近年来,空气污染日益严重,提升空气质量是民众的迫切期盼,因此空气质量监测系统的建设也成为各地环境保护局和众多环境保护企业所关注的焦点领域。建设空气质量监测系统首先要在需要进行监测的位置布置气体传感器,然后将所有气体传感器连接组成一个传感器网络。由于气体传感器的气敏特性,气体传感器在监测混合气体污染物时会受到交叉干扰,导致监测不准确。本文主要针对电化学气体传感器在工业园区周围监测无机气体污染物时产生交叉干扰的问题进行具体的校正方法研究。目前,主流的校正方法是基于气体传感器集群形成的物联网,利用神经网络对上传的数据进行训练学习,构建传感器校正模型。因此,本文对基于误差反向传播(BP)神经网络的传感器校正模型,进行了算法优化以及模型改进。论文的主要工作包括:首先对常规的基于BP神经网络的校正模型使用的BP算法进行分析,指出BP算法由于其理论缺陷,在训练校正模型阶段易于陷入局部最优的误区,并提出将粒子群(PSO)算法与BP算法结合的优化算法。该优化算法从优化网络初始权重的角度,充分发挥PSO算法全局寻优的优势,结合BP算法局部最优的特点,有效避免了校正模型在训练过程中陷入局部极小的情况,并加快了校正模型训练的收敛速度。然后对校正模型的工作方式以及实际气体传感器的监测数据进行分析,从信息利用以及校正模型实际应用所处环境的角度,指出常规的基于BP神经网络的校正模型不能充分利用气体传感器监测浓度的变化信息,以致校正模型的校正精度受限,并提出融合了长短期记忆(LSTM)神经网络和BP神经网络的改进校正模型。该改进模型首先利用气体浓度变化在时间上连续的特点,通过LSTM网络消除了环境中未知杂气对气体传感器的影响,然后级联BP神经网络,实现改进模型的构建,提高了校正模型的工作性能。论文最后从数据验证的角度,结合仿真建模得到的实验数据,进一步分析证明了文中提出的优化算法较之BP算法在校正模型训练过程中的优越性,以及改进的校正模型在实际应用环境中比常规校正模型拥有更高的校正精度。