APP下载

基于OBLPSO-LSSVM的一氧化碳浓度检测

2013-07-20张愉童敏明戴桂平

计算机工程与应用 2013年24期
关键词:优化检测模型

张愉,童敏明,戴桂平

1.苏州市职业大学电子信息工程学院,江苏苏州 215104

2.中国矿业大学信电学院,江苏徐州 221008

基于OBLPSO-LSSVM的一氧化碳浓度检测

张愉1,童敏明2,戴桂平1

1.苏州市职业大学电子信息工程学院,江苏苏州 215104

2.中国矿业大学信电学院,江苏徐州 221008

1 引言

一氧化碳(CO)是一种有毒的气体,是引起矿井瓦斯爆炸的主要气体,近年来,我国矿井瓦斯爆炸事故越来越频繁,伤亡十分严重,CO含量检测可以对矿井爆炸事故进行预警,因此准确检测CO浓度对保证矿井人员的安全具有十分重要的意义[1]。

传感器具有方便、性价比高、结构简单、便携等优点,广泛应用于矿井CO、CH4浓度检测[2]。由于热催化传感器对CO有敏感作用,而电化学气体传感器对CH4有敏感性,出现所谓的“交叉敏感”特性,到目前为止,还没有某种传感器仅对某种气体敏感,对其他气体不敏感,因此单一传感器的CO检测精度低,检测结果可靠性不高[3-4]。为了解决该难题,基于信息融合理论,Lange E将多个传感器组合在一起,形成一个传感器阵列,然后采用数据融合技术对传感器阵列输出信号进行融合,实现对特定气体浓度检测[5]。由于CO浓度检测系统的输入与输出间是一种非线性变化关系,当前主要采用神经网络、支持向量机等建立CO浓度检测模型[6-8]。然而神经网络基于经验风险最小化原则,训练样本不足时,易出现“过拟合”、泛化能力差等不足。最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)较好地克服了神经网络过拟合和标准支持向量机训练耗时长的缺陷,泛化能力优异[9]。……

登录APP查看全文

猜你喜欢

优化检测模型
一半模型
超限高层建筑结构设计与优化思考
民用建筑防烟排烟设计优化探讨
关于优化消防安全告知承诺的一些思考
一道优化题的几何解法
重尾非线性自回归模型自加权M-估计的渐近分布
3D打印中的模型分割与打包
小波变换在PCB缺陷检测中的应用