• <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)
    亚洲av日韩精品久久久久久密| 一级,二级,三级黄色视频| 伊人久久大香线蕉亚洲五| 午夜激情av网站| 我的亚洲天堂| 女人精品久久久久毛片| 在线观看免费日韩欧美大片| 亚洲av日韩精品久久久久久密| 色综合亚洲欧美另类图片| 在线观看www视频免费| 91九色精品人成在线观看| 人妻久久中文字幕网| tocl精华| 亚洲aⅴ乱码一区二区在线播放 | tocl精华| 国内毛片毛片毛片毛片毛片| 男女做爰动态图高潮gif福利片 | 日韩欧美国产一区二区入口| 国产午夜福利久久久久久| 熟妇人妻久久中文字幕3abv| 精品国产乱子伦一区二区三区| 多毛熟女@视频| 最新在线观看一区二区三区| 99在线视频只有这里精品首页| 亚洲精华国产精华精| 国产精品日韩av在线免费观看 | 在线观看日韩欧美| 一级片免费观看大全| 久久中文字幕人妻熟女| 十八禁网站免费在线| 黄色女人牲交| 在线视频色国产色| 999久久久国产精品视频| 国产亚洲精品久久久久久毛片| 少妇熟女aⅴ在线视频| 看黄色毛片网站| 午夜免费鲁丝| 正在播放国产对白刺激| 桃色一区二区三区在线观看| a级毛片在线看网站| 91av网站免费观看| 成人亚洲精品一区在线观看| 日韩欧美国产一区二区入口| 一进一出抽搐gif免费好疼| svipshipincom国产片| 精品熟女少妇八av免费久了| 天堂√8在线中文| 男女午夜视频在线观看| 亚洲熟女毛片儿| 精品高清国产在线一区| 亚洲精品国产色婷婷电影| 欧美丝袜亚洲另类 | 中国美女看黄片| 女生性感内裤真人,穿戴方法视频| 国产私拍福利视频在线观看| 国产不卡一卡二| 波多野结衣av一区二区av| 国产一级毛片七仙女欲春2 | 一级毛片精品| 日日夜夜操网爽| 国产成人av激情在线播放| 久久久久精品国产欧美久久久| 中文字幕色久视频| 国产极品粉嫩免费观看在线| 久9热在线精品视频| 久久天躁狠狠躁夜夜2o2o| 99国产综合亚洲精品| 久久久久久久午夜电影| 中文字幕人妻丝袜一区二区| 99精品欧美一区二区三区四区| 男女做爰动态图高潮gif福利片 | 99在线人妻在线中文字幕| 色综合亚洲欧美另类图片| 国产又色又爽无遮挡免费看| 波多野结衣高清无吗| 亚洲国产欧美日韩在线播放| 国产一级毛片七仙女欲春2 | 国产精品亚洲美女久久久| 欧美最黄视频在线播放免费| 91大片在线观看| svipshipincom国产片| 欧美一级毛片孕妇| 无人区码免费观看不卡| 如日韩欧美国产精品一区二区三区| 国产精品精品国产色婷婷| 国产精品av久久久久免费| 国产一区二区在线av高清观看| 99在线人妻在线中文字幕| 男女做爰动态图高潮gif福利片 | 久久香蕉国产精品| 长腿黑丝高跟| 国产精品一区二区三区四区久久 | 国产免费男女视频| 色综合婷婷激情| 一级毛片精品| 中文字幕久久专区| 国产精品永久免费网站| 国产激情久久老熟女| 国产亚洲欧美98| 性少妇av在线| 一区在线观看完整版| 国产精品久久视频播放| 亚洲七黄色美女视频| 亚洲欧美一区二区三区黑人| 变态另类丝袜制服| 长腿黑丝高跟| 国产成年人精品一区二区| 天堂动漫精品| 久久久水蜜桃国产精品网| 亚洲人成77777在线视频| 亚洲av电影在线进入| 日韩视频一区二区在线观看| 亚洲精品美女久久久久99蜜臀| 国产精品一区二区三区四区久久 | 777久久人妻少妇嫩草av网站| 欧美国产精品va在线观看不卡| 成人永久免费在线观看视频| av电影中文网址| 成人欧美大片| 啦啦啦韩国在线观看视频| 黑人欧美特级aaaaaa片| 我的亚洲天堂| 中文字幕高清在线视频| 亚洲av成人一区二区三| 亚洲国产日韩欧美精品在线观看 | 亚洲狠狠婷婷综合久久图片| 国产精品爽爽va在线观看网站 | 国产一区二区三区视频了| 女人被躁到高潮嗷嗷叫费观| 亚洲专区中文字幕在线| 此物有八面人人有两片| 久久久久亚洲av毛片大全| 精品人妻1区二区| 日本 av在线| 国产精品久久久人人做人人爽| 中文字幕人妻丝袜一区二区| 亚洲视频免费观看视频| 18禁国产床啪视频网站| 精品乱码久久久久久99久播| 岛国视频午夜一区免费看| 免费高清视频大片| 亚洲av成人av| 国产伦人伦偷精品视频| 亚洲精品中文字幕一二三四区| 亚洲国产欧美一区二区综合| 一本久久中文字幕| 久99久视频精品免费| 精品午夜福利视频在线观看一区| 久久热在线av| 亚洲中文日韩欧美视频| 欧美国产精品va在线观看不卡| 麻豆成人av在线观看| 亚洲中文字幕一区二区三区有码在线看 | 久久婷婷人人爽人人干人人爱 | 夜夜夜夜夜久久久久| 国产成人啪精品午夜网站| 国产在线精品亚洲第一网站| 免费在线观看日本一区| 久久精品亚洲熟妇少妇任你| 女同久久另类99精品国产91| 亚洲精品在线美女| 女人高潮潮喷娇喘18禁视频| 精品国产美女av久久久久小说| 99国产精品免费福利视频| 制服丝袜大香蕉在线| 久久九九热精品免费| 欧美黄色淫秽网站| 亚洲男人的天堂狠狠| av天堂久久9| 亚洲色图综合在线观看| 久久精品亚洲精品国产色婷小说| 亚洲五月色婷婷综合| 亚洲一区二区三区色噜噜| 日韩成人在线观看一区二区三区| 日韩 欧美 亚洲 中文字幕| 久久中文看片网| 欧美日韩乱码在线| 黄片大片在线免费观看| 精品国产一区二区久久| 午夜久久久在线观看| 日韩欧美国产在线观看| 99国产精品99久久久久| 女性被躁到高潮视频| 国产视频一区二区在线看| 日韩精品青青久久久久久| 黄色女人牲交| 久久久精品欧美日韩精品| 男女下面插进去视频免费观看| 日韩高清综合在线| 免费在线观看黄色视频的| 91麻豆av在线| 久久国产亚洲av麻豆专区| 9热在线视频观看99| 亚洲中文字幕一区二区三区有码在线看 | 午夜福利成人在线免费观看| 国产成人av激情在线播放| 国产亚洲精品综合一区在线观看 | 亚洲av第一区精品v没综合| 亚洲精华国产精华精| 欧美日韩一级在线毛片| 熟女少妇亚洲综合色aaa.| 中文字幕久久专区| 99国产精品一区二区三区| 动漫黄色视频在线观看| 亚洲国产精品999在线| 岛国视频午夜一区免费看| 91av网站免费观看| 青草久久国产| 两人在一起打扑克的视频| 两个人看的免费小视频| 熟妇人妻久久中文字幕3abv| 久久精品91蜜桃| 天天躁狠狠躁夜夜躁狠狠躁| 十八禁网站免费在线| av视频在线观看入口| 国产熟女午夜一区二区三区| 精品久久久久久成人av| 亚洲av片天天在线观看| 一级a爱视频在线免费观看| 好男人电影高清在线观看| 久久天堂一区二区三区四区| 久久精品国产亚洲av高清一级| 中文字幕人妻熟女乱码| 亚洲欧美精品综合久久99| 成人欧美大片| 黄色成人免费大全| 日韩免费av在线播放| 精品一品国产午夜福利视频| 一个人免费在线观看的高清视频| 久久精品91无色码中文字幕| 操美女的视频在线观看| 啦啦啦观看免费观看视频高清 | 国产精品自产拍在线观看55亚洲| 日韩高清综合在线| 女人精品久久久久毛片| 精品国产乱子伦一区二区三区| 亚洲国产精品合色在线| 亚洲精品国产区一区二| av欧美777| 久久人妻熟女aⅴ| 久久午夜亚洲精品久久| 精品欧美一区二区三区在线| 久久久久国内视频| 亚洲全国av大片| 宅男免费午夜| 久久久久久国产a免费观看| 久久欧美精品欧美久久欧美| 黄片小视频在线播放| 亚洲一码二码三码区别大吗| 欧美成狂野欧美在线观看| 成人亚洲精品av一区二区| 91在线观看av| 亚洲专区中文字幕在线| 少妇裸体淫交视频免费看高清 | 黄色a级毛片大全视频| 欧美日韩精品网址| 亚洲少妇的诱惑av| 精品乱码久久久久久99久播| 最近最新中文字幕大全免费视频| 日韩三级视频一区二区三区| 男女做爰动态图高潮gif福利片 | 一区二区三区高清视频在线| 12—13女人毛片做爰片一| 九色亚洲精品在线播放| 欧美乱色亚洲激情| 又黄又粗又硬又大视频| 亚洲精品中文字幕在线视频| 亚洲av五月六月丁香网| 激情在线观看视频在线高清| 成人国产综合亚洲| 黑人操中国人逼视频| 丝袜美足系列| 午夜日韩欧美国产| 99久久99久久久精品蜜桃| 黑人欧美特级aaaaaa片| 午夜成年电影在线免费观看| 亚洲欧美精品综合久久99| 中文字幕色久视频| 最新在线观看一区二区三区| 伦理电影免费视频| 国语自产精品视频在线第100页| 亚洲第一av免费看| 国产av精品麻豆| 精品欧美国产一区二区三| 日韩欧美在线二视频| 亚洲一区中文字幕在线| 美女免费视频网站| 俄罗斯特黄特色一大片| 国产精品秋霞免费鲁丝片| 国产1区2区3区精品| 午夜福利高清视频| 天堂动漫精品| 亚洲色图 男人天堂 中文字幕| 9色porny在线观看| 欧美成人午夜精品| 91麻豆精品激情在线观看国产| 啪啪无遮挡十八禁网站| 女人被狂操c到高潮| 中文字幕高清在线视频| 精品一区二区三区视频在线观看免费| 一进一出好大好爽视频| 日本 欧美在线| 国产激情久久老熟女| 女性被躁到高潮视频| 精品人妻1区二区| 变态另类丝袜制服| 麻豆av在线久日| 欧美另类亚洲清纯唯美| 欧美不卡视频在线免费观看 | 一级作爱视频免费观看| 久久国产精品人妻蜜桃| 精品不卡国产一区二区三区| 日本 av在线| 1024视频免费在线观看| 亚洲天堂国产精品一区在线| 一边摸一边做爽爽视频免费| 亚洲激情在线av| 亚洲人成电影观看| 欧美日韩亚洲国产一区二区在线观看| 99国产精品99久久久久| 国产高清视频在线播放一区| 亚洲男人天堂网一区| 久久香蕉激情| 看免费av毛片| 少妇粗大呻吟视频| 国产午夜精品久久久久久| 亚洲成av人片免费观看| 亚洲国产中文字幕在线视频| 搞女人的毛片| 一级a爱片免费观看的视频| а√天堂www在线а√下载| 女人被狂操c到高潮| 亚洲自偷自拍图片 自拍| 日本五十路高清| 视频区欧美日本亚洲| 亚洲成av人片免费观看| 50天的宝宝边吃奶边哭怎么回事| 国产一级毛片七仙女欲春2 | 精品久久久久久,| 91成年电影在线观看| 两性夫妻黄色片| 啦啦啦观看免费观看视频高清 | a级毛片在线看网站| 日本在线视频免费播放| 亚洲五月色婷婷综合| 欧美黄色片欧美黄色片| 如日韩欧美国产精品一区二区三区| 看免费av毛片| 婷婷精品国产亚洲av在线| 免费高清在线观看日韩| 欧美色欧美亚洲另类二区 | 国产精品香港三级国产av潘金莲| 国产精品自产拍在线观看55亚洲| 亚洲一区高清亚洲精品| 熟妇人妻久久中文字幕3abv| 搡老岳熟女国产| 69av精品久久久久久| 老司机福利观看| 97人妻天天添夜夜摸| 久久精品国产清高在天天线| tocl精华| 黄片播放在线免费| 亚洲国产高清在线一区二区三 | 午夜精品在线福利| 国产麻豆69| 午夜久久久在线观看| 精品久久久久久久久久免费视频| 久久 成人 亚洲| 欧美性长视频在线观看| 亚洲欧美激情在线| 国产av在哪里看| 国产av一区二区精品久久| 午夜福利免费观看在线| 黄片大片在线免费观看| 亚洲精品国产一区二区精华液| 成人欧美大片| 亚洲精品一卡2卡三卡4卡5卡| 亚洲专区中文字幕在线| 美女免费视频网站| 国产精品免费一区二区三区在线| 91在线观看av| 国产亚洲精品第一综合不卡| a级毛片在线看网站| 脱女人内裤的视频| 午夜免费成人在线视频| 亚洲黑人精品在线| 伦理电影免费视频| 国产精品综合久久久久久久免费 | 一进一出抽搐动态| 香蕉久久夜色| 日韩欧美一区视频在线观看| 在线观看午夜福利视频| 怎么达到女性高潮| 国产精品影院久久| 日日干狠狠操夜夜爽| 日韩欧美国产在线观看| 欧美日韩黄片免| 色综合站精品国产| 久久久久国产一级毛片高清牌| 久久国产精品影院| 天堂动漫精品| x7x7x7水蜜桃| 老司机深夜福利视频在线观看| 在线观看免费视频网站a站| 久久久久国内视频| 国产1区2区3区精品| 美女大奶头视频| 桃红色精品国产亚洲av| 麻豆一二三区av精品| 国产在线观看jvid| 日韩高清综合在线| 色综合婷婷激情| 一a级毛片在线观看| 一边摸一边抽搐一进一小说| 可以在线观看毛片的网站| 村上凉子中文字幕在线| 免费人成视频x8x8入口观看| 亚洲情色 制服丝袜| 神马国产精品三级电影在线观看 | 亚洲国产日韩欧美精品在线观看 | 精品久久久久久久人妻蜜臀av | 叶爱在线成人免费视频播放| 校园春色视频在线观看| 一边摸一边做爽爽视频免费| 亚洲精品美女久久av网站| 免费不卡黄色视频| 97人妻天天添夜夜摸| 国产欧美日韩精品亚洲av| 国产精品亚洲av一区麻豆| 日韩中文字幕欧美一区二区| 嫩草影院精品99| 欧美中文综合在线视频| 男人舔女人的私密视频| 亚洲黑人精品在线| 欧美最黄视频在线播放免费| 欧美av亚洲av综合av国产av| 国产精品久久视频播放| 免费一级毛片在线播放高清视频 | 精品熟女少妇八av免费久了| 90打野战视频偷拍视频| 这个男人来自地球电影免费观看| 亚洲中文日韩欧美视频| 亚洲片人在线观看| 国产欧美日韩一区二区精品| 欧美乱码精品一区二区三区| 一进一出好大好爽视频| 非洲黑人性xxxx精品又粗又长| 日韩精品中文字幕看吧| 老汉色av国产亚洲站长工具| 精品无人区乱码1区二区| 国语自产精品视频在线第100页| 变态另类丝袜制服| 精品午夜福利视频在线观看一区| 夜夜看夜夜爽夜夜摸| 亚洲性夜色夜夜综合| 亚洲精品国产色婷婷电影| 日韩精品青青久久久久久| 亚洲人成电影观看| www日本在线高清视频| 国产黄a三级三级三级人| 欧美另类亚洲清纯唯美| ponron亚洲| 亚洲七黄色美女视频| 久久青草综合色| 久久狼人影院| 黄色片一级片一级黄色片| 在线观看免费视频日本深夜| 女性生殖器流出的白浆| www.精华液| 亚洲av成人不卡在线观看播放网| 免费搜索国产男女视频| 看黄色毛片网站| 国产私拍福利视频在线观看| 免费不卡黄色视频| 色哟哟哟哟哟哟| 免费搜索国产男女视频| 欧美日本视频| 长腿黑丝高跟| 午夜成年电影在线免费观看| 乱人伦中国视频| 香蕉国产在线看| 又黄又爽又免费观看的视频| 成人免费观看视频高清| 最近最新中文字幕大全电影3 | 99久久99久久久精品蜜桃| 国产精品免费一区二区三区在线| 久久久久久亚洲精品国产蜜桃av| 999精品在线视频| 久久久久久久久久久久大奶| 精品久久久精品久久久| 啦啦啦 在线观看视频| 丰满人妻熟妇乱又伦精品不卡| 精品久久久久久,| 人人妻人人澡人人看| 国产亚洲精品久久久久久毛片| 满18在线观看网站| 亚洲国产欧美网| 天堂√8在线中文| 多毛熟女@视频| 精品久久久久久,| 18禁黄网站禁片午夜丰满| 亚洲国产高清在线一区二区三 | 美女大奶头视频| 非洲黑人性xxxx精品又粗又长| 国内久久婷婷六月综合欲色啪| 午夜福利18| 久9热在线精品视频| 一级a爱视频在线免费观看| 欧美日韩亚洲综合一区二区三区_| 50天的宝宝边吃奶边哭怎么回事| 一进一出好大好爽视频| 欧美中文综合在线视频| 成人三级黄色视频| 很黄的视频免费| 国产精品综合久久久久久久免费 | 正在播放国产对白刺激| 色在线成人网| 热99re8久久精品国产| 悠悠久久av| 欧美成狂野欧美在线观看| av免费在线观看网站| 少妇裸体淫交视频免费看高清 | 国产野战对白在线观看| 99香蕉大伊视频| 亚洲精品在线美女| 亚洲精华国产精华精| 757午夜福利合集在线观看| 亚洲性夜色夜夜综合| 黑人操中国人逼视频| 亚洲av日韩精品久久久久久密| 50天的宝宝边吃奶边哭怎么回事| 黄色女人牲交| 国产精品久久电影中文字幕| 搡老岳熟女国产| 十分钟在线观看高清视频www| 自线自在国产av| 日韩有码中文字幕| 女人被躁到高潮嗷嗷叫费观| 久久性视频一级片| 精品少妇一区二区三区视频日本电影| 免费人成视频x8x8入口观看| 在线十欧美十亚洲十日本专区| 亚洲九九香蕉| 精品卡一卡二卡四卡免费| 99在线人妻在线中文字幕| 国内精品久久久久精免费| 亚洲,欧美精品.| 久久久久精品国产欧美久久久| 一进一出好大好爽视频| www.熟女人妻精品国产| 午夜福利欧美成人| 99久久综合精品五月天人人| 免费看a级黄色片| 精品无人区乱码1区二区| 精品电影一区二区在线| 国产极品粉嫩免费观看在线| 丝袜在线中文字幕| 国产亚洲av嫩草精品影院| 国产亚洲av高清不卡| 欧美成人一区二区免费高清观看 | 变态另类成人亚洲欧美熟女 | 欧美乱色亚洲激情| 久久中文字幕人妻熟女| 91在线观看av| 免费高清在线观看日韩| 国产亚洲精品综合一区在线观看 | 欧美乱码精品一区二区三区| 国产成人精品在线电影| 精品卡一卡二卡四卡免费| 成人亚洲精品一区在线观看| 亚洲av成人一区二区三| 露出奶头的视频| 99久久99久久久精品蜜桃| 淫秽高清视频在线观看| 久久久久久久久中文| 精品久久久久久久毛片微露脸| 国产成人免费无遮挡视频| 十八禁网站免费在线| 久久国产亚洲av麻豆专区| 视频区欧美日本亚洲| 91精品国产国语对白视频| 亚洲精品粉嫩美女一区| 真人做人爱边吃奶动态| 91成年电影在线观看| 亚洲国产欧美网| av在线天堂中文字幕| 精品久久久精品久久久| 欧美日韩亚洲综合一区二区三区_| 欧美绝顶高潮抽搐喷水| 少妇裸体淫交视频免费看高清 | 国产野战对白在线观看| e午夜精品久久久久久久| 日本五十路高清| 亚洲一区高清亚洲精品| 在线视频色国产色| 亚洲av电影不卡..在线观看| 男女做爰动态图高潮gif福利片 | 老熟妇乱子伦视频在线观看| 母亲3免费完整高清在线观看| 九色亚洲精品在线播放| 在线观看午夜福利视频| 激情视频va一区二区三区| 两性夫妻黄色片| 一进一出抽搐gif免费好疼| 一进一出抽搐动态| 国产av在哪里看| 99久久综合精品五月天人人| 亚洲精品久久成人aⅴ小说| 亚洲精品国产一区二区精华液| 国产高清激情床上av| 天堂影院成人在线观看| 国产精品一区二区三区四区久久 | 69精品国产乱码久久久| 欧美+亚洲+日韩+国产| 日韩一卡2卡3卡4卡2021年|