《电子技术应用》
您所在的位置：首页 > 测试测量 > 设计应用 > 基于改进OS-ELM的电子鼻在线气体浓度检测*
基于改进OS-ELM的电子鼻在线气体浓度检测*
电子技术应用
朱梓涵，陶洋，梁志芳
（重庆邮电大学 通信与信息工程学院，重庆400065）
摘要： 电子鼻是一种仿生传感系统，该设备能够同时对多种气体进行识别，因此应用在许多领域当中。气体浓度算法是电子鼻对气体定量分析时的核心部分，为了提高电子鼻浓度检测算法精度，提出一种基于在线序列极限学习机（Online Sequential-Extreme Learning Machine， OS-ELM）的预测模型。该模型通过一维卷积神经网络（One Dimensional Convolutional Neural Network， 1DCNN）提取特征，使用OS-ELM对气体浓度进行预测，并提出了一种改进的粒子群（Particle Swarm Optimization， PSO）算法以克服OS-ELM需人工调整模型参数的问题。由理论分析，改进的算法比传统PSO算法有更强的搜索能力。实验结果表明，所提模型对气体的预测精度上较传统的预测模型具有更高的预测精度和泛化能力。
中图分类号：TP212；TP183 文献标志码：A DOI: 10.16157/j.issn.0258-7998.233821
中文引用格式： 朱梓涵，陶洋，梁志芳. 基于改进OS-ELM的电子鼻在线气体浓度检测[J]. 电子技术应用，2023，49(10)：71-75.
英文引用格式： Zhu Zihan，Tao Yang，Liang Zhifang. Online gas concentration detection of electronic nose based on improved OS-ELM[J]. Application of Electronic Technique，2023，49(10)：71-75.
Online gas concentration detection of electronic nose based on improved OS-ELM
Zhu Zihan，Tao Yang，Liang Zhifang
(School of Communication and Information Engineering， Chongqing University of Posts and Telecommunications， Chongqing 400065， China)
Abstract： Electronic nose is a bionic sensing system, which can identify many gases at the same time, so it is used in many fields. The gas concentration detection algorithm is the core part of the gas quantitative analysis by electronic nose. In order to improve the accuracy of the electronic nose concentration detection algorithm, a prediction model based on online sequential-extreme learning machine (OS-ELM) is proposed. The model uses one-dimensional convolutional neural network (1DCNN) to extract features, uses OS-ELM to predict gas concentration, and proposes an improved Particle Swarm Optimization(PSO) algorithm to overcome the problem that OS-ELM needs to manually adjust model parameters. The theoretical analysis shows that the improved algorithm has stronger search ability than the traditional PSO algorithm. Finally, the experimental results show that the proposed model has higher prediction accuracy and generalization ability compared with the traditional prediction model.
Key words : electronic nose；concentration detection；one-dimensional convolution neural network；online sequential-extreme learning machine；particle swarm optimization

0　引言

随着工业的高速发展，环境问题日益突出。空气污染问题不仅直接危害人体健康，还对生活环境造成了严重影响。电子鼻是一种模仿动物嗅觉器官的传感器设备，能够快速并准确地识别出各种气体[1]。

电子鼻主要由气体识别算法、信号处理模块和传感器阵列组成[2]。气体识别算法是电子鼻系统中的关键组成部分，能够从软件层面上提升电子鼻的识别效果。

目前的研究者使用了不同的方法提高气体识别算法的精度。Akbar等[3]通过特征降维提升气体识别的准确率，但这可能导致特征信息丢失而影响最终效果。Fan等[4]则采用无监督学习的方式进行气体聚类分析提高了气体分类时的精度，但这种方式要求提取高质量的特征。Wijaya[5]运用信息论对传感器阵列进行特征选择，以优化气体识别算法，但增加了特征提取和选择的工作量和复杂度。李鹏等[6]直接使用一维卷积神经网络 (One Dimensional Convolutional Neural Network, 1DCNN)对气体进行识别并确定气体种类。而LE B T等人[7]指出了直接使用CNN网络进行分类或预测的缺陷，因此他们采用了混合模型来预测目标，但这种模型面对大量样本数据时，会导致训练速度缓慢和计算机内存占用较高。

针对电子鼻的气体浓度预测中的问题，本文提出一种基于在线序列极限学习机(Online Sequential-Extreme Learning Machine, OS-ELM)的气体浓度预测方法。OS-ELM不仅具有ELM模型计算速度快、泛化能力强的特点[8]，而且还采用了在线式增量学习策略[9]。但OS-ELM的输入权重和隐层偏置是随机生成的，这会影响预测精度。为了克服这一缺点，本文提出一种改进的粒子群算法，该算法能够有效地搜索OS-ELM全局最优参数，从而进一步提高模型浓度预测精度。此外，本文还使用1DCNN模型对气体信号进行特征提取，挖掘了气体信号的深度特征。




本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005716




作者信息：

朱梓涵，陶洋，梁志芳

（重庆邮电大学 通信与信息工程学院，重庆400065）


微信图片_20210517164139.jpg

此内容为AET网站原创，未经授权禁止转载。

相关内容