《电子技术应用》
您所在的位置:首页 > 模拟设计 > 设计应用 > 基于改进型极限学习机的电子鼻气体浓度检测
基于改进型极限学习机的电子鼻气体浓度检测
2021年电子技术应用第10期
王 洁,陶 洋,梁志芳
重庆邮电大学 通信与信息工程学院,重庆400065
摘要: 针对目前电子鼻应用于气体污染物浓度检测时难以达到理想精度的问题,提出基于粒子群算法与人工蜂群算法的极限学习机(Particle Swarm Optimization and Artificial Bee Colony algorithm based Extreme Learning Machine,PSOABC-ELM)算法,通过改进极限学习机输入层与隐含层权值和隐含层阈值随机的缺陷,提高电子鼻浓度检测的精度。将PSOABC-ELM算法与其他算法进行比较,并在公开数据集上进行验证。实验结果表明,PSOABC-ELM算法用于电子鼻气体浓度检测时比其他算法精准度更高,检测结果误差更小,模型稳定性更强,为电子鼻气体浓度检测提供了一种新的方法。
中图分类号: TN02;TP212
文献标识码: A
DOI:10.16157/j.issn.0258-7998.211309
中文引用格式: 王洁,陶洋,梁志芳. 基于改进型极限学习机的电子鼻气体浓度检测[J].电子技术应用,2021,47(10):63-67.
英文引用格式: Wang Jie,Tao Yang,Liang Zhifang. Gas concentration detection of E-nose based on improved ELM[J]. Application of Electronic Technique,2021,47(10):63-67.
Gas concentration detection of E-nose based on improved ELM
Wang Jie,Tao Yang,Liang Zhifang
School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications, Chongqing 400065,China
Abstract: Aiming at unsatisfied ideal accuracy of electronic nose while testing the concentration of gas pollutants,the particle swarm optimization and artificial bee colony algorithm based extreme learning machine(PSOABC-ELM) algorithm is proposed. The accuracy of electronic nose concentration detection is enhanced by improve extreme learning machine weights of input layer and hidden layer and hidden layer threshold random defects. PSOABC-ELM is compared with other algorithms and validated on the public data set. The results show that the PSOABC-ELM algorithm perform better than the others when Testinggas concentration of electronic nose, and the detection result error is smaller and the algorithm stability is stronger, which provides a new method for the detection of gas concentration of electronic nose.
Key words : electronic nose;particle swarm optimization;artificial bee colony algorithm;extreme learning machine;concentration detection

0 引言

    电子鼻是一种仿生嗅觉系统,由气体传感器阵列和模式识别算法组成,主要用于气体识别[1],在环境监测[2]、食品检测[3]和医疗诊断[4]等多个领域均有所应用。电子鼻系统通过其内部的气体传感器阵列对气体信息进行采集,将气体信号转变为电信号,再通过模式识别算法的处理输出对应气体的浓度检测结果。

    针对电子鼻模式识别系统,目前提出了多种网络模型,其中极限学习机是由黄广斌提出的一种典型单隐层前馈神经网络(Single-hidden Layer Feedforward Networks,SLFN)[5],与其他神经网络(BP神经网络[6]、支持向量机[7](Support Vector Machine,SVM))相比,其结构简单,不需要反复迭代,学习速度快,泛化性能好,具有良好的函数逼近能力,因此被广泛应用于解决各种分类和回归的问题。但由于ELM输入层与隐含层的权值以及隐含层的阈值是随机给定的,这将会降低网络模型对浓度的检测精度。

    针对目前电子鼻在检测气体浓度精度不高的问题,本文利用粒子群算法的局部搜索能力和人工蜂群算法的全局搜索能力,将两个算法进行嵌入融合,并与极限学习机相结合,最终达到提高电子鼻气体浓度检测精度的目的。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003784




作者信息:

王  洁,陶  洋,梁志芳

(重庆邮电大学 通信与信息工程学院,重庆400065)




wd.jpg

此内容为AET网站原创,未经授权禁止转载。