Adaboost集成BP神經(jīng)網(wǎng)絡(luò)在傳感器陣列檢測(cè)系統(tǒng)中的應(yīng)用*

洪 磊， 龔雪飛， 孫壽通， 簡(jiǎn)家文

(寧波大學(xué) 信息科學(xué)與工程學(xué)院，浙江 寧波 315211)

應(yīng)用技術(shù)

Adaboost集成BP神經(jīng)網(wǎng)絡(luò)在傳感器陣列檢測(cè)系統(tǒng)中的應(yīng)用*

洪 磊， 龔雪飛， 孫壽通， 簡(jiǎn)家文

(寧波大學(xué) 信息科學(xué)與工程學(xué)院，浙江 寧波 315211)

針對(duì)目前常見(jiàn)的多元有害氣體檢測(cè)問(wèn)題，設(shè)計(jì)并搭建了一種基于傳感器陣列和集成BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的傳感器陣列檢測(cè)系統(tǒng)。在該系統(tǒng)中采用集成BP神經(jīng)網(wǎng)絡(luò)對(duì)傳感器陣列的三種混合有害氣體的響應(yīng)信號(hào)進(jìn)行回歸分析。為了提高集成BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確性，又利用Adaboost算法對(duì)集成BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化。結(jié)果顯示：該系統(tǒng)能夠準(zhǔn)確地檢測(cè)氣體組分，通過(guò)Adaboost算法對(duì)集成BP神經(jīng)網(wǎng)絡(luò)優(yōu)化后，預(yù)測(cè)的平均相對(duì)誤差小于2 %，能夠有效解決氣體傳感器的交叉敏感問(wèn)題，提高傳感器的選擇性。

傳感器陣列； 多元有害氣體檢測(cè)； BP神經(jīng)網(wǎng)絡(luò)； Adaboost

0 引 言

隨著全國(guó)汽車(chē)保有量的逐年增加，由汽車(chē)尾氣排放的碳?xì)浠衔?HCs)、碳氧化合物(COx)、氮氧化合物(NOx)等主要有害氣體引發(fā)的霧霾、光化學(xué)煙霧、酸雨越發(fā)嚴(yán)重，汽車(chē)尾氣污染已經(jīng)對(duì)人類(lèi)健康和生存環(huán)境帶來(lái)了極大的負(fù)面影響[1]。目前主要通過(guò)三效催化劑結(jié)合控制空燃比技術(shù)來(lái)減少有害氣體的排放，在三效催化劑的前端和后端各有一個(gè)氣體傳感器，使得尾氣在催化轉(zhuǎn)化器中被轉(zhuǎn)化成對(duì)環(huán)境無(wú)危害或危害較小的成分[2]。

傳統(tǒng)氣體傳感器檢測(cè)技術(shù)都是基于單一氣體的主成分特征進(jìn)行檢測(cè)的，但當(dāng)多種有害氣體發(fā)生大規(guī)?；旌蠒r(shí)，氣體之間的相互干擾會(huì)造成主成分特征發(fā)生丟失，或者退化。針對(duì)這一缺陷，將氣體傳感器陣列和模式識(shí)別技術(shù)相結(jié)合構(gòu)建的多元?dú)怏w傳感器檢測(cè)系統(tǒng)，能夠很好地解決多種氣體共存的交叉敏感問(wèn)題[3,4]。

本文主要基于汽車(chē)尾氣有害成分中的C3H6，CO和NO來(lái)展開(kāi)，以8 mol釔穩(wěn)定氧化鋯(yttria-stabilized zirconia, YSZ)為固體電解質(zhì)，選取SnO2,ZnO,ZnFe2O4作為敏感電極材料來(lái)制備傳感器陣列[5～7]。結(jié)合實(shí)驗(yàn)室的測(cè)試裝置，組合成一個(gè)多元有害氣體檢測(cè)系統(tǒng)。為了提高系統(tǒng)的預(yù)測(cè)精度，引入Adaboost算法對(duì)集成BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，并和單一的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)精確度的對(duì)比，分析兩種網(wǎng)絡(luò)的性能。

1 實(shí) 驗(yàn)

1.1 傳感器陣列的制備

選用等靜壓成形的YSZ生瓷管，在空氣環(huán)境中，于900 ℃排膠2 h后，在高溫1 500 ℃下燒結(jié)2 h，形成YSZ陶瓷管。分別將SnO2,ZnO(+質(zhì)量分?jǐn)?shù)為30%的In2O3),ZnFe2O4(+質(zhì)量分?jǐn)?shù)為50%的ZnO)漿料采用涂覆法將其制備在YSZ管外側(cè)頂端作為敏感電極(sensing electrode,SE)；再將Pt漿料制備在YSZ管內(nèi)側(cè)頂端作為參比電極(reference electrode,RE)；然后，放入干燥箱中于140℃下烘干1 h，再置于高溫爐中于1 200 ℃燒結(jié)2 h后取出；最后，分別引出Pt絲作為電極引線，得到如圖1所示的傳感器陣列。

圖1 傳感器陣列結(jié)構(gòu)示意圖與實(shí)物圖

1.2 測(cè)試過(guò)程

本文根據(jù)汽車(chē)尾氣排放規(guī)定和傳感器的敏感范圍選定氣體體積分?jǐn)?shù)的區(qū)間: C3H6[(50～250)×10-6]，CO [(100～500) ×10-6]，NO [(100～1000)×10-6]，配制了210組混合氣體，盡可能覆蓋被測(cè)體積分?jǐn)?shù)空間。將配好的氣體通入測(cè)試裝置(如圖2所示)，使用美國(guó)NI公司的PCI—6221采集板卡結(jié)合LabVIEW實(shí)現(xiàn)傳感器陣列信號(hào)的采集，得到210組樣本數(shù)據(jù)。

圖2 傳感器陣列測(cè)試裝置示意圖

2 Adaboost集成BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)通過(guò)樣本數(shù)據(jù)的訓(xùn)練，不斷修正網(wǎng)絡(luò)的權(quán)值和閾值使誤差函數(shù)逼近期望輸出[8]。單個(gè)的BP神經(jīng)網(wǎng)絡(luò)可以看作弱分類(lèi)器，其存在著很多不足，比如:網(wǎng)絡(luò)的收斂速度較慢，訓(xùn)練易陷入癱瘓；不具有全局搜索能力，容易出現(xiàn)局部極小值。Adaboost集成BP神經(jīng)網(wǎng)絡(luò)通過(guò)集成多個(gè)BP 神經(jīng)網(wǎng)絡(luò)弱分類(lèi)器組成強(qiáng)分類(lèi)器，反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)樣本的輸出。Adaboost集成BP神經(jīng)網(wǎng)絡(luò)的具體實(shí)現(xiàn)步驟如下：

1)數(shù)據(jù)選擇和網(wǎng)絡(luò)初始化:從樣本空間中隨機(jī)選擇m組訓(xùn)練數(shù)據(jù)，初始化測(cè)試數(shù)據(jù)的分布權(quán)值Dt，根據(jù)樣本輸入輸出維數(shù)確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初始BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值

Dt(i)=1/m,i= 1, 2,…,m.

(1)

2)弱分類(lèi)器預(yù)測(cè):訓(xùn)練第t個(gè)弱分類(lèi)器時(shí)，用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并且預(yù)測(cè)訓(xùn)練數(shù)據(jù)的輸出，得到預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差和et，誤差和et的計(jì)算公式為

et=∑Di(i),i=1, 2,…,m(g(t)≠y),

(2)

式中g(shù)(t)為預(yù)測(cè)分類(lèi)結(jié)果；y為期望分類(lèi)結(jié)果。

3)計(jì)算預(yù)測(cè)序列權(quán)重:根據(jù)預(yù)測(cè)序列g(shù)(t)的預(yù)測(cè)誤差和et計(jì)算序列的權(quán)重at，權(quán)重計(jì)算公式為

at=1/21n [(1-et)/et].

(3)

4)測(cè)試數(shù)據(jù)權(quán)重調(diào)整:根據(jù)預(yù)測(cè)序列權(quán)重at調(diào)整下一輪訓(xùn)練樣本的權(quán)重，調(diào)整公式為

Dt+1(i)=[Dt(i)/Bt]·exp[-at·yi·gt(xi)]，

i= 1, 2,…,m,

(4)

式中Bt是歸一因子，目的是在權(quán)重比例不變的情況下使分布權(quán)值和為1。

5)強(qiáng)分類(lèi)函數(shù):訓(xùn)練T輪后得到T組弱分類(lèi)函數(shù)f(gt,at)，由T組弱分類(lèi)函數(shù)f(gt,at)組合得到了強(qiáng)分類(lèi)函數(shù)h(x)

h(x)=sgn[ ∑at·f(gt,at) ]，t=1,2,…,T.

(5)

3 結(jié)果與討論

3.1 對(duì)單一氣體的響應(yīng)

將傳感器陣列放入測(cè)試裝置中，調(diào)節(jié)測(cè)試溫度為450～550 ℃，維持O2的體積分?jǐn)?shù)為5 %，每次通入一種體積分?jǐn)?shù)為200×10-6的目標(biāo)氣體，得到的結(jié)果如圖3所示?？梢钥吹?，每個(gè)SE都對(duì)某種氣體表現(xiàn)出了較好的主響應(yīng)特性，且在500 ℃時(shí)，響應(yīng)值最高。

圖3 傳感器陣列對(duì)各單一氣體的響應(yīng)圖

3.2 交叉敏感性測(cè)試

將CO傳感器分別在(20～500)×10-6CO+余N2和混有一定體積分?jǐn)?shù)NO，C3H6的(20～500)×10-6CO+余N2混合氣體中進(jìn)行測(cè)試，結(jié)果如圖4所示。由圖可見(jiàn)，不同體積分?jǐn)?shù)的C3H6對(duì)CO表現(xiàn)出不同的干擾特性，而NO對(duì)CO 基本不產(chǎn)生干擾。因此，采用單一傳感器無(wú)法實(shí)現(xiàn)對(duì)多種共存氣體的測(cè)試。

圖4 CO傳感器在不同氣氛中的輸出對(duì)比圖

3.3 Adaboost集成BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

隨機(jī)取150組樣本數(shù)據(jù)作為訓(xùn)練樣本輸入Adaboost集成BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完成后保存網(wǎng)絡(luò)參數(shù)，完成網(wǎng)絡(luò)的建立。在測(cè)試階段，用剩余60組樣本數(shù)據(jù)作為測(cè)試樣本輸入到已訓(xùn)練好的網(wǎng)絡(luò)中來(lái)檢測(cè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性。測(cè)試結(jié)果如圖5所示。可以看出：Adaboost集成BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與真實(shí)值基本重合，能夠很好地預(yù)測(cè)未知?dú)怏w的含量，說(shuō)明該算法模型為傳感器陣列的檢測(cè)提供了有效的模式識(shí)別方法。

圖5 測(cè)試樣本的期望輸出和實(shí)際輸出

3.4 性能比較與分析

為了比較網(wǎng)絡(luò)的性能，本文分別采用Adaboost集成BP神經(jīng)網(wǎng)絡(luò)和單一BP 神經(jīng)網(wǎng)絡(luò)在相同的條件下進(jìn)行訓(xùn)練。將上節(jié)選取的150組訓(xùn)練樣本輸入兩種網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練完成后保存網(wǎng)絡(luò)參數(shù)，使用剩下的60組樣本進(jìn)行測(cè)試，兩種網(wǎng)絡(luò)的結(jié)果對(duì)比如表1所示。

表1 Adaboost集成BP神經(jīng)網(wǎng)絡(luò)與單一BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差比較

注：1) 絕對(duì)誤差=|網(wǎng)絡(luò)實(shí)際輸出-期望輸出|; 2) 相對(duì)誤差=(|網(wǎng)絡(luò)實(shí)際輸出-期望輸出|)/期望輸出×100 %。

由表1可見(jiàn)，在相同的訓(xùn)練樣本時(shí)，Adaboost集成BP神經(jīng)網(wǎng)絡(luò)較單一 BP 神經(jīng)網(wǎng)絡(luò)具有更小的預(yù)測(cè)誤差，其預(yù)測(cè)的平均相對(duì)誤差均小于2 %；在網(wǎng)絡(luò)訓(xùn)練時(shí)，Adaboost集成BP神經(jīng)網(wǎng)絡(luò)的收斂性明顯好于單一BP神經(jīng)網(wǎng)絡(luò)，可有效避免訓(xùn)練時(shí)進(jìn)入局部最優(yōu)解，提高了預(yù)測(cè)系統(tǒng)的穩(wěn)定性。

4 結(jié) 論

針對(duì)多元有害氣體檢測(cè)問(wèn)題，本文設(shè)計(jì)并搭建了一種基于傳感器陣列和集成BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的多元有害氣體檢測(cè)系統(tǒng)，采用Adaboost算法對(duì)集成BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，之后利用該模型來(lái)實(shí)現(xiàn)對(duì)傳感器陣列信號(hào)的分析，結(jié)論如下：1) 使用傳感器陣列檢測(cè)多元?dú)怏w能夠消除氣體交叉敏感帶來(lái)的干擾，攝取更多混合氣體的組分和體積分?jǐn)?shù)信息；2) 本文將神經(jīng)網(wǎng)絡(luò)和傳感器陣列技術(shù)組合的檢測(cè)系統(tǒng)對(duì)多元有害氣體檢測(cè)取得了較好的效果，在定量檢測(cè)實(shí)驗(yàn)中，預(yù)測(cè)的平均誤差均小于2%；3) Adaboost集成BP神經(jīng)網(wǎng)絡(luò)較單一BP 神經(jīng)網(wǎng)絡(luò)能夠達(dá)到更小的預(yù)測(cè)誤差，準(zhǔn)確度高,且建模的穩(wěn)定性強(qiáng)。

[1] Docquier N,Candel S.Combustion control and sensors:A review[J].Prog Energy Combus Sci，2002,28:107-150.

[2] Szabo N F,Dutta P K. Correlation of sensing behaviour of mixed potential sensors with electrochemical properties of electrode-s[J].Solid State Ionics,2004, 171:183-190.

[3] 張覃軼, 胡 偉, 葉衛(wèi)平. 一種基于電子鼻的食醋識(shí)別新方法[J].傳感器與微系統(tǒng),2008, 27(6):18-23.

[4] Wang H F, Moon I, Yang S X, et al. A memetic particle swarm optimization algorithm for multi-modal optimization problem-s[J].Information Sciences,2012,197:38-52.

[5] 梅軍鵬, 韓雪亮. Mn摻雜納米SnO2的氣敏性能研究[J].傳感器與微系統(tǒng),2013,32(1):76-78.

[6] Patil D R,Patil L A. Cr2O3-modified ZnO thick film resistors as LPG sensors [J].Talanta,2009, 77:1409-1414.

[7] 婁向東, 張 寧, 王曉兵. 苯甲酸溶膠凝膠法制備ZnFe2O4氣敏材料[J].傳感器與微系統(tǒng),2009, 28(2):53-55.

[8] 楊守建, 陳 懇. BP 神經(jīng)網(wǎng)絡(luò)性能與隱藏層結(jié)構(gòu)的相關(guān)性探究[J].寧波大學(xué)學(xué)報(bào):理工版, 2013, 26(1):48-52.

Application of Adaboost integrated BP neural network

in detecting system of sensor array*HONG Lei, GONG Xue-fei, SUN Shou-tong, JIAN Jia-wen

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

Aiming at problem of harmful gas mixture detection, a kind of gas detecting system is developed by combining sensor array with integrated BP neural network. The purpose of this test system is regression analysis on response signal of three harmful gas mixture measured by sensor array using BP neural network algorithm. In order to improve the prediction accuracy of the BP neural network, adopt the Adaboost algorithm to optimize integrated neural network. The results show that the system can accurately detect gas component, after integrated neural network is optimized by Adaboost algorithm,predicted average relative error is less than 2%,it can significantly solve problem of cross sensitivity and improve selectivity of sensor.

sensor array; harmful gas mixture detection; BP neural network; Adaboost

2015—01—30

國(guó)家自然科學(xué)基金資助項(xiàng)目(61471210); 浙江省科技廳重大科技專(zhuān)項(xiàng)重點(diǎn)工業(yè)項(xiàng)目(2011C16037); 浙江省寧波市科技局自然科學(xué)基金資助項(xiàng)目(2013A610002)

10.13873/J.1000—9787(2015)04—0148—03

TP 212.2

A

1000—9787(2015)04—0148—03

洪 磊(1990-)，男，安徽合肥人，碩士研究生，主要從事鋯基氣敏傳感器及陣列的研究與開(kāi)發(fā)。