挥发性有机化合物(VOCs)是影响人体健康的室内环境主要污染物,是检测人体患病的标记物,因此VOCs的检测研究得到了越来越广泛的关注。常常采用传感器阵列与神经网络结合的方法解决两类VOCs混合气体的识别问题即分类识别和浓度预测。传感器阵列获取混合气体信息,神经网络通过分析信息得出识别结论。神经网络的分类正确率、浓度预测误差、训练速度等识别性能与网络的层数、每层的节点数和节点间的连接方式等网络结构的组成方面密切相关。为了提高神经网络对VOCs混合气体的识别性能,本文从分析混合气体的响应互相干扰现象、网络结构确定方法和传感器阵列的组建等方面展开了深入的研究。应用极限学习机(ELM)方法提高了使用传感器阵列识别混合气体的速度。极限学习机结合传感器阵列对固定四种组分的混合气体样本中各组分的浓度进行了预测。结果表明:极限学习机的训练时间为0.03秒,与反向传播(BP)神经网络(14秒)和径向基函数(RBF)神经网络(10秒)的训练时间相比速度分别提高了 466倍和333倍。当训练样本由22个提高到91个,极限学习机的训练时间保持不变。原因在于极限学习机的训练过程中大部分权值随机生成,其它权值求解方程获得,取代了传统网络学习的迭代方式,提高了速度。从传感器响应机理的角度分析了乙醇、丙酮及二者的混合气体的试验现象。传感器对两种单一气体乙醇和丙酮的响应值的代数和大于对这两种气体的混合气体的响应值。以该现象的分析为依据,提出了将混合气体中除目标气体外其余气体一律作为一类干扰气体,仅以目标气体的不同浓度进行分类的新的种类定义方法。新方法有效避免了按照不同种类、不同浓度的气体为一种气体的传统定义方法中,由于气体种类和浓度两组参数同时变化所产生的识别种类维度过多的问题,同时解决了神经网络的网络结构对具体样本的依赖性问题。利用BP神经网络、极限学习机和支持向量机(SVM)分别结合传感器阵列对不同浓度的单成分、两成分和四成分的混合气体进行分类识别。新方法成功的将气体种类由108种降低到4种,将网络输出节点数由11个降低到2个,2个输出节点的网络解除了混合气体中除目标气体浓度外的其它气体成分和浓度对网络结构的限定。依据L1正则项能够促使网络的部分权值趋近于零的特性,提出了确定网络的隐层节点数量的修剪方法。综合考虑正则项的数学含义、传感器的响应特性和传感器阵列组成特点,设立了网络隐层节点修剪的规则。使用基于正则学习的修剪方法所确定的隐层节点数与若干穷举的节点数做了实验数据对比,修剪方法确定的隐层节点数量为较优解16个,若干穷举法确定节点数量为区间最优解15个。两种方法确定的网络对相同样本的测试均方误差相差0.16,修剪法解决了网络的隐层节点数量依据经验确定的随意性问题和依据穷举法确定的复杂性问题。为保证传感器阵列能够获取充足、准确和有效的气体样本信息,设定了传感器阵列的组成规则。结合传感器阵列中每个传感器的自身特点和对气体样本响应的特点,从传感器对目标气体的响应浓度范围、传感器获得信息的数量和传感器获得信息的意义等方面对传感器的选择做出了具体要求。