面向火场助燃剂检测的电子鼻系统设计与识别方法初探

火场残留助燃剂检测是火灾调查的重要组成部分。现有方法以大型分析仪器为主,存在成本高、速度慢等缺点。提出了一种面向火场助燃剂快速检测的便携式电子鼻系统设计及相关的识别方法。采用15个金属氧化物半导体气体传感器和Jetson Nano核心控制器构造了电子鼻系统,并利用此电子鼻对汽油、柴油、酒精和稀料四种典型助燃剂采集气味信息,分别建立了未燃烧与燃烧后助燃剂气味数据集。基于四种传统机器学习算法、一维卷积神经网络(1D CNN)、二维CNN(2D CNN)和通道分离CNN(CS⁃CNN)模型开展了助燃剂识别实验。结果表明,CS⁃CNN模型针对未燃烧与燃烧后气味数据集的识别率分别为96.57%与94.66%,优于其他六种分类算法。本研究初步验证了电子鼻用于火场助燃剂快速识别的可行性,为后续的深入研究与应用奠定了基础。

基于虚拟样机技术的控制系统实验平台开发

基于虚拟样机技术设计构建了典型控制对象——倒立摆、吊车摆、机械臂等,为自动控制理论、控制系统仿真、计算机控制系统、智能控制、系统辨识等课程提供实验对象。给出了实验平台的设计步骤和基于虚拟对象的联合仿真设计方法。实验平台的作用表现在:(1)提供直观的控制效果动画,帮助学生理解控制系统;(2)提供多种虚拟对象的Matlab仿真接口,利用Matlab进行联合仿真,可验证不同控制器的有效性;(3)通过对虚拟对象添加测量信号作为辨识数据,进行辨识实验。

基于ReliefF-Pearson的嗅觉脑电通道选择

基于脑电(EEG)信号的气味识别研究在嗅觉功能客观评价及嗅觉障碍疾病诊断等方面具有重要的应用价值。在实际应用场景中使用过多EEG通道会带来诸多不便,因此研究如何选择EEG通道尤为重要。该文针对嗅觉EEG信号分类中的通道选择问题,提出了一种新型的基于ReliefF-Pearson的嗅觉EEG通道选择算法。该算法结合ReliefF的权值思想和Pearson系数的相关性原理对EEG通道进行选择。结果表明,与传统基于ReliefF的通道选择算法相比,该文所提算法在保证一定分类准确率的同时能够显著减少使用的通道数量,并且通道选择的结果不依赖人为经验和分类器。此外,使用该方法获取的通道,其空间分布与已有的嗅觉神经生理学位置相一致,进一步证实了该方法的科学性和有效性。该文所提算法为嗅觉EEG通道选择的研究提供了新思路。

基于变施密特数的障碍环境气体扩散数值仿真

通过气体扩散仿真获得气体分布是应对城市环境毒害气体泄漏和扩散问题的重要手段。城市多障碍环境下,风场呈现湍流特点,对气体扩散分布有明显影响。湍流施密特数(Sc_(t))描述了风场湍流特性与气体扩散分布的关系,其取值对湍流环境气体扩散仿真的准确性十分重要。针对多障碍物环境下气体扩散数值仿真问题,提出了一种基于变Sc_(t)的计算流体力学仿真方法:通过调用仿真风场数据自适应计算Sc_(t),进而利用变Sc_(t)进行气体扩散仿真。通过Ansys Fluent计算仿真结果,与开源障碍物阵列风洞试验数据集进行对比,验证了使用本方法获得的仿真气体质量浓度分布与风洞试验数据的一致性,且仿真准确性优于基于常量Sc_(t)等仿真方法,可以应用于复杂障碍物环境下的气体扩散仿真。

基于小波能量矩的嗅觉脑电信号识别

研究大脑对不同气味的识别能力在嗅觉功能障碍评估和诊断等方面具有重要意义。本文提出将小波能量矩(WEM)作为嗅觉诱发脑电图(EEG)信号特征并用于气味分类。首先,通过试验采集13种气味的嗅觉诱发EEG数据;其次,从嗅觉诱发EEG数据中提取WEM作为信号特征,并将功率谱密度(PSD)、近似熵、样本熵及小波熵作为对比特征;最后,利用k近邻(k-NN)、支持向量机(SVM)、随机森林(RF)和决策树分类器识别不同的气味。结果表明,使用以上4种分类器,WEM特征分类准确率均高于其它特征,其中k-NN分类器与WEM特征结合的分类准确率最高(91.07%)。本文进一步对不同EEG信号的频带进行了探究,发现大多数基于γ频带的分类准确率优于全频带及其他频带,其中γ频带WEM特征结合k-NN分类器的分类准确率最高(93.89%)。本文的研究结果一方面可为嗅觉功能评价提供新的客观依据,另一方面,也可为嗅觉诱发情绪的研究提供新的思路。