典型文献
基于PCA-SVM的混合气体分类研究
文献摘要：
由于气体数据有限以及气体分类的准确率不高,解决气体分类问题有较大的难度.传统的模式识别算法虽然能够运用到气体分类中,但在不同浓度的气体数据下训练和测试性能会下降,准确率也比较低.本研究对8阵列传感器和24阵列传感器采集到的混合气体进行分类,提出了结合主成分分析(Principal component analysis,PCA)应用支持向量机(Support vector machine,SVM),构建PCA-SVM模型对不同浓度的一氧化碳(CO)、甲烷(CH4)、硫化氢(H2S)以及乙醇(C2H6O)的混合气体进行分类的方法.与SVM、参数优化的BP神经网络(Back propagation neural network,BPNN)和PCA-BP神经网络模型对比的结果表明,在随机选择的数据中,采用PCA-SVM模型能够提高分类的性能,在含有13个特征的气体数据集中,利用PCA-SVM模型准确度达到98.974％.在含有27个特征的数据集中,利用PCA-SVM模型准确度达到100％,能够满足对混合气体分类的实际需求.该方法在应用于重复和复杂的气体数据时,具有足够的鲁棒性,可以提供准确的结果.
文献关键词：
气体分类;主成分分析;支持向量机;模式识别
中图分类号：
作者姓名：
杨朝;张平平;汪国强;杜宝祥
作者机构：
黑龙江大学电子工程学院,哈尔滨150080;苏州慧闻纳米科技有限公司研发部,苏州215000
文献出处：
引用格式：
[1]杨朝;张平平;汪国强;杜宝祥-.基于PCA-SVM的混合气体分类研究)[J].黑龙江大学自然科学学报,2022(03):345-354
A类：
C2H6O
B类：
混合气体,气体分类,分类研究,数据有限,分类问题,模式识别,识别算法,测试性,阵列传感器,Principal,component,analysis,Support,vector,machine,一氧化碳,CH4,硫化氢,H2S,Back,propagation,neural,network,BPNN,模型对比,随机选择
AB值：
0.278682
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
