基于分布式多子网神经网络的可燃气体分析

　　0　引　言

　　催化传感器是一种检测可燃气体的化学传感器,它主要由铂丝线圈、金属氧化物载体和均匀分布在载体上的催化剂组成。其工作原理是:对铂丝线圈通电加热到约为400℃的温度,可燃气体接触传感器时,气体便会在催化剂的作用下发生燃烧反应,使铂丝的温度上升,铂丝线圈的电阻值增大,由此可以测得可燃气体的体积分数。

　　根据催化传感器的原理,较高的工作温度和催化剂是促使可燃气体在传感器表面反应的主要条件,实验证明:温度越高,可燃气体的燃烧反应越激烈,传感器的输出灵敏度越高。因此,通过调节传感器的工作电流,使传感器处于不同的工作温度,对不同的可燃气体表现不同的灵敏度,在检测可燃气体时得到不同的输出信号,再经过信号的识别或处理,便可以分析出可燃气体中多种气体的体积分数^[1]。但是,这种通过改变传感器工作温度的气体分析方法在实际应用中是不方便的,因为改变传感器的工作温度,需要较长时间才能有稳定的输出,这将造成整个气体分析的过程较慢。

　　通过进一步的研究发现,给催化传感器施加一定的电场,也可以改变可燃气体在传感器表面燃烧的程度,这有2个原因:一是可燃气体在电场的作用下,离解为自由基的数目增多,使得燃烧反应更容易;二是电场增强了催化剂的活性,加速了可燃气体的反应,因此,通过外加电场强度的改变,也可以改变催化传感器检测气体的灵敏度。这种方法较好地解决了改变温度过程缓慢的缺点,更有利于气体的分析。

　　1　分布式多子网神经网络在可燃气体分析中的应用

　　由于含未知气体的可燃混合气体中各组分气体体积分数的分布具有随意性,若要实现在较大体积分数范围内未知混合气体的分析,必须构造数量足够多、分布合理的样本供网络进行学习,尤其在电场强度范围和气体体积分数范围分布较广的情况下,学习样本的数量应急剧增加。而采用传统的单一BP^[2]网络或径向基函数(RBF)^[3]网络对复杂样本很难达到理想的学习效果。因此,为实现含未知气体的可燃混合气体分析还尚需解决网络对复杂样本学习的能力,主要指网络的泛化能力和收敛速度。为此,本文提出了分布式多子网神经网络结构^[4],它在实现可燃气体分析时获得了很好的效果。

　　1.1　分布式多子网神经网络结构

　　分布式多子网神经网络结构如图1所示。其中,总网和各工作子网均为RBF神经网络,该网络具有非线性映射能力强、学习速度快等特点^[5],因此,利用RBF网络构成分布式多子网神经网络具有较好的测试精度和较强的实时性。现假设一学习任务,其训练集记为S^(0)。在网络学习过程中,总网被训练成能够将总任务(训练集)分解成n个简单的子任务(子集):S^(1),S^(2),…,S^(n),它们满足如下关系:S⁽⁰⁾=S⁽¹⁾∪S⁽²⁾…∪。每个工作子网则以某子集作为自己的训练集,被训练成能够处理相应的子任务。在工作阶段,总网对输入集(总任务)按已训练好的模式进行分解,划分出每个工作子网所专长的领域(子集),并将其分配给相应的工作子网,各工作子网则负责处理该子网任务。这样从整体来说,网络对一复杂任务实现了分而治之的目的。