论文部分内容阅读
随着经济的飞速发展，人们对汽车的需求与日俱增。为了满足人们的需求，汽车数量急剧增加，导致大量汽车尾气排放到空气中，其中的有毒有害气体不仅对大气造成了严重污染，也对人类的健康造成了严重的威胁。因此快速、有效的检测汽车尾气，对治理环境污染具有重要意义。 由于多个传感器在混合气体环境下单独对气体进行气体浓度的测量，会出现交叉干扰问题，因此本文结合传感器阵列和模式识别设计了一套汽车尾气检测系统。首先利用对不同汽车尾气主敏感的气敏传感器设计了传感器阵列，并根据各个传感器的工作原理设计了不同的信号预处理电路，其中信号预处理电路主要将传感器原始信号进行滤波，可以放大电压或者将电流转化为电压，以便利用电压采集装置进行信号的采集，来得到实验数据。同时，为了模拟汽车尾气环境，本文搭建了一套动态配气系统，通过流量计控制气体流速，来得到所需气氛。由于传统的个体神经网络存在局部极小值，预测精度低等问题，本文结合集成神经网络理论知识，建立了基于伪逆法和BP神经网络（伪逆-BP）的集成网络模型：首先将实验数据进行归一化，并分为训练样本和预测样本；其次采用 BP神经网络算法建立个体的神经网络，并利用实验数据对神经网络网络进行训练；然后利用K-means算法筛选出差异性网络；接着利用伪逆法求得各个神经网络的最优权重，再利用加权平均法集成各个神经网络，得到集成神经网络模型，最后利用预测样本对集成神经网络模型性能进行分析，并与基于AdaBoost算法和BP(Back Propagation)神经网络（AdaBoost-BP）的集成神经网络模型进行比较。 实验结果表明，传感器阵列能够有效获取汽车尾气中各气体浓度与传感器信号的关联信息，AdaBoost-BP集成神经网络模型和伪逆-BP集成神经网络模型都能够有效的避免交叉敏感问题，准确、快速的检测汽车尾气，对四种气体的相关实验样本数据的预测误差均不超过7％。与AdaBoost-BP集成神经网络模型相比，伪逆-BP集成神经网络模型所需参数更少，设计更加简单。此外，伪逆-BP集成神经网络模型的收敛精度、预测精度以及收敛速度整体上优于AdaBoost-BP集成神经网络模型。