基于改進型極限學習機的電子鼻氣體濃度檢測
2021年電子技術應用第10期
王 潔，陶 洋，梁志芳
重慶郵電大學 通信與信息工程學院，重慶400065
摘要： 針對目前電子鼻應用于氣體污染物濃度檢測時難以達到理想精度的問題，提出基于粒子群算法與人工蜂群算法的極限學習機(Particle Swarm Optimization and Artificial Bee Colony algorithm based Extreme Learning Machine，PSOABC-ELM)算法，通過改進極限學習機輸入層與隱含層權值和隱含層閾值隨機的缺陷，提高電子鼻濃度檢測的精度。將PSOABC-ELM算法與其他算法進行比較，并在公開數據集上進行驗證。實驗結果表明，PSOABC-ELM算法用于電子鼻氣體濃度檢測時比其他算法精準度更高，檢測結果誤差更小，模型穩定性更強，為電子鼻氣體濃度檢測提供了一種新的方法。
中圖分類號： TN02；TP212
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211309
中文引用格式： 王潔，陶洋，梁志芳. 基于改進型極限學習機的電子鼻氣體濃度檢測[J].電子技術應用，2021，47(10)：63-67.
英文引用格式： Wang Jie，Tao Yang，Liang Zhifang. Gas concentration detection of E-nose based on improved ELM[J]. Application of Electronic Technique，2021，47(10)：63-67.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211309
中文引用格式： 王潔，陶洋，梁志芳. 基于改進型極限學習機的電子鼻氣體濃度檢測[J].電子技術應用，2021，47(10)：63-67.
英文引用格式： Wang Jie，Tao Yang，Liang Zhifang. Gas concentration detection of E-nose based on improved ELM[J]. Application of Electronic Technique，2021，47(10)：63-67.
Gas concentration detection of E-nose based on improved ELM
Wang Jie，Tao Yang，Liang Zhifang
School of Communication and Information Engineering，Chongqing University of Posts and Telecommunications， Chongqing 400065，China
Abstract： Aiming at unsatisfied ideal accuracy of electronic nose while testing the concentration of gas pollutants，the particle swarm optimization and artificial bee colony algorithm based extreme learning machine(PSOABC-ELM) algorithm is proposed. The accuracy of electronic nose concentration detection is enhanced by improve extreme learning machine weights of input layer and hidden layer and hidden layer threshold random defects. PSOABC-ELM is compared with other algorithms and validated on the public data set. The results show that the PSOABC-ELM algorithm perform better than the others when Testinggas concentration of electronic nose, and the detection result error is smaller and the algorithm stability is stronger, which provides a new method for the detection of gas concentration of electronic nose.
Key words : electronic nose；particle swarm optimization；artificial bee colony algorithm；extreme learning machine；concentration detection
0 引言
電子鼻是一種仿生嗅覺系統，由氣體傳感器陣列和模式識別算法組成，主要用于氣體識別[1]，在環境監測[2]、食品檢測[3]和醫療診斷[4]等多個領域均有所應用。電子鼻系統通過其內部的氣體傳感器陣列對氣體信息進行采集，將氣體信號轉變為電信號，再通過模式識別算法的處理輸出對應氣體的濃度檢測結果。
針對電子鼻模式識別系統，目前提出了多種網絡模型，其中極限學習機是由黃廣斌提出的一種典型單隱層前饋神經網絡(Single-hidden Layer Feedforward Networks，SLFN)[5]，與其他神經網絡(BP神經網絡[6]、支持向量機[7](Support Vector Machine，SVM))相比，其結構簡單，不需要反復迭代，學習速度快，泛化性能好，具有良好的函數逼近能力，因此被廣泛應用于解決各種分類和回歸的問題。但由于ELM輸入層與隱含層的權值以及隱含層的閾值是隨機給定的，這將會降低網絡模型對濃度的檢測精度。
針對目前電子鼻在檢測氣體濃度精度不高的問題，本文利用粒子群算法的局部搜索能力和人工蜂群算法的全局搜索能力，將兩個算法進行嵌入融合，并與極限學習機相結合，最終達到提高電子鼻氣體濃度檢測精度的目的。
本文詳細內容請下載：http://www.xxav2194.com/resource/share/2000003784。
作者信息：
王 潔，陶 洋，梁志芳
(重慶郵電大學 通信與信息工程學院，重慶400065)
此內容為AET網站原創，未經授權禁止轉載。