论文部分内容阅读
在公共交通环境下,有毒有害气体容易造成公共交通安全事故,在以往发生过的事故中,多数事故的引发是由于没有及时检测到有毒有害气体并进行人员疏散从而造成人员伤亡,所以针对封闭空间内的低浓度气体检测是有必要的。通常气体检测仪器选择为气色相谱仪,由于体积较大、成本高且只能检测单一气体所以不适合用于公共交通的气体检测。半导体气体传感器成本低、体积小但是会因为在检测多种气体时会产生交叉敏感而大大降低检测精度。所以,本文针对混合气体低浓度和半导体气体传感器存在交叉敏感的情况下,完成混合气体检测的硬件系统搭建,设计并建立一个模式识别模型来完成对混合气体有较高精度的定性识别和定量识别。选用误差反馈神经网络(BP)完成对混合气体的定性识别和定量识别,BP神经网络模型是通过误差的不断反向传播改变权值和阈值来降低输出的误差,但是不断的误差反向传播中容易陷入局部收敛使输出精度不能提高且计算速度慢。引入人工蜂群算法(ABC)对BP神经网络进行优化,ABC算法全局搜索能力强且收敛速度快,利用ABC算法可以有效提升BP神经网络的整体性能,但是ABC算法存在优化过程中存在优质解容易丢失的问题,对ABC算法的寻优机制进行改进得到自适应人工蜂群算法(AABC),改进后的AABC算法可以进一步提升BP神经网络模型的整体性能。选用两个常用BP神经网络优化算法混沌粒子群算法(CPSO)和果蝇算法(FOA)与AABC和ABC完成对比实验,验证ABC是否得到优化。借助模糊C均值算法(FCM)保留特征值的特点优化训练样本个数,在保证精度的条件下减少样本个数从而降低模型的运算时间。硬件系统以MQ-3(酒精传感器)、MQ-4(甲烷传感器)、MQ7(---氧化碳传感器)、MQ-8(氢气传感器)和STM32F103VET6为核心搭建混合气体检测平台,通过STM32库函数和LabVIEW完成硬件系统的启动初始化和数据的传输。采用python及其扩展库和tensorflow完成对BP神经网络的模型建立。通过5种不同的测试函数完成对AABC、ABC、CPSO和FOA算法的优化能力对比实验,实验结果表明AABC算法在优化过程中,全局搜索能力和寻优极值优于其他优化算法,同时也证明了对ABC算法的改进是有效的。通过训练样本完成对BP神经网络在定性识别和定量识别中的参数优化,并完成最佳训练样本个数的选择。气体测试实验结果表明,AABC-BP混合算法模型在定性识别和定量识别中计算速度最快且精度最高,定性识别中测试精度为96.42%,定量识别中平均测试误差为5.62%,达到了设计要求且具有一定的实用价值。