葉南海，趙曉鋒，任傳法，陳紅巖，曲　?。?浙江環(huán)球?yàn)V清器有限公司，浙江瑞安3504；.中國計(jì)量學(xué)院機(jī)電工程學(xué)院，浙江杭州3008）

支持向量機(jī)算法在CO濃度傳感器中的應(yīng)用

葉南海1，趙曉鋒1，任傳法1，陳紅巖2，曲健2
（1.浙江環(huán)球?yàn)V清器有限公司，浙江瑞安325204；2.中國計(jì)量學(xué)院機(jī)電工程學(xué)院，浙江杭州310018）

針對(duì)基于紅外光譜的CO氣體定量分析模型對(duì)機(jī)動(dòng)車尾氣排放中有害氣體CO的定量分析；選取了濃度范圍在0.5%～20%的15組不同濃度的CO氣體樣本，建立CO濃度的支持向量機(jī)（SVM）回歸分析模型，基于改進(jìn)的網(wǎng)格搜索法對(duì)SVM的相關(guān)參數(shù)進(jìn)行了優(yōu)化。實(shí)驗(yàn)結(jié)果表明：經(jīng)過SVM的回歸分析，與傳統(tǒng)的光譜吸收方法相比，處理后濃度值比實(shí)驗(yàn)所得濃度值更接近CO標(biāo)定值；與粒子群優(yōu)化（PSO）算法作對(duì)比，采用網(wǎng)格搜索法獲得的最佳參數(shù)c=0.707，g=0.5，PSO獲得的c=55.911，g=0.01，所用時(shí)間比PSO算法節(jié)省約40%。SVM應(yīng)用于CO的濃度分析，符合實(shí)驗(yàn)要求，回歸效率提高。

紅外光譜；支持向量機(jī)；網(wǎng)格搜索；尾氣排放

0　引言

傳統(tǒng)的氣體定量分析檢測(cè)技術(shù)主要有電化學(xué)法、色譜法和光學(xué)吸收法。其中，李國林等人［1］利用CO氣體分子在4.6 μm處的基頻吸收帶，采用新脈沖的紅外光源和雙通道的熱釋電探測(cè)器研制了一種CO濃度檢測(cè)系統(tǒng)；白澤生等人［2］利用紅外吸收型CO2氣體傳感器設(shè)計(jì)了一種CO2氣體檢測(cè)方法，與氣相色譜儀測(cè)量值的差值在3%以內(nèi)。傳統(tǒng)的氣體檢測(cè)方法受外界環(huán)境如溫度、濕度、壓強(qiáng)和自身元器件工作的穩(wěn)定性和精度影響較大，所以，測(cè)量的準(zhǔn)確度不穩(wěn)定，需要結(jié)合其他方法進(jìn)行回歸擬合。

現(xiàn)代氣體檢測(cè)技術(shù)有人工神經(jīng)網(wǎng)絡(luò)［3］（artificial neural network，ANN）方法和支持向量機(jī)［4］（support vector machine，SVM）方法等。其中，袁力哲［5］等人將BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用到混合氣體的分析中，提出了用自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方法來實(shí)現(xiàn)定量檢測(cè)；黃小燕等人［6］研制出了一種對(duì)3種可燃性氣體進(jìn)行實(shí)時(shí)檢測(cè)的電子鼻系統(tǒng)，提出了雙重神經(jīng)網(wǎng)絡(luò)定量分析多種未知?dú)怏w的方法；曲健等人［7］將SVM應(yīng)用到多組分污染氣體定量分析中，使預(yù)測(cè)精度和運(yùn)算時(shí)間有所提高。神經(jīng)網(wǎng)絡(luò)算法受初始權(quán)值和閾值的選擇影響很大，因此，傳統(tǒng)方法結(jié)合ANN會(huì)導(dǎo)致其輸出具有不一致性，而SVM算法可以有效地避免上述問題。

本文對(duì)基于不分光紅外（NDIR）法的氣體檢測(cè)系統(tǒng)進(jìn)行了CO濃度檢測(cè)實(shí)驗(yàn)和結(jié)果分析，其中，CO樣本濃度范圍為0.5%～20%，共15組；以SVM為基礎(chǔ)對(duì)檢測(cè)結(jié)果進(jìn)行了回歸分析，建立了回歸校正模型；在SVM參數(shù)的選取問題上，提出了改進(jìn)的網(wǎng)格參數(shù)尋優(yōu)法。

1　SVM模型學(xué)習(xí)理論

SVM回歸校正模型，就是利用SVM核函數(shù)，將CO紅外光譜輸入數(shù)據(jù)利用線性映射Φ，映射到高維空間，然后在高維空間進(jìn)行回歸分析，建立紅外光譜數(shù)據(jù)與待測(cè)CO氣體濃度的回歸校正模型，其回歸函數(shù)f（xi）可表示為

式中w·（xi）為向量w與的內(nèi)積；w為回歸系數(shù)，b為閾值xi=（x1，x2，…，xL）為在掃描波長(zhǎng)范圍內(nèi)L個(gè)光譜數(shù)據(jù)。

引入Lagrange函數(shù)，得到的SVM回歸校正模型的回歸函數(shù)為

式中若αi不為零或者α*i不為零，表示此樣本即為支持向量。

由于Gauss函數(shù)能較好地模擬光譜信號(hào)，所以，本文選用RBF核函數(shù)，其基本形式如下

式中g(shù)為gamma參數(shù)函數(shù)設(shè)置（若k為屬性的數(shù)目，則g默認(rèn)為1/k）。

2　改進(jìn)的網(wǎng)格搜索尋優(yōu)方法

SVM的回歸模型的建立需要進(jìn)行參數(shù)的優(yōu)選［8］，主要是選擇參數(shù)c和g。具體的尋優(yōu)過程可如圖1。

圖1　改進(jìn)網(wǎng)格搜索尋優(yōu)流程圖Fig 1　Flow chart of improved grid search optimizing

3　實(shí)驗(yàn)與分析

3.1實(shí)驗(yàn)裝置

本實(shí)驗(yàn)搭建的實(shí)驗(yàn)裝置的原理如圖2所示。

圖2　NDIR測(cè)試系統(tǒng)原理圖Fig 2　Principle diagram of NDIR test system

整個(gè)裝置主要由MCU、光源、氣室、探測(cè)器、信號(hào)處理電路和LCD顯示屏組成。系統(tǒng)計(jì)算處理后的CO濃度值將動(dòng)態(tài)實(shí)時(shí)顯示在LCD屏上。

紅外光源要求輻射的光譜成分穩(wěn)定、輻射能量集中在待分析組分特征吸收波段范圍內(nèi)、紅外線應(yīng)平行于氣室的中心軸。

3.2網(wǎng)格搜索尋優(yōu)與建模

在實(shí)驗(yàn)室條件下，模擬了汽車尾氣中CO氣體的檢測(cè)實(shí)驗(yàn)，以標(biāo)準(zhǔn)濃度在0.5%～20%之間的15組CO氣體作實(shí)驗(yàn)樣氣，MCU調(diào)制紅外光源的波長(zhǎng)至4.64 μm處（CO的特征吸收波長(zhǎng)），待光源工作穩(wěn)定后，將樣本氣體通入NDIR氣體檢測(cè)系統(tǒng)中，經(jīng)過一系列的信號(hào)調(diào)理，待顯示的濃度數(shù)值穩(wěn)定后就是最終檢測(cè)出的氣體濃度值。充入另一濃度值的氣體后，重新計(jì)算，如此重復(fù)15次。對(duì)比發(fā)現(xiàn)，系統(tǒng)檢測(cè)的濃度值和標(biāo)準(zhǔn)的濃度值之間相差較大，具體如表2中的數(shù)值所示。

為了減小誤差，提高檢測(cè)準(zhǔn)確度，采用SVM方法對(duì)檢測(cè)的濃度值進(jìn)行回歸預(yù)測(cè)分析：以15組實(shí)驗(yàn)檢測(cè)得到的CO濃度值為樣本進(jìn)行歸一化處理，便是模型的輸入；以標(biāo)準(zhǔn)濃度在0.5%～20%之間的15組CO氣體濃度作為標(biāo)準(zhǔn)樣本，對(duì)標(biāo)準(zhǔn)濃度進(jìn)行歸一化處理，便是模型的期望輸出。模型的建立需要找到最優(yōu)的懲罰參數(shù)c和RBF核參數(shù)g，本文根據(jù)圖1所示的流程圖進(jìn)行參數(shù)尋優(yōu)，二次尋優(yōu)的結(jié)果如圖3所示。

圖3　參數(shù)選擇結(jié)果視圖Fig 3　View of parameter selection results

由圖3可知，改進(jìn)的網(wǎng)格搜索法得到的最優(yōu)參數(shù)c= 0.707，g=0.5，交叉驗(yàn)證的均方差為0.0042。為了驗(yàn)證回歸預(yù)測(cè)后準(zhǔn)確度，本文將標(biāo)準(zhǔn)CO濃度值、NDIR檢測(cè)的濃度值以及回歸分析后的濃度值繪制在一個(gè)圖中進(jìn)行比較，如圖4所示；回歸分析后的樣本與標(biāo)準(zhǔn)樣本誤差如圖5所示。

圖4　標(biāo)準(zhǔn)值與處理前后樣本對(duì)比圖Fig 4　Comparison chart of standard values and samples before and after processing

由圖4可知，回歸預(yù)測(cè)數(shù)據(jù)在低濃度和高濃度時(shí)，與CO標(biāo)準(zhǔn)氣體濃度相差較大，在中間濃度范圍內(nèi)，相差較小；經(jīng)過反歸一化處理后，回歸預(yù)測(cè)得到的CO濃度值更接近標(biāo)準(zhǔn)濃度，說明基于SVM的回歸分析可以提高NDIR檢測(cè)系統(tǒng)的精度。由圖5可以看出，回歸后的誤差曲線和未經(jīng)處理測(cè)量的誤差曲線相比，明顯減小，再一次說明SVM回歸模型的可靠性；測(cè)量的絕對(duì)誤差在1%以內(nèi)，符合國家對(duì)汽車尾氣排放檢測(cè)標(biāo)準(zhǔn)的要求。

圖5　絕對(duì)誤差曲線Fig 5　Absolute error curve

若采用PSO算法［9］，則最終尋優(yōu)結(jié)果曲線如圖6所示。

圖6　PSO尋優(yōu)結(jié)果圖Fig 6　Figure of PSO optimizing results

由圖7，最佳參數(shù)組合c=55.911，g=0.01，交叉驗(yàn)證的均方誤差為3.723×10-0.05。兩種方法的尋優(yōu)結(jié)果對(duì)比如表1所示。測(cè)試數(shù)據(jù)的模型預(yù)測(cè)濃度值如表2所示。

表1　尋優(yōu)結(jié)果對(duì)比Tab 1　Comparison of optimizing result

表2　仿真結(jié)果對(duì)比（%）Tab 2　Comparison of simulation result（%）

由表1、表2可以看出：2種方法建立的氣體定量分析回歸模型的測(cè)試誤差水平基本相當(dāng)，均高于NDIR檢測(cè)系統(tǒng)本身的精度。采用改進(jìn)的網(wǎng)格搜索法進(jìn)行參數(shù)尋優(yōu)，參數(shù)c明顯小于PSO法，而過高的c容易引起模型的過學(xué)習(xí)；尋優(yōu)時(shí)間約為PSO的3/5，均方誤差低于PSO。犧牲一點(diǎn)準(zhǔn)確率而節(jié)省尋優(yōu)時(shí)間是可以接受的。因此，應(yīng)用此方法建立CO氣體定量分析回歸模型是有效可行的。

4　結(jié)論

本文針對(duì)基于NDIR氣體檢測(cè)系統(tǒng)進(jìn)行了濃度實(shí)驗(yàn)，得到了15組CO氣體濃度樣本，將改進(jìn)的網(wǎng)格搜索法應(yīng)用于SVM的參數(shù)尋優(yōu)，對(duì)濃度范圍在0.5%～20%的標(biāo)準(zhǔn)CO氣體進(jìn)行回歸分析，回歸樣本曲線逐漸逼近標(biāo)準(zhǔn)濃度值，明顯比實(shí)驗(yàn)所檢測(cè)的濃度值更加接近標(biāo)準(zhǔn)濃度值。因此，可以將改進(jìn)的網(wǎng)格搜索法與SVM相結(jié)合，應(yīng)用于CO氣體的定量分析建模中，并且在機(jī)動(dòng)車尾氣排放檢測(cè)中，具有一定的發(fā)展?jié)摿屯诰蚩臻g。

［1］李國林，董明，宋楠，等.基于中紅外光譜吸收技術(shù)的一氧化碳?xì)怏w檢測(cè)系統(tǒng)［J］.光譜學(xué)與光譜分析，2014，34（10）：2839-2844.

［2］白澤生.一種二氧化碳?xì)怏w檢測(cè)方法［J］.傳感器與微系統(tǒng)，2007，26（7）：105-107.

［3］劉建國，安振濤，張倩.基于傳感器陣列的可燃混合氣體RBF網(wǎng)絡(luò)分析［J］.裝備環(huán)境工程，2013，10（3）：113-116.

［4］喬聰明.PLS-SVR的三組分混合氣體定量分析［J］.太原理工大學(xué)學(xué)報(bào)，2014，45（1）：120-122，127.

［5］袁力哲，楊憲江，王宇.基于自適應(yīng)遺傳BP算法的混合氣體定量檢測(cè)研究［J］.儀表技術(shù)與傳感器，2013（6）：118-120.

［6］黃小燕，趙向陽，方智勇.電子鼻在氣體檢測(cè)中的應(yīng)用研究［J］.傳感器與微系統(tǒng)，2008，27（6）：47-49，52.

［7］曲健，陳紅巖，劉文貞，等.基于自適應(yīng)變異粒子群優(yōu)化的SVM在混合氣體分析中的應(yīng)用［J］.傳感技術(shù)學(xué)報(bào)，2015，28（8）：774-778.

［8］張愉，童敏明，戴桂平.基于OBLPSO-LSSVM的一氧化碳濃度檢測(cè)［J］.計(jì)算機(jī)工程與應(yīng)用，2013，49（24）：249-252，261.

［9］金翠云，崔瑤，王穎.粒子群優(yōu)化的SVM算法在氣體分析中的應(yīng)用［J］.電子測(cè)量與儀器學(xué)報(bào)，2012，26（7）：635-639.

曲健，通訊作者，E—mail：13645712326@163.com。

Application of SVM algorithm in CO concentration sensor

YE Nan-hai1，ZHAO Xiao-feng1，REN Chuan-fa1，CHEN Hong-yan2，QU Jian2
（1.Zhejiang Universe Filter Co Ltd，Rui'an 325204，China；2.College of Mechanical and Electrical Engineering，China Jiliang University，Hangzhou 310018，China）

Quantitative analysis experiment is performed based on IR CO gas quantitative analysis model for harmful gases CO emitted by vehicle.Model is set concentration ranges of 0.5～20%，15 groups of samples are selected.Support vector machine（SVM）are used to build the regression model for sample data.Related parameters are optimized based on the method of improved grid search.The experimental results show that after regression analysis by SVM，compared to the traditional method of spectral absorption，regression sample significantly closer to the calibration concentrations than the experimental values.And compared with PSO algorithm，this method obtains c=0.707，g=0.5，PSO obtains c=55.911，g=0.01，the time of modeling by improved grid search is reduced about 40%of PSO algorithm.SVM used in CO concentration analysis is coincide with the test requirements and regression efficiency is high.

infrared spectrum；support vector machine（SVM）；grid search；exhaust emission

TH744

A

1000—9787（2016）06—0158—03

10.13873/J.1000—9787（2016）06—0158—03

2015—09—29

葉南海（1977-），男，浙江溫州人，工程師，主要從事汽車濾清器的研究與開發(fā)。