本实验中SAW气体传感器阵列针对3种VOC的不同浓度进行了测量，每种VOC浓度依次从饱和蒸汽浓度（100% SVC）逐渐用载气稀释到50% SVC的6个不同的浓度值，共18种浓度。在BP-ANN分析中，选取其中9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，间隔的选取不同浓度的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3个，对应不同的3个传感器阵列的特征值；隐层神经元个数为10；输出层含3个神经元，每个神经元代表一种VOC，（1，0，0）代表甲醇，（0，1，0）代表乙醇，（0，0，1）代表异丙醇。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。网络训练采取了L-M反向传播算法，即采用trainlm函数训练网络。输入训练样本，当网络收敛到规定的误差指标时，停止训练，固定网络权值和节点阈值；然后将测试样本输入经过上述训练的网络，从而得到预测的结果。对甲醇、乙醇和异丙醇的定性识别网络的训练过程如图6-12所示，在步长为8时，误差已经低于10−26，训练速度很快。
图6-12 甲醇、乙醇和异丙醇定性识别网络的训练过程
将测量样本输入上述训练的网络后，得到甲醇、乙醇和异丙醇的定性识别的预测结果，如表6-3所示。对于定性识别而言，预测值大于0.7视为1，预测值小于0.3视为0，预测值介于（0.3，0.7）之间视为预测出错。由表6-3可知传感器阵列对于甲醇，乙醇和异丙醇的定性判别完全正确。
表6-3 甲醇、乙醇和异丙醇的定性预测结果
（续表）
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。
