基于SAW传感器阵列的混合气体定性分析
【图文】：
醛（ＰＶＴＤ）的３类聚合物。通过实验对比可知，６种敏感膜对文物腐蚀气体ＣＯ２、Ｏ３、ＮＯ２、ＮＯ和ＳＯ２具有很好的敏感特性。以ＺｎＯ敏感膜为例，其对ＣＯ２、Ｏ３、ＮＯ２、ＮＯ和ＳＯ２等腐蚀性混和气体的响应曲线如图１所示。本系统将镀有这６种敏感材料的ＳＡＷ传感器构成的传感器阵列安装在文物保护移动平台上测试采集。利用传感器阵列可以实现对野外环境参数更精确的采集，以及避免单一传感器系统的不稳定性和不可靠性。图１ＺｎＯ敏感膜对腐蚀性混和气体的典型响应曲线１．１．３隐层节点数单隐层ＢＰ网络可以满足任意非线性映射，但对于有限个输入模式到输出模式的映射，并不需要无限个隐层节点。目前没有具体的理论来证明其选择的标准，隐层节点数由经验公式和试验证明结合来确定。隐层节点数太少，容错性差，而太多则会导致学习时间过长；隐层节点选取本系统根据经验公式确定：ｎｉ＝（０．４３ｍｎ＋２．５４ｍ＋０．７７ｎ＋０．３５＋０．５１＋０．１２ｎ２）１２（１）式中：ｎ为输入层节点数；ｍ为输出层节点数；ｎｉ为隐含层节点数，若ｎｉ不为整数，利用四舍五入规则进行处理［４］。１．１．４训练方法针对ＢＰ算法采用的梯度下降法，，可能在局部内搜索到一个极大值或者极小值，从而陷入恶性循环中，使得网络学习发生振荡。基于上述不足，本文利用可变学习率ＢＰ算法训练前向网络，其训练函数ｔｒａｉｎｇｄｘ是将自适应修改学习率的算法和动量批梯度下降算法有机地结合起来［５］，故而网络的训练速度很快。其参数的具体设置如表１
１训练方法相关参数设置表序号参数名称主要作用设置值１ｎｅｔ．ｐｅｒｆｏｒｍＦｃｎ表现函数ｓｓｅ２ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｅｐｏｃｈｓ最大迭代次数２０００３ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｓｈｏｗ间隔次数１００４ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｇｏａｌ训练目标误差０．００１５ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｍｃ动量常数０．９５１．１．５学习算法细化对于本系统而言，学习算法需要进一步的细化，将算法基本原理分为３个步骤。算法的细化流程如图２所示。图２ＢＰ神经网络算法细化流程图５５０压电与声光２０１７年
【作者单位】： 重庆邮电大学移动通信技术重点实验室;
【基金】：重庆市教育委员会基金资助项目(KJ1500433) 重庆邮电大学自然科学基金资助项目(A2012-97) 2014年重邮文峰创新创业基金资助项目
【分类号】：TN65;TP212.9
【参考文献】
相关期刊论文 前5条
1 赵文俊;黄家成;孙艳玉;宋家友;;基于多级BP神经网络的无线电罗盘多故障诊断研究[J];计算机测量与控制;2015年06期
2 王露;王登攀;杜波;鄢秋娟;张静雯;唐永亮;杨靖;江洪敏;;一种新型SAW气体传感器的设计[J];压电与声光;2015年01期
3 孙吉贵;刘杰;赵连宇;;聚类算法研究[J];软件学报;2008年01期
4 太惠玲;谢光忠;蒋亚东;;基于气体传感器阵列的混合气体定量分析[J];仪器仪表学报;2006年07期
5 马常霞;基于传感器阵列与前馈神经网络的气体辨识系统[J];测控技术;2001年03期
【共引文献】
相关期刊论文 前10条
1 李鑫;李凌雁;李楠;;基于RFID和WSN的采摘机器人自主定位与导航设计[J];农机化研究;2017年09期
2 王浩;孙福明;;基于分类模板的SAR图像自动配准方法[J];电子科技;2017年08期
3 方天恩;漆晶;张朝阳;苏开荣;杨靖;;基于SAW传感器阵列的混合气体定性分析[J];压电与声光;2017年04期
4 牛文静;申建建;冯仲恺;程春田;郭有安;;基于数据挖掘的梯级水电站群指令调度优化方法[J];电力系统自动化;2017年15期
5 程汝峰;刘奕志;梁永全;;基于互近邻相对距离的最小生成树聚类算法[J];郑州大学学报(理学版);2017年03期
6 田凤亮;孙效玉;张航;;一种露天矿卡车故障的NLP技术挖掘与分析方法[J];金属矿山;2017年07期
7 张松;张琳;王汝传;;基于用户限制聚类的协同过滤推荐算法[J];南京邮电大学学报(自然科学版);2017年03期
8 姜楠;王扬钧;王登林;廖帅;;基于Weka平台的辐射源数据挖掘研究[J];航天电子对抗;2017年03期
9 任秀丽;杨建军;;基于实际离散制造数据的单元化制造系统构建[J];机械工程与自动化;2017年04期
10 刘世华;黄德才;;维度概率摘要模型及其层次聚类算法[J];控制与决策;2017年08期
【二级参考文献】
相关期刊论文 前10条
1 蒋雪梅;俎喜红;张政;黄海亮;易国斌;;图案化ZnO纳米线阵列制备与应用的研究进展[J];材料导报;2013年15期
2 向碧群;刘亮;;基于J2EE的气体安全监控系统的设计[J];重庆邮电大学学报(自然科学版);2012年03期
3 李琨;杜晓松;胡佳;孙萍;蒋亚东;;双端谐振型SAW气体传感器的优化设计[J];传感器与微系统;2010年09期
4 李洁;高新波;焦李成;;基于特征加权的模糊聚类新算法[J];电子学报;2006年01期
5 陈桦,程云艳;BP神经网络算法的改进及在Matlab中的实现[J];陕西科技大学学报;2004年02期
6 潘茂庆;顾占波;王建军;;基于神经网络的机载导弹电路故障诊断[J];弹箭与制导学报;2003年S2期
7 李俭川,秦国军,温熙森,胡茑庆;神经网络学习算法的过拟合问题及解决方法[J];振动、测试与诊断;2002年04期
8 谭阳红,何怡刚,陈洪云,吴杰;大规模电路故障诊断神经网络方法[J];电路与系统学报;2001年04期
9 曲建岭,王磊,高峰;运用人工神经网络进行混合气体定量分析的研究[J];西北工业大学学报;2001年03期
10 李啸,闫卫平,郝应光;气体传感器阵列信号处理的混合神经网络[J];传感器技术;2000年04期
【相似文献】
相关期刊论文 前3条
1 徐燕清;用光纤传感器阵列测量动态变量[J];现代计量测试;1995年03期
2 谭春禄;仲圆昌;何鸣放;;车用LED阵列高效智能驱动技术研究[J];硅谷;2010年08期
3 李平，文玉梅;可任意分布的精密压电传感器阵列[J];压电与声光;1996年02期
相关重要报纸文章 前1条
1 ;透视技术新进展[N];计算机世界;2003年
本文编号：2545867
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2545867.html
