【摘要】：本实验中现有气体传感器搭建的阵列针对2种可燃性气体甲烷和氢气的不同浓度进行了测量，甲烷气体从500ppm开始间隔500ppm增加浓度，依次取8个不同浓度，氢气从100ppm开始间隔100ppm增加浓度，取10个不同浓度，共18种浓度。对可燃性气体甲烷和氢气的定性识别网络的训练过程如图6-13所示，在步长为100时，误差已经低于108。
基于现有气体传感器阵列对可燃性气体的定性识别_质量敏感型有毒有
本实验中现有气体传感器搭建的阵列针对2种可燃性气体甲烷和氢气的不同浓度进行了测量，甲烷气体从500ppm开始间隔500ppm增加浓度（3500ppm后取5000ppm），依次取8个不同浓度，氢气从100ppm开始间隔100ppm增加浓度，取10个不同浓度，共18种浓度。在BP-ANN分析中，选取其中10个浓度的样本作为训练样本，其余9个浓度的样本作为测试样本。在测试样本的挑选中，为保证样本的均衡性和可比性，间隔的选取测量样本作为测试样本，其余样本作为训练样本。
BP-ANN算法中采用了3层网络、输入神经元为4个，对应不同的4个传感器阵列的特征值；隐层神经元个数为50；输出层含2个神经元，每个神经元代表一种可燃性气体，（1，0）代表甲烷，（0，1）代表氢气。隐层神经元和输出层神经元的激励函数分别采用正切Sigmoid函数（tansig）和线性函数purelin。对可燃性气体甲烷和氢气的定性识别网络的训练过程如图6-13所示，在步长为100时，误差已经低于10−8。
图6-13 可燃性气体甲烷和氢气定性识别网络的训练过程
预测结果见表6-4，很明显，该模式识别方法能够精确的分辨出两种气体，实现对可燃性气体甲烷和氢气的定性识别，且训练步长在100步时，训练误差已经低于10−8，训练速度很快。
表6-4 甲烷和氢气定性预测结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
