Adaboost集成BP神经网络在传感器阵列检测系统中的应用*

洪 磊， 龚雪飞， 孙寿通， 简家文

(宁波大学 信息科学与工程学院，浙江 宁波 315211)

应用技术

Adaboost集成BP神经网络在传感器阵列检测系统中的应用*

洪 磊， 龚雪飞， 孙寿通， 简家文

(宁波大学 信息科学与工程学院，浙江 宁波 315211)

针对目前常见的多元有害气体检测问题，设计并搭建了一种基于传感器阵列和集成BP神经网络相结合的传感器阵列检测系统。在该系统中采用集成BP神经网络对传感器阵列的三种混合有害气体的响应信号进行回归分析。为了提高集成BP神经网络的预测准确性，又利用Adaboost算法对集成BP神经网络进行了优化。结果显示：该系统能够准确地检测气体组分，通过Adaboost算法对集成BP神经网络优化后，预测的平均相对误差小于2 %，能够有效解决气体传感器的交叉敏感问题，提高传感器的选择性。

传感器阵列； 多元有害气体检测； BP神经网络； Adaboost

0 引 言

随着全国汽车保有量的逐年增加，由汽车尾气排放的碳氢化合物(HCs)、碳氧化合物(COx)、氮氧化合物(NOx)等主要有害气体引发的雾霾、光化学烟雾、酸雨越发严重，汽车尾气污染已经对人类健康和生存环境带来了极大的负面影响[1]。目前主要通过三效催化剂结合控制空燃比技术来减少有害气体的排放，在三效催化剂的前端和后端各有一个气体传感器，使得尾气在催化转化器中被转化成对环境无危害或危害较小的成分[2]。

传统气体传感器检测技术都是基于单一气体的主成分特征进行检测的，但当多种有害气体发生大规模混合时，气体之间的相互干扰会造成主成分特征发生丢失，或者退化。针对这一缺陷，将气体传感器阵列和模式识别技术相结合构建的多元气体传感器检测系统，能够很好地解决多种气体共存的交叉敏感问题[3,4]。

本文主要基于汽车尾气有害成分中的C3H6，CO和NO来展开，以8 mol钇稳定氧化锆(yttria-stabilized zirconia, YSZ)为固体电解质，选取SnO2,ZnO,ZnFe2O4作为敏感电极材料来制备传感器阵列[5～7]。结合实验室的测试装置，组合成一个多元有害气体检测系统。为了提高系统的预测精度，引入Adaboost算法对集成BP神经网络进行优化，并和单一的BP 神经网络进行预测精确度的对比，分析两种网络的性能。

1 实 验

1.1 传感器阵列的制备

选用等静压成形的YSZ生瓷管，在空气环境中，于900 ℃排胶2 h后，在高温1 500 ℃下烧结2 h，形成YSZ陶瓷管。分别将SnO2,ZnO(+质量分数为30%的In2O3),ZnFe2O4(+质量分数为50%的ZnO)浆料采用涂覆法将其制备在YSZ管外侧顶端作为敏感电极(sensing electrode,SE)；再将Pt浆料制备在YSZ管内侧顶端作为参比电极(reference electrode,RE)；然后，放入干燥箱中于140℃下烘干1 h，再置于高温炉中于1 200 ℃烧结2 h后取出；最后，分别引出Pt丝作为电极引线，得到如图1所示的传感器阵列。

图1 传感器阵列结构示意图与实物图

1.2 测试过程

本文根据汽车尾气排放规定和传感器的敏感范围选定气体体积分数的区间: C3H6[(50～250)×10-6]，CO [(100～500) ×10-6]，NO [(100～1000)×10-6]，配制了210组混合气体，尽可能覆盖被测体积分数空间。将配好的气体通入测试装置(如图2所示)，使用美国NI公司的PCI—6221采集板卡结合LabVIEW实现传感器阵列信号的采集，得到210组样本数据。

图2 传感器阵列测试装置示意图

2 Adaboost集成BP神经网络

BP 神经网络通过样本数据的训练，不断修正网络的权值和阈值使误差函数逼近期望输出[8]。单个的BP神经网络可以看作弱分类器，其存在着很多不足，比如:网络的收敛速度较慢，训练易陷入瘫痪；不具有全局搜索能力，容易出现局部极小值。Adaboost集成BP神经网络通过集成多个BP 神经网络弱分类器组成强分类器，反复训练BP神经网络来预测样本的输出。Adaboost集成BP神经网络的具体实现步骤如下：

1)数据选择和网络初始化:从样本空间中随机选择m组训练数据，初始化测试数据的分布权值Dt，根据样本输入输出维数确定神经网络结构，初始BP神经网络权值和阈值

Dt(i)=1/m,i= 1, 2,…,m.

(1)

2)弱分类器预测:训练第t个弱分类器时，用训练数据训练BP神经网络并且预测训练数据的输出，得到预测序列g(t)的预测误差和et，误差和et的计算公式为

et=∑Di(i),i=1, 2,…,m(g(t)≠y),

(2)

式中g(t)为预测分类结果；y为期望分类结果。

3)计算预测序列权重:根据预测序列g(t)的预测误差和et计算序列的权重at，权重计算公式为

at=1/21n [(1-et)/et].

(3)

4)测试数据权重调整:根据预测序列权重at调整下一轮训练样本的权重，调整公式为

Dt+1(i)=[Dt(i)/Bt]·exp[-at·yi·gt(xi)]，

i= 1, 2,…,m,

(4)

式中Bt是归一因子，目的是在权重比例不变的情况下使分布权值和为1。

5)强分类函数:训练T轮后得到T组弱分类函数f(gt,at)，由T组弱分类函数f(gt,at)组合得到了强分类函数h(x)

h(x)=sgn[ ∑at·f(gt,at) ]，t=1,2,…,T.

(5)

3 结果与讨论

3.1 对单一气体的响应

将传感器阵列放入测试装置中，调节测试温度为450～550 ℃，维持O2的体积分数为5 %，每次通入一种体积分数为200×10-6的目标气体，得到的结果如图3所示。可以看到，每个SE都对某种气体表现出了较好的主响应特性，且在500 ℃时，响应值最高。

图3 传感器阵列对各单一气体的响应图

3.2 交叉敏感性测试

将CO传感器分别在(20～500)×10-6CO+余N2和混有一定体积分数NO，C3H6的(20～500)×10-6CO+余N2混合气体中进行测试，结果如图4所示。由图可见，不同体积分数的C3H6对CO表现出不同的干扰特性，而NO对CO 基本不产生干扰。因此，采用单一传感器无法实现对多种共存气体的测试。

图4 CO传感器在不同气氛中的输出对比图

3.3 Adaboost集成BP神经网络预测

随机取150组样本数据作为训练样本输入Adaboost集成BP神经网络进行训练，训练完成后保存网络参数，完成网络的建立。在测试阶段，用剩余60组样本数据作为测试样本输入到已训练好的网络中来检测神经网络预测的准确性。测试结果如图5所示。可以看出：Adaboost集成BP神经网络的预测结果与真实值基本重合，能够很好地预测未知气体的含量，说明该算法模型为传感器阵列的检测提供了有效的模式识别方法。

图5 测试样本的期望输出和实际输出

3.4 性能比较与分析

为了比较网络的性能，本文分别采用Adaboost集成BP神经网络和单一BP 神经网络在相同的条件下进行训练。将上节选取的150组训练样本输入两种网络训练，训练完成后保存网络参数，使用剩下的60组样本进行测试，两种网络的结果对比如表1所示。

表1 Adaboost集成BP神经网络与单一BP 神经网络的预测误差比较

注：1) 绝对误差=|网络实际输出-期望输出|; 2) 相对误差=(|网络实际输出-期望输出|)/期望输出×100 %。

由表1可见，在相同的训练样本时，Adaboost集成BP神经网络较单一 BP 神经网络具有更小的预测误差，其预测的平均相对误差均小于2 %；在网络训练时，Adaboost集成BP神经网络的收敛性明显好于单一BP神经网络，可有效避免训练时进入局部最优解，提高了预测系统的稳定性。

4 结 论

针对多元有害气体检测问题，本文设计并搭建了一种基于传感器阵列和集成BP神经网络相结合的多元有害气体检测系统，采用Adaboost算法对集成BP神经网络进行优化，之后利用该模型来实现对传感器阵列信号的分析，结论如下：1) 使用传感器阵列检测多元气体能够消除气体交叉敏感带来的干扰，摄取更多混合气体的组分和体积分数信息；2) 本文将神经网络和传感器阵列技术组合的检测系统对多元有害气体检测取得了较好的效果，在定量检测实验中，预测的平均误差均小于2%；3) Adaboost集成BP神经网络较单一BP 神经网络能够达到更小的预测误差，准确度高,且建模的稳定性强。

[1] Docquier N,Candel S.Combustion control and sensors:A review[J].Prog Energy Combus Sci，2002,28:107-150.

[2] Szabo N F,Dutta P K. Correlation of sensing behaviour of mixed potential sensors with electrochemical properties of electrode-s[J].Solid State Ionics,2004, 171:183-190.

[3] 张覃轶, 胡 伟, 叶卫平. 一种基于电子鼻的食醋识别新方法[J].传感器与微系统,2008, 27(6):18-23.

[4] Wang H F, Moon I, Yang S X, et al. A memetic particle swarm optimization algorithm for multi-modal optimization problem-s[J].Information Sciences,2012,197:38-52.

[5] 梅军鹏, 韩雪亮. Mn掺杂纳米SnO2的气敏性能研究[J].传感器与微系统,2013,32(1):76-78.

[6] Patil D R,Patil L A. Cr2O3-modified ZnO thick film resistors as LPG sensors [J].Talanta,2009, 77:1409-1414.

[7] 娄向东, 张 宁, 王晓兵. 苯甲酸溶胶凝胶法制备ZnFe2O4气敏材料[J].传感器与微系统,2009, 28(2):53-55.

[8] 杨守建, 陈 恳. BP 神经网络性能与隐藏层结构的相关性探究[J].宁波大学学报:理工版, 2013, 26(1):48-52.

Application of Adaboost integrated BP neural network

in detecting system of sensor array*HONG Lei, GONG Xue-fei, SUN Shou-tong, JIAN Jia-wen

(School of Information Science and Engineering, Ningbo University, Ningbo 315211, China)

Aiming at problem of harmful gas mixture detection, a kind of gas detecting system is developed by combining sensor array with integrated BP neural network. The purpose of this test system is regression analysis on response signal of three harmful gas mixture measured by sensor array using BP neural network algorithm. In order to improve the prediction accuracy of the BP neural network, adopt the Adaboost algorithm to optimize integrated neural network. The results show that the system can accurately detect gas component, after integrated neural network is optimized by Adaboost algorithm,predicted average relative error is less than 2%,it can significantly solve problem of cross sensitivity and improve selectivity of sensor.

sensor array; harmful gas mixture detection; BP neural network; Adaboost

2015—01—30

国家自然科学基金资助项目(61471210); 浙江省科技厅重大科技专项重点工业项目(2011C16037); 浙江省宁波市科技局自然科学基金资助项目(2013A610002)

10.13873/J.1000—9787(2015)04—0148—03

TP 212.2

A

1000—9787(2015)04—0148—03

洪 磊(1990-)，男，安徽合肥人，硕士研究生，主要从事锆基气敏传感器及阵列的研究与开发。