偽逆BP神經(jīng)網(wǎng)絡在汽車尾氣檢測中的應用*

劉　萍, 簡家文, 陳志蕓, 張曉娟

(寧波大學 信息科學與工程學院，浙江 寧波 315211)

?

應用技術

偽逆BP神經(jīng)網(wǎng)絡在汽車尾氣檢測中的應用*

劉萍, 簡家文, 陳志蕓, 張曉娟

(寧波大學 信息科學與工程學院，浙江 寧波 315211)

摘要:為了準確、快速、高效地檢測汽車尾氣中各氣體的質(zhì)量分數(shù)，結合傳感器陣列和神經(jīng)網(wǎng)絡技術，設計了一種汽車尾氣檢測系統(tǒng)。為了提高神經(jīng)網(wǎng)絡模型的擬合和預測能力，提出偽逆BP集成神經(jīng)網(wǎng)絡模型：利用偽逆法求得不同BP神經(jīng)網(wǎng)絡集成的最優(yōu)權重系數(shù)，再通過加權平均法集成BP神經(jīng)網(wǎng)絡。利用偽逆BP集成神經(jīng)網(wǎng)絡模型對傳感器陣列信號進行回歸分析，結果表明：該模型的預測相對誤差均小于5 %，對比傳統(tǒng)Adaboost—BP集成神經(jīng)網(wǎng)絡模型，該模型實現(xiàn)更簡單，收斂更快，收斂精度和預測精度更高。

關鍵詞：傳感器陣列； 汽車尾氣檢測； 集成神經(jīng)網(wǎng)絡； 偽逆法

0引言

隨著汽車數(shù)量的急劇增加，大量汽車尾氣排放到空氣中，其中有毒有害氣體對大氣造成了嚴重污染，并對人類的健康構成威脅。因此，快速、有效地檢測汽車尾氣，對治理環(huán)境污染具有重要意義。由于單一離散的氣體傳感器之間存在交叉敏感問題[1]，因此，采用傳感器陣列與神經(jīng)網(wǎng)絡相融合的方法，對混合氣體進行檢測[2]。

由于傳統(tǒng)的單一神經(jīng)網(wǎng)絡存在預測精度低、穩(wěn)定性弱、泛化能力差等缺點，集成神經(jīng)網(wǎng)絡在回歸分析中已經(jīng)被廣泛使用[3]。對神經(jīng)網(wǎng)絡集成的研究主要集中在兩方面，即如何構造集成中的個體神經(jīng)網(wǎng)絡和如何集成個體神經(jīng)網(wǎng)絡的輸出。目前傳統(tǒng)的神經(jīng)網(wǎng)絡集成算法是Adaboost算法，利用該算法集成的神經(jīng)網(wǎng)絡模型雖然精度較高，泛化能力較強，但是需要設置較多的參數(shù)，而參數(shù)的設置對模型的性能具有直接影響，并且模型設計相對復雜，訓練速度相對較慢，因此，本文利用偽逆法和加權平均法[4]集成各網(wǎng)絡，并以網(wǎng)絡訓練的相對誤差平方和作為集成算法的目標函數(shù)[5]，得到偽逆—BP集成神經(jīng)網(wǎng)絡模型。利用此模型對傳感器陣列信號進行了回歸分析，并與Adaboost算法集成的BP神經(jīng)網(wǎng)絡(Adaboost—BP集成神經(jīng)網(wǎng)絡)模型進行了性能比較。

1檢測裝置和實驗測量

傳感器陣列主要模擬人的嗅覺系統(tǒng)，對汽車尾氣進行檢測，得到傳感器信號，然后經(jīng)過信號預處理電路得到陣列信號，最后通過神經(jīng)網(wǎng)絡模型的處理得到被測氣體的濃度信息，其過程如圖1所示。

圖1　檢測原理圖Fig 1　Detection principle diagram

1.1檢測系統(tǒng)

根據(jù)要檢測的四種氣體(O2， NO， CO， CO2)在汽車尾氣中的體積分數(shù)范圍，本文選定4只對以上氣體具有主響應的氣體傳感器：O2—A2傳感器、NO—AE傳感器、CO—CE傳感器、CO2—D1傳感器以及溫度和濕度傳感器TGH3151共同組成傳感器陣列，并設計相應的信號預處理電路。信號預處理電路，主要包括：電流/電壓轉換電路、恒定電路[6]、放大電路等。其中，NO—AE傳感器和CO—CE傳感器為三電極電化學傳感器，其信號預處理電路如圖2所示。圖2中的A部分為恒定電路，主要用來消除傳感器電極間的極化現(xiàn)象[7]；B部分為電流/電壓轉換電路和電壓放大電路。

圖2　三電極電化學傳感器信號預處理電路Fig 2　Signal preprocessing circuit of three-electrodeelectrochemical sensor

O2—A2傳感器和CO2—D1傳感器的信號預處理電路如圖3所示。

根據(jù)預處理電路原理圖，制作PCB板，并將選取好的傳感器固定在PCB板上。為了便于模擬汽車尾氣環(huán)境，將傳感器陣列置于密閉的測試腔內(nèi)。

1.2實驗測量

根據(jù)四種測試氣體在汽車尾氣中的體積分數(shù)范圍和傳感器的敏感范圍，利用實驗室的動態(tài)配氣系統(tǒng)，以任意比例配置了211組不同的混合氣體，其中，O2[18 %～22 %]，NO[0～250×10-6]，CO[0～1 000×10-6]，CO2[0～5 000×10-6]。實驗過程中主要通過精密流量計將不同流速的氣體混入測試腔內(nèi)，通過傳感器陣列和信號預處理電路得到陣列信號，然后采用美國NI公司的PCI 6221采集板卡對傳感器陣列信號進行采集，得到211組實驗數(shù)據(jù)。

2偽逆—BP神經(jīng)網(wǎng)絡模型

2.1BP神經(jīng)網(wǎng)絡和偽逆法

BP神經(jīng)網(wǎng)絡的結構包括輸入層、隱含層、輸出層。各網(wǎng)絡層由網(wǎng)絡權值連接，神經(jīng)元處設有閾值，輸入層的輸入信號經(jīng)過隱含層處理，到達輸出層，通過判斷輸出層的結果與期望輸出的誤差來調(diào)整網(wǎng)絡的權值和閾值，經(jīng)過不斷的迭代來逼近期望輸出。偽逆法廣泛應用于求解最小平方誤差準則下的線性方程組[8]。若已知線性方程組

AX=B.

(1)

(2)

2.2集成神經(jīng)網(wǎng)絡

集成神經(jīng)網(wǎng)絡構建的主要思想是：通過對同一問題訓練多個神經(jīng)網(wǎng)絡，對各個網(wǎng)絡分配不同的權重系數(shù)，將其結果進行加權平均，來得到泛化能力更好的集成神經(jīng)網(wǎng)絡[10]，如式(3)所示

(3)

式中F為集成神經(jīng)網(wǎng)絡；fn為單一神經(jīng)網(wǎng)絡；N為神經(jīng)網(wǎng)絡的個數(shù)；an為各網(wǎng)絡的權重系數(shù)。

2.3搭建偽逆—BP集成神經(jīng)網(wǎng)絡模型

為了合理求得集成神經(jīng)網(wǎng)絡中各網(wǎng)絡的權重系數(shù)an，本文以集成神經(jīng)網(wǎng)絡的擬合輸出Y與期望輸出H的相對誤差平方和為目標函數(shù)，提出利用偽逆法求得集成神經(jīng)網(wǎng)絡最優(yōu)權重系數(shù)的方法，并建立了偽逆—BP神經(jīng)網(wǎng)絡模型。其主要步驟如下：

1)通過選取不同的隱含層神經(jīng)元個數(shù)，構建不同的BP神經(jīng)網(wǎng)絡，通過訓練樣本的訓練，完成各單一網(wǎng)絡的建立。

2)利用偽逆法求得各神經(jīng)網(wǎng)絡的最優(yōu)權重系數(shù)，其具體推導過程如下：

其中,hi為第i個訓練樣本的期望輸出，tij為第i個神經(jīng)網(wǎng)絡的第j個訓練樣本的擬合輸出；m為訓練樣本的個數(shù)；n為神經(jīng)網(wǎng)絡的個數(shù)；ai為第i個神經(jīng)網(wǎng)絡的權重系數(shù)；Yj為網(wǎng)絡集成后第j個訓練樣本的擬合輸出。網(wǎng)絡輸出矩陣、權重系數(shù)、網(wǎng)絡集成后的擬合輸出的關系為

AT=Y.

(4)

然后，以集成神經(jīng)網(wǎng)絡的擬合輸出與期望輸出的相對誤差作為評價標準，使得‖(Y-H)./H‖最小，來尋找各神經(jīng)網(wǎng)絡集成的最優(yōu)權重系數(shù)[a1a2…an]。

已知

(Y-H)./H=Y/H-H./H=Y./H-ones(1,m),

(5)

(6)

尋找各神經(jīng)網(wǎng)絡最優(yōu)權重系數(shù)的問題就等價于求近似解[a1a2…an]使得‖AG-ones(1,m)‖最小，又等價于求解方程GTAT=ones(1,m)T的近似解使得‖AG-ones(1,m)‖最小。由偽逆法可知

[a1a2…an]=((GGT)-1Gones(m,1))T.

(7)

此時，‖(YT./Y-ones(1,m))‖最小，即為最優(yōu)權重系數(shù)矩陣。

最后，根據(jù)步驟(1)中得到的各神經(jīng)網(wǎng)絡并結合式(7)，求得各神經(jīng)網(wǎng)絡的最優(yōu)權重系數(shù)。

3)利用加權平均算法，結合式(3)集成各網(wǎng)絡，得到偽逆—BP集成神經(jīng)網(wǎng)絡模型。

3偽逆—BP集成神經(jīng)網(wǎng)絡模型的應用與性能分析

將實驗測量的傳感器信號值與其對應的各氣體濃度值作為原始數(shù)據(jù)(211組)，利用式(8)對原始數(shù)據(jù)x做歸一化處理

(8)

式中xmin=min(x),xmax=max(x)。

隨機選取200組歸一化后的原始數(shù)據(jù)作為神經(jīng)網(wǎng)絡模型的訓練樣本，其余11組作為預測樣本。通過多次實驗比較，設置不同的隱含層神經(jīng)元個數(shù)Q(Q=7，8，…，13)，基于Matlab環(huán)境下的newff()函數(shù)創(chuàng)建不同的神經(jīng)網(wǎng)絡；然后根據(jù)式(7)得到各神經(jīng)網(wǎng)絡的權重系數(shù)；最后利用加權平均法集成各網(wǎng)絡得到偽逆—BP集成神經(jīng)網(wǎng)絡模型。利用該模型，對實驗數(shù)據(jù)進行回歸分析，并與Adaboost—BP神經(jīng)網(wǎng)絡模型分析結果進行性能比較，實驗結果如表1所示。

表1　Adaboost—BP集成神經(jīng)網(wǎng)絡與偽逆—BP集成神經(jīng)網(wǎng)絡性能比較

注：相對誤差=(|網(wǎng)絡實際輸出-期望輸出|)/期望輸出×100 %。

從表1可以看出，偽逆—BP集成神經(jīng)網(wǎng)絡模型對各路氣體濃度預測的平均相對誤差均優(yōu)于Adaboost—BP集成神經(jīng)網(wǎng)絡模型，能夠很好地處理傳感器陣列信號；與Adaboost—BP集成神經(jīng)網(wǎng)絡模型相比，偽逆—BP集成神經(jīng)網(wǎng)絡實現(xiàn)更簡單，且具有更高的收斂精度與預測精度，收斂速度更快。

4結束語

針對汽車尾氣檢測問題，本文設計了一種傳感器陣列和偽逆—BP集成神經(jīng)網(wǎng)絡模型相結合的汽車尾氣檢測系統(tǒng)。在模擬汽車尾氣環(huán)境下，利用傳感器陣列得到實驗數(shù)據(jù)，結合BP神經(jīng)網(wǎng)絡和偽逆法構建了偽逆—BP集成神經(jīng)網(wǎng)絡模型，采用此模型對實驗數(shù)據(jù)進行了回歸分析。實驗結果表明：與Adaboost—BP集成神經(jīng)網(wǎng)絡模型相比，偽逆—BP集成神經(jīng)網(wǎng)絡模型具有更好的收斂性與預測精度，能夠有效檢測汽車尾氣。

參考文獻:

[1]Pati S,Banerji P,Majumder S B.N-to-P-type carrier reversal in nanocrystalline indium doped ZnO thin film gas sensors[J].International Journal of Hydrogen Energy,2014,39(27):15134-15141.

[2]張覃軼.電子鼻:傳感器陣列、系統(tǒng)及應用研究 [D].武漢：華中科技大學,2005.

[3]洪磊,龔雪飛,孫壽通,等.Adaboost集成BP神經(jīng)網(wǎng)絡在傳感器陣列檢測系統(tǒng)中的應用[J].傳感器與微系統(tǒng),2015,34(4):148-150.

[4]Manohar V,Povey D,Khudanpur S.Semi-supervised maximum mutual information training of deep neural network acoustic mo-dels[C]∥Proceedings of INTERSPEECH，2015.

[5]趙斌,王建華.基于PSO—BP的紅外溫度傳感器環(huán)境溫度補償[J].傳感器與微系統(tǒng),2015,34(2):47-49.

[6]鄒紹芳,范影樂,王平.基于微電極陣列的自動環(huán)境監(jiān)測電子舌的設計[J].儀器儀表學報,2007,28(9):1641-1645.

[7]張偉,周鳳星.基于STM32和 FPGA的石油管道腐蝕測試儀[J].儀表技術與傳感器,2015(2):39-42.

[8]隆昌菊.偽逆矩陣與線性方程組[J].重慶職業(yè)技術學院學報,2006,15(6):158-159.

[9]Yu F,Xu X.A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network[J].Applied Energy,2014,134:102-113.

[10] 陳如清,俞金壽.基于改進神經(jīng)網(wǎng)絡集成算法的軟測量建模[J].儀器儀表學報,2008,29(6):1240-1244.

Applications of pseudo-inverse-BP neural network in automobile exhaust detection*

LIU Ping， JIAN Jia-wen， CHEN Zhi-yun， ZHANG Xiao-juan

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

Abstract:In order to accurately,fastly and high efficiently detect mass fraction of each gas in automobile exhaust,a kind of automobile exhaust detection system is designed by combining sensor array and neural network technology.In order to improve fitting and prediction ability of neural network model,a pseudo-inverse-BP integrated neural network model is put forward.Pseudo-inverse method is used to get the optimal weight coefficient integrated different BP neural network,BP neural network is integrated by weighted average method.Pseudo-inverse-BP integrated neural network model is used for regression analysis of sensor array signal.The results show that relative error predicted by pseudo-inverse-BP integrated neural network model is less than 5 %,compared with traditional Adaboost-BP integrated neural network model,this model is more simple and has faster convergence speed and higher precision of convergence and prediction.

Key words:sensor array; autombile exhaust detection; integrated neural network; pseudo-inverse method

DOI:10.13873/J.1000—9787(2016)03—0157—04

收稿日期：2016—01—21

*基金項目：國家自然科學基金資助項目(61471210)

中圖分類號：TP 183

文獻標識碼：A

文章編號：1000—9787(2016)03—0157—04

作者簡介:

劉萍( 1989- )，女，河北保定人，碩士研究生，主要研究方向為傳感器陣列信號融合。