基于独立成分分析的气体识别方法研究

论文摘要

随着环境科学的发展及环境测量应用范围的不断扩大,成本低廉、性能良好的气体传感器已经成为测量领域的新方向。由于气体传感器自身的交叉敏感等物理缺陷,单一半导体气体传感器难以对多种气体进行准确的定性识别和定量检测。因此,选用多个传感器组成阵列与盲源分离方法相结合来对气体定性定量分析,该方法对多种气体的识别和检测具有很大的实用价值,其中盲源分离理论中的独立成分分析算法对气体识别和检测的效果起着关键的作用。本文首先讲述了气体检测以及盲源分离理论的发展和原理,然后详细介绍了气体检测实验设计,包括各部分硬件的设计方法以及软件设计。接着介绍了神经网络和多元回归分析方法,说明了算法的不足之处,由此引出独立成分分析算法。本文主要对独立成分分析算法进行了研究,介绍了目标函数的选择,以及常用的优化算法,引入了一种快速独立成分分析算法,将其用于气体的定性识别和定量测量中,并给出了编写程序的具体步骤和流程。最后是气体实验介绍和数据分析,与中国电子科技集团49所合作,搭建了实验系统,选用了CH4和H2两种气体,分别进行单一气体和混合气体的识别与检测。实验结果表明,使用独立成分分析算法,对于气体的定性识别的准确率达100%,另外给出了气体检测的误差,以及原因分析。并与神经网络和多元回归分析识别和检测效果进行了详细对比,给出对比结果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 本课题背景及研究意义
• 1.2 气体检测及其国内外发展现状
• 1.2.1 气体传感器阵列及气体模式识别方法
• 1.2.2 盲源分离理论
• 1.3 本文主要研究内容及内容安排
• 第2章 气体检测实验设计
• 2.1 硬件系统设计
• 2.1.1 气体传感器阵列
• 2.1.2 温湿度传感器
• 2.1.3 测试容器
• 2.1.4 信号采集与处理
• 2.2 软件系统设计
• 2.2.1 LabView 介绍
• 2.2.2 软件结构
• 2.3 本章小结
• 第3章 气体传感器阵列模式识别方法研究
• 3.1 基于前馈人工神经网络的气体识别方法
• 3.1.1 人工神经网络概述
• 3.1.2 BP 神经网络模型
• 3.1.3 BP 神经网络的缺点
• 3.2 基于多元回归分析的气体识别方法
• 3.3 基于独立成分分析的气体识别方法
• 3.4 本章小结
• 第4章 独立成分分析理论及方法
• 4.1 信息熵理论
• 4.1.1 信息熵
• 4.1.2 互信息
• 4.1.3 极大熵
• 4.1.4 负熵
• 4.2 主成分分析（PCA）和白化（Whitening）
• 4.2.1 主成分分析（PCA）
• 4.2.2 白化（Whitening）
• 4.3 独立成分分析（ICA）
• 4.3.1 ICA 的问题描述
• 4.3.2 ICA 的约束以及含混因素
• 4.3.3 ICA 的目标函数
• 4.3.4 ICA 的优化算法
• 4.4 FastICA 算法
• 4.4.1 提取单个独立成分
• 4.4.2 提取多个独立成分
• 4.5 ICA 程序设计
• 4.6 本章小结
• 第5章 气体分析实验
• 5.1 气体传感器阵列信号预处理方法
• 5.2 单一气体作用下传感器阵列响应数据的测量
• 5.2.1 单一气体的定性识别
• 5.2.2 单一气体的定量检测
• 5.3 混合气体作用下传感器阵列响应数据的测量
• 5.3.1 混合气体的定性识别
• 5.3.2 混合气体的定量检测
• 5.4 气体的实时检测设计
• 5.5 本章小结
• 结论
• 参考文献
• 致谢