多气体的SVM数据融合定性识别方法

doi:10.3778/j.issn.1002-8331.2009.09.070

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (9): 241-243.DOI: 10.3778/j.issn.1002-8331.2009.09.070

多气体的SVM数据融合定性识别方法

黄为勇^1,2,任子晖¹,童敏明¹

1.中国矿业大学信息与电气工程学院，江苏徐州 221008
2.徐州工程学院信电工程学院，江苏徐州 221008

收稿日期:2008-01-28 修回日期:2008-04-15 出版日期:2009-03-21 发布日期:2009-03-21
通讯作者: 黄为勇

Multi-gases qualitative identification using SVM and data fusion

HUANG Wei-yong^1,2,REN Zi-hui¹,TONG Min-ming¹

1.School of Information and Electrical Engineering，China University of Mining and Technology，Xuzhou，Jiangsu 221008，China
2.School of Information and Electronic Engineering，Xuzhou Institute of Technology，Xuzhou，Jiangsu 221008，China

Received:2008-01-28 Revised:2008-04-15 Online:2009-03-21 Published:2009-03-21
Contact: HUANG Wei-yong

摘要/Abstract

摘要： 针对基于神经网络的多气体定性识别方法中存在的过学习和泛化能力差的问题，提出了一种基于支持向量机（SVM）与多传感器数据融合的多气体定性识别方法。该方法采用结构化风险最小化准则的多类分类支持向量机对由多个气体传感器、温度和湿度传感器组成的传感阵列的数据进行融合，克服了传统方法的缺陷，消除了环境温度与湿度等因素的影响，实现了100%的定性识别率，实验结果证明了该方法的有效性。

关键词: 支持向量机（SVM）, 传感器阵列, 数据融合, 多气体定性识别

Abstract: The traditional method for qualitative identification of multi-gases based on neural networks has the problems of over-fitting and poor generalization ability.In order to solve the drawbacks，this paper proposes a new method based on support vector machine（SVM） and multi-sensor data fusion，which uses multi-class classifier to fuse data of sensor array composed of several gas sensors，temperature sensor and humidity sensor，effectively eliminates the influence of ambient temperature and humidity on gas sensors，and reaches 100% qualitative identification rate.The experimental results show that the method is effective.

Key words: support vector machine（SVM）, sensor array, data fusion, multi-gases qualitative identification

黄为勇^1,2,任子晖¹,童敏明¹. 多气体的SVM数据融合定性识别方法[J]. 计算机工程与应用, 2009, 45(9): 241-243.

HUANG Wei-yong^1,2,REN Zi-hui¹,TONG Min-ming¹. Multi-gases qualitative identification using SVM and data fusion[J]. Computer Engineering and Applications, 2009, 45(9): 241-243.

[1]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[2]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[3]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[4]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[5]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[6]	赵怡，高淑萍，何迪. 基于深度学习的眼动跟踪数据融合算法[J]. 计算机工程与应用, 2021, 57(10): 211-217.
[7]	陈菲雨，岳文斌，饶颖露，邢金昊，马晓静. 基于改进TLD算法的无人机自主精准降落[J]. 计算机工程与应用, 2020, 56(7): 247-254.
[8]	马玲，罗晓曙，蒋品群. 基于模板匹配和支持向量机的点阵字符识别研究[J]. 计算机工程与应用, 2020, 56(4): 134-139.
[9]	张红，程传祺，徐志刚，李建华. 基于深度学习的数据融合方法研究综述[J]. 计算机工程与应用, 2020, 56(24): 1-11.
[10]	张忠林，冯宜邦，赵中恺. 一种基于SVM的非均衡数据集过采样方法[J]. 计算机工程与应用, 2020, 56(23): 220-228.
[11]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[12]	隋修武，牛佳宝，李昊天，乔明敏. 基于NMF-SVM模型的上肢sEMG手势识别方法[J]. 计算机工程与应用, 2020, 56(17): 161-166.
[13]	梁华刚，张志伟，王亚茹. 自适应Gabor卷积核编码网络的表情识别方法[J]. 计算机工程与应用, 2020, 56(10): 149-156.
[14]	晁静静，沈文忠，宋天舒. 基于HOG和SVM的双眼虹膜图像的人眼定位算法[J]. 计算机工程与应用, 2019, 55(9): 184-189.
[15]	甘玲1，杨梦2. 聚合支持向量机分类器的行人检测方法[J]. 计算机工程与应用, 2019, 55(7): 194-198.

多气体的SVM数据融合定性识别方法

Multi-gases qualitative identification using SVM and data fusion

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics