作者:杜海英,孙炎辉,张汝波,刘冠群 单位:沈阳仪表科学研究院有限公司 出版:《仪表技术与传感器》2016年第08期 页数:5页  (PDF与DOC格式可能不同) PDF编号:PDFYBJS2016080280 DOC编号:DOCYBJS2016080289 下载格式:PDF + Word/doc 文字可复制、可编辑
《气体传感器阵列的研究》PDF+DOC1999年第07期 李啸,闫卫平,郝应光,汤淑芬 《基于支持向量机和小波分解的气体识别研究》PDF+DOC2006年第06期 葛海峰,林继鹏,刘君华,丁晖 《基于支持向量机算法的气体识别研究》PDF+DOC2005年第02期 汪丹,张亚非 《SVM和BP算法在气体识别中的对比研究》PDF+DOC2005年第01期 汪丹,张亚非 《基于神经网络的气体目标识别方法》PDF+DOC2003年第03期 吴晓军 《基于气体传感器阵列的矿井可燃混合气体分析》PDF+DOC2012年第02期 叶小婷,张青春,童敏明 《纳米ZnO传感阵列对多组份气体的智能识别》PDF+DOC2010年第02期 范新会,吴琳琅,于灵敏,严文 《神经网络在SnO_2气敏元件浓度测量中的应用》PDF+DOC2009年第S1期 林剑锋,戚金清,王兢 《四氧化三钴空心壳材料合成及其乙醇气敏性能》PDF+DOC2014年第06期 肖凯,王小红,卢凌彬,张可喜,刘钟馨,曹阳 《壳状氧化锌的制备及其对丙酮的敏感特性》PDF+DOC2013年第12期 薄小庆,刘唱白,王连元,刘丽,李守春,刘震,陕皓,张晓波,迟霄
  • 城市危险品气体检测对于城市安全至关重要。利用SnO_2,In_2O_3,SnO_2/NiO,SnO_2/In_2O_3,SnO_2/Pa,SnO_2/Sb 6种旁热式气敏元件组成的气体传感器阵列,分别采用BP神经网络、支持向量机(SVM)和极限学习机(ELM)3种气体辨识方法实现对城市危险气体中常见的3种气体(NH_3,HCOH,C_7H_8)进行定性的识别。测试结果表明:基于SVM与ELM的气体辨识技术对于含有低浓度甲醛的混合气体定性识别率达100%,且在收敛速度、泛化性能等方面较BP神经网络有明显提高。

    提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。