郑尧军，陈红岩，冯　勇，陈开考，曲　健

（1.浙江经济职业技术学院汽车技术学院，杭州310018；2.中国计量学院机电工程学院，杭州310018）

粒子群优化SVM在气体定量分析中的应用

郑尧军1*，陈红岩2，冯勇1，陈开考1，曲健2

（1.浙江经济职业技术学院汽车技术学院，杭州310018；2.中国计量学院机电工程学院，杭州310018）

针对机动车尾气排放CO气体的定量分析中，支持向量机建模的参数难以确定、光谱数据计算量过大等问题，提出了一种自适应变异粒子群优化的支持向量机方法，对浓度范围在0.5%～8%的20组不同浓度的CO气体进行定量分析。通过对汽车尾气中CO气体的初始数据进行优化，再将优化的核函数带入支持向量机进行浓度的回归分析，将结果与BP神经网络模型回归效果作对比，实验表明：粒子群寻优得到的最优参数c=39.315 2，g=0.178 55；BP神经网络的适应度值在迭代60次之后趋于稳定，SVM建模时间约为BP网络的1/30，且SVM预测精度明显高于BP网络。相比与BP网络，SVM更适合处理气体定量分析问题。

传感器应用；支持向量机；粒子群优化；BP神经网络；遗传算法

EEACC:7230；B40；4145doi:10.3969/j.issn.1004-1699.2016.07.028

目前，气体的定量检测已广泛应用于食品安全、环境监测、生产安全等多个领域［1］。CO是有毒气体，过量排放将严重影响我们的身心健康。在CO气体定量分析方法中，主要采用红外吸收法，但由于传感器元器件的老化、温度的变化、供电电压的波动等因素，导致测量的精度不是很高，无法对汽车尾气排放进行有效的检测和监督。

提高气体测量精度的方法主要有人工神经网络［2-3］ANN（Artificial Neural Network）方法和支持向量机［4-6］SVM（Support Vector Machine）方法等。……