PSO-BP 神经网络在多元有害气体检测中的应用*

龚雪飞，徐 景，孙寿通，刘 萍，简家文

(宁波大学 信息科学与工程学院，浙江 宁波315211)

0 引 言

随着近代工业规模不断扩大，在此过程中产生了大量的NOx，CO，CO2等有毒、有害气体，O2作为衡量大气的有效标杆，因此，检测上述气体对改善大气环境具有指导意义［1］。传统传感器气体检测都是基于单一气体的主成分特征，但是当多种有害气体发生混合时，气体之间相互干扰造成主成分特征丢失，导致检测无法正常完成［2］。针对这一缺陷，将气体传感器阵列和模式识别技术相结合构建的多元有害气体检测系统，能够很好地解决气体传感器的交叉敏感问题［3］。

本文针对气体CO，CO2，NO2，O2和实验的温湿度选取5 只传感器组成阵列，组合成一个多元有害气体检测装置。结合实验室的配气系统，利用该装置对不同体积分数的混合气体进行电信号测量与采集。为了提高系统的预测精度，采用粒子群优化(PSO)算法优化BP(PSO-BP)神经网络的权值、阈值，使用PSO-BP 神经网络对实验数据进行分析，并对比传统BP 神经网络和PSO-BP 神经网络预测的精度，分析两种网络的性能。

1 检测系统与实验

1.1 检测系统

本文中的有害气体检测系统是模拟人的嗅觉系统对被测气体进行感知、分析和识别，由气敏传感器阵列、传感器信号预处理、阵列信号采集和模式识别四部分组成的检测系统，其原理如图1 所示。

图1 检测系统原理图Fig 1 Principle diagram of detection system

本文选用A2—O2氧传感器、TGS4160 二氧化碳传感器、TGS2201 一氧化碳传感器、NO2—AE 二氧化氮传感器、HTG3515 温湿度传感器组成阵列，如图2(a)所示。利用动态配气的方法将4 种的标准气体经过四台精密流量控制器进行流量调节、配比、混合，模拟实现各种有害气体成分的环境，后流入封闭的测试装置，如图2(b)所示。为了便于对传感器信号的采集，需对传感器信号进行预处理，预处理后输出的信号均为模拟电压。之后使用美国NI 公司的PCI 6221 采集板卡实现传感器阵列采集。

图2 检测系统硬件模块Fig 2 Hardware module of detection system

由于选取的传感器输出参数不同，因此，针对每个传感器设计信号预处理电路，主要将传感器输出信号进行流压转换，信号放大，滤波等处理。图3(a)是电化学传感器(氧传感器、二氧化氮传感器)，图3(b)是半导体传感器(二氧化碳传感器、一氧化氮传感器)传感器信号预处理电路。

图3 传感器预处理电路Fig 3 Sensor preprocessing circuit

图3 (a)中，R2 为一个定值反馈电阻器，R3 为可调电阻器，R2，C2 构成低通滤波器，R2，R3 和运算放大器构成反向放大电路，并进行电流/电压转换。

1.2 实验过程

本文根据工业排放规定和传感器敏感范围选定气体体积分数范围:O2［18%～22%］，NO2［0～250×10-6］，CO［0～1 000×10-6］，CO2［0～5 000×10-6］，配制了510 组混合气体，尽可能覆盖整个被测空间。将配好的气体逐一通入测试装置，得到510 组样本数据。

2 PSO-BP 神经网络算法

BP 网络又称反向传播神经网络，通过样本数据的训练，不断修正网络的权值和阈值使误差函数沿着负梯度方向下降，逼近期望输出［4，5］。在运用过程中网络也存在着不足，如网络的收敛速度较慢，训练易陷入瘫痪;不具有全局搜索能力，容易出现局部极小值。

PSO 算法是一种新的演化算法，该算法通过粒子间的相互作用在复杂搜索空间中发现最优区域，具有训练精度较高、收敛性良好等优点［6，7］。粒子群算法的具体实现如下:假设在一个D 维的目标搜索空间中，有m 个粒子组成一个群体，其中第i 个粒子的位置为xi=(xi1，xi2，…，xiD)，i=1，2，…，m;其速度也是一D 维向量:vi=(vi1，…，vi2，vi1)，i=1，2，…，m;第i 个粒子迄今为止搜索到的最优位置为pi=(pi1，pi2，…，piD)，i=1，2，…，m;整个粒子群搜索到的最优位置为pg=(pg1，pg2，…，pgD)，g=1，2，…，m;粒子更新公式如下

式中 c1，c2均为学习因子，非负常数;r1，r2均为服从;［0-1］的均匀分布随机数;vmax为非负数;w 为惯性权重函数;STEP，STEPmax分别为当前迭代步数和最大迭代步数。

PSO-BP 神经网络的基本思想是，改变神经网络算法依赖梯度信息的指导来调整网络权值和阈值的方法，通过利用粒子群算法群体并行搜索的特点，寻找较为合适的神经网络初始权值和阈值［8］。PSO-BP 神经网络算法流程如图4所示。

图4 PSO-BP 神经网络算法流程图Fig 4 Flow chart of PSO-BP neural network algorithm

3 实验数据处理与性能分析

3.1 交叉敏感性测试

将本测试系统的二氧化碳传感器分别在40×10-6～200×10-6NO2+余N2和掺杂有一定体积分数(CO，CO2)的40×10-6～200×10-6NO2+余N2混合气体中进行测试，就呈现出不同的特性曲线如图5 所示。

图5 NO2 传感器在不同气氛中输出对比图Fig 5 Output comparison chart of NO2 sensor in different atmosphere

从图5 可以得到，不同体积分数的CO 对NO2表现出不同的干扰特性，而CO2对NO2基本不产生干扰。因此，采用单一传感器由于交叉干扰的问题无法实现对多种共存气体的测试。

3.2 PSO-BP 神经网络预测

实验中4 种气体传感器阵列对应的输出电信号和温度、湿度，所以，神经网络输入层M 为6 个，输出层神经元L为4 个，根据隐含层神经元经验公式2，…，10)，采用试错法选取隐含层q=11，因此，神经网络结构为6—11—4。粒子群的维数D=(6×11+11+11×4+4)=125，经过多次实验比较后设定粒子群的粒子个数m=40，学习因子c1=c2=2.49，惯性权重w=0.5。

对样本数据进行归一化，随机取450 组样本数据作为训练样本输入PSO-BP 神经网络进行训练，训练完成后保存网络参数，完成网络的建立。剩余60 组样本数据测试网络性能，测试结果见图6。

图6 测试样本的期望输出和PSO-BP 神经网络实际输出Fig 6 Expected output of test sample and actual output of PSO-BP neural network

从图6 可以看出:PSO-BP 网络的预测结果与真实值基本重合，能够很好地预测未知气体的含量，说明PSO-BP 神经网络模型为多元有害气体检测提供了有效的模式识别方法。

3.3 PSO-BP 与传统BP 算法性能分析

为了比较网络的性能，本文分别采用PSO-BP 神经网络和BP 神经网络在相同情况下进行训练。将上节选取的450 组训练样本输入两种网络训练，训练完成后保存网络参数，使用剩下60 组样本进行测试，二种神经网络测试的结果见表1。

从表1 中可以得到:在相同的训练样本时，PSO-BP 神经网络较BP 神经网络具有更小的预测误差，PSO-BP 神经网络预测的平均相对误差均小于2%;在网络训练时，PSOBP 收敛性明显好于BP 神经网络，有效避免训练时进入局部最优解，提高了预测系统的稳定性。

4 结 论

针对多元有害气体检测问题，本文利用PSO-BP 神经网络的模型来实现对传感器阵列信号分析，从实验结果可以得到如下结论:使用传感器阵列检测多元气体能够消除气体交叉响应的影响，摄取更多混合气体组分信息和体积分数信息;将神经网络和传感器阵列技术组合的检测系统对多元有害气体检测取得了较好的效果，在定量检测实验中，预测的平均误差均小于2%;PSO-BP 神经网络的算法要较BP 神经网络的算法能够达到更小的预测误差，并且建模稳定性高。

［1］ Yamazoe N，Miura N.Development of gas sensors for environment protection［J］.IEEE Tran on Comp Pack and Manuf，1995，18(2):252-256.

［2］ 郑 杰.混合有毒气体检测算法研究［J］.计算机仿真，2011，28(8):413-416.

［3］ 张覃轶.电子鼻:传感器阵列、系统及应用研究［D］.武汉:华中科技大学，2005.

［4］ 杨守建，陈 恳.BP 神经网络性能与隐藏层结构的相关性探究［J］.宁波大学学报:理工版，2013，26(1):48-52.

［5］ Hu J G，Zhou G M，Xu X J.Using an improved back propagation neural network to study spatial distribution of sunshine illumination from sensor network data［J］.Ecological Modelling，2013，266:86-96.

［6］ Sun Y，Zhang L B，Gu X S.A hybrid co-evolutionary cultural algorithm based on particle swarm optimization for solving global optimization problems［J］.Neurocomputing，2012，98:76-89.

［7］ Wang H F，Moon I，Yang S X.et al.A memetic particle swarm optimization algorithm for multimodal optimization problems［J］.Information Sciences，2012，197:38-52.

［8］ 杨红平，傅卫平，王 雯，等.结合面法向和切向接触刚度的MPSO-BP 神经网络算法的建模［J］.仪器仪表学报，2012，33(8):1856-1861.