artificial Intelligence,2002,137(1-2):239-263.

[9] 孫艷梅,劉樹東,苗鳳娟,等. 基于PSO的BP神經網絡在壓力傳感器溫度補償中的應用[J]. 傳感技術學報,2014,27(3):342-346.

[10] Wang Hongfeng,Wang Na,Wang Dingwei. A Memetic Particle Swarm Optimization Algorithm for Multimodal Optimization Problems[C]//Chinese Control and Decision Conference,2011,3839-3845.

[11] 周志華,陳世福. 神經網絡集成[J]. 計算機學報,2002,25(1):1-7.

[12] 傅強,胡上序,趙勝穎. 基于PSO算法的神經網絡集成構造方法[J]. 浙江大學學報:工學版,2004,38(12):1596-1600.

[13] Dong C,Dong L,Yang M. The Application of the BP Neural Network in the Nonlinear Optimization[J]. Advances in Intelligent and Soft Computing,2011,78:727-732.

[14] 張雯雰,王剛,朱朝暉,等. 粒子群優化算法種群規模的選擇[J]. 計算機系統應用,2010,19(5):125-128.

龔雪飛(1989-),男,寧波大學碩士研究生,主要研究方向為傳感器陣列信號融合,1025500740@qq.com;

簡家文(1967-),男,寧波大學教授、博士生導師,主要研究方向為氣體敏感材料與傳感器制備、傳感器信號處理以及智能儀表,jianjiawen@nbu.edu.cn。

Based on the Integrated Neutral-Network Optimized byPSO Multiple Harmful Gas Detection System*

GONGXuefei,LIUPing,JIANJiawen*

(School of Information Science and Engineering,Ningbo University,Ningbo Zhejiang 315211,China)

Aiming at the common multiple harmful gas detection problem,a gas detection system was developed by combining a sensor array with the integrated neutral-network. In order to improve stability and prediction accuracy of the system,put forward using particle swarm optimization(PSO)to optimize the weight coefficient of integrated neutral-network,namely,utilizing the global search ability of PSO to global optimization of the network weight coefficient,then use the weight coefficient implement multiple conclusions combination of neural network. This system is performing regression analysis on the response signal of four harmful gases mixture measured by sensor array. The results show that the prediction average relative error of the integrated neutral-network optimized by PSO was found to be within 1%,and the network has better stability and generalization ability.

integrated neutral-network;PSO algorithm;sensor array;mix harmful gas detection

項目來源:國家自然科學基金項目(61471210);浙江省科技廳重大科技專項重點工業項目(2011C16037);浙江省寧波市科技局自然科學基金項目(2013A610002)

2014-12-15 修改日期:2015-03-03

C:1295;6150P;7230

10.3969/j.issn.1004-1699.2015.06.027

TP183;TP212

A

1004-1699(2015)06-0938-05