基于PCA-BP神经网络对甲醛和甲醇的识别研究

当前电子鼻对有毒气体的识别存在数据量少,训练生成的神经网络映射能力差等问题。本文以甲醛和甲醇为目标气体,采用自制的气敏传感器对甲醛和甲醇进行数据采集,并对采集到的数据进行滤波和平滑处理,以提取不同传感器对目标气体的响应值。依据准则函数生成伪随机数,并建立伪随机特征值矩阵以扩大有效数据量。利用主成分分析(PCA)法对特征值进行降维处理,选择贡献率大的主元成分作为反向传播(BP)神经网络的输入向量,构造PCA-BP神经网络。分别用实测特征值矩阵和伪随机特征值矩阵训练PCA-BP神经网络,通过对比分析两个网络得出,实测特征值矩阵的识别率为92%,而伪随机特征值矩阵的识别率为97%。结果表明,伪随机特征值矩阵能有效提高PCA-BP神经网络的映射能力,提高识别正确率。

基于激光诱导击穿光谱与GA-BP神经网络的塑料分类识别

利用激光诱导击穿光谱(LIBS)技术与基于遗传算法优化的误差反向传播(GA-BP)神经网络对常见的9种塑料进行分类识别。通过激光诱导击穿塑料表面产生等离子光谱.用光谱仪对每种塑料采集100组光谱数据,以美国国家标准与技术研究院(NIST)的原子光谱数据库为参考,对主要的元素特征谱线进行精确标定。选取15条特征谱线进行分析,通过主成分分析(PAC)法对光谱数据进行降维处理,并建立GA-BP神经网络模型。实验结果表明.通过PCA法对数据进行降维后,GA-BP神经网络的识别效率得到很大提高,平均识别精度为99.72%,可对多种塑料进行快速、精准的识别。