[发明专利]基于神经网络的柴油机尾气分析传感方法

权利要求书

1.一种基于神经网络的柴油机尾气分析传感方法，其特征在于，利用气体传感器阵列获取污染物气体浓度响应特性曲线；从响应曲线中提取特征值；通过基于模型特征重要性排序的特征选择方法剔除冗余数据后，训练并测试预测神经网络模型，再将训练后的预测神经网络模型用于在线阶段的柴油机尾气识别分析，得到柴油机污染物浓度实时检测数值；

所述的基于模型特征重要性排序的特征选择方法，具体包括：

步骤1、使用包含全部特征的数据集预训练一次预测神经网络模型，将测试集输入预训练后的预测神经网络得到预测误差ε；

步骤2、随机打乱测试集中第i列特征的数据，并再次输入训练后的预测神经网络得到预测误差ε_i，并计算ε_i对ε的相对变化率δ_i；

步骤3、计算所有特征值的相对变化率，得到相对变化率向量δ＝{δ₁，δ₂，δ₃…δ_n}，计算其中每个δ_i所占权重并按照降序排序，得到权值向量ω＝{ω₁，ω₂，ω₃…ω_n}；

步骤4、对权值向量ω＝{ω₁，ω₂，ω₃…ω_n}从ω₁开始进行累计求和，当累积权值ω₁+ω₂+…ω_k＞0.85时，认为这k个特征值能够反应原数据信息；

所述的预测神经网络模型为BP神经网络，包括：一个输入层、一个隐藏层和一个输出层，其中：输入层包含节点数P₁＝M*N，其中M为传感器数，N为经过特征选择处理后的特征值数，激活函数为线性函数；隐藏层包含节点数P₂＝2*P₁+1，激活函数为Sigmod函数；输出层包含节点数P₃＝q，q为待检测气体种类数，激活函数为线性函数；

所述的训练，对预测神经网络模型中的神经元的初始权重值和阈值采用遗传算法进行优化，避免模型陷入局部最优而非全局最优的问题，其设定包括：

设定一、种群初始化方式：采用二进制编码方式，每个个体为一个二进制串，该二进制串包括：输入层和隐含层的连接权值、隐含层的阈值、隐含层与输出层的连接权值、输出层的阈值，每个权值或阈值使用M位的二进制编码，将所有权值和阈值的编码连接起来即为一个个体的编码；

设定二、适应度函数：选择预测样本的预测值与期望值的残差矩阵的范数作为适应度函数的返回；

设定三、种群的大小，迭代次数，交叉变异概率。

2.根据权利要求1所述的基于神经网络的柴油机尾气分析传感方法，其特征是，所述的特征值包括：响应阶段相对最大响应值λ₁、相对最小响应值λ₂、相对稳定响应值λ₃、斜率滑动平均值ema_α，其中：响应值λ＝(R-R_air)/R_air，其中：R_air为基线电阻，采用每次响应前20个电阻信号的均值，R为响应电阻值，计算λ₁时采用最大响应电阻R_max，计算λ₂时采用最小响应电阻R_min，计算λ₃时采用稳态响应电阻R_bal。

3.根据权利要求2所述的基于神经网络的柴油机尾气分析传感方法，其特征是，所述的斜率滑动平均值ema_α，通过以下方式计算得到：y[k]＝(1-α)y[k-1]+α(R[k]-R[k-1])，其中：y[k]为滑动平均值，当k＝0时，y[k]＝0，α为松弛因子。

4.一种实现权利要求1～3中任一所述基于神经网络的柴油机尾气分析传感方法的柴油机尾气分析传感系统，其特征在于，包括：传感器阵列单元、特征提取和选择单元和神经网络模型单元，其中：传感器阵列单元直接接触柴油机尾气污染物，将各污染物组分随时间变化的浓度信号转换为电阻信号并输出；特征提取单元接收初始电阻信号，从中提取出特征信息；神经网络模型单元经离线训练后，在在线阶段接收特征提取单元输出的特征信息，得到尾气组分浓度预测结果；

所述的特征信息包括：灵敏度、滑动平均值、峰值。