56、气体成分浓度预测与激光点云图像融合技术解析

气体成分浓度预测与激光点云图像融合技术解析

1. 气体成分浓度预测

在气体成分浓度预测方面，采用了由四个传感器组成的传感器阵列，制作了包含甲醛、乙醇、丙酮和甲苯四种成分的 32 种混合气体。通过 BP 神经网络对传感器阵列对混合气体的响应数据进行分析，进而预测混合气体中各成分的浓度。

• 预测结果分析

  • 对 8 个测试样本中甲醛、乙醇、丙酮和甲苯的气体成分浓度进行了预测。从预测结果来看，甲醛预测值与真实值的最大差值为 0.19；丙酮的预测误差较小，1 ppm 丙酮的 5 个测试值之间的绝对误差在 0.04 以内。
  • 实验数据表明，预测的最大误差不超过 0.19，并且对同一成分的多次预测值较为稳定。

• 神经网络结构与节点确定

  • 网络结构与网络性能直接相关。这里采用了带有 L1 正则化项的反向传播（BP）神经网络，正则化项的特点是使部分权重趋近于零。结合传感器阵列的特点，制定了隐藏层节点修剪规则。
  • 在单隐藏层 BP 神经网络中，通过修剪方法确定隐藏层节点数量是一种较好的解决方案。而通过几种穷举方法确定的节点数量是区间最优解，两种方法确定不同隐藏层节点数量的两个网络对相同样本的测试均方误差为 0.2。

下面用表格总结气体成分浓度预测的关键信息：
| 气体成分 | 预测最大差值/误差 | 确定隐藏层节点方法 | 测试均方误差 |
| ---- |