《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 测试测量 > 设计应用 > 基于改进OS-ELM的电子鼻在线气体浓度检测*
基于改进OS-ELM的电子鼻在线气体浓度检测*
电子技术应用
朱梓涵，陶洋，梁志芳
（重庆邮电大学 通信与信息工程学院，重庆400065）
摘要： 电子鼻是一种仿生传感系统，该设备能够同时对多种气体进行识别，因此应用在许多领域当中。气体浓度算法是电子鼻对气体定量分析时的核心部分，为了提高电子鼻浓度检测算法精度，提出一种基于在线序列极限学习机（Online Sequential-Extreme Learning Machine， OS-ELM）的预测模型。该模型通过一维卷积神经网络（One Dimensional Convolutional Neural Network， 1DCNN）提取特征，使用OS-ELM对气体浓度进行预测，并提出了一种改进的粒子群（Particle Swarm Optimization， PSO）算法以克服OS-ELM需人工调整模型参数的问题。由理论分析，改进的算法比传统PSO算法有更强的搜索能力。实验结果表明，所提模型对气体的预测精度上较传统的预测模型具有更高的预测精度和泛化能力。
中圖分類(lèi)號(hào)：TP212；TP183 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.233821
中文引用格式： 朱梓涵，陶洋，梁志芳. 基于改進(jìn)OS-ELM的電子鼻在線氣體濃度檢測(cè)[J]. 電子技術(shù)應(yīng)用，2023，49(10)：71-75.
英文引用格式： Zhu Zihan，Tao Yang，Liang Zhifang. Online gas concentration detection of electronic nose based on improved OS-ELM[J]. Application of Electronic Technique，2023，49(10)：71-75.
Online gas concentration detection of electronic nose based on improved OS-ELM
Zhu Zihan，Tao Yang，Liang Zhifang
(School of Communication and Information Engineering， Chongqing University of Posts and Telecommunications， Chongqing 400065， China)
Abstract： Electronic nose is a bionic sensing system, which can identify many gases at the same time, so it is used in many fields. The gas concentration detection algorithm is the core part of the gas quantitative analysis by electronic nose. In order to improve the accuracy of the electronic nose concentration detection algorithm, a prediction model based on online sequential-extreme learning machine (OS-ELM) is proposed. The model uses one-dimensional convolutional neural network (1DCNN) to extract features, uses OS-ELM to predict gas concentration, and proposes an improved Particle Swarm Optimization(PSO) algorithm to overcome the problem that OS-ELM needs to manually adjust model parameters. The theoretical analysis shows that the improved algorithm has stronger search ability than the traditional PSO algorithm. Finally, the experimental results show that the proposed model has higher prediction accuracy and generalization ability compared with the traditional prediction model.
Key words : electronic nose；concentration detection；one-dimensional convolution neural network；online sequential-extreme learning machine；particle swarm optimization

0　引言

隨著工業(yè)的高速發(fā)展，環(huán)境問(wèn)題日益突出?？諝馕廴締?wèn)題不僅直接危害人體健康，還對(duì)生活環(huán)境造成了嚴(yán)重影響。電子鼻是一種模仿動(dòng)物嗅覺(jué)器官的傳感器設(shè)備，能夠快速并準(zhǔn)確地識(shí)別出各種氣體[1]。

電子鼻主要由氣體識(shí)別算法、信號(hào)處理模塊和傳感器陣列組成[2]。氣體識(shí)別算法是電子鼻系統(tǒng)中的關(guān)鍵組成部分，能夠從軟件層面上提升電子鼻的識(shí)別效果。

目前的研究者使用了不同的方法提高氣體識(shí)別算法的精度。Akbar等[3]通過(guò)特征降維提升氣體識(shí)別的準(zhǔn)確率，但這可能導(dǎo)致特征信息丟失而影響最終效果。Fan等[4]則采用無(wú)監(jiān)督學(xué)習(xí)的方式進(jìn)行氣體聚類(lèi)分析提高了氣體分類(lèi)時(shí)的精度，但這種方式要求提取高質(zhì)量的特征。Wijaya[5]運(yùn)用信息論對(duì)傳感器陣列進(jìn)行特征選擇，以?xún)?yōu)化氣體識(shí)別算法，但增加了特征提取和選擇的工作量和復(fù)雜度。李鵬等[6]直接使用一維卷積神經(jīng)網(wǎng)絡(luò) (One Dimensional Convolutional Neural Network, 1DCNN)對(duì)氣體進(jìn)行識(shí)別并確定氣體種類(lèi)。而LE B T等人[7]指出了直接使用CNN網(wǎng)絡(luò)進(jìn)行分類(lèi)或預(yù)測(cè)的缺陷，因此他們采用了混合模型來(lái)預(yù)測(cè)目標(biāo)，但這種模型面對(duì)大量樣本數(shù)據(jù)時(shí)，會(huì)導(dǎo)致訓(xùn)練速度緩慢和計(jì)算機(jī)內(nèi)存占用較高。

針對(duì)電子鼻的氣體濃度預(yù)測(cè)中的問(wèn)題，本文提出一種基于在線序列極限學(xué)習(xí)機(jī)(Online Sequential-Extreme Learning Machine, OS-ELM)的氣體濃度預(yù)測(cè)方法。OS-ELM不僅具有ELM模型計(jì)算速度快、泛化能力強(qiáng)的特點(diǎn)[8]，而且還采用了在線式增量學(xué)習(xí)策略[9]。但OS-ELM的輸入權(quán)重和隱層偏置是隨機(jī)生成的，這會(huì)影響預(yù)測(cè)精度。為了克服這一缺點(diǎn)，本文提出一種改進(jìn)的粒子群算法，該算法能夠有效地搜索OS-ELM全局最優(yōu)參數(shù)，從而進(jìn)一步提高模型濃度預(yù)測(cè)精度。此外，本文還使用1DCNN模型對(duì)氣體信號(hào)進(jìn)行特征提取，挖掘了氣體信號(hào)的深度特征。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://m.ihrv.cn/resource/share/2000005716




作者信息：

朱梓涵，陶洋，梁志芳

（重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶400065）


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。