应用于卟啉阵列气体检测系统的识别算法.pdf

《应用于卟啉阵列气体检测系统的识别算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第27卷第11期传感技术学报V01．27No．11CHINESEJOURNALOFSENSORSANDACTUATORSNOV．20142014年11月GasRecognitionAlgorithmAppliedinPorphyrinArrayGasDetectionSystemLUOXiaogang，XIEXinxin(CollegeofBioengineering，ChongqingUniversity，Chongqing400030，China)Abstract：Thedifferencemapisthebasisofiden

2、tifyinggasesbythePSAchips．However，therearedifferencesbe—tweeneachdifferencemapofagas，whichiscalledthe“divergentproblem”．Apatternrecognitionalgorithmbasedonbackpropagationneuralnetworkandroughsetwasdescribed，whichwasemployedintheporphyrinchemicalsen—soyarrayintegratedsy

3、stem．Thatalgorithmpickedupthespotswhosecolorchangedobviouslyusingtheroughset，andsettheirvaluesasinputofBPnetwork．ComparingwiththeresultofEuclideandistanceclusteringandBPneu—ralnetworkidentificationwithoutremovingunnecessarydataasinput，theresultofthealgorithmproposedint

4、hisar—ticlehashigheridentificationaccuracytothedivergenceexperimentaldata．Keywords：porphyfinsensor；gasrecognition；neuralnetwork；roughsetEEACC：6140：6140Mdoi：10．3969／j．issn．1004-1699．2014．11．004应用于卟啉阵列气体检测系统的识别算法木罗小刚，谢新莘(重庆大学生物工程学院，重庆400030)摘要：差值图谱是卟啉化学传感器(PSA)芯片识别气体的根据，

5、但同种气体的差值图谱之间会出现颜色或显色位置的差异，存在实验数据发散的问题。结合BP神经网络和粗糙集，提出了一种新的气体种类识别算法，并将之用于PSA气体检测系统中。该方法利用粗糙集的数据约简功能找到差值图谱数据中颜色变化明显的点的数据，以这些数据为输入，进行BP神经网络的训练和识别。通过实验可以证明，相对于欧氏距离聚类结果、BP神经网络识别结果，本文提出的算法对于发散的实验数据具有更高的识别精度。关键词：卟啉传感器；气体识别；神经网络；粗糙集中图分类号：TP391文献标识码：A文章编号：1004—1699(2014)11—1464

6、—05不论是在大气污染检测领域¨，还是疾病检测或者主成分分析l卜。在进行同种气体检测的平行领域，痕量气体检测技术都有着极其重要的应实验时，若PSA芯片的差值图谱基本一致，应用聚用j。利用气敏传感器进行痕量气体检测的技术类分析或者主成分分析进行气体识别不仅简单、快已成为目前的研究热点。由于卟啉及其衍生物与不捷，而且具有很好的识别效果。但是当出现差值图同气体反应会产生不同的颜色变化，并具有很高的谱不一致，检测结果部分发散的情况时，这两种方法灵敏度，因此可以将之制作成卟啉化学传感器阵列并不能很好地识别气体。因此需要设计一种较为全PSA(P

7、orphyrinSensorAray)芯片，应用于高精度的面、智能的气体种类识别算法，以保证PSA气体检气体检测中叫J。测系统在任何状态下都有较高的识别率。适用于气体传感器阵列的模式识别方法有很多本文针对非理想状态下气体种类识别算法的弊种，包括聚类分析、判别分析、主元分析、反向传播人端，提出了一种结合粗糙集与BP神经网络的气体工神经网络、概率神经网络和遗传算法等。PSA气种类识别算法。BP神经网络广泛应用于气体传感体检测系统的气体分类方法一般采用聚类分析器阵列的模式识别，具有强大的自组织、自学习、自项目来源：国家科技支撑计划项目(2

8、012BAI19B03)；国家自然科学基金项目(81271930，81171414)；教育部高校博士点基金项目(20090191110030)；中央高校基本科研业务费项目(CDJXS10231179，CDJSX102300)收稿日期：