• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    粒子群優(yōu)化SVM在氣體定量分析中的應(yīng)用

    2016-10-17 07:28:06鄭堯軍陳紅巖陳開考
    傳感技術(shù)學(xué)報 2016年7期
    關(guān)鍵詞:適應(yīng)度遺傳算法粒子

    鄭堯軍,陳紅巖,馮 勇,陳開考,曲 健

    (1.浙江經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院汽車技術(shù)學(xué)院,杭州310018;2.中國計量學(xué)院機(jī)電工程學(xué)院,杭州310018)

    粒子群優(yōu)化SVM在氣體定量分析中的應(yīng)用

    鄭堯軍1*,陳紅巖2,馮勇1,陳開考1,曲健2

    (1.浙江經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院汽車技術(shù)學(xué)院,杭州310018;2.中國計量學(xué)院機(jī)電工程學(xué)院,杭州310018)

    針對機(jī)動車尾氣排放CO氣體的定量分析中,支持向量機(jī)建模的參數(shù)難以確定、光譜數(shù)據(jù)計算量過大等問題,提出了一種自適應(yīng)變異粒子群優(yōu)化的支持向量機(jī)方法,對濃度范圍在0.5%~8%的20組不同濃度的CO氣體進(jìn)行定量分析。通過對汽車尾氣中CO氣體的初始數(shù)據(jù)進(jìn)行優(yōu)化,再將優(yōu)化的核函數(shù)帶入支持向量機(jī)進(jìn)行濃度的回歸分析,將結(jié)果與BP神經(jīng)網(wǎng)絡(luò)模型回歸效果作對比,實(shí)驗(yàn)表明:粒子群尋優(yōu)得到的最優(yōu)參數(shù)c=39.315 2,g=0.178 55;BP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度值在迭代60次之后趨于穩(wěn)定,SVM建模時間約為BP網(wǎng)絡(luò)的1/30,且SVM預(yù)測精度明顯高于BP網(wǎng)絡(luò)。相比與BP網(wǎng)絡(luò),SVM更適合處理氣體定量分析問題。

    傳感器應(yīng)用;支持向量機(jī);粒子群優(yōu)化;BP神經(jīng)網(wǎng)絡(luò);遺傳算法

    EEACC:7230;B40;4145doi:10.3969/j.issn.1004-1699.2016.07.028

    目前,氣體的定量檢測已廣泛應(yīng)用于食品安全、環(huán)境監(jiān)測、生產(chǎn)安全等多個領(lǐng)域[1]。CO是有毒氣體,過量排放將嚴(yán)重影響我們的身心健康。在CO氣體定量分析方法中,主要采用紅外吸收法,但由于傳感器元器件的老化、溫度的變化、供電電壓的波動等因素,導(dǎo)致測量的精度不是很高,無法對汽車尾氣排放進(jìn)行有效的檢測和監(jiān)督。

    提高氣體測量精度的方法主要有人工神經(jīng)網(wǎng)絡(luò)[2-3]ANN(Artificial Neural Network)方法和支持向量機(jī)[4-6]SVM(Support Vector Machine)方法等。其中,余大洲[2]等人針對氣體檢測領(lǐng)域數(shù)據(jù)量巨大的特點(diǎn),提出了使用RBF神經(jīng)網(wǎng)絡(luò)技術(shù)來實(shí)現(xiàn)對氣體傳感器陣列采集到的信息融合,并論證了該方法的可行性;王智文[7]等針對混合氣體分析中建模時間過長以及泛化能力較差的問題,將主成分提取與貝葉斯正則化結(jié)合,對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,使得建模時間從4 250 s降為8 s;曲健[8]等利用改進(jìn)的網(wǎng)格搜索法對支持向量機(jī)進(jìn)行參數(shù)優(yōu)化,并應(yīng)用于CO2氣體定量分析中,得到了最優(yōu)參數(shù)組合,進(jìn)一步提高了預(yù)測精度;李玉軍[9]等人將粒子群優(yōu)化與最小支持二乘向量機(jī)相結(jié)合,建立混合氣體定量分析模型,尋優(yōu)時間節(jié)省 40倍以上;Manouchehrian Amin[10]等運(yùn)用基于遺傳算法尋優(yōu)方法的支持向量機(jī),建立回歸模型,預(yù)測巖石的強(qiáng)度和可變性屬性;

    本文以SVM為基礎(chǔ)對濃度范圍在0.5%~8%的20組CO氣體樣本進(jìn)行定量分析,選取其中15組樣本作為訓(xùn)練集,選擇剩余的5組氣體樣本作為驗(yàn)證集,驗(yàn)證模型的預(yù)測精度和水平。在SVM參數(shù)的選取問題上,提出了自適應(yīng)變異粒子群優(yōu)化算法。在20組氣體樣本的處理上,還采用了神經(jīng)網(wǎng)絡(luò)建模分析,并將SVM建模分析效果與遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建模相比較。

    1 自適應(yīng)變異粒子群優(yōu)化

    粒子群優(yōu)化算法[11-12]PSO(Particle Swarm Optimization)是計算智能領(lǐng)域,除蟻群算法、魚群算法之外的一種群體智能的優(yōu)化算法。

    在迭代過程中,粒子經(jīng)個體極值和全局極值更新自己的速度和位置,公式為:

    式中,ω為慣性權(quán)重;d=1,2,…,D,表示維數(shù);k為當(dāng)前迭代數(shù);Vid為粒子速度;Xid為粒子位置;Pid為個體極值;Pgd為種群極值;c1和c2為加速度因子。粒子群優(yōu)化算法收斂快,但存在著容易早熟收斂、搜索精度較低、后期迭代效率不高等缺點(diǎn)。因此,本文提出了自適應(yīng)變異[13-14]的粒子群優(yōu)化算法,指通過一定的準(zhǔn)則和判定條件對相應(yīng)的粒子采取變異操作,產(chǎn)生新的粒子,引導(dǎo)種群向最優(yōu)解方向收斂。

    2 遺傳算法優(yōu)化BP網(wǎng)絡(luò)

    遺傳算法[15]是模擬自然界生物進(jìn)化論和遺傳機(jī)制而成的一種并行隨機(jī)搜索的優(yōu)化方法。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[16]流程如圖1所示。

    圖1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程圖

    將預(yù)測輸出與期望輸出之間誤差絕對值的和作為適應(yīng)度值,計算公式為:

    式中,yi為第i個節(jié)點(diǎn)的預(yù)測輸出,oi為期望輸出,n為輸出節(jié)點(diǎn)數(shù)。

    每個個體被選擇的概率pi為:

    其中,fi=k/Fi,F(xiàn)i為個體i的適應(yīng)度值,N為種群個體的數(shù)目。

    交叉操作。例如第m個染色體am與第n個染色體an在l位進(jìn)行交叉,則

    式中,b為(0-1)之間的隨機(jī)小數(shù)。

    以第m個個體的第i個染色體ami為例,變異的操作表示為:

    式中,amax為ami的上限,amin為ami的下限;f(g)= r2(1-g/G)2;r2為隨機(jī)數(shù),g為當(dāng)前的迭代次數(shù),G為設(shè)定的迭代次數(shù);r為(0-1)之間的隨機(jī)小數(shù)。

    3 實(shí)驗(yàn)與分析

    本實(shí)驗(yàn)采用不分光紅外法(NDIR)對CO濃度進(jìn)行檢測。經(jīng)過MCU調(diào)制的紅外光源通過一定長度的氣室內(nèi),氣室中充有待測濃度的CO氣體。由于CO對紅外線波段中特征波長紅外線能量的吸收,特定波長的光源通過氣體后,在相應(yīng)譜線處會發(fā)生光強(qiáng)的衰減,紅外線的能量將減少,探測器檢測剩余的光強(qiáng)度并轉(zhuǎn)化為電信號,放大濾波后作為模型的輸入。整個測試系統(tǒng)的原理如圖2所示。

    圖2 NDIR測試系統(tǒng)原理圖

    圖2中,檢測系統(tǒng)的核心部件—傳感器,包括進(jìn)氣口、出氣口、紅外光源、氣室、探測器和信號處理電路等部分。

    紅外光源和探測器的優(yōu)劣,將影響整個系統(tǒng)的檢測精度。紅外光源要求輻射的光譜成分穩(wěn)定、輻射能量集中在待測分析組分氣體特征吸收波段范圍內(nèi)、紅外線應(yīng)平行于氣室的中心軸。探測器選用PerkinElmer公司生產(chǎn)的TPS4339熱電堆探測器,具有對紅外輻射產(chǎn)生溫度變化的響應(yīng)度高、信號處理能力強(qiáng)、分辨率和靈敏度較高等優(yōu)點(diǎn),能夠滿足對氣體檢測的需要。

    3.1粒子群優(yōu)化SVM建模分析

    以標(biāo)準(zhǔn)濃度在0.5%~8%之間的20組CO氣體作為實(shí)驗(yàn)樣氣,對標(biāo)準(zhǔn)濃度進(jìn)行歸一化處理,便是模型的期望輸出。0.5%~8%之間的標(biāo)準(zhǔn)濃度是經(jīng)過專業(yè)氣體配置公司標(biāo)準(zhǔn)化配置的,所以可以保證標(biāo)準(zhǔn)的可靠性;即使標(biāo)準(zhǔn)濃度本身存在一定的誤差,當(dāng)基于此數(shù)據(jù)進(jìn)行預(yù)測時,因?yàn)獒槍ν唤M濃度樣本,且與此標(biāo)準(zhǔn)濃度進(jìn)行預(yù)測對比,則實(shí)驗(yàn)效果的相對誤差是準(zhǔn)確的,可以進(jìn)行合理有效的預(yù)測對比。選擇其中的15組樣本為訓(xùn)練集,建立SVM模型并查看模型在訓(xùn)練集上的回歸效果;選擇剩余的5組樣本為測試集,用建立好的模型對測試集進(jìn)行回歸預(yù)測,并驗(yàn)證SVM模型的預(yù)測精度和水平(詳情見表1)。模型的建立需要找到最優(yōu)的懲罰參數(shù)c和RBF核參數(shù)g,本文采用自適應(yīng)變異粒子群優(yōu)化算法進(jìn)行參數(shù)尋優(yōu),具體的優(yōu)化流程如圖3所示。

    圖3 自適應(yīng)變異PSO參數(shù)優(yōu)化流程圖

    優(yōu)化步驟為:①選取20組實(shí)驗(yàn)數(shù)據(jù)中的15組做訓(xùn)練樣本,剩余的5組做測試樣本。②初始化參數(shù)c和g,建立SVM回歸模型。③由于每個粒子群只能優(yōu)化一個參數(shù),因此設(shè)置粒子群的維數(shù)為2,每維粒子群中粒子的數(shù)目選取10~30為宜,本實(shí)驗(yàn)選擇20。迭代次數(shù)為200代。根據(jù)兩個參數(shù)的優(yōu)化范圍對粒子群的初始位置和速度進(jìn)行初始化。④設(shè)置適應(yīng)度函數(shù)為模型預(yù)測結(jié)果的均方差。⑤將粒子適應(yīng)度值進(jìn)行橫向或縱向比較后獲得當(dāng)前群體的最優(yōu)位置。根據(jù)式(1)及式(2)更新粒子的速度和位置。⑥優(yōu)化流程的結(jié)束條件為模型預(yù)測結(jié)果均方差為0或者迭代次數(shù)達(dá)到設(shè)定值。未達(dá)到結(jié)束條件則轉(zhuǎn)第④步。

    選定好最優(yōu)參數(shù)組合(c,g)后,對訓(xùn)練集進(jìn)行訓(xùn)練,建立SVM回歸模型,之后對測試集進(jìn)行回歸分析,得到測試集的模型預(yù)測結(jié)果。

    所設(shè)定的優(yōu)化參數(shù)為:粒子群維數(shù)為2,種群數(shù)量20,粒子群優(yōu)化迭代次數(shù)200代,ω取初值為0.9,終止值為0.4,根據(jù)線性遞減慣性權(quán)重LDIW(Linear Decreasing Inertia Weight)進(jìn)行調(diào)整,學(xué)習(xí)因子c1=1.5,c2=1.7。由圖3參數(shù)優(yōu)化流程計算,可得到如圖4所示的粒子群優(yōu)化誤差曲線。橫軸為優(yōu)化代數(shù),縱軸為適應(yīng)度值,即模型測試樣本計算結(jié)果的均方誤差。

    圖4 自適應(yīng)變異PSO參數(shù)尋優(yōu)結(jié)果圖

    由圖4可以看出,粒子的適應(yīng)度值基本在0.01~0.05之間很小的范圍內(nèi),即模型預(yù)測結(jié)果的平均絕對誤差很小,在4%以下,滿足尾氣檢測標(biāo)準(zhǔn)的要求。優(yōu)化200代所用時間為10.859 8 s,最優(yōu)c為39.315 2,最優(yōu)g為0.178 55。將得到的最優(yōu)參數(shù)組合(c,g)代入支持向量機(jī)重建傳感器模型,可以得到模型在訓(xùn)練樣本和測試樣本的預(yù)測結(jié)果,如圖5、圖6所示。其中訓(xùn)練樣本的測試結(jié)果均方差為 5.302 63×105,測試樣本預(yù)測結(jié)果的均方差為0.000 107 812。

    圖5 CO訓(xùn)練集實(shí)際濃度和預(yù)測對比圖

    圖6 CO測試集實(shí)際濃度和預(yù)測對比圖

    由圖5可以看出利用訓(xùn)練集建立的模型對CO訓(xùn)練集本身做預(yù)測時,模型預(yù)測值和CO實(shí)際濃度值很好地吻合,誤差極??;將模型應(yīng)用于CO測試集的預(yù)測,如圖6所示,效果明顯,曲線很好地逼近真實(shí)濃度,說明本實(shí)驗(yàn)建立的模型預(yù)測精度高,可應(yīng)用于混合氣體中CO氣體的回歸預(yù)測。

    3.2遺傳算法優(yōu)化BP網(wǎng)絡(luò)建模分析

    將遺傳算法優(yōu)化的BP網(wǎng)絡(luò)用于同一組CO氣體數(shù)據(jù)的分析中。按照如圖1所示的優(yōu)化流程圖,具體的優(yōu)化步驟為:①選取20組實(shí)驗(yàn)數(shù)據(jù)中的15組做訓(xùn)練樣本,剩余的5組做測試樣本,并將樣本數(shù)據(jù)進(jìn)行歸一化處理。②確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。本課題同時對三種組分的混合氣體進(jìn)行定量分析,針對不同氣體采用獨(dú)立建模的方法,所以設(shè)置BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為4-7-1,即輸入層有4個節(jié)點(diǎn),隱含層有7個節(jié)點(diǎn),輸出層有1個節(jié)點(diǎn)。③初始化網(wǎng)絡(luò),得到網(wǎng)絡(luò)的初始權(quán)值和閥值。④初始化遺傳算法的參數(shù)。種群規(guī)模選取10~30為宜,本實(shí)驗(yàn)選擇20;迭代次數(shù)為100代;交叉概率選在0~1之間,本文選擇0.2;變異概率選擇0.1。根據(jù)兩個參數(shù)的優(yōu)化范圍對粒子群的初始位置和速度進(jìn)行初始化。⑤設(shè)置適應(yīng)度函數(shù)為訓(xùn)練數(shù)據(jù)預(yù)測誤差絕對值的和。⑥初始化種群。⑦迭代尋優(yōu),求解最優(yōu)的初始權(quán)值和閥值。根據(jù)式(4)~式(6)進(jìn)行個體的選擇、交叉和變異,將個體的適應(yīng)度值進(jìn)行橫向或縱向比較后獲得當(dāng)前群體的最優(yōu)個體。⑧優(yōu)化流程的結(jié)束條件為模型預(yù)測誤差和為0或者迭代次數(shù)達(dá)到設(shè)定值。未達(dá)到結(jié)束條件則轉(zhuǎn)第⑥步。

    把遺傳算法得到的最優(yōu)個體賦給BP神經(jīng)網(wǎng)絡(luò),對訓(xùn)練集進(jìn)行訓(xùn)練,建立神經(jīng)網(wǎng)絡(luò)回歸模型,之后對測試集進(jìn)行回歸分析,得到測試集的模型預(yù)測結(jié)果。

    根據(jù)圖1優(yōu)化流程計算,可得到如圖7所示的遺傳算法優(yōu)化過程最優(yōu)個體適應(yīng)度值變化曲線。橫軸為優(yōu)化代數(shù),縱軸為適應(yīng)度值。

    圖7 最優(yōu)個體適應(yīng)度值變化圖

    由圖7看出,最優(yōu)個體的適應(yīng)度值從最高的0.682遞減至最低的0.131,大約在迭代60次之后便趨于穩(wěn)定狀態(tài)。將優(yōu)化得到的最優(yōu)個體賦給BP神經(jīng)網(wǎng)絡(luò),用訓(xùn)練數(shù)據(jù)訓(xùn)練100次之后,可以得到模型在訓(xùn)練樣本和測試樣本的預(yù)測結(jié)果,如圖8和圖9所示。

    圖8 CO訓(xùn)練集回歸效果

    圖9 CO測試集預(yù)測效果

    從圖8可以看出,將建立好的回歸模型查看在訓(xùn)練集上的回歸效果,存在較大的偏差,特別在是第七個樣本點(diǎn)處;將模型應(yīng)用于測試集的分析上,由圖9所示,誤差十分明顯,不能對測試集進(jìn)行很好地回歸分析。

    3.3結(jié)果分析

    測試數(shù)據(jù)的仿真結(jié)果及平均絕對誤差如表1所示。通過實(shí)驗(yàn),可以得到2種方法的優(yōu)化結(jié)果對比,包括建模時間和測試結(jié)果均方差大小,如表2所示。

    表1 仿真結(jié)果對比

    表2 優(yōu)化結(jié)果對比

    由表1、表2可以看出:兩種方法建立的氣體定量分析模型的測試誤差水平,SVM建模優(yōu)于遺傳算法優(yōu)化BP網(wǎng)絡(luò)。采用粒子群優(yōu)化SVM,建模所需時間為87.26 s,而遺傳算法優(yōu)化BP網(wǎng)絡(luò)的建模時間為2 683 s,因此SVM建模方法在處理氣體定量分析問題上,不僅在建模時間上優(yōu)于BP網(wǎng)絡(luò),而且精度水平也高于BP網(wǎng)絡(luò)。

    將支持向量機(jī)建模回歸預(yù)測值與標(biāo)準(zhǔn)值之間的誤差曲線,與BP神經(jīng)網(wǎng)絡(luò)模型的回歸預(yù)測值與標(biāo)準(zhǔn)值之間的誤差曲線作對比,如圖10所示。

    從圖10可以清晰地看到,BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差值最大在0.05附近,且基本保持在0.02~0.05之間,波動幅度較大;SVM預(yù)測誤差值圍繞0上下小幅波動,誤差絕對值基本維持在0~0.01之間。SVM預(yù)測水平精度明顯高于BP神經(jīng)網(wǎng)絡(luò)。

    圖10 誤差曲線對比圖

    4 結(jié)論

    本文將自適應(yīng)變異粒子群優(yōu)化算法應(yīng)用于支持向量機(jī)的參數(shù)尋優(yōu),對濃度范圍在0.5%~8%的20組CO氣體進(jìn)行定量分析,選取其中15組樣本作為訓(xùn)練集,建立了SVM回歸模型,并對訓(xùn)練集進(jìn)行預(yù)測分析,以檢測模型的準(zhǔn)確度;選擇剩余的5組氣體樣本作為驗(yàn)證集,驗(yàn)證模型的預(yù)測精度和水平。在SVM參數(shù)的選取問題上,提出了自適應(yīng)變異粒子群參數(shù)尋優(yōu)法,與遺傳算法優(yōu)化BP網(wǎng)絡(luò)建模相比,SVM建模時間為87.26 s,BP網(wǎng)絡(luò)為2 683 s;SVM預(yù)測平均絕對誤差為0.047,BP網(wǎng)絡(luò)為0.08,SVM精度水平明顯高于BP網(wǎng)絡(luò)。因此,將自適應(yīng)變異粒子群優(yōu)化與SVM相結(jié)合更適合處理氣體的定量分析,具有一定的發(fā)展?jié)摿涂赏诰蚩臻g。

    [1] 楊永杰,張裕勝,楊賽程,等.一種PM2.5檢測傳感器設(shè)計[J].傳感器與微系統(tǒng),2014,33(3):76-78,81.

    [2] 余大洲.基于RBF神經(jīng)網(wǎng)絡(luò)的可燃?xì)怏w檢測系統(tǒng)的研究[D].長安大學(xué),2014.

    [3] 耿志廣,王希武,王寅龍,等.基于人工神經(jīng)網(wǎng)絡(luò)的電子鼻對混合氣體檢測研究[J].現(xiàn)代計算機(jī)(專業(yè)版),2010(5):45-48.

    [4] 喬聰明.PLS-SVR的三組分混合氣體定量分析[J].太原理工大學(xué)學(xué)報,2014,45(1):120-122,127.

    [5] 張愉,童敏明,戴桂平.基于OBLPSO-LSSVM的一氧化碳濃度檢測[J].計算機(jī)工程與應(yīng)用,2013,49(24):249-252,261.

    [6] 張其林.基于支持向量機(jī)的紅外光譜混合氣體組分分析[J].計算機(jī)時代,2010,(1):9-11.

    [7] 王智文,張記龍,王志斌,等.一種基于神經(jīng)網(wǎng)絡(luò)的混合氣體體積分?jǐn)?shù)預(yù)測模型[J].傳感器與微系統(tǒng),2011,30(3):67-69,72.

    [8] 曲健,陳紅巖,劉文貞,等.基于改進(jìn)網(wǎng)格搜索法的支持向量機(jī)在氣體定量分析中的應(yīng)用[J].傳感技術(shù)學(xué)報,2015,28(5):774-778.

    [9] 李玉軍,湯曉君,劉君華.基于粒子群優(yōu)化的最小二乘支持向量機(jī)在混合氣體定量分析中的應(yīng)用[J].光譜學(xué)與光譜分析,2010,30(3):774-778.

    [10]Manouchehrian Amin,Sharifzadeh Mostafa,Hamidzadeh,et al. Selection of Regression Models for Predicting Strength and Deformability Properties of Rocks Using GA[J].International Journal of Mining Science and Technology,2013,23(4):492-498.

    [11]付華,王馨蕊,楊本臣,等.基于MPSO-CWLS-SVM的瓦斯涌出量預(yù)測[J].傳感技術(shù)學(xué)報,2014,27(11):1568-1572.

    [12]付華,王馨蕊,王志軍,等.基于PCA和PSO-ELM的煤與瓦斯突出軟測量研究[J].傳感技術(shù)學(xué)報,2014,27(12):1710-1715.

    [13]Andrews P S.An Investigation into Mvolutionary Operators for Particle Swarm Optimization[C]//IEEE Congress on Evolutionary Computation,Vancouver,2006:1029-1036.

    [14]Parsopoulos E,Vrahatis M N.Parameter Selection and Adaption in Unified Particle Swarm Optimization.Mathmatical and Computer Modeling,2007,46(3):198-213.

    [15]馬永杰,云文霞.遺傳算法研究進(jìn)展[J].計算機(jī)應(yīng)用研究,2012,29(4):1201-1206,1210.

    [16]袁力哲,楊憲江,王宇.基于自適應(yīng)遺傳BP算法的混合氣體定量檢測研究[J].儀表技術(shù)與傳感器,2013(6):118-120.

    鄭堯軍(1974-),男,浙江嵊州人,副教授,浙江省汽車檢測與維修專業(yè)帶頭人,研究方向?yàn)檐囕v工程技術(shù),zhengyaojun@ 126.com;

    陳紅巖(1965-),男,浙江杭州市,教授,研究生導(dǎo)師,浙江大學(xué)內(nèi)燃機(jī)工程專業(yè)碩士、博士學(xué)位;上海交通大學(xué)動力與機(jī)械工程專業(yè)博士后。主要研究領(lǐng)域?yàn)槠囯娮印l(fā)動機(jī)排放與控制等,bbchy@ 163.com。

    Application of Support Vector Machine Optimized by Particle Swarm in Quantitative Analysis of Gas

    ZHENG Yaojun1*,CHEN Hongyan2,F(xiàn)ENG Yong1,CHEN Kaikao1,QU Jian2
    (1.College of Automotive Technology,Zhejiang Technical Institute of Economics,Hangzhou 310018,China;2.College of Mechanical and Electrical Engineering,China Jiliang University,Hangzhou 310018,China)

    For the problems of the quantitative analysis of vehicle exhaust emissions of CO gas,it is difficult to determine parameters of SVM modeling,calculate excessive data in infrared spectroscopy,and other issues.A solution of support vector machine of adaptive and mutate particle swarm optimization was proposed.20 different groups of CO gas which concentration range from 0.5%to 8%was analyzed.According to this method,the spectrum data of CO in vehicle exhaust is optimized.The kernel function was used in SVM to analysis the concentration.Then compare the effect with the result received with the BP neural network model.The result shows that the best parameter in PSO is c=39.315 2 and g=0.178 55,the fitness of BP neural network became stable after 60 iterations,the time of modeling by SVM was about 1/30 of BP modeling,and the prediction accuracy of SVM is significantly higher than BP.Compared with BP network,SVM is more suitable for processing quantitative analysis of gas.

    sensor application;SVM;particle swarm optimization;bp neural Network;genetic algorithms

    TH744

    A

    1004-1699(2016)07-1121-06

    2015-12-13修改日期:2016-03-12

    猜你喜歡
    適應(yīng)度遺傳算法粒子
    改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
    基于粒子群優(yōu)化的橋式起重機(jī)模糊PID控制
    基于粒子群優(yōu)化極點(diǎn)配置的空燃比輸出反饋控制
    基于自適應(yīng)遺傳算法的CSAMT一維反演
    一種基于遺傳算法的聚類分析方法在DNA序列比較中的應(yīng)用
    基于遺傳算法和LS-SVM的財務(wù)危機(jī)預(yù)測
    基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
    中國塑料(2016年11期)2016-04-16 05:26:02
    基于改進(jìn)的遺傳算法的模糊聚類算法
    基于Matlab的α粒子的散射實(shí)驗(yàn)?zāi)M
    物理與工程(2014年4期)2014-02-27 11:23:08
    基于兩粒子糾纏態(tài)隱形傳送四粒子GHZ態(tài)
    真人做人爱边吃奶动态| 亚洲精品日韩在线中文字幕| 日韩人妻精品一区2区三区| 汤姆久久久久久久影院中文字幕| 欧美日韩一级在线毛片| 一级片'在线观看视频| 色综合欧美亚洲国产小说| 91老司机精品| 日本av免费视频播放| 日本wwww免费看| 国产成人啪精品午夜网站| 国产伦人伦偷精品视频| 99香蕉大伊视频| 精品久久蜜臀av无| 青春草亚洲视频在线观看| 王馨瑶露胸无遮挡在线观看| 97人妻天天添夜夜摸| 久久久久久久大尺度免费视频| 国产日韩欧美亚洲二区| 五月开心婷婷网| 纵有疾风起免费观看全集完整版| 大香蕉久久成人网| 免费久久久久久久精品成人欧美视频| 啦啦啦视频在线资源免费观看| av不卡在线播放| 国产视频一区二区在线看| 亚洲伊人色综图| 亚洲精品国产精品久久久不卡| 大香蕉久久成人网| av国产精品久久久久影院| 一二三四在线观看免费中文在| 巨乳人妻的诱惑在线观看| 母亲3免费完整高清在线观看| 欧美精品一区二区免费开放| 美女主播在线视频| 久久久精品94久久精品| 精品高清国产在线一区| 999久久久精品免费观看国产| 他把我摸到了高潮在线观看 | 香蕉国产在线看| 国产片内射在线| 欧美日韩av久久| av欧美777| 亚洲精品中文字幕一二三四区 | 欧美乱码精品一区二区三区| 老司机靠b影院| 午夜福利乱码中文字幕| 黑丝袜美女国产一区| 亚洲欧美一区二区三区黑人| 欧美日韩一级在线毛片| 亚洲精品国产一区二区精华液| 色综合欧美亚洲国产小说| 丝袜人妻中文字幕| 老司机午夜十八禁免费视频| 亚洲av电影在线观看一区二区三区| 免费在线观看日本一区| 岛国在线观看网站| 妹子高潮喷水视频| 免费少妇av软件| 1024香蕉在线观看| 女性生殖器流出的白浆| 老鸭窝网址在线观看| 制服诱惑二区| 狂野欧美激情性xxxx| 久久久久国产一级毛片高清牌| 国产亚洲欧美精品永久| 两性夫妻黄色片| 中亚洲国语对白在线视频| 中国美女看黄片| 久久久精品国产亚洲av高清涩受| 亚洲综合色网址| 日韩一卡2卡3卡4卡2021年| 夜夜夜夜夜久久久久| 亚洲国产欧美在线一区| 国产男女内射视频| 男女高潮啪啪啪动态图| 99久久国产精品久久久| 中文字幕最新亚洲高清| 美女福利国产在线| 美女视频免费永久观看网站| 自线自在国产av| 国产真人三级小视频在线观看| 精品视频人人做人人爽| 日韩欧美一区二区三区在线观看 | 国产一区有黄有色的免费视频| 久9热在线精品视频| 最近最新中文字幕大全免费视频| 我要看黄色一级片免费的| 亚洲欧美激情在线| 欧美日本中文国产一区发布| 高清在线国产一区| 无遮挡黄片免费观看| 少妇裸体淫交视频免费看高清 | 老熟女久久久| 成人国产av品久久久| 国产精品偷伦视频观看了| 热re99久久国产66热| 男人添女人高潮全过程视频| 色精品久久人妻99蜜桃| 如日韩欧美国产精品一区二区三区| 久久精品亚洲熟妇少妇任你| 亚洲性夜色夜夜综合| 久久影院123| 狠狠精品人妻久久久久久综合| 99精国产麻豆久久婷婷| 9191精品国产免费久久| 91成年电影在线观看| 99久久99久久久精品蜜桃| 中文字幕人妻丝袜制服| 高潮久久久久久久久久久不卡| 亚洲av美国av| 人人妻人人添人人爽欧美一区卜| 久久av网站| 人人澡人人妻人| 亚洲久久久国产精品| 我的亚洲天堂| 岛国毛片在线播放| 国产成人a∨麻豆精品| 亚洲精品国产精品久久久不卡| 国产成人av激情在线播放| 日本精品一区二区三区蜜桃| 两个人看的免费小视频| 成人免费观看视频高清| 黑人操中国人逼视频| av有码第一页| 欧美性长视频在线观看| 国产不卡av网站在线观看| 久久热在线av| 久久女婷五月综合色啪小说| 亚洲av成人一区二区三| 99精国产麻豆久久婷婷| 国产1区2区3区精品| 每晚都被弄得嗷嗷叫到高潮| 日本一区二区免费在线视频| 欧美变态另类bdsm刘玥| 自线自在国产av| 亚洲av男天堂| 大香蕉久久网| 亚洲精品在线美女| www.熟女人妻精品国产| 国产免费福利视频在线观看| 国产深夜福利视频在线观看| 黄色a级毛片大全视频| 18在线观看网站| avwww免费| 国产精品熟女久久久久浪| 少妇人妻久久综合中文| 岛国毛片在线播放| 美女视频免费永久观看网站| 国产人伦9x9x在线观看| 亚洲欧美一区二区三区黑人| av天堂在线播放| 国产免费视频播放在线视频| 欧美精品一区二区免费开放| 午夜福利一区二区在线看| 色婷婷久久久亚洲欧美| 免费在线观看黄色视频的| 欧美激情 高清一区二区三区| 老熟妇乱子伦视频在线观看 | 免费久久久久久久精品成人欧美视频| 精品久久久久久久毛片微露脸 | 丝袜喷水一区| 91九色精品人成在线观看| 黄色片一级片一级黄色片| 99re6热这里在线精品视频| 亚洲人成77777在线视频| 精品熟女少妇八av免费久了| 电影成人av| av有码第一页| 亚洲精品美女久久av网站| 亚洲国产精品999| 在线十欧美十亚洲十日本专区| 一本—道久久a久久精品蜜桃钙片| 天天添夜夜摸| 极品少妇高潮喷水抽搐| 精品久久久精品久久久| 自拍欧美九色日韩亚洲蝌蚪91| 狠狠婷婷综合久久久久久88av| 自线自在国产av| 亚洲精品国产av成人精品| 久久久久视频综合| 免费观看av网站的网址| 亚洲精品自拍成人| 亚洲精品久久久久久婷婷小说| 亚洲国产精品一区二区三区在线| 国产成人精品无人区| 一级,二级,三级黄色视频| 极品人妻少妇av视频| 桃花免费在线播放| 国产精品亚洲av一区麻豆| 国产男女内射视频| 成人免费观看视频高清| 久久热在线av| 一进一出抽搐动态| 精品国产一区二区三区久久久樱花| tube8黄色片| 久久久久国产精品人妻一区二区| 青春草亚洲视频在线观看| 青草久久国产| 亚洲成人免费电影在线观看| 亚洲欧洲精品一区二区精品久久久| 久久精品亚洲av国产电影网| 19禁男女啪啪无遮挡网站| 老熟女久久久| 下体分泌物呈黄色| 一级毛片女人18水好多| 亚洲国产欧美一区二区综合| 宅男免费午夜| 少妇粗大呻吟视频| 丰满迷人的少妇在线观看| 国产成人一区二区三区免费视频网站| 香蕉丝袜av| 蜜桃国产av成人99| 91大片在线观看| 国产熟女午夜一区二区三区| 国产男女超爽视频在线观看| 欧美在线黄色| 亚洲熟女毛片儿| 99国产精品99久久久久| 99久久国产精品久久久| 亚洲黑人精品在线| 亚洲成av片中文字幕在线观看| 国产精品国产三级国产专区5o| 亚洲成人手机| 免费久久久久久久精品成人欧美视频| 久久九九热精品免费| 国产av精品麻豆| 宅男免费午夜| 精品亚洲成a人片在线观看| 亚洲精品第二区| 国产免费一区二区三区四区乱码| 欧美日韩亚洲国产一区二区在线观看 | 777米奇影视久久| 桃红色精品国产亚洲av| 日本wwww免费看| 亚洲人成77777在线视频| 80岁老熟妇乱子伦牲交| 伊人久久大香线蕉亚洲五| 97人妻天天添夜夜摸| av国产精品久久久久影院| 国产成人欧美在线观看 | 欧美久久黑人一区二区| 免费不卡黄色视频| 日韩大码丰满熟妇| 成在线人永久免费视频| 黄片小视频在线播放| 涩涩av久久男人的天堂| 麻豆乱淫一区二区| 99九九在线精品视频| 成人18禁高潮啪啪吃奶动态图| 国产区一区二久久| 一区二区三区精品91| 精品国产乱码久久久久久男人| 高清视频免费观看一区二区| 在线观看一区二区三区激情| 亚洲成人免费电影在线观看| 女人爽到高潮嗷嗷叫在线视频| 欧美少妇被猛烈插入视频| 免费在线观看黄色视频的| 国产精品久久久久久人妻精品电影 | 久久综合国产亚洲精品| 亚洲国产欧美在线一区| 香蕉国产在线看| 亚洲欧美精品自产自拍| 啦啦啦 在线观看视频| 久久亚洲精品不卡| 日韩欧美国产一区二区入口| www日本在线高清视频| 亚洲精品av麻豆狂野| 人妻久久中文字幕网| 99热国产这里只有精品6| 视频在线观看一区二区三区| 各种免费的搞黄视频| 在线观看舔阴道视频| 韩国高清视频一区二区三区| 新久久久久国产一级毛片| 亚洲男人天堂网一区| 欧美激情高清一区二区三区| 又大又爽又粗| 成人三级做爰电影| 操美女的视频在线观看| tocl精华| 亚洲精品日韩在线中文字幕| 欧美xxⅹ黑人| 老司机影院毛片| 亚洲久久久国产精品| 日韩欧美一区二区三区在线观看 | 少妇精品久久久久久久| 18禁观看日本| 亚洲国产成人一精品久久久| 亚洲精品中文字幕在线视频| 国产一区二区三区综合在线观看| 久久免费观看电影| 国产国语露脸激情在线看| 制服人妻中文乱码| 高清欧美精品videossex| 999精品在线视频| 日韩电影二区| 一个人免费在线观看的高清视频 | a级毛片在线看网站| 满18在线观看网站| 亚洲av日韩在线播放| 91av网站免费观看| 免费观看人在逋| 91av网站免费观看| 91av网站免费观看| 狠狠婷婷综合久久久久久88av| 久久女婷五月综合色啪小说| 日韩熟女老妇一区二区性免费视频| 欧美日本中文国产一区发布| 欧美黑人欧美精品刺激| 免费在线观看完整版高清| 欧美老熟妇乱子伦牲交| 在线永久观看黄色视频| 国产精品久久久人人做人人爽| 亚洲精品久久成人aⅴ小说| 国产xxxxx性猛交| 国产日韩欧美在线精品| 欧美97在线视频| 啦啦啦免费观看视频1| tube8黄色片| 免费少妇av软件| 久久精品熟女亚洲av麻豆精品| 亚洲第一av免费看| 亚洲国产看品久久| 欧美97在线视频| 国产av一区二区精品久久| 精品卡一卡二卡四卡免费| 91九色精品人成在线观看| 搡老熟女国产l中国老女人| 9191精品国产免费久久| 美国免费a级毛片| 久久精品亚洲熟妇少妇任你| 欧美人与性动交α欧美软件| 不卡av一区二区三区| 亚洲午夜精品一区,二区,三区| 成年人午夜在线观看视频| 国产精品1区2区在线观看. | 久久久久久免费高清国产稀缺| 丰满饥渴人妻一区二区三| 成人av一区二区三区在线看 | 男女下面插进去视频免费观看| 久久99一区二区三区| 久久天躁狠狠躁夜夜2o2o| 欧美日韩成人在线一区二区| 波多野结衣一区麻豆| 最黄视频免费看| 精品国产一区二区久久| 日韩大片免费观看网站| 欧美日韩亚洲国产一区二区在线观看 | 精品国产乱码久久久久久男人| 亚洲欧美精品自产自拍| 老鸭窝网址在线观看| 久久九九热精品免费| 欧美中文综合在线视频| 少妇粗大呻吟视频| 永久免费av网站大全| 多毛熟女@视频| 成人18禁高潮啪啪吃奶动态图| 一区二区三区四区激情视频| netflix在线观看网站| 亚洲一区中文字幕在线| 亚洲中文字幕日韩| 女人被躁到高潮嗷嗷叫费观| 亚洲少妇的诱惑av| 美女午夜性视频免费| 欧美激情 高清一区二区三区| 国产在线免费精品| 久久人妻熟女aⅴ| 欧美亚洲 丝袜 人妻 在线| 在线观看免费日韩欧美大片| 国产欧美日韩一区二区精品| 国产欧美日韩综合在线一区二区| 夜夜夜夜夜久久久久| 熟女少妇亚洲综合色aaa.| 一级毛片电影观看| 啦啦啦视频在线资源免费观看| 女人爽到高潮嗷嗷叫在线视频| av免费在线观看网站| 亚洲精品中文字幕在线视频| 女人高潮潮喷娇喘18禁视频| 男女无遮挡免费网站观看| 久久av网站| 国产精品av久久久久免费| 亚洲激情五月婷婷啪啪| 国产欧美日韩一区二区精品| 爱豆传媒免费全集在线观看| 国产日韩一区二区三区精品不卡| 99久久综合免费| 欧美日韩av久久| 狠狠精品人妻久久久久久综合| 日韩 欧美 亚洲 中文字幕| 精品人妻熟女毛片av久久网站| 国产精品av久久久久免费| 汤姆久久久久久久影院中文字幕| 三级毛片av免费| 高清在线国产一区| 国产成人精品久久二区二区免费| 一二三四在线观看免费中文在| 嫩草影视91久久| 国产免费av片在线观看野外av| 91成年电影在线观看| 国产精品 国内视频| 日韩制服骚丝袜av| 黑人猛操日本美女一级片| 丁香六月欧美| 一级黄色大片毛片| 新久久久久国产一级毛片| 久久av网站| 老司机影院毛片| 免费人妻精品一区二区三区视频| 91精品国产国语对白视频| 久久精品熟女亚洲av麻豆精品| 国产欧美日韩综合在线一区二区| 国产精品欧美亚洲77777| 欧美日韩亚洲国产一区二区在线观看 | 国产成人一区二区三区免费视频网站| 久久这里只有精品19| 91大片在线观看| 成年人午夜在线观看视频| 黑人巨大精品欧美一区二区蜜桃| 精品乱码久久久久久99久播| 纵有疾风起免费观看全集完整版| 亚洲五月婷婷丁香| 精品欧美一区二区三区在线| 男男h啪啪无遮挡| 久久久精品区二区三区| 成年动漫av网址| 精品国产乱码久久久久久男人| 在线观看免费午夜福利视频| 丝袜脚勾引网站| 久久久久久久国产电影| 一级片免费观看大全| 一级毛片女人18水好多| 丝袜喷水一区| 亚洲黑人精品在线| 99热网站在线观看| 午夜福利影视在线免费观看| 秋霞在线观看毛片| 欧美97在线视频| 久久精品亚洲av国产电影网| 午夜两性在线视频| 免费黄频网站在线观看国产| 亚洲中文av在线| 欧美日韩视频精品一区| 欧美国产精品一级二级三级| 免费在线观看视频国产中文字幕亚洲 | 久久久久久久国产电影| 人妻一区二区av| 免费看十八禁软件| 国产成人啪精品午夜网站| 老司机深夜福利视频在线观看 | 中亚洲国语对白在线视频| 午夜激情久久久久久久| 亚洲专区字幕在线| av线在线观看网站| 亚洲精品美女久久av网站| 欧美精品一区二区免费开放| 久久ye,这里只有精品| 狂野欧美激情性bbbbbb| 午夜福利乱码中文字幕| 性色av乱码一区二区三区2| 操出白浆在线播放| 久久综合国产亚洲精品| 日韩一区二区三区影片| 两个人免费观看高清视频| 欧美精品一区二区大全| 自拍欧美九色日韩亚洲蝌蚪91| 夜夜骑夜夜射夜夜干| 在线观看人妻少妇| 中文字幕另类日韩欧美亚洲嫩草| 国产熟女午夜一区二区三区| 淫妇啪啪啪对白视频 | 老熟女久久久| 国产男女超爽视频在线观看| 极品人妻少妇av视频| 午夜日韩欧美国产| 在线亚洲精品国产二区图片欧美| 99精品欧美一区二区三区四区| 亚洲五月婷婷丁香| 精品一区二区三区av网在线观看 | 亚洲熟女精品中文字幕| 高潮久久久久久久久久久不卡| 欧美亚洲日本最大视频资源| 深夜精品福利| 欧美日韩一级在线毛片| 美女福利国产在线| 亚洲国产成人一精品久久久| 亚洲精品国产精品久久久不卡| 99热国产这里只有精品6| 99国产精品99久久久久| 国产精品影院久久| 国内毛片毛片毛片毛片毛片| 狂野欧美激情性xxxx| av不卡在线播放| 久久国产精品男人的天堂亚洲| 天堂中文最新版在线下载| 中文精品一卡2卡3卡4更新| 一边摸一边抽搐一进一出视频| 精品一区二区三卡| 交换朋友夫妻互换小说| 精品一区在线观看国产| 另类精品久久| videosex国产| 18禁裸乳无遮挡动漫免费视频| 免费在线观看视频国产中文字幕亚洲 | 久久毛片免费看一区二区三区| 丝袜人妻中文字幕| 啦啦啦中文免费视频观看日本| 国产深夜福利视频在线观看| 免费女性裸体啪啪无遮挡网站| 欧美中文综合在线视频| 亚洲三区欧美一区| 亚洲中文av在线| 国产精品亚洲av一区麻豆| 色婷婷久久久亚洲欧美| 欧美午夜高清在线| 99香蕉大伊视频| 精品卡一卡二卡四卡免费| 午夜影院在线不卡| 久久久久国内视频| 亚洲欧美日韩高清在线视频 | 国产精品熟女久久久久浪| 国产精品久久久人人做人人爽| 亚洲色图 男人天堂 中文字幕| 国产成人a∨麻豆精品| 巨乳人妻的诱惑在线观看| a在线观看视频网站| 午夜福利视频精品| 无遮挡黄片免费观看| 男女边摸边吃奶| 久久国产亚洲av麻豆专区| 国产成人精品无人区| 精品第一国产精品| 自线自在国产av| 天天操日日干夜夜撸| 亚洲国产精品一区三区| 日韩欧美国产一区二区入口| 永久免费av网站大全| 精品国产乱子伦一区二区三区 | 亚洲av国产av综合av卡| 少妇猛男粗大的猛烈进出视频| 久久国产精品男人的天堂亚洲| 久久精品亚洲av国产电影网| 精品卡一卡二卡四卡免费| 一区二区日韩欧美中文字幕| 操出白浆在线播放| 色老头精品视频在线观看| 久久久久精品人妻al黑| 亚洲第一欧美日韩一区二区三区 | 国产国语露脸激情在线看| 一边摸一边抽搐一进一出视频| 久久久久精品人妻al黑| 欧美一级毛片孕妇| 每晚都被弄得嗷嗷叫到高潮| 黄片大片在线免费观看| 精品国产超薄肉色丝袜足j| 日本一区二区免费在线视频| 国产欧美日韩一区二区三区在线| 如日韩欧美国产精品一区二区三区| 亚洲五月色婷婷综合| 精品免费久久久久久久清纯 | www.av在线官网国产| 国产成人av激情在线播放| 欧美av亚洲av综合av国产av| 久9热在线精品视频| 国产精品99久久99久久久不卡| 亚洲av电影在线进入| 亚洲国产精品一区三区| 亚洲欧美色中文字幕在线| 国产一区二区三区av在线| 成年人午夜在线观看视频| 黄色视频不卡| 多毛熟女@视频| 午夜福利视频在线观看免费| 亚洲熟女精品中文字幕| 女性被躁到高潮视频| 国产成人精品在线电影| 成人影院久久| 日本欧美视频一区| av福利片在线| 亚洲欧美日韩另类电影网站| 免费观看av网站的网址| 啦啦啦视频在线资源免费观看| 久热这里只有精品99| 欧美日韩福利视频一区二区| 婷婷色av中文字幕| av网站免费在线观看视频| 中文字幕精品免费在线观看视频| 欧美激情高清一区二区三区| 丰满少妇做爰视频| 亚洲精品国产精品久久久不卡| av在线播放精品| www.av在线官网国产| 亚洲 欧美一区二区三区| 高清视频免费观看一区二区| av在线播放精品| 91av网站免费观看| 天天躁日日躁夜夜躁夜夜| 五月开心婷婷网| 成人18禁高潮啪啪吃奶动态图| av欧美777| 91麻豆av在线| 波多野结衣av一区二区av| 国产极品粉嫩免费观看在线| 另类精品久久| 桃红色精品国产亚洲av| 亚洲精品第二区| 亚洲国产欧美一区二区综合| 女性被躁到高潮视频| 久久人妻熟女aⅴ| 人妻人人澡人人爽人人| 一个人免费在线观看的高清视频 | 亚洲专区字幕在线| 国产男女超爽视频在线观看|