結(jié)合傳感器陣列和BP神經(jīng)網(wǎng)絡(luò)的揮發(fā)性有機(jī)物定量檢測系統(tǒng)

金成,王久洪,張成,張澤,王海容

(1.西安交通大學(xué)機(jī)械制造與系統(tǒng)工程國家重點(diǎn)實(shí)驗(yàn)室,710049,西安;2.西安交通大學(xué)機(jī)械工程學(xué)院,710049,西安)

近年來,在醫(yī)療、工業(yè)、農(nóng)業(yè)、軍事等領(lǐng)域?qū)]發(fā)性有機(jī)物(VOCs)特別是異戊二烯的檢測系統(tǒng)需求越來越多。2012年,杰西卡等人通過氣相色譜-質(zhì)譜儀進(jìn)行慢性肝病患者呼氣研究,得出異戊二烯變化的可能原因是氧化應(yīng)激、傷肝、新陳代謝等[1]。因此,對異戊二烯的識別與檢測成為了慢性肝病檢測的研究重點(diǎn)。目前國內(nèi)外對于異戊二烯的檢測研究還比較少,張泉水等人使用氣相色譜-質(zhì)譜聯(lián)用儀探究精神分裂癥患者與異戊二烯的關(guān)系,發(fā)現(xiàn)兩者存在高度相關(guān)性[2]。孫美秀等人研究了使用光腔衰蕩光譜技術(shù)(CRDS)檢測非酒精性脂肪肝病人呼出氣體中的丙酮與異戊二烯成分[3]。王禹等人使用二次電噴霧電離-離子遷移率譜系統(tǒng)檢測樣品中的異戊二烯氣體[4]。王海容等人研制了用于異戊二烯檢測的氣體傳感器[5],接著提出使用半導(dǎo)體氣敏傳感器陣列檢測人體呼出氣體的方案[6]。Han等人研制了花狀I(lǐng)n2O3半導(dǎo)體傳感器檢測異戊二烯有望用于呼吸分析[7]。

目前,對于混合物中異戊二烯的檢測大部分還是使用基于質(zhì)譜、色譜、光譜等原理的大型分析儀器,分析時(shí)間過長,儀器本身體積大、價(jià)格高、操作復(fù)雜,而氣體傳感器檢測異戊二烯大部分只針對單一異戊二烯氣體。由于異戊二烯在人體呼氣中的濃度為痕量級別(體積分?jǐn)?shù)為10-6量級),且濃度范圍小,難以檢測,因此本文使用金屬氧化物半導(dǎo)體傳感器陣列與模式識別算法結(jié)合的方法檢測混合氣體中的異戊二烯氣體濃度,更加方便快捷,適用于大規(guī)模篩查檢測的應(yīng)用場景。

1 測試系統(tǒng)

1.1 傳感器陣列

氣體傳感器選擇使用MEMS工藝半導(dǎo)體材料制造的金屬氧化物半導(dǎo)體(MOS)氣體傳感器,其通常使用SnO2、ZnO、TiO2和In2O3等半導(dǎo)體氧化物作為敏感材料[8-12],具有靈敏度高、成本低、穩(wěn)定性好等特點(diǎn)。肝病的呼吸標(biāo)志物異戊二烯為內(nèi)源性氣體,為了實(shí)現(xiàn)抗干擾能力,配氣中選擇了與人體疾病有關(guān)的內(nèi)源性氣體,即與腎臟疾病相關(guān)的氨氣和與糖尿病有關(guān)的丙酮,以及與飲酒人群相關(guān)的乙醇[13-15]。本文針對混合氣體的各氣體組分,選擇了表1所示的4個(gè)商用傳感器組成傳感器陣列。

表1 傳感器型號及檢測范圍與檢測氣體Table 1 Sensor model, detection range and detection gas used in experiments

1.2 測試系統(tǒng)

圖1所示測試系統(tǒng)主要由配氣系統(tǒng)、傳感器陣列氣室、AD轉(zhuǎn)換與數(shù)據(jù)采集模塊、上位機(jī)組成。配氣系統(tǒng)主要由儲氣鋼瓶和質(zhì)量流量計(jì)(MFC)及管路組成,通過質(zhì)量流量計(jì)配合連通閥進(jìn)行氣體混合,使用純凈空氣為載氣控制整體氣流平穩(wěn)流動。氣室內(nèi)置傳感器陣列,體積小,密封性好。由于測試濃度低、梯度小,因此傳感器信號采集電路具有良好的抗噪能力,可避免噪聲的干擾。測試電路將傳感器電阻值信號轉(zhuǎn)換成電壓值信號,通過16位AD76064數(shù)據(jù)采集模塊進(jìn)行模數(shù)轉(zhuǎn)換。通過STM32采集轉(zhuǎn)換數(shù)據(jù),使用串口通信將數(shù)據(jù)傳輸?shù)缴衔粰C(jī)保存。

1.3 氣體測試

測試實(shí)驗(yàn)分成兩組進(jìn)行:實(shí)驗(yàn)一選擇濃度較高的異戊二烯與氨氣的二元混合氣體,用模式識別算法預(yù)測異戊二烯濃度;實(shí)驗(yàn)二的VOCs混合氣體包括異戊二烯、丙酮與乙醇。傳感器對于同性氣體的響應(yīng)更難分離,且數(shù)據(jù)差異性變小。兩組實(shí)驗(yàn)各配置了25組樣本。實(shí)驗(yàn)二由于有3種氣體,理論上應(yīng)該配置75組,但是這里的乙醇為了模擬可能存在的其他VOCs氣體的干擾,因此實(shí)驗(yàn)二主要為異戊二烯與丙酮變化的25組樣本。各樣本混合物的標(biāo)簽及其對應(yīng)的各組分體積分?jǐn)?shù)如圖2所示。實(shí)驗(yàn)一測試時(shí)異戊二烯體積分?jǐn)?shù)分別為0.5×10-6、0.7×10-6、0.9×10-6、1.1×10-6、1.3×10-6。首先將異戊二烯的體積分?jǐn)?shù)固定,氨氣的體積分?jǐn)?shù)逐漸變化為4.5×10-6、4.8×10-6、5×10-6、5.3×10-6、5.5×10-6,測試完畢后,異戊二烯增加,繼續(xù)重復(fù)上述的過程。實(shí)驗(yàn)二混合氣體各組分配比方法與實(shí)驗(yàn)一類似,使用質(zhì)量流量計(jì)設(shè)置不同的流量,整體流量控制在200 mL/min,使用空氣補(bǔ)足剩下的流量。異戊二烯體積分?jǐn)?shù)分別為0.1×10-6、0.2×10-6、0.3×10-6、0.4×10-6、0.5×10-6,測試時(shí)首先將異戊二烯體積分?jǐn)?shù)固定,丙酮的體積分?jǐn)?shù)逐漸變?yōu)?.1×10-6、0.2×10-6、0.3×10-6、0.4×10-6、0.5×10-6,乙醇的體積分?jǐn)?shù)變化為1.5×10-6、1.75×10-6、2.0×10-6、2.25×10-6、2.5×10-6,且混合物中乙醇的體積分?jǐn)?shù)為隨機(jī)的,測試完畢后,增加異戊二烯體積分?jǐn)?shù),繼續(xù)重復(fù)上述的過程。

圖2 混合物各組分體積分?jǐn)?shù)Fig.2 The volume fraction of each component of the mixture

具體測試過程如下:氣路通入純空氣對傳感器進(jìn)行預(yù)熱與清洗,待基線穩(wěn)定后,切換通道;實(shí)驗(yàn)一向氣室通入異戊二烯、氨氣與空氣的混合氣體,實(shí)驗(yàn)二向氣室通入異戊二烯,丙酮,乙醇的混合氣體;單片機(jī)進(jìn)行數(shù)據(jù)采集并將傳感器電壓值發(fā)送到上位機(jī)存儲。待反應(yīng)完成后,通入空氣,進(jìn)行清洗,準(zhǔn)備下一次測試。

圖3為25組混合氣體響應(yīng)曲線峰值圖,其中體積分?jǐn)?shù)配比策略為先異戊二烯體積分?jǐn)?shù)固定,丙酮以0.1～0.5逐漸上升,接著異戊二烯體積分?jǐn)?shù)上升0.1,丙酮繼續(xù)如上述一樣上升,直到異戊二烯體積分?jǐn)?shù)到達(dá)0.5,共5×5即25組樣本峰值?？梢钥吹絺鹘y(tǒng)的單一傳感器峰值響應(yīng)并不適合混合氣體的峰值的響應(yīng),混合氣體的響應(yīng)不是線性關(guān)系而是一種非線性關(guān)系。

圖3 3種傳感器的混合氣體響應(yīng)信號峰值曲線Fig.3 Peak value diagram of mixed gas response curve

2 異戊二烯檢測算法

2.1 特征提取

使用數(shù)學(xué)概念提取響應(yīng)曲線幾何特征,將得到的樣本集進(jìn)行歸一化處理,得到模式識別算法中的輸入集。采用限幅濾波進(jìn)行采樣,以克服意外干擾。設(shè)置前后兩次數(shù)據(jù)可允許的最大偏差,每當(dāng)有新數(shù)據(jù)到來時(shí)與上一個(gè)數(shù)據(jù)進(jìn)行比較,若在允許偏差范圍內(nèi),則本次數(shù)據(jù)有效,反之則無效,使用上一次數(shù)據(jù)值代替本次數(shù)據(jù)。采用去除基線的方法消除溫度、氣體流速等因素的影響。

特征提取希望將能夠?qū)⒈磉_(dá)樣本的信息集中到盡可能少的、理想的獨(dú)立特征中?？紤]到樣本采集數(shù)據(jù)的時(shí)域特征,特征提取采用基于原始數(shù)據(jù)表達(dá)的響應(yīng)曲線法。根據(jù)傳感器響應(yīng)數(shù)據(jù),將采樣數(shù)據(jù)保存到一個(gè)數(shù)組中,對數(shù)組中的數(shù)據(jù)進(jìn)行操作。由于檢測的目標(biāo)氣體濃度較小,且梯度間隔小,實(shí)驗(yàn)一得到如圖4中所示的4個(gè)曲線特征,除了將常見的峰值作為特征外,增加曲線下面積特征來增加樣本的分離度,同時(shí)使用最大上升斜率和到達(dá)峰值的時(shí)間來表示傳感器的特征。實(shí)驗(yàn)二得到如圖4中所示的7個(gè)曲線特征,在實(shí)驗(yàn)一的基礎(chǔ)上單獨(dú)分出上升和下降時(shí)間和曲線下面積來增加樣本的分離度,同時(shí)使用最大下降斜率和下降時(shí)間進(jìn)一步細(xì)化傳感器的特征。使用歸一化讓每一個(gè)特征值處在[0,1]之間,得到測試樣本的樣本集,使用模式識別算法進(jìn)行氣體識別與濃度預(yù)測。

圖4 兩組實(shí)驗(yàn)的特征提取曲線Fig.4 Feature extraction curves of two sets of experiments

圖5a為實(shí)驗(yàn)一的特征熱力圖,縱坐標(biāo)為按照順序?qū)?yīng)的不同濃度的異戊二烯和氨氣樣本,橫坐標(biāo)為TGS2602和MQ137傳感器響應(yīng)曲線的峰值、曲線下面積、最大上升斜率和到達(dá)峰值時(shí)間共8個(gè)特征。前4個(gè)特征即TGS2602的響應(yīng)曲線的幾何特征隨著異戊二烯和氨氣濃度升高顏色逐漸加深,而后4個(gè)特征即MQ137傳感器隨著氨氣的濃度升高顏色逐漸加深。這表明了傳感器之間的交叉響應(yīng)特性,有利于算法對異戊二烯濃度的預(yù)測。圖5b為實(shí)驗(yàn)二的特征熱力圖,縱坐標(biāo)依次為異戊二烯和丙酮的不同濃度的樣本,橫坐標(biāo)為TGS2602、MMD1013s和TGS2600傳感器響應(yīng)曲線的峰值、上升時(shí)間、上升曲線下面積、下降時(shí)間、下降曲線下面積、上升最大斜率、下降最大斜率共21個(gè)特征。由圖5可見,對于TGS2602傳感器,峰值隨著異戊二烯濃度的升高,顏色逐漸加深;對于MMD1013s傳感器,峰值隨著丙酮的上升而逐漸上升,顏色趨勢呈現(xiàn)以5個(gè)樣本為一組的依次加深;對于TGS2600傳感器,在低濃度時(shí)峰值比前兩個(gè)傳感器響應(yīng)大,但濃度升高,傳感器的靈敏度較差,響應(yīng)相對變差,同時(shí)上升下降時(shí)間和曲線面積呈正相關(guān),上升和下降斜率更受傳感器本身材料的性能有關(guān)。

(a)實(shí)驗(yàn)一的特征熱力圖

(b)實(shí)驗(yàn)二的特征熱力圖圖5 兩次實(shí)驗(yàn)的特征熱力圖Fig.5 Heat maps of two experimental features

2.2 特征降維

實(shí)驗(yàn)一提取了兩個(gè)響應(yīng)傳感器的特征值,得到了8個(gè)特征;實(shí)驗(yàn)二提取了3個(gè)響應(yīng)傳感器的特征值,得到了21個(gè)特征。為了實(shí)現(xiàn)兩次實(shí)驗(yàn)的預(yù)測結(jié)果對照實(shí)驗(yàn),使用主成分分析(PCA)得到實(shí)驗(yàn)二前10維的數(shù)據(jù)貢獻(xiàn)率。圖6a顯示實(shí)驗(yàn)二的數(shù)據(jù)取排序好的前8維成分即可代表90%以上的總成分。同時(shí)圖6b將兩次樣本數(shù)據(jù)使用PCA投影到前3個(gè)主成分上,觀察到主成分1(PC1)、主成分2(PC2)、主成分3(PC3)分別占55.6%、24.3%和16.5%。通過兩次實(shí)驗(yàn)樣本的投影圖可以看到兩次實(shí)驗(yàn)數(shù)據(jù)有明顯的分界面作為區(qū)分,但是兩個(gè)數(shù)據(jù)之間的距離又很接近且存在混雜的效果,因此存在兩組數(shù)據(jù)融合后進(jìn)行異戊二烯預(yù)測的可能。

(a)第2組實(shí)驗(yàn)前10個(gè)主成分的貢獻(xiàn)率

(b)兩組數(shù)據(jù)在PC1、PC2、PC3上的投影圖6 主成分分析貢獻(xiàn)率圖Fig.6 A contribution rate graph from principal component analysis

2.3 量化算法

BP神經(jīng)網(wǎng)絡(luò)由于其簡單性和可解釋性常用于對非線性回歸問題的解決[16-17],本文使用BP神經(jīng)網(wǎng)絡(luò)對連續(xù)測試的樣本進(jìn)行濃度的預(yù)測。

圖7顯示的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)圖中,特征數(shù)據(jù)集的總維數(shù)為n,訓(xùn)練集特征值為輸入值xn,預(yù)測得到的混合氣體各組分濃度從輸出層輸出。隱含層的神經(jīng)元結(jié)構(gòu),左側(cè)代表神經(jīng)元的輸入zi(n),其值為輸入層xi(i=1～n)乘以權(quán)值wij(n)累加后再加上閾值bij(n)的計(jì)算結(jié)果,j代表權(quán)值所屬的層;右側(cè)代表神經(jīng)元輸出ai(n),是將左邊輸入值帶入激勵(lì)函數(shù)后得到的輸出結(jié)果。輸出層與中間層類似,輸入的是中間層神經(jīng)元輸出項(xiàng)ai(n),輸出的是預(yù)測的氣體濃度值。BP神經(jīng)網(wǎng)絡(luò)隱含層的結(jié)構(gòu)設(shè)計(jì)經(jīng)驗(yàn)公式如下:

圖7 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)Fig.7 Topology design of BP neural network

(1)

式中:a為輸入層個(gè)數(shù);b為隱含層個(gè)數(shù);c為輸出層個(gè)數(shù);n為0～10的常數(shù)。

隱含層的神經(jīng)元個(gè)數(shù)的選擇,根據(jù)經(jīng)驗(yàn)公式選擇4～13個(gè)神經(jīng)元進(jìn)行訓(xùn)練。神經(jīng)元個(gè)數(shù)過小,會使神經(jīng)元所代表的信息太少,而神經(jīng)元個(gè)數(shù)過大,會使模型過擬合,精度不一定更高。

信息的均方誤差(MSE)計(jì)算公式為

(2)

圖8為神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)(神經(jīng)元)不同個(gè)數(shù)時(shí)的均方誤差,由圖8可見,當(dāng)神經(jīng)元個(gè)數(shù)為10時(shí),信息的均方誤差最小,代表誤差結(jié)果更小,預(yù)測更準(zhǔn)確,因此選定神經(jīng)元個(gè)數(shù)為10。

圖8 神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)不同個(gè)數(shù)的MSEFig.8 MSE with different numbers of nodes in the hidden layer of the neural network

本文使用5折交叉驗(yàn)證,為了防止機(jī)器找規(guī)律的學(xué)習(xí),將樣本隨機(jī)分布后分成5組[18]。交叉驗(yàn)證過程如圖9所示,每次取黃色的一組作為測試集,剩下的作為訓(xùn)練集,反復(fù)進(jìn)行5次,最后求平均誤差。利用均方誤差、均方根誤差、交叉驗(yàn)證均方誤差及交叉驗(yàn)證均方根誤差這4個(gè)指標(biāo)來評估預(yù)測效果的好壞。若均方誤差高,則表示模型過于簡單,存在潛在變量占少數(shù),也就是為一個(gè)欠擬合模型,即無法表達(dá)特征與目標(biāo)值之間的實(shí)際關(guān)系。在這里的應(yīng)用中,這就表明了不同的傳感器對不同的氣體的交叉敏感性無法得到很好的補(bǔ)償。另一方面,一個(gè)模型可能會被太多的潛在變量過度擬合,這通過一個(gè)小的均方誤差與一個(gè)大的交叉驗(yàn)證均方誤差同時(shí)變得明顯。因此,一個(gè)好的模型是一個(gè)盡可能少的潛在變量,一個(gè)小的均方誤差,以及均方誤差和交叉驗(yàn)證均方誤差之間的小差異[19]。

圖9 5折交叉驗(yàn)證過程Fig.9 5-fold cross-validation process

2.4 算法的訓(xùn)練

BP神經(jīng)網(wǎng)絡(luò)使用梯度下降法進(jìn)行訓(xùn)練,是一種非線性的逐步逼近式優(yōu)化方法,可能造成布局最小值,使結(jié)果變差。目前常用的優(yōu)化訓(xùn)練方法有彈性BP算法自適應(yīng)學(xué)習(xí)速率法、共軛梯度法、擬牛頓算法、Levenberg-Marquardt(LM)優(yōu)化算法[20]等,但這些優(yōu)化算法仍是從局部考慮優(yōu)化連接權(quán)值,會造成局部最小值,因此本文引進(jìn)了遺傳算法(GA)來改進(jìn)BP神經(jīng)網(wǎng)絡(luò),遺傳算法從全局考慮出發(fā),更適合解決全局尋優(yōu)問題。

表2為有彈性BP算法、自適應(yīng)學(xué)習(xí)速率法、共軛梯度法、擬牛頓算法、LM優(yōu)化算法、CA算法+LM組合優(yōu)化算法對50組混合樣本的訓(xùn)練結(jié)果。由表2可以看到:有彈性BP算法與自適應(yīng)學(xué)習(xí)速率法計(jì)算的均方誤差在達(dá)到設(shè)定的迭代最大值時(shí)也達(dá)不到設(shè)置的精度;共軛梯度法、擬牛頓算法雖然能夠達(dá)到設(shè)定的均方誤差,但是迭代次數(shù)多,訓(xùn)練時(shí)間長;LM優(yōu)化算法能借由執(zhí)行時(shí)修改參數(shù)達(dá)到結(jié)合高斯-牛頓算法以及梯度下降法的優(yōu)點(diǎn),并對兩者之不足作改善,訓(xùn)練出的結(jié)果經(jīng)過很少的迭代次數(shù)逼近設(shè)定的均方誤差,有良好的訓(xùn)練效果。同時(shí)遺傳算法通過優(yōu)化初始權(quán)值閾值后,LM優(yōu)化訓(xùn)練算法逼近設(shè)定的均方誤差的迭代次數(shù)進(jìn)一步減少,訓(xùn)練速度更快。

表2 6種訓(xùn)練方法對50組混合樣本的迭代次數(shù)和均方誤差Table 2 The number of iterations and mean square error of 6 training methods for mixed samples

訓(xùn)練選定的樣本個(gè)數(shù)為混合實(shí)驗(yàn)測試得到的50個(gè)樣本,使用5折交叉驗(yàn)證,將樣本集隨機(jī)分為5組,每次使用一組作為測試集,其他9組數(shù)據(jù)作為訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)。交叉驗(yàn)證10次,每個(gè)子樣本驗(yàn)證一次。首先使用BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練并預(yù)測濃度,將預(yù)測的結(jié)果保存下來。同時(shí)將網(wǎng)絡(luò)的連接權(quán)值和閾值作為遺傳算法的個(gè)體基因輸入進(jìn)行訓(xùn)練:達(dá)到設(shè)定的優(yōu)化指標(biāo)或者最大代數(shù)后,將得到的最終種群的最優(yōu)個(gè)體解碼即得到了優(yōu)化后的網(wǎng)絡(luò)連接權(quán)值。將連接權(quán)值重新賦予BP神經(jīng)網(wǎng)絡(luò)作為初始權(quán)值,重新使用BP神經(jīng)網(wǎng)絡(luò)用相同的參數(shù)訓(xùn)練網(wǎng)絡(luò),達(dá)到設(shè)定的精度時(shí)或者達(dá)到最大的迭代次數(shù),則算法結(jié)束,得到預(yù)測的樣本濃度。BP神經(jīng)網(wǎng)絡(luò)與遺傳算法優(yōu)化后重新訓(xùn)練的參數(shù)保證一致。

3 異戊二烯濃度定量檢測分析

3.1 單獨(dú)測試樣本的預(yù)測結(jié)果

為了對照混合測試樣本的預(yù)測結(jié)果,對實(shí)驗(yàn)一和實(shí)驗(yàn)二分別采用BP神經(jīng)網(wǎng)絡(luò)算法(BPNN)和GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法(GA+BPNN)進(jìn)行濃度預(yù)測。具體的變化如下:對于實(shí)驗(yàn)一,樣本集個(gè)數(shù)為25,維數(shù)為8。神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如前邊介紹,訓(xùn)練方法保持不變,交叉驗(yàn)證選為5折交叉驗(yàn)證。將經(jīng)過訓(xùn)練與測試得到的預(yù)測樣本的濃度與實(shí)際樣本濃度投影下來如圖10a所示,可以看出,GA+BPNN組合算法的預(yù)測樣本比單獨(dú)的BPNN算法的預(yù)測樣本更接近中軸線。

(a)實(shí)驗(yàn)一的預(yù)測結(jié)果

(b)實(shí)驗(yàn)二的預(yù)測結(jié)果圖10 兩組實(shí)驗(yàn)使用GA+BPNN與BPNN的樣本預(yù)測濃度與實(shí)際濃度比較Fig.10 A comparison of the predicted concentration and the actual concentration of samples for two sets of experiments using GA+BPNN and BPNN

對于實(shí)驗(yàn)二,樣本集選擇降維處理后的數(shù)據(jù),個(gè)數(shù)為25,維數(shù)為8。神經(jīng)網(wǎng)絡(luò)樸拓結(jié)構(gòu)輸入層與隱含層不變,輸出層改為3種氣體的濃度輸出,訓(xùn)練方法不變,交叉驗(yàn)證選擇5折交叉驗(yàn)證。將經(jīng)過訓(xùn)練與測試得到的預(yù)測樣本的濃度與實(shí)際樣本濃度投影下來如圖10b所示,可以看出,GA+BPNN組合算法的預(yù)測樣本值比單獨(dú)的BPNN算法的預(yù)測樣本值更接近真實(shí)值。

3.2 混合測試樣本的預(yù)測結(jié)果

將經(jīng)過訓(xùn)練與測試得到的預(yù)測樣本的濃度與實(shí)際樣本濃度投影下來如圖11所示。由圖11可以看到,GA+BPNN預(yù)測樣本比BPNN預(yù)測樣本更接近中軸線。由圖10和圖11可以看到,GA+BPNN組合算法的預(yù)測誤差與準(zhǔn)確率明顯高于BPNN算法,同時(shí)由于遺傳算法從全局上搜索最優(yōu)解,大部分的預(yù)測數(shù)據(jù)都均勻分布在兩條藍(lán)色虛線附近,而單獨(dú)的BP神經(jīng)網(wǎng)絡(luò)會由于出現(xiàn)局部最小值的問題,部分樣本數(shù)據(jù)與整體預(yù)測樣本偏離較大。進(jìn)一步從樣本濃度上分析,對于濃度較高的樣本預(yù)測,預(yù)測值更接近真實(shí)值,這可能是因?yàn)闈舛仍礁?傳感器響應(yīng)越大,對于數(shù)據(jù)的交叉敏感性越明顯,得到的預(yù)測結(jié)果更準(zhǔn)確。對于低濃度氣體,傳感器響應(yīng)靈敏度降低,而且更容易受背景氣體干擾,從而產(chǎn)生噪聲信號,影響預(yù)測結(jié)果。

圖11 混合樣本使用GA+BPNN與BPNN的樣本預(yù)測濃度與實(shí)際濃度比較Fig.11 A comparison of the predicted concentration and the actual concentration of the mixed samples using GA+BPNN and BPNN

結(jié)合實(shí)際體積分?jǐn)?shù)與預(yù)測體積分?jǐn)?shù),使用GA+BPNN組合算法的預(yù)測結(jié)果以均方根誤差說明:實(shí)驗(yàn)一的均方誤差為0.077,實(shí)驗(yàn)二的均方誤差為0.058,混合實(shí)驗(yàn)的均方誤差為0.100。實(shí)驗(yàn)一的測試范圍為0.5～1.3,實(shí)驗(yàn)二的測試范圍為0.1～0.5,混合實(shí)驗(yàn)的測試范圍為0.1～1.3?？梢钥吹?均方誤差同樣受測試范圍影響,測試范圍大,均方誤差也會增加。增加了特征值數(shù)量的實(shí)驗(yàn)二得到交叉驗(yàn)證均方誤差更小,可以看出增加表達(dá)樣本特點(diǎn)的特征值,更有利于預(yù)測結(jié)果的準(zhǔn)確性。

4 結(jié) 論

本文主要進(jìn)行了基于傳感器陣列與模式識別算法對揮發(fā)性有機(jī)物檢測問題的探究,搭建了一種采樣方便、檢測迅速的測試系統(tǒng),同時(shí)模式識別算法完成了對混合氣體實(shí)驗(yàn)揮發(fā)性有機(jī)物氣體異戊二烯的檢測與準(zhǔn)確率優(yōu)化,3種實(shí)驗(yàn)異戊二烯預(yù)測體積分?jǐn)?shù)均方根誤差均在0.1以內(nèi)。該研究工作具有泛化能力,可以通過調(diào)整傳感器陣列中的傳感器進(jìn)行其他VOCs的檢測。