支持向量機算法在CO濃度傳感器中的應用

葉南海，趙曉鋒，任傳法，陳紅巖，曲　健（.浙江環球濾清器有限公司，浙江瑞安3504；.中國計量學院機電工程學院，浙江杭州3008）

支持向量機算法在CO濃度傳感器中的應用

葉南海1，趙曉鋒1，任傳法1，陳紅巖2，曲健2
（1.浙江環球濾清器有限公司，浙江瑞安325204；2.中國計量學院機電工程學院，浙江杭州310018）

針對基于紅外光譜的CO氣體定量分析模型對機動車尾氣排放中有害氣體CO的定量分析；選取了濃度范圍在0.5%～20%的15組不同濃度的CO氣體樣本，建立CO濃度的支持向量機（SVM）回歸分析模型，基于改進的網格搜索法對SVM的相關參數進行了優化。實驗結果表明：經過SVM的回歸分析，與傳統的光譜吸收方法相比，處理后濃度值比實驗所得濃度值更接近CO標定值；與粒子群優化（PSO）算法作對比，采用網格搜索法獲得的最佳參數c=0.707，g=0.5，PSO獲得的c=55.911，g=0.01，所用時間比PSO算法節省約40%。SVM應用于CO的濃度分析，符合實驗要求，回歸效率提高。

紅外光譜；支持向量機；網格搜索；尾氣排放

0　引言

傳統的氣體定量分析檢測技術主要有電化學法、色譜法和光學吸收法。其中，李國林等人［1］利用CO氣體分子在4.6 μm處的基頻吸收帶，采用新脈沖的紅外光源和雙通道的熱釋電探測器研制了一種CO濃度檢測系統；白澤生等人［2］利用紅外吸收型CO2氣體傳感器設計了一種CO2氣體檢測方法，與氣相色譜儀測量值的差值在3%以內。傳統的氣體檢測方法受外界環境如溫度、濕度、壓強和自身元器件工作的穩定性和精度影響較大，所以，測量的準確度不穩定，需要結合其他方法進行回歸擬合。

現代氣體檢測技術有人工神經網絡［3］（artificial neural network，ANN）方法和支持向量機［4］（support vector machine，SVM）方法等。其中，袁力哲［5］等人將BP 神經網絡應用到混合氣體的分析中，提出了用自適應遺傳算法優化BP神經網絡的方法來實現定量檢測；黃小燕等人［6］研制出了一種對3種可燃性氣體進行實時檢測的電子鼻系統，提出了雙重神經網絡定量分析多種未知氣體的方法；曲健等人［7］將SVM應用到多組分污染氣體定量分析中，使預測精度和運算時間有所提高。神經網絡算法受初始權值和閾值的選擇影響很大，因此，傳統方法結合ANN會導致其輸出具有不一致性，而SVM算法可以有效地避免上述問題。

本文對基于不分光紅外（NDIR）法的氣體檢測系統進行了CO濃度檢測實驗和結果分析，其中，CO樣本濃度范圍為0.5%～20%，共15組；以SVM為基礎對檢測結果進行了回歸分析，建立了回歸校正模型；在SVM參數的選取問題上，提出了改進的網格參數尋優法。

1　SVM模型學習理論

SVM回歸校正模型，就是利用SVM核函數，將CO紅外光譜輸入數據利用線性映射Φ，映射到高維空間，然后在高維空間進行回歸分析，建立紅外光譜數據與待測CO氣體濃度的回歸校正模型，其回歸函數f（xi）可表示為

式中w·（xi）為向量w與的內積；w為回歸系數，b為閾值xi=（x1，x2，…，xL）為在掃描波長范圍內L個光譜數據。

引入Lagrange函數，得到的SVM回歸校正模型的回歸函數為

式中若αi不為零或者α*i不為零，表示此樣本即為支持向量。

由于Gauss函數能較好地模擬光譜信號，所以，本文選用RBF核函數，其基本形式如下

式中g為gamma參數函數設置（若k為屬性的數目，則g默認為1/k）。

2　改進的網格搜索尋優方法

SVM的回歸模型的建立需要進行參數的優選［8］，主要是選擇參數c和g。具體的尋優過程可如圖1。

圖1　改進網格搜索尋優流程圖Fig 1　Flow chart of improved grid search optimizing

3　實驗與分析

3.1實驗裝置

本實驗搭建的實驗裝置的原理如圖2所示。

圖2　NDIR測試系統原理圖Fig 2　Principle diagram of NDIR test system

整個裝置主要由MCU、光源、氣室、探測器、信號處理電路和LCD顯示屏組成。系統計算處理后的CO濃度值將動態實時顯示在LCD屏上。

紅外光源要求輻射的光譜成分穩定、輻射能量集中在待分析組分特征吸收波段范圍內、紅外線應平行于氣室的中心軸。

3.2網格搜索尋優與建模

在實驗室條件下，模擬了汽車尾氣中CO氣體的檢測實驗，以標準濃度在0.5%～20%之間的15組CO氣體作實驗樣氣，MCU調制紅外光源的波長至4.64 μm處（CO的特征吸收波長），待光源工作穩定后，將樣本氣體通入NDIR氣體檢測系統中，經過一系列的信號調理，待顯示的濃度數值穩定后就是最終檢測出的氣體濃度值。充入另一濃度值的氣體后，重新計算，如此重復15次。對比發現，系統檢測的濃度值和標準的濃度值之間相差較大，具體如表2中的數值所示。

為了減小誤差，提高檢測準確度，采用SVM方法對檢測的濃度值進行回歸預測分析：以15組實驗檢測得到的CO濃度值為樣本進行歸一化處理，便是模型的輸入；以標準濃度在0.5%～20%之間的15組CO氣體濃度作為標準樣本，對標準濃度進行歸一化處理，便是模型的期望輸出。模型的建立需要找到最優的懲罰參數c和RBF核參數g，本文根據圖1所示的流程圖進行參數尋優，二次尋優的結果如圖3所示。

圖3　參數選擇結果視圖Fig 3　View of parameter selection results

由圖3可知，改進的網格搜索法得到的最優參數c= 0.707，g=0.5，交叉驗證的均方差為0.0042。為了驗證回歸預測后準確度，本文將標準CO濃度值、NDIR檢測的濃度值以及回歸分析后的濃度值繪制在一個圖中進行比較，如圖4所示；回歸分析后的樣本與標準樣本誤差如圖5所示。

圖4　標準值與處理前后樣本對比圖Fig 4　Comparison chart of standard values and samples before and after processing

由圖4可知，回歸預測數據在低濃度和高濃度時，與CO標準氣體濃度相差較大，在中間濃度范圍內，相差較小；經過反歸一化處理后，回歸預測得到的CO濃度值更接近標準濃度，說明基于SVM的回歸分析可以提高NDIR檢測系統的精度。由圖5可以看出，回歸后的誤差曲線和未經處理測量的誤差曲線相比，明顯減小，再一次說明SVM回歸模型的可靠性；測量的絕對誤差在1%以內，符合國家對汽車尾氣排放檢測標準的要求。

圖5　絕對誤差曲線Fig 5　Absolute error curve

若采用PSO算法［9］，則最終尋優結果曲線如圖6所示。

圖6　PSO尋優結果圖Fig 6　Figure of PSO optimizing results

由圖7，最佳參數組合c=55.911，g=0.01，交叉驗證的均方誤差為3.723×10-0.05。兩種方法的尋優結果對比如表1所示。測試數據的模型預測濃度值如表2所示。

表1　尋優結果對比Tab 1　Comparison of optimizing result

表2　仿真結果對比（%）Tab 2　Comparison of simulation result（%）

由表1、表2可以看出：2種方法建立的氣體定量分析回歸模型的測試誤差水平基本相當，均高于NDIR檢測系統本身的精度。采用改進的網格搜索法進行參數尋優，參數c明顯小于PSO法，而過高的c容易引起模型的過學習；尋優時間約為PSO的3/5，均方誤差低于PSO。犧牲一點準確率而節省尋優時間是可以接受的。因此，應用此方法建立CO氣體定量分析回歸模型是有效可行的。

4　結論

本文針對基于NDIR氣體檢測系統進行了濃度實驗，得到了15組CO氣體濃度樣本，將改進的網格搜索法應用于SVM的參數尋優，對濃度范圍在0.5%～20%的標準CO氣體進行回歸分析，回歸樣本曲線逐漸逼近標準濃度值，明顯比實驗所檢測的濃度值更加接近標準濃度值。因此，可以將改進的網格搜索法與SVM相結合，應用于CO氣體的定量分析建模中，并且在機動車尾氣排放檢測中，具有一定的發展潛力和挖掘空間。

［1］李國林，董明，宋楠，等.基于中紅外光譜吸收技術的一氧化碳氣體檢測系統［J］.光譜學與光譜分析，2014，34（10）：2839-2844.

［2］白澤生.一種二氧化碳氣體檢測方法［J］.傳感器與微系統，2007，26（7）：105-107.

［3］劉建國，安振濤，張倩.基于傳感器陣列的可燃混合氣體RBF網絡分析［J］.裝備環境工程，2013，10（3）：113-116.

［4］喬聰明.PLS-SVR的三組分混合氣體定量分析［J］.太原理工大學學報，2014，45（1）：120-122，127.

［5］袁力哲，楊憲江，王宇.基于自適應遺傳BP算法的混合氣體定量檢測研究［J］.儀表技術與傳感器，2013（6）：118-120.

［6］黃小燕，趙向陽，方智勇.電子鼻在氣體檢測中的應用研究［J］.傳感器與微系統，2008，27（6）：47-49，52.

［7］曲健，陳紅巖，劉文貞，等.基于自適應變異粒子群優化的SVM在混合氣體分析中的應用［J］.傳感技術學報，2015，28（8）：774-778.

［8］張愉，童敏明，戴桂平.基于OBLPSO-LSSVM的一氧化碳濃度檢測［J］.計算機工程與應用，2013，49（24）：249-252，261.

［9］金翠云，崔瑤，王穎.粒子群優化的SVM算法在氣體分析中的應用［J］.電子測量與儀器學報，2012，26（7）：635-639.

曲健，通訊作者，E—mail：13645712326@163.com。

Application of SVM algorithm in CO concentration sensor

YE Nan-hai1，ZHAO Xiao-feng1，REN Chuan-fa1，CHEN Hong-yan2，QU Jian2
（1.Zhejiang Universe Filter Co Ltd，Rui'an 325204，China；2.College of Mechanical and Electrical Engineering，China Jiliang University，Hangzhou 310018，China）

Quantitative analysis experiment is performed based on IR CO gas quantitative analysis model for harmful gases CO emitted by vehicle.Model is set concentration ranges of 0.5～20%，15 groups of samples are selected.Support vector machine（SVM）are used to build the regression model for sample data.Related parameters are optimized based on the method of improved grid search.The experimental results show that after regression analysis by SVM，compared to the traditional method of spectral absorption，regression sample significantly closer to the calibration concentrations than the experimental values.And compared with PSO algorithm，this method obtains c=0.707，g=0.5，PSO obtains c=55.911，g=0.01，the time of modeling by improved grid search is reduced about 40%of PSO algorithm.SVM used in CO concentration analysis is coincide with the test requirements and regression efficiency is high.

infrared spectrum；support vector machine（SVM）；grid search；exhaust emission

TH744

A

1000—9787（2016）06—0158—03

10.13873/J.1000—9787（2016）06—0158—03

2015—09—29

葉南海（1977-），男，浙江溫州人，工程師，主要從事汽車濾清器的研究與開發。