1.基于混合策略优化BP神经网络的混合气体识别方法，其特征在于，包括如下步骤：

步骤1.获取气体传感器阵列分别在不同湿度下对待测气体的响应数据集，所获取的传感器响应数据包括传感器阵列对多种不同比例浓度下混合VOC气体的响应；

步骤2.对经过步骤1获得的传感器响应数据集进行数据预处理，得到预处理后的气体响应特征数据集，并构建BP神经网络的训练集和测试集；

数据预处理依次包括滤波、基线处理、湿度补偿、特征提取以及归一化处理；

步骤3.构建BP神经网络，确定BP神经网络的输入层、隐藏层和输出层节点数；

步骤4.利用tent混沌映射进行秃鹰算法的种群初始化，使用莱维飞行和秃鹰算法混合策略对BP神经网络的权值和阈值参数进行优化；具体过程如下：步骤4.1.确定BP神经网络输入层、隐藏层和输出层的节点数量，初始化BP神经网络；

步骤4.2.将步骤2中的特征数据集赋值给BP神经网络；

步骤4.3.将秃鹰算法和莱维飞行混合优化策略与BP神经网络进行结合，寻找BP神经网络的最佳权值和阈值，最佳权值和阈值的寻找步骤为：步骤4.3.1.对秃鹰算法利用tent混沌映射进行种群初始化设置，种群数量为size，最大迭代次数为max_iteration，初始化秃鹰的位置；

步骤4.3.2.构造适应度函数并计算分析，确定最佳权值和阈值，构建的目标函数如下：当yq＝oq，λq＝1，当yq≠oq，λq＝0；

num

f(x)＝∑ q＝1λq/num；

其中，λq表示第q个样本预测输出值与期望输出值的一致性；yq为第q个样本预测输出值，oq为第q个样本期望输出值，num表示训练集或者测试集的输入样本数量；

步骤4.3.3.每只秃鹰相当于BP神经网络中的每个节点，每只秃鹰的位置信息代表网络中的权值和阈值，第j只秃鹰位置用posj表示；

步骤4.3.4.利用秃鹰算法进行参数寻优；每进行一次迭代，秃鹰的位置更新了三次，秃鹰每更新一个位置，BP神经网络的权值和阈值就会更新一次；

步骤4.3.5.记录每一次位置更新时的f(x)值；

获取f(x)的值最接近于1时所对应的秃鹰位置信息Best_pos；

步骤4.4.最优秃鹰位置信息Best_pos代表了神经网络的最佳权值和阈值，将最佳权值和阈值赋值给BP神经网络；

确定优化后的BP神经网络参数，构造LBES‑BP神经网络预测模型，并对步骤2预处理后的气体响应特征数据集进行识别预测，最终输出混合气体识别与分类结果。

2.根据权利要求1所述的混合气体识别方法，其特征在于，所述步骤1具体为：

步骤1.1.首先以石英晶体为基底，分别涂敷不同的气敏材料，构成由g个不同特性QCM传感器组成的气体传感器阵列；其中，g为传感器的数量；

步骤1.2.在标准湿度环境中，利用电子鼻传感系统对浓度为c1＝[ca,cb,…,cn]的混合M M M T气体通入测试腔，获取传感器阵列对待测气体的响应数据集S1＝[S1 ,S2 ,…,Sg]；

其中，标准湿度环境为45％RH的相对湿度环境；ca,cb,…,cn分别对应于a类气体、b类气M M M体、…、n类气体的浓度；M为c1浓度下待测气体样本数量；S1 ,S2 ,…,Sg 分别表示第1个，第2个，…，第g个传感器对c1浓度下待测气体响应数据；

步骤1.3.使用电子鼻传感系统，通入不同浓度比例的混合气体测得传感器阵列响应数据集，共有k个不同浓度比例混合气体的样本类别；

将标准湿度下总共k个样本类别数的响应数据集S作为实际测量值；

S＝[S1,S2,…,Sk]；

其中，S1,S2,…,Sk分别表示第1,2,…，k个类别混合气体的响应数据集；

步骤1.4.利用电子鼻传感系统分别获取在不同的相对湿度下的传感器阵列响应数据集。

3.根据权利要求2所述的混合气体识别方法，其特征在于，所述步骤2具体为：

步骤2.1.使用递推平均滤波法方法对响应数据集S进行噪声信号剔除和平滑处理；

步骤2.2.对平滑处理后的数据进行基线处理，获得基线处理后的响应数据集；

具体公式为：Δf＝f‑f0；

其中，f0为初始响应频率值，Δf表示每个时刻频率偏移量，f表示每个时刻响应频率值；

步骤2.3.建立湿度补偿算法的多元回归模型，对基线处理后的响应数据集进行湿度补偿；

步骤2.4.采用时域特征提取方法，对湿度补偿后的响应数据集进行特征提取；对总共k个类别样本的混合气体，经特征提取后构成的特征数据集T＝[T1,T2,…,Tk]；

其中，T1,T2,…,Tk分别表示第1,2,…，k个类别混合气体的特征数据集；

步骤2.5.对特征提取后的特征数据集T进行归一化处理，得到特征数据集Z；

gas 0 max 0

归一化公式为：△fc＝(△fc －△fc)/(△fc －△fc)；

gas max

其中，△fc为归一化后的频率偏移量数值，△fc 表示每个频率偏移量数值，△fc 表0

示频率偏移量的最大值，△fc表示频率偏移量的最小值；

步骤2.6.分别选取特征数据集Z中的2/3作为训练集，1/3作为测试集。

4.根据权利要求3所述的混合气体识别方法，其特征在于，所述步骤2.3具体为：

步骤2.3.1.将实际湿度下测量的频率偏移量和相对湿度作为两个自变量，将标准湿度下的频率偏移量作为一个因变量，构建多元非线性回归模型，作为湿度补偿数学模型；

湿度补偿数学模型表达式为：y＝β0+β1x1+β2x2+β3x1x1+β4x2x2+β5x1；

其中，y为标准湿度下的频率偏移量，x1为实际湿度下测量的频率偏移量，x2为实际测量的相对湿度值，βk为方程的偏回归系数，k＝1,2,3,4,5；

步骤2.3.2.将多元非线性回归模型转化为标准线性形式的多元回归模型，求解偏回归系数；设定x3＝x1x1，x4＝x2x2，x5＝x1x2；

获得新的多元回归模型，其方程形式为：y＝β0+β1x1+β2x2+β3x3+β4x4+β5x5；

步骤2.3.3.设定β＝(β0β1β2β3β4β5)，求解偏回归系数矩阵β；

利用步骤1中的响应数据集以及步骤2.3.2中的多元回归模型进行多项式拟合，计算出偏回归系数矩阵β，将β代入到多元回归模型，以便进行湿度补偿；

步骤2.3.4.在环境湿度中实际测量气体频率偏移量；

在实际的湿度环境中利用电子鼻传感系统测量实际的气体频率偏移量为x10；在实际的湿度环境中，利用湿度传感模块测量环境的相对湿度为x20；

步骤2.3.5.计算湿度补偿后的标准湿度下气体频率偏移量；

将实际湿度下测量到的实际频率偏移量x10和相对湿度x20代入到多元回归模型，计算得到湿度补偿后的标准气体频率偏移量，即标准湿度下的气体频率偏移量y。

5.根据权利要求1所述的混合气体识别方法，其特征在于，所述步骤4.3.1具体为：

I.基于tent映射生成混沌序列过程如下：size size size size size size当0≤Xi

size size

其中，i为当前迭代次数；Xi 和Xi+1 表示第i和i+1次运算的混沌映射值；size为种群数量，b取值为0‑1的随机数；

II.结合混沌序列，生成搜索区域内的秃鹰个体的初始位置序列：size size size size size size sizePi ＝Pi,min +Xt (Pi,max ‑Pi,min )；其中，Pi 表示初始位置序列，Pi,min 表size size size示当前Pi 序列的最小值，Pi,max 表示当前Pi 序列的最大值。

6.根据权利要求5所述的混合气体识别方法，其特征在于，所述步骤4.3.4具体为：

I.选择搜索空间；

秃鹰首先通过每个个体相互之间的搜索与沟通机制选择食物最多的空间作为搜索空间，位置更新公式为：Pnew,j＝Pbest+α*r(Pmean‑Pj)；

其中，Pnew,j表示位置更新后第j只秃鹰的位置，Pbest表示当前秃鹰种群上一次搜索过程中所确定最佳搜索空间对应的位置，Pmean表示种群完成一个阶段搜索后秃鹰的平均位置，Pj表示种群中第j只秃鹰当前的位置，r表示取值为0到1之间的随机数，α表示控制秃鹰位置更新变化的参数，α的取值为[1.5,2]；

为了进一步提高秃鹰算法的全局搜索能力，引入莱维飞行策略替代布朗运动；

－λ

莱维飞行的具体实现为：Levy(s)～u＝t ；

其中，λ为随机数，1<λ<3；

2

s表示游走步长，u表示服从于均值为0、方差为σu的正态分布；

通过引入莱维飞行，使得位置更新步长服从莱维飞行机制，改善了全局寻优的能力；选择搜索空间阶段更新后的位置更新公式为：Pnew,j＝Pbest+α*r(Pmean‑Pj)+Levy(s)；

II.搜索阶段；

秃鹰在选择好空间之后，在空间内以阿基米德螺线飞行寻找猎物，位置更新公式为：Pnew,j＝Pj+y(j)*(Pj‑Pj+1)+x(j)*(Pj‑Pmean)；

其中，Pj+1表示种群中第j只秃鹰下一次更新的位置；

x(j)＝r(j)*sin(θ(j))/max(|x(j)r(j)|)；y(j)＝r(j)*cos(θ(j))/max(|y(j)r(j)|)；

r(j)＝θ(j)+R*rand；θ(j)＝A*π*rand；

其中，θ(j)和r(j)分别为螺旋方程的极角和极径；rand为随机的常数步长，R表示控制秃鹰进行螺旋飞行式搜索的循环次数，取值为[0.5,2]；A取值为5到10之间的随机数；

III.俯冲阶段；

秃鹰从当前的最优位置快速俯冲冲向猎物，位置更新公式为：Pnew,j＝rand*Pbest+y1(j)*(Pj‑c2*Pbest)+x1(j)*(Pj‑c1*Pmean)；

x1(j)＝r(j)*sinh[θ(j)]/max(|x(j)r(j)|)，y1(j)＝r(j)*cosh[θ(j)]/max(|y(j)r(j)|)；

θ(j)＝A*π*rand，r(j)＝θ(j)；

其中，c1和c2表示秃鹰向最佳位置的控制参数由于位置更新步长为固定值。