支持向量机算法在CO浓度传感器中的应用

叶南海，赵晓锋，任传法，陈红岩，曲　健（.浙江环球滤清器有限公司，浙江瑞安3504；.中国计量学院机电工程学院，浙江杭州3008）

支持向量机算法在CO浓度传感器中的应用

叶南海1，赵晓锋1，任传法1，陈红岩2，曲健2
（1.浙江环球滤清器有限公司，浙江瑞安325204；2.中国计量学院机电工程学院，浙江杭州310018）

针对基于红外光谱的CO气体定量分析模型对机动车尾气排放中有害气体CO的定量分析；选取了浓度范围在0.5%～20%的15组不同浓度的CO气体样本，建立CO浓度的支持向量机（SVM）回归分析模型，基于改进的网格搜索法对SVM的相关参数进行了优化。实验结果表明：经过SVM的回归分析，与传统的光谱吸收方法相比，处理后浓度值比实验所得浓度值更接近CO标定值；与粒子群优化（PSO）算法作对比，采用网格搜索法获得的最佳参数c=0.707，g=0.5，PSO获得的c=55.911，g=0.01，所用时间比PSO算法节省约40%。SVM应用于CO的浓度分析，符合实验要求，回归效率提高。

红外光谱；支持向量机；网格搜索；尾气排放

0　引言

传统的气体定量分析检测技术主要有电化学法、色谱法和光学吸收法。其中，李国林等人［1］利用CO气体分子在4.6 μm处的基频吸收带，采用新脉冲的红外光源和双通道的热释电探测器研制了一种CO浓度检测系统；白泽生等人［2］利用红外吸收型CO2气体传感器设计了一种CO2气体检测方法，与气相色谱仪测量值的差值在3%以内。传统的气体检测方法受外界环境如温度、湿度、压强和自身元器件工作的稳定性和精度影响较大，所以，测量的准确度不稳定，需要结合其他方法进行回归拟合。

现代气体检测技术有人工神经网络［3］（artificial neural network，ANN）方法和支持向量机［4］（support vector machine，SVM）方法等。其中，袁力哲［5］等人将BP 神经网络应用到混合气体的分析中，提出了用自适应遗传算法优化BP神经网络的方法来实现定量检测；黄小燕等人［6］研制出了一种对3种可燃性气体进行实时检测的电子鼻系统，提出了双重神经网络定量分析多种未知气体的方法；曲健等人［7］将SVM应用到多组分污染气体定量分析中，使预测精度和运算时间有所提高。神经网络算法受初始权值和阈值的选择影响很大，因此，传统方法结合ANN会导致其输出具有不一致性，而SVM算法可以有效地避免上述问题。

本文对基于不分光红外（NDIR）法的气体检测系统进行了CO浓度检测实验和结果分析，其中，CO样本浓度范围为0.5%～20%，共15组；以SVM为基础对检测结果进行了回归分析，建立了回归校正模型；在SVM参数的选取问题上，提出了改进的网格参数寻优法。

1　SVM模型学习理论

SVM回归校正模型，就是利用SVM核函数，将CO红外光谱输入数据利用线性映射Φ，映射到高维空间，然后在高维空间进行回归分析，建立红外光谱数据与待测CO气体浓度的回归校正模型，其回归函数f（xi）可表示为

式中w·（xi）为向量w与的内积；w为回归系数，b为阈值xi=（x1，x2，…，xL）为在扫描波长范围内L个光谱数据。

引入Lagrange函数，得到的SVM回归校正模型的回归函数为

式中若αi不为零或者α*i不为零，表示此样本即为支持向量。

由于Gauss函数能较好地模拟光谱信号，所以，本文选用RBF核函数，其基本形式如下

式中g为gamma参数函数设置（若k为属性的数目，则g默认为1/k）。

2　改进的网格搜索寻优方法

SVM的回归模型的建立需要进行参数的优选［8］，主要是选择参数c和g。具体的寻优过程可如图1。

图1　改进网格搜索寻优流程图Fig 1　Flow chart of improved grid search optimizing

3　实验与分析

3.1实验装置

本实验搭建的实验装置的原理如图2所示。

图2　NDIR测试系统原理图Fig 2　Principle diagram of NDIR test system

整个装置主要由MCU、光源、气室、探测器、信号处理电路和LCD显示屏组成。系统计算处理后的CO浓度值将动态实时显示在LCD屏上。

红外光源要求辐射的光谱成分稳定、辐射能量集中在待分析组分特征吸收波段范围内、红外线应平行于气室的中心轴。

3.2网格搜索寻优与建模

在实验室条件下，模拟了汽车尾气中CO气体的检测实验，以标准浓度在0.5%～20%之间的15组CO气体作实验样气，MCU调制红外光源的波长至4.64 μm处（CO的特征吸收波长），待光源工作稳定后，将样本气体通入NDIR气体检测系统中，经过一系列的信号调理，待显示的浓度数值稳定后就是最终检测出的气体浓度值。充入另一浓度值的气体后，重新计算，如此重复15次。对比发现，系统检测的浓度值和标准的浓度值之间相差较大，具体如表2中的数值所示。

为了减小误差，提高检测准确度，采用SVM方法对检测的浓度值进行回归预测分析：以15组实验检测得到的CO浓度值为样本进行归一化处理，便是模型的输入；以标准浓度在0.5%～20%之间的15组CO气体浓度作为标准样本，对标准浓度进行归一化处理，便是模型的期望输出。模型的建立需要找到最优的惩罚参数c和RBF核参数g，本文根据图1所示的流程图进行参数寻优，二次寻优的结果如图3所示。

图3　参数选择结果视图Fig 3　View of parameter selection results

由图3可知，改进的网格搜索法得到的最优参数c= 0.707，g=0.5，交叉验证的均方差为0.0042。为了验证回归预测后准确度，本文将标准CO浓度值、NDIR检测的浓度值以及回归分析后的浓度值绘制在一个图中进行比较，如图4所示；回归分析后的样本与标准样本误差如图5所示。

图4　标准值与处理前后样本对比图Fig 4　Comparison chart of standard values and samples before and after processing

由图4可知，回归预测数据在低浓度和高浓度时，与CO标准气体浓度相差较大，在中间浓度范围内，相差较小；经过反归一化处理后，回归预测得到的CO浓度值更接近标准浓度，说明基于SVM的回归分析可以提高NDIR检测系统的精度。由图5可以看出，回归后的误差曲线和未经处理测量的误差曲线相比，明显减小，再一次说明SVM回归模型的可靠性；测量的绝对误差在1%以内，符合国家对汽车尾气排放检测标准的要求。

图5　绝对误差曲线Fig 5　Absolute error curve

若采用PSO算法［9］，则最终寻优结果曲线如图6所示。

图6　PSO寻优结果图Fig 6　Figure of PSO optimizing results

由图7，最佳参数组合c=55.911，g=0.01，交叉验证的均方误差为3.723×10-0.05。两种方法的寻优结果对比如表1所示。测试数据的模型预测浓度值如表2所示。

表1　寻优结果对比Tab 1　Comparison of optimizing result

表2　仿真结果对比（%）Tab 2　Comparison of simulation result（%）

由表1、表2可以看出：2种方法建立的气体定量分析回归模型的测试误差水平基本相当，均高于NDIR检测系统本身的精度。采用改进的网格搜索法进行参数寻优，参数c明显小于PSO法，而过高的c容易引起模型的过学习；寻优时间约为PSO的3/5，均方误差低于PSO。牺牲一点准确率而节省寻优时间是可以接受的。因此，应用此方法建立CO气体定量分析回归模型是有效可行的。

4　结论

本文针对基于NDIR气体检测系统进行了浓度实验，得到了15组CO气体浓度样本，将改进的网格搜索法应用于SVM的参数寻优，对浓度范围在0.5%～20%的标准CO气体进行回归分析，回归样本曲线逐渐逼近标准浓度值，明显比实验所检测的浓度值更加接近标准浓度值。因此，可以将改进的网格搜索法与SVM相结合，应用于CO气体的定量分析建模中，并且在机动车尾气排放检测中，具有一定的发展潜力和挖掘空间。

［1］李国林，董明，宋楠，等.基于中红外光谱吸收技术的一氧化碳气体检测系统［J］.光谱学与光谱分析，2014，34（10）：2839-2844.

［2］白泽生.一种二氧化碳气体检测方法［J］.传感器与微系统，2007，26（7）：105-107.

［3］刘建国，安振涛，张倩.基于传感器阵列的可燃混合气体RBF网络分析［J］.装备环境工程，2013，10（3）：113-116.

［4］乔聪明.PLS-SVR的三组分混合气体定量分析［J］.太原理工大学学报，2014，45（1）：120-122，127.

［5］袁力哲，杨宪江，王宇.基于自适应遗传BP算法的混合气体定量检测研究［J］.仪表技术与传感器，2013（6）：118-120.

［6］黄小燕，赵向阳，方智勇.电子鼻在气体检测中的应用研究［J］.传感器与微系统，2008，27（6）：47-49，52.

［7］曲健，陈红岩，刘文贞，等.基于自适应变异粒子群优化的SVM在混合气体分析中的应用［J］.传感技术学报，2015，28（8）：774-778.

［8］张愉，童敏明，戴桂平.基于OBLPSO-LSSVM的一氧化碳浓度检测［J］.计算机工程与应用，2013，49（24）：249-252，261.

［9］金翠云，崔瑶，王颖.粒子群优化的SVM算法在气体分析中的应用［J］.电子测量与仪器学报，2012，26（7）：635-639.

曲健，通讯作者，E—mail：13645712326@163.com。

Application of SVM algorithm in CO concentration sensor

YE Nan-hai1，ZHAO Xiao-feng1，REN Chuan-fa1，CHEN Hong-yan2，QU Jian2
（1.Zhejiang Universe Filter Co Ltd，Rui'an 325204，China；2.College of Mechanical and Electrical Engineering，China Jiliang University，Hangzhou 310018，China）

Quantitative analysis experiment is performed based on IR CO gas quantitative analysis model for harmful gases CO emitted by vehicle.Model is set concentration ranges of 0.5～20%，15 groups of samples are selected.Support vector machine（SVM）are used to build the regression model for sample data.Related parameters are optimized based on the method of improved grid search.The experimental results show that after regression analysis by SVM，compared to the traditional method of spectral absorption，regression sample significantly closer to the calibration concentrations than the experimental values.And compared with PSO algorithm，this method obtains c=0.707，g=0.5，PSO obtains c=55.911，g=0.01，the time of modeling by improved grid search is reduced about 40%of PSO algorithm.SVM used in CO concentration analysis is coincide with the test requirements and regression efficiency is high.

infrared spectrum；support vector machine（SVM）；grid search；exhaust emission

TH744

A

1000—9787（2016）06—0158—03

10.13873/J.1000—9787（2016）06—0158—03

2015—09—29

叶南海（1977-），男，浙江温州人，工程师，主要从事汽车滤清器的研究与开发。