基于Gabor变换和神经网络的可燃气体分析  

Analysis on Inflammable Gases Based on Gabor Transform and Neural Network

作　　者：叶小婷[1] 

机构地区：[1]淮阴工学院电子与电气工程学院,江苏淮安223003

出　　处：《测控技术》2014年第12期132-135,共4页Measurement & Control Technology

基　　金：国家自然科学基金重大国际合作研究项目资助(60910005)

摘　　要：多种可燃气体分析过程由于学习样本数据与拟合的目标函数复杂,单一BP或RBF神经网络方法难以获得满意精度。将Gabor变换和双层复合神经网络有机结合,提出一种新型的Cabor神经网络司燃气体分析方法。通过Gabor原子变换的强特征提取功能减小输入信号维数,并采用双层复合神经网络对学习样本进行拆分和简化,有效提高了可燃气体辨识的精度。以H_2S、CH_4、H_2、CO 4种可燃气体为典型对象开展了相关的实验研究,实验结果表明,所提出的Gabor神经网络分析方法的平均相对误差小于单一BP神经网络和RBF神经网络,提高了定量分析精度。Because of large and complicated learning samples of inflammable gases, general BP （ back propaga- tion） neural network or RBF（ radial basis function） neural network is hard to satisfy the measurement preci- sion. A new method for inflammable gases analysis is proposed based on Gabor transform and BP neural net- work. Dimensions of input signal are reduced by the strong feature extraction function of Gabor atom transform. A hybrid two layers neural networks is developed to split and simplify learning samples. Four inflammable gases are adopted for the experiment. The result shows that the average relative error is decreased, the precision of quantitative analysis is increased.

关 键 词：GABOR变换 神经网络 可燃气体 模式识别 

分 类 号：TP39[自动化与计算机技术—计算机应用技术]