关键词： 局地气候区   绿色基础设施   高效降温   组合模式   优化调控  

摘要： 城市快速发展与气候变化带来的绿色空间减少及生态系统服务能力减弱使城镇化区域面临的生态风险不断增加,在众多生态环境问题中,热岛效应已成为目前各城市普遍面临的问题之一,对居民日常生活造成严重威胁。绿地作为城市中提供生态系统服务的重要手段,在降低城市地表温度、缓解热岛效应等方面发挥着重要作用。而现有绿化面积有限,城市降温需求也在日益增加,确定绿地内部最优植物组织模式提高绿地降温效应变得越来越紧迫。因此,识别不同建成环境下高效降温的绿色基础设施组合模式对“存量发展”背景下的绿地规划具有重要意义。本文从城市热环境的影响因素及绿色基础设施降温机制入手,构建“混合用地模式—绿色基础设施组合模式—高效降温组合模式”的研究范式和“组合模式识别—边际效应分析—目标情景模拟—高效模式总结”的实证技术框架,针对城市绿色空间结构失衡、服务能力不足等现实问题,选择济南市老城区典型片区进行实证研究,分析高效降温的典型绿色基础设施组合模式结构特征,总结多维度、多层级的绿色基础设施适应性调控途径。首先,在总结热环境影响因素及城市空间特征的基础上,选取四项指标描述研究区内空间特征,并利用K-medoids聚类算法和相对温差法划分研究区内的混合用地模式及冷热岛空间,根据边际效应曲线识别各类型混合用地模式的热环境效应。研究区内共识别混合用地模式10种,其中,在5种具有降温效应的混合用地模式中,蓝绿空间覆盖占比及建筑层数成为影响热环境效应的关键因素。其次,基于绿色基础设施的降温途径、结构特征及影响因素划分并识别不同混合模式下的绿色基础设施组合模式5类,利用线性回归分析不同绿色基础设施组合模式的降温效应。研究发现,各类型组合模式的降温效应与其内部的冠层占比有关,高效降温组合模式中的冠层占比为50%-79%。第三,在ENVI-met软件的支持下选取研究区域内降温效果较差的九个绿色空间及社区为范例,模拟不同情境下各类型组合模式的降温效果。基于模拟结果,选取绿化覆盖率、三维绿量等可量化指标总结归纳高降温效应的绿色基础设施的配置比例及空间特征,为绿地系统规划提供理论参考。最后,基于理论成果,总结模块化、高精度的气候适应性调控途径,针对济南市老城区典型片区热岛空间布局及空间形态特征从街区、斑块及样方三个尺度提出绿色空间优化策略。本文从研究范式技术方法等方面进行一定的创新,总结出合理调整蓝绿空间覆盖占比、控制绿色空间规模是提高城市空间综合效益的重要手段,优化绿色基础设施配置比例及空间布局是保证绿色空间降温效益高效发挥的重要途径,为存量发展背景下济南市老城区典型片区的城市绿地系统规划的改进与完善提供理论依据及实践参考。

关键词： 不安全行为   化学实验室   模式识别   三维卷积网络   贝叶斯网络  

摘要： 化学实验室人员不安全行为是导致实验室安全事故的主要原因之一。现有的化学实验室人员安全管理方法通常效率较低、成本较高,其对低成本、智能化的监测、预警手段具有显著需求。目前,国内外针对人员不安全行为模式识别的研究多面向事故灾难领域中的其他场景,以化学实验室作为研究区域的相关研究较少。本文建立了基于3DCNN的化学实验室人员不安全行为模式识别模型,依据某高校化学实验室的真实场景,构建了视频数据集并对模型进行了验证。最后,建立了基于贝叶斯网络的化学实验室人员不安全行为风险分析模型。本文主要研究内容如下。（1）构建了化学实验室人员不安全行为视频数据集。以某高校化学实验室作为研究区域,通过调研与跟踪观察选择了5种典型的化学实验室人员不安全行为模式（“闻嗅试剂”“吃东西”“喝水”“玩手机”“睡觉”）作为识别对象,邀请8名志愿者在不同实验场景中模拟不安全行为,并使用高清摄像机采集视频数据。经过筛选与分类,得到了包含5028个视频片段的数据集。（2）构建了基于3D-CNN的化学实验室人员不安全行为模式识别模型。通过验证,该模型在自行构建的数据集上取得了较好的识别效果,对于5种典型的不安全行为,模型的平均召回率、精确率、F1指数均高于98%。此外,本文进一步研究了模型的模式识别稳定性,模型能够较为准确的识别特定人员在特定场景中出现的不安全行为;对于非特定人员在非特定场景中出现的不安全行为,模型能够较好识别部分行为模式（以“睡觉”为例,平均召回率为99.67%、精确率为95.67%、F1指数为97.76%）。（3）构建了基于贝叶斯网络的化学实验室人员不安全行为风险分析模型。从场景-人员-行为模式三个维度提取特征信息并建立贝叶斯网络,结合模式识别模型识别结果与专家知识进行参数分析,实现化学实验室人员不安全行为风险分析。从结果来看,人员不安全行为是导致化学实验室安全风险升高的关键因素。本文成果能够运用于化学实验室场景,预期可以为化学实验室人员不安全行为防控工作提供技术支持。

关键词： 脑网络   模式识别   脑疾病   多维网络特征融合  

摘要： 脑疾病的致病机理复杂,使得临床上对脑疾病患者的诊断工作变得十分困难。近些年来,随着电生理信号采集、医学影像等技术的日渐成熟,基于数据驱动的脑疾病预测与诊断,已成为新的研究热点。通过对脑电、脑影像数据中内隐特征差异的发掘,也有利于实现对脑疾病发病机制的探究。但现有的大多数研究在表征数据的特征时通常采用单一模式、全局属性等低维特征,在表征与脑疾病相关的复杂脑网络时,它们所包含的信息往往缺乏有效的辨别能力。为此,我们尝试通过刻画脑网络的空间模式,以及融合多维网络的空间特征的方式,以期实现对与脑疾病相关群体的高精度识别。为探究这种方法的泛用性,我们在本文中选取了癫痫、精神分裂症和老化人群三个具有代表性的脑疾病相关群体,在相应数据集上开展本文的工作。针对临床上无结构异常难治性癫痫患者极易同药物可控型癫痫患者产生误诊的问题,我们首先尝试基于静息态头皮脑电信号,实现对两类患者的识别。通过网络在组水平上的比较,我们证明了左侧颞叶等脑区的beta频段大脑活动在表征两类患者差异时的重要性。在其基础之上,我们基于网络的空间模式特征,探究多维网络空间特征的融合对识别癫痫脑网络的影响。结果表明,在功能网络与效应网络融合的空间特征下,对两类患者的识别准确率提升到96.67%,对比单网络特征下的90.00%准确率,这种融合的网络特征具有明显优势。为探究该结论的泛用性,在老化研究和精神分裂症研究磁共振影像数据集上,基于功能和结构两种不同网络,探究多维网络空间特征的融合对识别效果的影响。通过引入扩散映射嵌入的方法,我们发现不同的空间特征融合方式对识别效果的影响也存在差异。结果表明,基于有效融合的空间特征,可使老化数据集的识别准确率从90.00%提升到91.15%,而在精神分裂症数据集中,识别准确率则由77.50%提升到87.50%。综上,本文基于脑网络分析以及不同的网络特征分析方法,分别在癫痫脑电,以及老化研究和精神分裂症磁共振影像数据集上,探究了多维网络空间特征融合方式对脑疾病识别效果的影响。本文的结果说明网络空间特征融合对脑疾病相关的复杂网络有着良好的表征效果,并具有很强的泛用性。它不仅有利于实现对脑疾病的高精度识别,还可为探究脑疾病的病理机制提供新的视角。

关键词： 分布式光纤声波传感技术   经验模态分解   小波去噪   端点检测   模式识别  

摘要： 基于相敏光时域反射计(Φ-OTDR)的分布式光纤声波传感技术(DAS)对振动信号的监测技术在近些年发展迅速。与传统的振动传感器相比,Φ-OTDR光纤传感系统经过多年的发展现在已经可以实现分布式监测和多点实时定位,并且具有很好的测量灵敏度与较高的分辨率。目前Φ-OTDR光纤声波传感系统已经广泛应用在油气管道入侵监测、周界安防、地震预警、高速轨道入侵监测、电力线路短路监测等诸多领域。 由于Φ-OTDR分布式光纤声波传感系统具有振动监测范围大、测量振动信号的动态范围大、对振动信号的检测灵敏度高等优点,因此Φ-OTDR系统在对振动信号的识别中被广泛使用。本文采用Φ-OTDR光纤声波传感系统来采集振动信号,对传感系统的性能进行了分析,并且对所采集的振动信号进行模式识别,提出一种基于经验模态分解(EMD)与皮尔逊相关系数(PCC)的去噪方式,并且使用一种基于短时能量与谱质心的端点检测(STE-SC VAD)方案增强数据集,最后对比了Resnet18、多尺度卷积神经网络、1-D卷积神经网络对振动信号识别效果。本文研究的内容如下: 1、本文分别介绍了基于直接探测的Φ-OTDR系统与基于外差探测的Φ-OTDR系统的原理。对Φ-OTDR光纤声波传感技术的发展历程进行了介绍,并且对该系统的主要性能参数进行了描述分析。使用直接探测型Φ-OTDR系统采集了四种振动信号,分别是汽车在行驶过程中引发的振动信号、机械进行挖掘工作引发的振动信号、用手敲击光纤引发的振动、环境或者系统噪音。 2、提出使用基于EMD的去噪方式对振动信号进行去噪。将光纤振动信号使用EMD进行分解,分解为多阶本征函数(IMF),由于EMD在分解信号后存在模态混叠的现象,所以计算IMF与原光纤振动信号之间的PCC,将出现模态混叠的IMF进行剔除,然后使用小波去噪(WD)对IMF进行去噪,最后将经过去噪后的IMF进行重构得到去噪后的光纤振动信号。 3、提出使用基于STE-SC VAD方式对数据集进行增强。由于在实际采集信号中对噪音信号的采集相对容易且不耗成本,但对于其余振动信号的采集就比较耗费时间和成本,因此本文提出使用基于STE-SC VAD方式对振动信号中存在的振动片段进行检测,将检测出的单个振动信号经过处理后作为一个识别样本,通过使用该方式可以有效增加数据集数量。 4、使用Resnet18、多尺度卷积神网络、1-D卷积神经网络分布对振动信号进行识别,并且通过使用混淆矩阵(CM)计算出召回率、精度、准确率、F1这四项指标来对各模型的识别效果进行分析。最终结果显示使用Resnet18对四种振动事件的识别效果最佳,振动信号识别的召回率可以达到0.968,精度达到0.969,F1达到0.967,平均识别准确率为96.8%。

关键词： 航空电池   时间序列   模式识别   特征提取   异常检测  

摘要： 随着航空工业的飞速进步,航空飞机的电源系统的安全性和可靠性要求不断增加。电池作为电源系统重要的元素之一,当它们存在异常无法正常工作时,将会影响到飞机的正常飞行。因此,对于电池的异常检测迫切需要实现一种智能化的检测,尽早地识别和预警故障。传统的人工排查成本高昂且效率低下,且异常种类的多样性使得对它们的检测增加了难度。 受益于如今发达的传感器技术,在航空领域产生并积累了大量的电池时间序列数据。根据样本集中的类标签量可以分为两种任务,其中之一是针对存在少量标签甚至没有标签的半监督和非监督型异常评分任务,另一种是针对具有大量标签的监督型异常分类任务。对于异常评分任务,传统的异常检测算法应用于航空电池这种特殊数据的效果并不理想,且对于检测整条序列异常任务中,无法有效的挖掘出引起异常的位置,异常的可解释性差;同理,对于异常分类任务也存在同样的问题,除此之外,由于异常检测领域的样本集存在明显的类不平衡问题,大多数传统分类器的分类效果往往不够理想,因此需要设计算法能够对时间序列深层次的特征进行提取,并探寻一种效果更好的异常检测算法和分类器模型。 基于上述问题,本文的主要贡献如下: (1)提出了一种基于RUBT的时间序列模式特征向量化(PVT)的航空电池异常检测方法。该方法针对监督型样本集,结合时间序列的点特征,采用滑动窗口为局部的子序列进行编码,然后将每个时间序列映射为一串符号特征来表示,接着使用TF-IDF统计方法计算它们的重要性,将序列由符号特征转化为关于重要性的数字特征作为后续分类器模型的输入。通过在真实的航空电池特性数据上进行实验,并与其他流行的分类器相比,RUBT分类器的随机欠采样和Boosting技术有效的解决了类不平衡问题所导致的异常样本的低检出率,且通过PVT特征提取进一步提高了模型的AUC值。 (2)提出了一种基于t-SNE降维和Snippet特征提取的航空电池隔离型异常检测方法。该方法针对半监督或非监督型的样本集,利用t-SNE降维有效地对不同品牌和规格的电池样本进行预分簇。然后针对这些不同的样本簇分别进行Snippet特征提取,再利用基于隔离的ts-iFotest和ts-iNNE异常检测算法计算样本的异常分,结果得到的分数愈高电池为异常的概率愈大。通过在基准样本集和真实的航空电池特性数据上进行实验,并与其他多种异常检测方法进行对比,这种方法一方面具有更高的AUC值,另一方面还可以挖掘具有代表性的正常和异常特征子序列,具有更好的可观解释性。

关键词： 电力电缆   局部放电   模式识别   卷积神经网络   在线监测  

摘要： 高压电力电缆作为电力系统的重要设备,被广泛应用于建筑、制造、通信等领域。但电力电缆会存在制作工艺不良、安装运输不当和绝缘层老化等问题,从而导致其绝缘故障的产生。研究发现,电力电缆的局部放电现象能反映其绝缘受损程度。本文在分析了局部放电产生原因及形成过程的基础上,建立了局部放电模型并进行仿真。针对传统模式识别算法输入特征有限、识别过程繁琐等问题,研究了一种基于卷积神经网络的局部放电模式识别算法,并对其卷积核初始化方法加以改进。对于长距离敷设的电力电缆,传统局部放电检测方法是逐点测量,在后台对测量数据进行离线分析,但无法实时掌握电力电缆的绝缘状态信息。因此,本文深入研究并设计了分布式高压电力电缆局部放电在线监测系统,以达到实时在线监测的目的。本文主要工作如下:首先,本文论述了电力电缆在线监测技术的国内外现状及方法,阐述了局部放电检测技术和局部放电模式识别方法在电力电缆中的应用。分析了局部放电产生原因及类型,并以气隙放电为例,深入研究了局部放电现象从建立到熄灭的过程。利用XFdtd仿真软件,以双指数衰减模型为激励源,建立三种类型的局部放电仿真模型,添加探针耦合器获取局部放电时域信号。通过改变探针耦合器的位置,来代替绝缘故障产生的位置,以获取局部放电数据集。然后,针对传统局部放电模式识别方法需搭配特征提取方法,存在增加工作量,引入主观因素等问题,故研究了一种基于卷积神经网络的模式识别算法。该算法无需结合特征提取步骤,并且在网络训练过程中可自动提取输入图谱特征。对局部放电原始数据进行脉冲提取、短时傅里叶变换和数据预处理步骤,将处理后的局部放电时频谱图作为特征输入。参照卷积神经网络的设计原则,本文搭建并训练了卷积神经网络模型,并用训练完成后的网络对测试集进行了模式识别验证。考虑到卷积核初始化对模型的影响,研究了采用稀疏自编码器预训练的方法,对卷积核参数逐层初始化。验证结果表明,经过SAE预训练后,不仅提高了局部放电类型的识别正确率,还有效地缩减了训练时间。最后,为实现对电力电缆运行状态进行监测的功能,本文设计并开发了分布式高压电力电缆局部放电在线监测系统,主要由监测终端、无线网络、系统后台和监控中心构成。监测终端主要实现对局部放电信号采集与预处理,重点对高低频信号调理电路、高低频A/D转换电路、处理器模块、通信模块等进行设计。系统后台通过无线通信方式接收各监测终端的局部放电信息进行存储,并使用基于卷积神经网络的局部放电模式识别算法辨别局部放电类型。监控中心通过无线通信方式与系统后台进行数据传输,并完成局部放电信息的常规数据处理、图像显示处理和音频输出处理。同时,采用Qt/Embedded框架实现图形用户界面设计,在LCD显示屏上实现查看局部放电信息、显示局部放电图谱、设置故障预警等功能。

关键词： 动力踝足假肢   电液直驱系统   运动模式识别   有限状态机   阻抗控制  

摘要： 目前全球有超过六百万的下肢截肢患者,佩戴假肢是辅助截肢患者恢复基本行走能力回归正常生活的关键,现如今市面上主流的假肢大多为被动式,不具备主动出力,这将导致截肢患者要额外消耗30%的能量才能实现正常行走。因此,采用主动式假肢来取代被动式,可使患者在获得基本行走能力的同时更加省力。电液直驱系统所具备的高功率密度、高效率、高度紧凑的优点使其广泛应用于航空航天的泵控伺服系统中,本文旨在利用电液直驱技术特有的优势特点设计一款主动式踝足假肢,满足膝下截肢患者的需求帮助其恢复行走能力。本文从健全人体的踝关节特性出发,对平地行走状态下一个完整的步态周期内踝关节的运动学和生物力学特性进行分析,通过步态相位划分进行分段研究。利用采集的平地行走、上下楼梯、上下坡五种运动模式下踝关节的运动学数据作为训练样本,通过机器学习选取包含K最临近(KNN)、线性判别分析(LDA)、BP神经网络和支持向量机(SVM)在内的四种模式识别算法对样本进行训练和识别,实现踝足假肢运动模式识别,训练结果表明四种算法下运动模式识别的准确率均可达到95%以上。本文在模式识别的基础上依据步态相位划分为五种运动模式下踝足假肢的运动设计控制系统,支撑相和摆动相分别采用有限状态阻抗控制器和位置控制器来还原健全人体踝关节的阻抗特性,仿真结果显示所设计的控制系统可以很好的还原健全人体踝关节在不同运动模式下角度同扭矩之间的映射关系。本文完成了动力踝足假肢实验系统装置的搭建,通过空载台架实验对踝足假肢运动学特性进行分析,实验结果显示在摆动相假肢具备良好的位置跟踪性能。设计了一款辅助穿戴设备用于膝下踝足假肢的穿戴实验,通过行走实验验证了模式识别系统的准确性并选取BP神经网络算法作为主要运动模式识别算法,通过穿戴实验验证了有限状态阻抗控制器的合理性,帮助截肢患者最大程度还原平地行走过程。

关键词： 手机信令数据   深度学习   停驻点识别   出行模式识别   交通流预测  

摘要： 交通大数据是构建城市智能交通系统的关键技术,带动城市交通在感知、人车路协同、大数据分析以及综合服务等方面整体升级与创新发展。手机信令数据具有时效性、连续性和覆盖广等优势,通过对手机信令数据的交通模式识别与预测研究,可以实现人流出行分析以及路网路况分析,对于实施智能交通大数据服务和建立城市治理体系具有理论意义与实际价值。目前国内外对手机信令数据进行了较多研究,一方面,基于机器学习的出行模式识别方法大多未考虑不同输入的组合特征对模型性能的影响;另一方面,传统的交通流预测模型由于未综合考虑交通流的时空属性、日内时序和环境因素等对模型性能造成的影响,从而制约了交通流的预测精度。针对上述问题,本文的主要工作和主要贡献分为以下三个方面:一、基于手机信令数据的停驻点识别。首先,基于个体信令数据构建用户的时空出行链;然后,通过调用地图GIS引擎将手机信令数据映射至所研究交通小区,利用本文所提时空网格聚类停驻点识别算法对用户停驻行为进行时空约束,形成基于时空聚类的用户停驻点识别模型;最后,识别出用户出行轨迹的停驻点,对用户出行链进行重构。仿真结果表明,本文方法可以实现信令用户出行链的停驻点识别,相比ST＿DBSCAN算法准确率提升2.9%。二、基于手机信令数据的用户出行模式识别。首先,针对重构后的用户出行轨迹进行划分,提取平均速度、加速度、导航数据等出行轨迹特征;然后,基于隶属度函数和聚类算法提取用户出行轨迹的隶属度函数特征和聚类特征;最后,基于上述特征建立用户轨迹的多维度特征集,利用XGBoost模型评估不同场景下不同特征组合对出行模式识别的影响。仿真结果表明,传统组合特征和未区分时段的准确率分别为83.1%和87.3%,本文方法在高峰时段准确率约为91.75%,在非高峰时段准确率约为90.35%,识别精度获得较好提升。三、基于手机信令数据的交通流预测。首先,以交通流数据为基础,结合道路的天气条件,构建特征矩阵;然后,结合CNN空间扩展和LSTM长时记忆的优势,利用CNN提取交通流数据中的空间特征,将输出的空间特征作为LSTM的输入,提取交通流数据中的时间特征;接着,将交通流的时空特征作为回归预测层的输入,计算当前输入对应的预测结果;最后,在LSTM侧引入注意力机制,使模型专注于学习更重要的数据特征,进一步提高模型预测精度。仿真结果表明,本文CNN-LSTM-Attention模型在考虑天气因素的预测结果优于不考虑天气因素的预测结果。同时与传统的神经网络模型相比,以采样间隔5min为例,本文模型MAPE值约为7.63%,低于CNN(12.06%)、LSTM(10.61%)和CNN-LSTM(8.17%)。

关键词： 脉冲神经网络   图像处理   语音识别   神经元模型   侧抑制机制   编码算法  

摘要： 作为一种最接近真实大脑的模型,脉冲神经网络基于稀疏的二进制脉冲信号进行高效通信,较传统人工神经网络具有一些不可替代的优势,包括低功耗、快速推理、事件驱动计算、在线学习和大规模并行处理等,这使得脉冲神经网络及其应用成为近些年来国内外的研究热点。然而已有的脉冲神经网络模型和算法在某些任务上仍然存在精度较低,复杂场景适用性较差等问题。因此提升脉冲神经网络在特定场景中的性能精度、拓宽脉冲神经网络的适用领域具有重要的理论意义和实践价值。基于此本文对脉冲神经网络及其在经典模式识别问题上的应用进行了深入研究,完成了神经元模型的优化,网络结构的搭建,学习算法的选用,编码策略的设计。本文的主要研究工作如下:针对图像分类问题,提出了一种结合自组织特征算法和突触可塑性规则的多层自组织脉冲神经网络。通过局部的无监督学习以及分层训练,所提出的模型能够以竞争学习的方式映射输入特征。同时,对神经元模型和侧抑制机制进行了改进,提出了基于时间的自适应膜电位阈值神经元和渐进增长抑制规则,使得网络的泛化性能和输出层的聚类效果得到了明显的提升。针对图像相似度度量问题,探讨了将脉冲神经网络应用于解决深度度量学习任务的可能性,并提出了孪生脉冲神经网络和三元组脉冲神经网络。通过基于替代梯度的反向传播算法和对神经元进行数模转换,所提出的模型能够有效地度量样本的相似性。在多个数据集上的测试结果表明,所提出的模型具有非常接近于基于深度神经网络模型的性能,同时较后者具有更高的能源效率。针对语音识别问题,提出了一种基于脉冲神经网络进行语音命令识别的模型,通过可学习的预处理器和混合多通道时间编码器,所提出的模型能够直接处理原始波形而无需任何人工处理的特征。在Google SC V1数据集上的测试了所提出的模型,并取得了同类模型在相同任务上的最高精度。在Nao机器人上的实验结果进一步证明了该模型能够有效地处理真实环境中采样的语音信号,具有较强的噪声鲁棒性。

关键词： 硫族化物   气体传感阵列   模式识别   支持向量机   化学毒气检测  

摘要： 如今国际形势复杂多变,地区冲突时有发生,冷战热战威胁持续。为保护国家军事安全和人民生活安全,需要一种快速准确的化学毒气检测和识别方法。本文以芥子气和沙林毒气的定性和定量检测为目的,设计一种模拟战场环境下的化学毒气检测系统和相应识别方法。主要开展了以下工作:（1）论文选用石墨烯复合二硫化钼（Mo S2-r GO）、石墨烯复合二硫化锌（Sn S2-r GO）、铌掺杂二硫化钼（Nb-Mo S2）、钒掺杂二硫化钼（V-Mo S2）和二硒化钨（WSe2）五种材料制成半导体气体传感阵列。通过对于NH3和NO2气体的预实验证明气体传感器阵列具有良好的灵敏度、重复性和选择性。（2）设计基于FPGA的半导体气体传感器检测电路,利用FPGA资源丰富,开发灵活性强的特点,实现了获取气体传感器阵列在有毒气体环境下的交叉响应。为构建气体识别和检测模型提供了数据基础。（3）针对气体传感器阵列得到的数据存在一定交叉敏感,本文提出了基于模式识别的气体传感器阵列识别方法。通过对比支持向量机和BP神经网络,发现基于支持向量机的模式识别方法在小样本条件下的效果优于BP神经网络。采用遗传算法对支持向量机模型进行改进,形成GA-SVM的参数优化模型,分类准确率达到100%,浓度预测平均绝对百分比精度提升3.38%。本文以“传感器制备—检测电路设计—模式识别”为路线,设计了一种快速准确的气体检测和识别系统,为国防安全提供了新的解决方案。