基于人工神经网络的气体分析方法
基于神经网络的气体传感器识别算法研究
基于神经网络的气体传感器识别算法研究随着大气污染日益加重，人们对气体传感器的研究和开发越来越重视。
而神经网络技术的出现，为气体传感器的识别算法研究提供了新的思路和方法。
本文将介绍基于神经网络的气体传感器识别算法的研究现状和发展趋势。
一、气体传感器的工作原理和种类气体传感器是通过测量气体与传感器之间的物理或化学变化，获得气体浓度信息的一种检测设备。
传感器的工作原理可以分为物理式和化学式两种。
物理式气体传感器则是利用气体与传感器接触后，引起一些可测量的物理量变化，如电阻、导电性等。
代表性的物理式气体传感器有热电阻、热电偶、光电传感器等。
化学式气体传感器则是利用气体与传感器接触后，发生化学反应，产生可测量的化学信号。
代表性的化学式气体传感器有电化学传感器、光化学传感器等。
二、基于神经网络的气体传感器识别算法气体传感器的种类繁多，常用的气体传感器有可燃气体传感器、有毒气体传感器等，它们的性质和工作特点也各不相同。
因此，如何准确快速地识别不同气体，成为气体传感器识别算法研究的重点之一。
神经网络是一种模拟人脑神经系统的计算模型，具有自学习、自适应、容错性强等优点。
基于神经网络的气体传感器识别算法将传感器测量得到的气体浓度信息输入模型，通过神经网络的训练和反馈机制，得出气体种类的识别结果，从而实现快速、准确的气体识别。
三、基于神经网络的气体传感器识别算法的研究现状基于神经网络的气体传感器识别算法的研究已经开始发展，并有不少取得了一定的成果。
2016年，一篇名为"基于小波神经网络的气体传感器识别算法"的论文提出了一种基于小波神经网络的气体传感器识别算法。
该算法将传感器输出的模拟量信号进行滤波、降噪和特征提取，再将特征值输入到小波神经网络中训练。
实验结果表明，该算法的气体分类准确率可达到99.2％。
2017年，另外一篇名为"基于多元神经网络的气体传感器监测系统研究"的论文，则提出了一种基于多元神经网络的气体传感器监测系统，通过网络接口实现气体传感器数据的在线监测和分析。
人工神经网络在大气环境质量评价中的应用
（． １国防科技工业 自然环境试验研究中心 ， 重庆 ４０ ３ ； ． ００ ９ ２ 重庆通信学院计算机应用中心 ， 重庆 ４０ ３ ） ０ ０５
摘要 ： 对 大 气环境 中的数 据 监测 与模 式识 别 问题 ， 用人 工神 经 网络理 论 ， 自然环 境 大 气腐蚀 试 验 针 应 பைடு நூலகம் 网站建 立大 气环境 质 量 Ｂ Ｐ网络评 价模 型 。江津 试验 站 成 功 地 应 用 了该 模 型 。通 过 １９ — ９ ６—２ ０ ０ ０年 大 气环
ｕ ｔｏ ａ ｉｎ．
Ｋｅ ｒ ｓ：ａｔｆ ｉｌｎ ｕ ａ ｅ ｗ ｒ ｙ ｗｏ ｄ ｒ ｉ ａ ｅ ｒｌｎ ｔ ｏ ｋ；ａ ｍｏ ｐ ｅ ｉ ｅ ｖ ｒ ｎ ｎ ；ｅ ｖ ｒｎ ｎ ａ ｖ ｌ ａ ｉｎ；Ｂ Ｐ ａｇ ｒ ｈ ｉｃ ｔ ｓ ｈ ｒ ｎ ｉｏ ｍｅ ｔ ｎ ｉ ｍｅ ｔ ｌｅ ａ ｕ ｔ ｃ ｏ ｏ — ｌ ｏｉ ｍ ｔ
维普资讯
装 备 环 境 工 程
・
８ ・ ２
Ｅ ＵＰ Ｅ Ｔ Ｎ ＩＯ Ｍ Ｎ Ａ Ｅ ＧＮ Ｅ ＩＧ Ｑ Ｉ Ｎ Ｅ ＶＲ Ｎ Ｅ Ｔ Ｌ Ｎ ＩＥ ＲＮ Ｍ
第３ 卷 第５ 期 ２０ 年 １ 月 ０６ ０
人 工神 经 网络在 大气 环 境 质 量 评 价 中 的应 用
近１ ０年来 ， 内外学 者根 据不 同 的大气环 境 污 国 染状 况 ， 提出 了不 同 的大 气 环境 质 量 评 价 的数 学 模 式 ｕ 。由于大 气 环 境 质 量 评 价 实 质 上 是 根 据 各 评 』 价 指标 的大气 环境 分 级 标 准 ， 被 评 价 的环 境 对 象 将 的各项 指标 的监测 数 据与各 级标 准进行 比较 、 别 ， 辨 看 它与 哪级标 准最 靠 近 ， 因此 大 气 环 境评 价 属 于 模
基于主成分分析和BP神经网络的气体识别方法研究
2 96 传 感 技 术 学 报 2001 年
表 2 B P 网络的训练和测试结果
算公式分别为
∑ -
x j=
n
1 n
x ij
i= 1
∑n
sij =
1 n-
1 k= 1 (x ki -
-
x i) (x kj -
-
x j)
rij =
sij
sii sjj
其中: i, j = 1, 2, …, p , 当 i=
j
时, sij =
Ρ2 ii
=
1 n-
n
1k
2
-
1
(x
ki-
-
x i) 2, rii= 1.
样本主成分一般是随着度量单位而变化的, 当变量的度量单位不同或单位相同但变化
范围彼此差异很大时, 应当考虑变量标准化[10]. 标准化方法很多, 本文采用标准差标准化方
-
法, 即以x ij - x j 代替 x ij 进行计算, 这样标准化后的 x ij 的协方差阵即为其相关系数矩阵.
sjj
综上所述, 主成分分析法的主要计算步骤如下:
3 实验及识别结果
本文分析的信号是一个气体传感器阵列对不同浓度的酒精、汽油以及酒精和汽油的混
合气体的响应. 该传感器阵列由 4 个 SnO 2 旁热式烧结型元件构成, 其中两个对汽油的灵敏 度高, 另两个对酒精的灵敏度高. 原有数据共四组样本 79 个[12], 从每组样本中任选 5～ 8 个
数据组成测试样本集 (27 个) , 其余数据组成训练样本集 (52 个).
(3) 选取主成分, 根据要求的累计贡献率选取主成分.
(4) 建立主成分方程, 计算各主成分值.
基于人工神经网络的微量甲醛气体识别方法
Ａｒ ｉ ｃｉ ｅｕ ａ ｅ ｗｏｒ ａｓ ｅｃ ｇ ｉ ｎ ｍｅ ｈ ｔｆ ａｌ ｉ ｎ ｒ ｌｎ ｔ ｋ ｂ ｅｄ ｒ ｏ ｎｉ ｏ ｔ ｏｄ ｔ
ｆ ｉ ｒ ｃ ｎ ｅ ｔｆ ｒ ａ ｄ ｙ ｅ ｏｒｍ ｃ ｏ ｏ ｔ ｎ ｏ ｍ ｌ ｅｈ ｄ
ＤＵ ｉｙｎ Ｗ ＡＮＧ ｉ ｇ 。 Ｚ Ｈａ～ ｉｇ ． Ｊｎ ＨＡＮＧ ｏ Ｔａ
得到 一组 响应 数 据 ， 立线 性 响应方 程组 ， 根据 建 并 线性 方 程组 的不 同解 法 解 此 方 程组 ， 以识 别 气 可 体种 类 和组成 成 分 。
在一 般情 况 下 ， 敏 元 件 的 响应 都 是 非 线 性 气
的， 利用 具有 不 同选 择 性 的 传 感 器 阵列 测 得 的数
Ｖ ０ｌ ９． ｏ ＿２ Ｎ ．１
Ｆｅ ２０ ｂ． ０８
基 于 人 工 神 经 网络 的微 量 甲醛 气 体 识 别 方 法
杜 海 英 王 兢 张 涛 ， ，
（ ． 连 民 族 学 院 机 电信 息 工 程 学 院 ，辽 宁 大 连 １６ ０ ；２ 大 连 理 工 大 学 电信 学 院 ，辽 宁 大 连 １ ６ ２ ） １大 １６０ ． １ ０ ３
据不 能直 接用 线 性 方 程解 出 ， 因此 要对 非 线 性 模 型进 行线 性 变 换 。１ ８ ９ ９年 ， 献 ［ ］ 先 提 出 了 文 ３首 变换 最小 方 差 法 （ Ｓ ， 后 Ｇ． ｒ ｅ 人 又 ＴＬ ） 随 Ｈｏ ｎ ｒ等 在 Ｔ Ｓ法 的 基 础 上 ， 立 了 局 部 模 型 分 析 法 Ｌ 建 （ ＭＢ 等 。近年 来 ， Ｐ ） 由于 神经 网络 方 法在 此 领 域 的应 用 ， 于神 经 网络 的线 性 化 分析 方 法 得 到 推 基 广 ， 径 向基 函数 分 析 法 ＿ 、 线 拟 合法 、 元 分 如 ４曲 ］ 主 析法 、 向传 播 人 工 神 经 网络 （ ａ ｋＰ ｏ ａ ａｉｎ 反 Ｂ ｃ～ｒｐｇｔ ｏ
基于神经网络的气体传感器研究
基于神经网络的气体传感器研究近年来，随着物联网技术的发展，气体传感器逐渐被广泛应用于城市环境监测、工业生产以及生物医疗领域等众多领域。
然而，目前传统的气体传感技术存在一些局限性，比如不具备足够高的准确性和稳定性，容易受到外界干扰。
为了克服这些缺点，学术界和工业界开始利用神经网络技术来提高气体传感器的性能。
神经网络技术是模拟人类大脑神经网络工作原理的一种计算模型，它的特点是具备自学习和自适应能力。
目前已经被广泛应用于图像识别、语音识别、自然语言处理、预测分析等领域。
相比传统方法，基于神经网络的气体传感器具有更高的灵敏度和准确度，容易适应复杂的环境变化，因此受到越来越多的关注。
基于神经网络的气体传感器的核心技术是利用目标气体的特性来提取气体传感器信号中的有用信息。
传感器信号通常包含噪声、毛刺和漂移等干扰，这些因素会降低传感器的准确性和稳定性。
因此，在利用神经网络技术进行信号处理前，需要对传感器信号进行预处理，以提高提取特征的精度和可靠性。
目前，基于神经网络的气体传感器主要采用三种结构。
第一种是单层感知器，它是一种仅由输出层构成的神经网络结构，适用于单一气体的分类。
第二种是多层感知器，它由输入层、隐藏层和输出层构成，适用于多种气体的分类。
第三种是具有反向传播算法的神经网络结构，它可以利用误差反向传播算法来自适应地更新权重和偏差参数，以提高气体传感器的分类和预测性能。
除了以上三种结构，还有一些基于神经网络的深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）和长短时记忆网络（LSTM）。
这些模型在通用图像、视频、语音等领域已经得到广泛应用，如何将它们应用于气体传感器也是一个热门研究方向。
这些模型可以更加精确地提取气体传感器中的特征，从而提高气体传感器的分类和预测性能。
基于神经网络的气体传感器在实际应用中还面临着一些挑战。
首先，神经网络结构的设计需要考虑到气体传感器的实时性和各种异常情况的处理。
人工神经网络法对多组分大气污染物的同时监测
在现代工业化的社会里，环境污染特别是来自于有毒易 挥发有机化合物 （VOC 的大气污染，无时无处不在发生，它 s） 们的检测和浓度控制，已经引起了世界各国政府和科研人员
［ 1- 3 ］ 的高度重视 。而由于大气污染的多组分并存、干扰严重 ［ 4- 8 ］ 的特点，可以利用反向传播人工神经网络 （BP- ANN ） 来消
度，这对于工作及生活空间内的污染物控制能够起到重要的 意义。
文
献
［ 1］S i grit M W. A ir M onitori ng by Spectroscopic T echni Cues . I n Che m ical Analysis ， Vol . 127 ， Ed . ：W i nef ordner ， J . D. ， Ne W Yor k ： John W iley & Sons I nc . ， 1994 . ［ 2］ H ash monay R A ， Tost M G ，W u C F . SPI E ， 1998 ， 3534 ： 126 . ［ ］ ， ， （ ： 3 D rescher A C Par k D Y Yost M G. A t mospheric Environ ment ， 1997 ， 31 5） 727 . ［ ］ ， ， （ ： 4 LI Yan WANG Jun- de HUANG zhong- hua et al . J . Environ . Sci . & H ealt h ， 2002 ， A37 8） 1453 . ［ （ ： 5 ］ LI Yan ，WANG Jun- de . Spectrosc . Lett . 1999 ， 32 3） 421 . ［ ］ ， ， （李 燕，王俊德，顾炳和等） （光谱学与光谱分析） ， 6 LI Yan WANG Jun- de GU B i ng- he et al . Spectroscopy and Spectral Analysis 1999 ， （ ： 19 6） 844 . ［ （ ： 7 ］ Ge mperli ne P J ， Long J R ， G regori ous V G. Anal . Che m. ， 1991 ， 63 20 ） 2313 . ［ 8］ B lank T B ， BroWn S D. Anal . Chi m. A cta ， 1993 ， 277 ： 273 . ［ （ ： 9 ］ Long J R ， G regori ous V G ， Ge mperli ne P J . Anal . Che m. ， 1990 ， 62 17 ） 1791 .
基于人工神经网络的火力发电厂NOx排放量预测研究
基于人工神经网络的火力发电厂NOx排放量预测研究近年来，环境问题成为一个越来越现实的问题，人们越来越关注如何将工农业过程排放的废气降到最低。
NOx（氮氧化物）是常见的大气污染物之一，尤其是在许多火力发电厂中。
为了控制NOx的排放，研究基于人工神经网络的火力发电厂NOx排放量预测已经成为必要且迫切的任务。
首先，什么是人工神经网络（ANN）呢？简单来说，它是指一种软件系统，类似于人类神经系统，能够自我学习并预测未来事件，同时可以从大量数据中找出相应的关系。
它有多层模拟神经元的人造神经网络。
现在，ANN已经被广泛应用于各种行业，如金融、医疗、农业和环境。
如何预测火力发电厂NOx排放量呢？首先，我们需要一些数据来训练ANN。
这些数据是过去的排放量和控制参量的组合。
然后，我们将这些数据分成两部分：一部分用于训练模型，另一部分用于测试模型。
训练模型的目的是通过使用已知的输入和输出数据来学习ANN的权重和阈值。
经过训练，模型可以开始进行预测。
现在，每当我们向模型中放入一组新的控制参数时，它将可以预测出可能的NOx 排放量。
在研究中，我们使用了一个火力发电厂的数据来验证我们的预测模型。
我们发现，我们的模型可以非常准确地预测出NOx排放量。
这非常有意义，因为一旦我们可以预测出NOx排放量，我们就可以采取措施，如对控制设备进行调整或采用不同的燃料，以降低NOx排放量。
这将有助于保护环境并减少大气污染。
在这个研究中，我们还使用ANN来预测不同参数对NOx排放的影响。
这包括燃料种类、负荷、温度和氧浓度。
我们发现，不同的参数对NOx排放的影响是复杂的，但是ANN能够有效地捕捉这些关系，并为我们提供宝贵的信息。
虽然基于ANN的方法已被证明是一种有效的方法来预测火力发电厂的NOx排放量，但是该方法也存在一些局限性。
首先，我们需要足够的数据来训练模型，并且这些数据必须是准确的，否则模型的预测效果会受到影响。
其次，我们需要不断更新模型，以反映当前的实际情况。
基于人工智能的工业气体泄漏检测技术研究
基于人工智能的工业气体泄漏检测技术研究近年来，随着人工智能技术的快速发展，越来越多的应用场景在向人工智能方向转化。
其中，工业领域是一个非常重要的应用场景。
在工业生产中，经常会有各种危险气体的使用，如氨气、乙炔等，而这些气体泄漏时往往会影响到生产环境和生产人员的安全。
因此，研究一种基于人工智能的气体泄漏检测技术显得尤为重要。
人工智能技术在气体泄漏检测中的应用气体泄漏检测一直是工业生产中的一个难题。
传统的气体泄漏检测方式往往需要专业的人员进行人工巡检，不仅效率低下，而且还容易出现遗漏。
针对这种情况，人工智能技术应运而生。
人工智能技术可以通过对气体泄漏的特征进行学习，从而实现对气体泄漏的自动检测。
具体而言，人工智能在气体泄漏检测中的应用主要包括以下几个方面：1. 数据采集气体泄漏检测的第一步是采集相关的数据。
通过传感器、监测设备等获取气体泄漏时产生的声音、震动、温度变化等信息，并将这些数据转化为数字信号。
由于不同气体泄漏的特征不尽相同，因此数据采集的准确性对气体泄漏检测的精度有很大的影响。
2. 数据处理数据处理是气体泄漏检测的核心环节。
在人工智能技术中，数据处理主要指的是对采集到的数据进行分析和处理。
将数据进行预处理、降噪等操作，去除干扰信号，提取气体泄漏的关键特征。
同时，将数据进行分类、聚类等操作，使得气体泄漏的信号与其他噪声信号进行区分，实现准确检测。
3. 模型训练模型训练是人工智能技术的核心环节之一。
在气体泄漏检测中，模型训练主要包括两个方面：特征提取和模型选择。
特征提取是指针对气体泄漏信号特征进行提取，以便于后续的模型训练。
而模型选择则是指选择合适的深度学习模型进行训练，以便于对气体泄漏的信号进行准确分析。
4. 模型预测在模型训练完成后，可以将其应用于实际气体泄漏检测场景中。
模型预测的过程是将采集到的气体泄漏信号传入训练好的模型中进行分析，最终输出气体泄漏的判断概率。
在模型预测的过程中，需要对模型的结果进行分析和反馈，以不断优化模型的准确性和稳定性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于人工神经网络的气体分析方法7.1人工神经网络概述人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，（如模式、语音识别、非结构化信息处理方面）的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。
人工神经网络与其他传统方法相结合，将推动人工智能和信息处理技术不断发展。
近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。
迄今为止的神经网络研究，大体上可分为三个大的方向：1）求人脑神经系统的生物结构和机制，这实际上是神经网络的初衷。
2）微电子学或光学器件形成特殊功能网络，这主要是新一代计算机制造领域所关注的问题。
3）将神经网络理论作为一种解决某些问题的手段和方法，这些问题在利用传统方法时或者无法解决，或者在具体处理技术上尚存困难。
7.2BP 网络结构及原理BP 网络（Back-Propagation NN）是一种单向传播的多层前向网络。
目前，在人工神经网络的实际应用中，绝大部分的神经网络模型使用的是BP网络或其变化形式，它也是前向型神经网络的核心部分。
其结构如图 7.1 所示。
.7.1 BP网络结构Fig.7.1 Back-Propagation network configurationBP网络有很强的映射能力，其主要用于：模式识别、分类、函数逼近、数据压缩等。
网络除输入输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。
输入信号从输入层节点依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。
整个网络的特性决定于相邻层间神经元的连接权和神经元上的阈值。
7.3 面向MATLAB 的BP 神经网络的设计方法及步骤[78]7.3.1 BP 神经网络的初始化在训练前馈神经网络之前，我们必须设置权值和阈值的初始值。
当我们使用函数newff 创建前馈神经网络后，网络自动初始化的权值和阈值，缺省值都是0。
如果要设置这些初始值，可以使用函数init()，命令格式为:()net init net =（7.3.1）函数init()会根据网络的初始化函数以及它的参数值来设置网络权值和阈值的初始值，它们分别由参数net.initFcn 和net.initParam 表示。
对BP 神经网络来说，参数net.initFcn 的值是initwb ，它使网络的初始化采用了Nguyen －Widrow 算法。
7.3.2 BP 神经网络的创建指令格式:net = newffNet = newff(PR ，[S1 S2…SN]，{TF1 TF2…TFN}，BTF ，BLF ，PF) 参数意义:PR 输入向量的取值范围。
Si 第i 层的神经元个数，总共N 层。
Fi 第i 层的传递函数，缺省值为“tansig ”。
BTF BP 网络训练函数，缺省值为“trainlm ”。
BLF BP 网络权值和阈值学习函数，缺省值为“learngdm ”。
PF 性能函数，缺省值为“mse ”。
执行结果:创建一个N 层的BP 神经网络。
7.3.3 BP 神经网络的仿真BP 神经网络的仿真仍然使用函数Sim()，而且对于高维的多个输入，可以使用该函数方便地得到网络的仿真结果。
7.3.4 BP 神经网络的训练当神经网络的权值和阈值初始化以后，我们就可以对网络进行训练。
在训练的过程中，网络的权值和阈值被反复地调整，以减少网络性能函数net.PerformFcn 的值，直到达到预先的要求。
在BP 网络的训练算法中，都是通过计算性能函数的梯度，再沿负梯度方向调整权值和阈值，从而使性能函数达到最小。
第k 个循环中的调整公式可表示为：1k k k k x x a g +=- （7.3.2）其中x k 表示当前的权值和阈值，g k 表示当前的梯度，a k 是学习率。
7.3.5 BP 神经网络训练结果分析当网络训练结束之后，可以用Sim 函数来仿真网络的输出，从而与目标输出进行比较，来检验网络的性能。
同时，MATLAB 还提供了函数p.streg 用于对网络训练结果的进一步分析。
函数p.Streg 利用了线性回归的方法分析了网络输出和目标输出的关系，即网络输出变化相对于目标输出变化的变化率，从而评估网络的训练结果。
7.4 气体分析方法本文构造的气体分析系统主要是由两大部分构成：半导体气体传感器阵列和基于 BP 神经网络的模式识别。
根据原理阐述，将半导体气体传感器阵列与 BP 神经网络的模式识别技术相结合应用于气体分析，将会得到很好的效果。
实验中我们分别进行了多气体定性识别与单一气体的定量识别两种方式的气体分析实验，但由于在多气体定性识别过程中，涉及到的两种气体分子式极其相近，用传感器阵列采集的数据进行识别过程中误差很大，这部分的实验我们还在进一步的进行中，这里就不做介绍了。
7.4.1 对甲醛和乙醇气体的定量识别根据上述的神经网络原理、BP 算法以及面向 MATLAB的 BP 神经网络的设计，气体定性识别方法的过程如图 7.3 所示。
Fig.7.3 Process of gas quantitative recognition7.4.2 实验数据通过计算机采集的数据是测试电路中的负载 R L 相对于敏感元件表面电阻R O 的分压值V O ，因此在用 BP 神经网络进行模式识别之前，先进行转换。
根据公式：V O=C LR V R -(7.4) 100%R R R S 0G0⨯-=(7.5)0GS 100%V V V -=⨯(7.6)由于相对算法有助于补偿传感器的温度灵敏度误差，因此将 S 相对于敏感体在纯净空气中的电阻值 R 0进行归一化，得出实验数据，如表7所示。
另外，由于期望输出的范围为 0ppm-500ppm ，因此也应该进行归一化。
归一化算法为：'max /j j c c c = ,其中max c = 500ppm 。
在 MATLAB 中，该算法的实现语句为：./500T T =。
7.4.3 BP 网络的设计1、 问题描述设计一个网络并训练它来定量检测气体的浓度。
在本问题中，我们选用4个灵敏度较好的传感器分别为纯SnO 2元件, 掺2%Pa 的元件，掺3%Pa 的元件，掺Sb2%的元件。
用了测量数据的20组数据进行训练，这 20个标准气体样本中的敏感信号被定义成一个 4×20 的输入向量矩阵 P ，目标向量也被定义成一个变量 T 。
每个目标向量含有 1个元素，向量代表某种气体的浓度大小。
例如，20ppm 甲醛 对应的向量，其元素值为 20/500（因为已经进行了归一化）。
2、 网络结构为了实现对单一气体的定量检测，所设计的网络要有 4个输入，在输出层，则仅需要 1 个神经元。
同定性识别一样，也采用单隐层的 BP 神经网络进行训练。
至于隐含层神经元的个数，则根据情况在实验中总结经验再进行确定。
本次训练设计了一个有两层结构的 tan-sigmoid/purelin 网络。
网络结构如图 7.4 所示。
图.7.4网络结构 Fig.7.4 Net structure3、 网络的初始化使用函数 newff 创建一个两层网络。
net=newff(minmax(P),[12,1],{'tansig','purelin'},'trainbr'); 将网络的隐层神经元数选为 12。
为了使网络对于新的输入具有良好的泛化能力，将网络的训练函数选为 trainbr ，该函数使用了 Bayesian 框架结构，假设网络的权值和阈值是特殊分布的随机变量，然后用统计学方法估计出γ的值,最后初始化网络的权值和阈值。
net.LW{2,1}=net.LW{2,1}*0.01;net.b{2}=net.b{2}*0.01; 4、 网络的训练网络的训练参数设置如下：net.performFcn='msereg';％网络的性能函数选择为 mseregnet.trainParam.mu_max=200;％设置 mu 的最大值 net.trainParam.show=200;net.trainParam.lr=0.001 net.trainParam.goal=1e-5; net.trainParam.epochs=20000; [net,tr]=train(net,P,T);在利用 train 函数对网络进行训练执行以上代码后，在 MATLAB 命令行中将实时的显示出网络的训练状态。
训练过程这里就不做详细介绍了，定量检测的训练过程图如下，训练次数为1752次。
图.7.5 气体定量检测的训练过程Fig.7.5 The training process of the gas quantitative measurement 7.4.4实验结果分析将输入向量 P 作为训练过的神经网络的输入，语句为：y=sim(net,P)； y=y.*500；输出结果如表8所示：下面计算一下该网络对甲醛气体进行定量检测的平均相对误差和最大相对误差：111111_100% 2.94%p p Mreal testp P real C C AVE E MC =-=⨯=∑ (7.4.1)11111_max 100% 4.26%p p Mreal testp P realC C MAX E C =-=⨯= (7.4.2)其中 C real 和C test 分别为浓度的真实值和预测值，M 为样本个数。
7.5 误差分析1、气体传感器阵列；性能相近的传感器组成的阵列很难产生互不相关的测试模式，从而会影响整个系统的测试精度。
由于本文采用的传感器阵列都是我们自己实验研制的气敏元件，采集到的数据具有一定的相关性。
从气体传感器的静态曲线可以看出，器件在整个低浓度范围内误差变化由高变低，并趋于饱和。
这一特点，非常适宜检测低浓度微量气体。
2、测量环境；半导体气敏元件敏感原理是基于敏感体表面的吸附反应，易受环境温度、湿度影响，所以气体传感器阵列的测量环境是产生误差的一个主要原因。
气体传感器对被测气体的温湿度较为敏感，在系统建模时将这一因素考虑进去，可以有效的减小测量误差。
本论文对测量环境并没有做详细的介绍，我们对影响因素的环境温度的实验已基本结束，但湿度的实验还在进一步的测试过程中，由于冬天和夏天两季的数据差异较大，故实验周期较长。
7.6 小结实践证明，采用气体传感器阵列与人工神经网络相结合，选用前馈型BP 神经网络进行气体的定性与定量识别是可行的。
在气体样本的选取过程中，我们尽量选择同一气氛，不同浓度条件下的测试样本,以减小训练误差。