论文部分内容阅读
为降低信号漂移对于气体识别的影响,提出一种基于深度信念网络（DBN）的集成分类器模型。利用不同时段的数据集训练单个DBN分类器,将得到的分类器对数据集进行分类,通过使分类误差最小得出每个单一分类器的最优集成权重,采用粒子群优化寻找最优权重并对所有分类器进行集成得到最终的气体识别结果。使用由4种气体传感器组成的传感器阵列对该方法和均匀加权DBN、最优支持向量机方法进行性能对比。实验结果表明,该方法能在较长时间里保持较高的分类准确率,在一定程度上抑制了信号漂移对分类结果的影响。