矿井CO浓度的支持向量机数据融合检测方法

doi:10.3778/j.issn.1002-8331.2008.36.070

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (36): 240-243.DOI: 10.3778/j.issn.1002-8331.2008.36.070

矿井CO浓度的支持向量机数据融合检测方法

黄为勇^1,2,童敏明²,任子晖²

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

收稿日期:2008-09-09 修回日期:2008-11-13 出版日期:2008-12-21 发布日期:2008-12-21
通讯作者: 黄为勇

CO concentration detection in coal-mine using Support Vector Machine and data fusion

HUANG Wei-yong^1,2,TONG Min-ming²,REN Zi-hui²

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

Received:2008-09-09 Revised:2008-11-13 Online:2008-12-21 Published:2008-12-21
Contact: HUANG Wei-yong

摘要/Abstract

摘要： 针对检测矿井一氧化碳（CO）含量时，电化学传感器输出受到矿井大气中甲烷气体影响的问题，提出了一种基于支持向量机（SVM）数据融合的CO浓度检测方法。该方法将催化传感器与电化学传感器构成传感器对，利用能够从全局意义上逼近任意非线性关系的支持向量机对传感器对的输出信号进行非线性数据融合，构建了矿井一氧化碳浓度检测模型。实验结果表明，该方法的平均绝对百分比误差为0.88%，均方根误差为1.32 ppm，有效地消除了甲烷对CO电化学传感器的影响，实现了矿井CO浓度的精确检测。

关键词: 支持向量机, 数据融合, 一氧化碳检测, 电化学传感器

Abstract: In order to eliminate the effect of methane gas on electrochemical sensor in coalmine，this paper puts forward a new method for CO concentration detection based on SVM（Support Vector Machine） and data fusion.The method uses SVM，which can approximate nonlinear function in the whole region，to fuse data of sensor pair composed of a catalysis sensor and an electrochemical CO sensor，and to get a mathematical model of data fusion for CO concentration detection.The experimental result shows that MAPE（Mean Absolute Percentage Error） is 0.88% and RMSE（Root Mean Square Error） is 1.32%，which indicates the proposed method eliminates effectively the influence of methane gas on electrochemical CO sensor，and realizes accurate CO concentration detection in coalmine.

Key words: Support Vector Machine（SVM）, data fusion, CO detection, electrochemical sensor

黄为勇^1,2,童敏明²,任子晖². 矿井CO浓度的支持向量机数据融合检测方法
[J]. 计算机工程与应用, 2008, 44(36): 240-243.

HUANG Wei-yong^1,2,TONG Min-ming²,REN Zi-hui². CO concentration detection in coal-mine using Support Vector Machine and data fusion[J]. Computer Engineering and Applications, 2008, 44(36): 240-243.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	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.
[3]	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.
[4]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[5]	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.
[6]	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.
[7]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[8]	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.
[9]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[10]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.
[11]	秦博宇，郝晓燕，刘永芳. 基于SVM和CRF双层模型的FrameNet框架消歧[J]. 计算机工程与应用, 2021, 57(18): 255-262.
[12]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.
[13]	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.
[14]	温廷新，孔祥博. 不平衡样本下的金融市场极端风险预警研究[J]. 计算机工程与应用, 2020, 56(8): 256-260.
[15]	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.

矿井CO浓度的支持向量机数据融合检测方法

CO concentration detection in coal-mine using Support Vector Machine 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