基于主成分分析和BP神经网络的气体识别方法研究

2001年12月　　　　　　　　　传　感　技　术　学　报　　　　　　　　　　第4期基于主成分分析和BP116023)①

BP算法相结合应用于气体传感器阵列信号的处理,并以一个由4个SnO2气体传感器组成的阵列为例,对其受到不同浓度的汽车、酒精二元气体的响应信号进行了分析.结果表明,主成分分析能够在保留测试数据最大量信息的前提下,给数据有效降维和预分类,以消除样本间的相关性,然后,再将所产生的新的样本空间作为BP网络的输入,使之减少网络的输入数,简化网络结构,并在保持相同正确率的前提下,大大提高网络的学习速率.

关键词:气体传感器阵列,主成分分析(PCA),BP神经网络

中图分类法:Tp212.2　文献标识码:A　文章编号:100421699(2001)0420292207

1　引　言

　　自从Zaromb和Stetter[1]提出采用灵敏度部分重叠的气体传感器阵列解决气体传感器的交叉敏和低选择性问题以来,人们对气体传感器阵列的信号处理技术研究表现了极大兴趣.先后研究了变换最小方差法(TLS)[2]、局部模型构造法(PMB)[3]、主成分分

析法(PCA)[4]等传统模式识别方法,以及误差反向传播神经网络(BP)[5]、自适应共振神经网络(ART)[6]、自组织特征映射神经网络(SOFM)[7]等人工神经网络方法,在气体传感器阵列信号处理中的应用.

BP网络是一种基于误差反向传播算法的神经网络,在气体传感器阵列信号处理中使用非常广泛[8],但BP网络的训练速率和识别正确率受训练样本的选取、样本间的相关性和网络结构的影响很大[9].主成分分析(PrincipalComponentAnalysis,PCA)是一种数据压缩和特征提取的多变量统计分析技术,能够有效去除数据间的相关性.因此,本文将PCA和BP网络结合起来,首先采用主成分分析法对现有的样本空间进行某种正交组合变换产生新的学习样本空间,使得新的学习样本空间维数低、分量间相关性小,并对气体模式进行预分类,然后将新的学习样本空间作为BP网络的输入,实现气体的浓度识别.

2　识别算法的基本原理

2.1　主成分分析法

主成分分析,是在基本保持原变量信息不变的前提下,通过原变量的少数几个线性组合来稿日期:2001204225

①基金项目:国家自然科学基金重大项目二级课题(59995550-5)和S863项目的资助