赵彦如, 黄晓杰, 邵启鹏

(河南理工大学 机械与动力工程学院,河南 焦作 454000)

0 引 言

气体定量识别在食品科学、环境科学、公共安全和国防军事等领域有着广阔的应用前景。文献[1]使用支持向量机算法用于CO浓度的分析；文献[2]使用反向传播(back propagation,BP)算法对单一气体进行定量检测,文献[3]使用BP算法对混合气体进行定量检测,二者均比较了实际、预期和预测的浓度测量值。为了降低BP算法对初始权值和阈值的依赖性,文献[4]使用粒子群优化(particle swarm optimization,PSO)-BP算法对BP神经网络的权值和阈值进行优化,文献[5]使用蚁群优化(ant colony optimization,ACO)算法优化BP神经网络,文献[6]结合布谷鸟搜索(cuckoo search,CS)算法寻优来获取BP算法的最优初始权值和阈值；为了进一步提高CS算法的性能,文献[7]提出了自适应步长的CS算法,文献[8]将解的适应度引入了CS算法,文献[9]提出了自适应步长和发现概率的CS算法,文献[10]提出了混合模拟退火的CS算法。

为解决CS算法可能陷入局部最优值的问题,本文结合以上研究内容,本文提出引入自适应调整发现概率的CS算法和模拟退火算法的BP神经网络用于混合气体的定量检测。用MATLAB软件对实验数据进行仿真分析发现,使用CS算法获得的用于BP网络的初始权值和阈值有一定的可靠性；引入模拟退火算法避免了算法陷入局部最优,与CS-BP算法相比加快了收敛速度；对混合气体中每种气体预测结果的平均相对误差均在10 %左右,达到了预测目的要求,实现了混合气体的定量检测。

1 改进BP算法的提出与实现

1.1 改进算法的提出

针对BP算法依赖初始权值和阈值的问题,提出使用具有强大全局搜索能力的CS算法来获取BP神经网络最优的初始权值和阈值。……