基于PCA-SVM的混合气体分类研究

由于气体数据有限以及气体分类的准确率不高,解决气体分类问题有较大的难度。传统的模式识别算法虽然能够运用到气体分类中,但在不同浓度的气体数据下训练和测试性能会下降,准确率也比较低。本研究对8阵列传感器和24阵列传感器采集到的混合气体进行分类,提出了结合主成分分析(Principal component analysis, PCA)应用支持向量机(Support vector machine, SVM),构建PCA-SVM模型对不同浓度的一氧化碳(CO)、甲烷(CH_(4))、硫化氢(H_(2)S)以及乙醇(C_(2)H_(6)O)的混合气体进行分类的方法。与SVM、参数优化的BP神经网络(Back propagation neural network, BPNN)和PCA-BP神经网络模型对比的结果表明,在随机选择的数据中,采用PCA-SVM模型能够提高分类的性能,在含有13个特征的气体数据集中,利用PCA-SVM模型准确度达到98.974%。在含有27个特征的数据集中,利用PCA-SVM模型准确度达到100%,能够满足对混合气体分类的实际需求。该方法在应用于重复和复杂的气体数据时,具有足够的鲁棒性,可以提供准确的结果。