《電子技術應用》
您所在的位置：首頁 > 測試測量 > 設計應用 > 基于改進OS-ELM的電子鼻在線氣體濃度檢測*
基于改進OS-ELM的電子鼻在線氣體濃度檢測*
電子技術應用
朱梓涵，陶洋，梁志芳
（重慶郵電大學 通信與信息工程學院，重慶400065）
摘要： 電子鼻是一種仿生傳感系統(tǒng)，該設備能夠同時對多種氣體進行識別，因此應用在許多領域當中。氣體濃度算法是電子鼻對氣體定量分析時的核心部分，為了提高電子鼻濃度檢測算法精度，提出一種基于在線序列極限學習機（Online Sequential-Extreme Learning Machine， OS-ELM）的預測模型。該模型通過一維卷積神經(jīng)網(wǎng)絡（One Dimensional Convolutional Neural Network， 1DCNN）提取特征，使用OS-ELM對氣體濃度進行預測，并提出了一種改進的粒子群（Particle Swarm Optimization， PSO）算法以克服OS-ELM需人工調(diào)整模型參數(shù)的問題。由理論分析，改進的算法比傳統(tǒng)PSO算法有更強的搜索能力。實驗結果表明，所提模型對氣體的預測精度上較傳統(tǒng)的預測模型具有更高的預測精度和泛化能力。
中圖分類號：TP212；TP183 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.233821
中文引用格式： 朱梓涵，陶洋，梁志芳. 基于改進OS-ELM的電子鼻在線氣體濃度檢測[J]. 電子技術應用，2023，49(10)：71-75.
英文引用格式： Zhu Zihan，Tao Yang，Liang Zhifang. Online gas concentration detection of electronic nose based on improved OS-ELM[J]. Application of Electronic Technique，2023，49(10)：71-75.
Online gas concentration detection of electronic nose based on improved OS-ELM
Zhu Zihan，Tao Yang，Liang Zhifang
(School of Communication and Information Engineering， Chongqing University of Posts and Telecommunications， Chongqing 400065， China)
Abstract： Electronic nose is a bionic sensing system, which can identify many gases at the same time, so it is used in many fields. The gas concentration detection algorithm is the core part of the gas quantitative analysis by electronic nose. In order to improve the accuracy of the electronic nose concentration detection algorithm, a prediction model based on online sequential-extreme learning machine (OS-ELM) is proposed. The model uses one-dimensional convolutional neural network (1DCNN) to extract features, uses OS-ELM to predict gas concentration, and proposes an improved Particle Swarm Optimization(PSO) algorithm to overcome the problem that OS-ELM needs to manually adjust model parameters. The theoretical analysis shows that the improved algorithm has stronger search ability than the traditional PSO algorithm. Finally, the experimental results show that the proposed model has higher prediction accuracy and generalization ability compared with the traditional prediction model.
Key words : electronic nose；concentration detection；one-dimensional convolution neural network；online sequential-extreme learning machine；particle swarm optimization

0　引言

隨著工業(yè)的高速發(fā)展，環(huán)境問題日益突出?？諝馕廴締栴}不僅直接危害人體健康，還對生活環(huán)境造成了嚴重影響。電子鼻是一種模仿動物嗅覺器官的傳感器設備，能夠快速并準確地識別出各種氣體[1]。

電子鼻主要由氣體識別算法、信號處理模塊和傳感器陣列組成[2]。氣體識別算法是電子鼻系統(tǒng)中的關鍵組成部分，能夠從軟件層面上提升電子鼻的識別效果。

目前的研究者使用了不同的方法提高氣體識別算法的精度。Akbar等[3]通過特征降維提升氣體識別的準確率，但這可能導致特征信息丟失而影響最終效果。Fan等[4]則采用無監(jiān)督學習的方式進行氣體聚類分析提高了氣體分類時的精度，但這種方式要求提取高質(zhì)量的特征。Wijaya[5]運用信息論對傳感器陣列進行特征選擇，以優(yōu)化氣體識別算法，但增加了特征提取和選擇的工作量和復雜度。李鵬等[6]直接使用一維卷積神經(jīng)網(wǎng)絡 (One Dimensional Convolutional Neural Network, 1DCNN)對氣體進行識別并確定氣體種類。而LE B T等人[7]指出了直接使用CNN網(wǎng)絡進行分類或預測的缺陷，因此他們采用了混合模型來預測目標，但這種模型面對大量樣本數(shù)據(jù)時，會導致訓練速度緩慢和計算機內(nèi)存占用較高。

針對電子鼻的氣體濃度預測中的問題，本文提出一種基于在線序列極限學習機(Online Sequential-Extreme Learning Machine, OS-ELM)的氣體濃度預測方法。OS-ELM不僅具有ELM模型計算速度快、泛化能力強的特點[8]，而且還采用了在線式增量學習策略[9]。但OS-ELM的輸入權重和隱層偏置是隨機生成的，這會影響預測精度。為了克服這一缺點，本文提出一種改進的粒子群算法，該算法能夠有效地搜索OS-ELM全局最優(yōu)參數(shù)，從而進一步提高模型濃度預測精度。此外，本文還使用1DCNN模型對氣體信號進行特征提取，挖掘了氣體信號的深度特征。




本文詳細內(nèi)容請下載：http://ihrv.cn/resource/share/2000005716




作者信息：

朱梓涵，陶洋，梁志芳

（重慶郵電大學 通信與信息工程學院，重慶400065）


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉載。