基于BP神經(jīng)網(wǎng)絡(luò)的不同標號汽油的辨識方法研究

劉曉俊

（中國人民武裝警察部隊學院研究生四隊，河北　廊坊）

摘要：通過對不同標號汽油在不同載體上的殘留物中組分變化特征研究，并以殘留物中組分含量之間的相關(guān)系數(shù)作為衡量基準，選定相對穩(wěn)定的特征組分。據(jù)此，結(jié)合選定的特征組分，建立基于BP神經(jīng)網(wǎng)絡(luò)的不同標號汽油的辨識方法。研究表明，運用自建的BP神經(jīng)網(wǎng)絡(luò)，能夠識別不同標號的汽油，網(wǎng)絡(luò)的均方誤差MSE能處于較低水平，測試集的識別正確達到85.7％。

關(guān)鍵詞：汽油殘留物；特征組分；BP神經(jīng)網(wǎng)絡(luò)；助燃劑辨識

1　引言

放火案件中，犯罪分子為快速有效地達到放火目的，往往借助助燃劑來實施犯罪^［1］。但由于助燃劑種類繁多且易受現(xiàn)場環(huán)境影響，給鑒定工作帶來諸多難題。因此，如何準確識別火場是否存在助燃劑及所使用助燃劑種類，已成為火災(zāi)物證技術(shù)鑒定領(lǐng)域亟待解決的問題。

國內(nèi)外諸多專家學者對助燃劑分類辨識進行過研究，其中多借鑒于理論成熟、內(nèi)容全面、方法新穎的化學計量學中關(guān)于數(shù)據(jù)處理的模式識別理論。其中，P.M.L.Sandercock^［2］、Maria Monfreda^［3］、B.K.Lavine^［4］利用氣質(zhì)聯(lián)用技術(shù)檢測殘留物成分的同時，分別結(jié)合主成分分析（PCA）、線性判別（LDA）、判別分析法（DA）、遺傳算法（GA）判別助燃劑的種類，并結(jié)合實際檢驗其適用性。王榮輝^［5］、支有冉^［6］通過PCA壓縮實驗數(shù)據(jù)，分別運用Fisher、系統(tǒng)聚類分析辨識易燃液體類別，取得不錯的應(yīng)用效果。

2　實驗原理及實驗方法的選定

2.1　實驗樣品的制備

實驗原材料：93^#汽油、95^#汽油、97^#汽油、棉制毛巾、木材條、橡膠板。

助燃劑原樣與萃取劑按照1:10的比例混合即可制備助燃劑原樣的樣品。制備助燃劑在不同載體上殘留物樣品流程如下。首先，將準備完畢的助燃劑和燃燒物（七種典型助燃劑各20mL若干份，裁剪成10cm×10cm的棉制毛巾若干，鋸切成10cm×3cm×5cm的木材條若干，裁剪成10cm×9cm×1cm的橡膠板若干、200mL的坩堝若干）置于一個封閉的燃燒實驗室內(nèi)，其中，空載條件將助燃劑倒入坩堝內(nèi)，其他載體條件將助燃劑均勻灑在載體之上。然后，用點火器引燃助燃劑，開始計時，記下其燃燒完全自然熄滅的時長t。計算0.85t，在相同條件下在0.85t時以窒息的方式將助燃劑及載體熄滅。最后，不同種類助燃劑與不同載體結(jié)合時重復(fù)以上實驗步驟得到實驗樣品。

2.2　燃燒殘留物樣品的提取

因本實驗涉及的助燃劑種類較多，不能統(tǒng)籌兼顧、針對不同助燃劑燃燒殘留物特性選擇合適的萃取劑，所以一致選取GB/T 24572.1—2009規(guī)定的乙醚和正己烷試劑混合作為萃取劑。

提取流程如下：提取樣品放置于合適大小的燒杯中，倒入乙醚和正己烷混合溶液，浸泡十分鐘后，使用定性濾紙過濾，收集于蒸發(fā)皿中，待其濃縮定容至1mL，最后將濃縮液密封于標準進樣瓶中并貼上標簽注明。

2.3　GC-MS分析條件的設(shè)定

實驗儀器：Agilent Technologies 6890N Network GC System/5973 Network Mass Selective Detector。

色譜條件：

分流比為10:1，He流量為1.2mL/min，柱前壓9.9×10⁵Pa。溫升程序設(shè)定為：初始柱溫為50℃保持2min，再以10℃/min的溫升速率至150℃并保持2min，最后以6℃/min的速率升溫至260℃并保持10min。

質(zhì)譜條件：

GC/MSD接口溫度280℃；離子源溫度230℃，四級桿溫度150℃；EI離子源，電子能量70eV；全掃描（SCAN）質(zhì)量范圍50～550aum，掃面間隔為0.01min。

3　不同標號汽油燃燒殘留物成分分析及特征組分的選定

結(jié)合表1～表3、圖1，從各物質(zhì)類別種類數(shù)角度分析不同標號汽油在不同載體條件下的變化特征：直鏈烷烴、異構(gòu)烷烴、環(huán)烷烴、烯烴類在空載條件下保持數(shù)量相對穩(wěn)定，其余載體條件下則會不同程度的減少，橡膠板條件下則未檢測出其成分。苯的同系物數(shù)量在空載條件下會與原樣保持相同，其他載體條件下則穩(wěn)定至15種左右。萘的同系物在殘留物中基本穩(wěn)定在2種左右。總體來說，不同載體條件殘留物的物質(zhì)種類數(shù)均急劇減少，甚至出現(xiàn)組分缺失的情況，而苯、萘的同系物相對較為穩(wěn)定。

經(jīng)過上述的分析，不同標號汽油中苯、萘的同系物類相較其他物質(zhì)種類表現(xiàn)出較為優(yōu)秀的穩(wěn)定性。進而通過統(tǒng)計部分苯、萘的同系物在不同載體條件下的峰面積百分比，并附其保留時間，部分組分因相關(guān)系數(shù)不高而并未選取，如表4～表6所示。

據(jù)上述統(tǒng)計情況，通過MATLAB獲取不同標號汽油特征組分含量的相關(guān)系數(shù)矩陣，詳細信息如圖2所示。

圖中由藍至紅，六邊形的顏色越深，相關(guān)系數(shù)越大。通過比對分析，不同標號汽油各自特征組分系列相對含量在原樣與殘留物之間的相關(guān)系數(shù)最低至0.45，但也具有一定的相關(guān)性。換言之，在不同載體條件下，不同標號汽油中特征組分的相對含量穩(wěn)定性較高。總之，特征組分不僅是不同標號汽油原樣中所含成分，且在不同載體條件下能保持較為穩(wěn)定的相對含量比例關(guān)系。

4　基于BP神經(jīng)網(wǎng)絡(luò)的不同標號汽油比對辨識方法

本小節(jié)將針對不同標號的助燃劑，整合助燃劑指紋譜圖數(shù)據(jù)，結(jié)合MATLAB中神經(jīng)網(wǎng)絡(luò)系統(tǒng)工具，以實現(xiàn)辨識目的。

4.1　BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Error Back Propagation）由輸入、隱含及輸出三層組成，實質(zhì)上通過邊向后傳遞誤差，邊修正誤差的方法持續(xù)調(diào)節(jié)參數(shù)（權(quán)值和閾值），以實現(xiàn)或逼近預(yù)期輸入、輸出映射關(guān)系BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖3。

算法過程如下。

（1）初始化

式中，分別為處理前后的網(wǎng)絡(luò)輸出和輸入。

（2）進入循環(huán)，計算輸出。隱含層各節(jié)點的輸入、輸出分別為

輸出層各節(jié)點的輸入、輸出分別為

（3）誤差逆?zhèn)鞑ァ≡O(shè)定實際輸出為，那么預(yù)期輸出與實際輸出的誤差均方E_k為

實際輸出層各節(jié)點的誤差為

隱含層各節(jié)點的誤差為

（4）修正權(quán)值和閾值。

式中，N為修正次數(shù)。以上循環(huán)執(zhí)行m次。

（5）假如全局誤差在設(shè)定范圍內(nèi)，跳轉(zhuǎn)至（6）；否則跳轉(zhuǎn)至（2）。

（6）計算輸出層。

4.2　不同標號汽油指紋譜圖信息整合

將93^#、95^#、97^#汽油原樣1組，空載條件5組，棉質(zhì)毛巾載體條件、木材載體條件、橡膠板載體條件各3組，共3×15=45組實驗樣品數(shù)據(jù)進行整合，如表7所示。

4.3　BP神經(jīng)網(wǎng)絡(luò)分析方法

在MATLAB平臺中輸入nortool，即可進入BP神經(jīng)網(wǎng)絡(luò)GUI，導(dǎo)入實驗樣品信息，設(shè)定參數(shù)。其中，訓練、驗證及測試集分別占總實驗樣品集的70％、15％、15％。使用表3.1中的矩陣代表各實驗樣品，二進制數(shù)列001、010、011分別代表93^#、95^#、97^#汽油的類標號。圖4為BP神經(jīng)網(wǎng)絡(luò)的GUI入口界面。

使用代碼能便捷設(shè)定相關(guān)參數(shù)，部分代碼如下。

    inputs=x';
    targets = y';
    %自建網(wǎng)絡(luò),設(shè)定神經(jīng)元參數(shù)
    net = patternnet(hiddenLayerSize);
    %通過歸一化預(yù)處理助燃劑相關(guān)信息
    net.inputs{1}.processFcns = {'removeconstantrows',mapminmax'};
    net.outputs{2}.processFcns = {'removeconstantrows',mapminmax'};
    %按照70%、15%、15%的比例劃分樣品數(shù)據(jù),分別作為訓練、驗證及測試之用
    net.divideParam.trainRatio = 70/100;
    net.divideParam.valRatio = 15/100;
    net.divideParam.testRatio = 15/100;
    %以均方差大小評價自建網(wǎng)絡(luò)
    net.performFcn ='mse';
    %設(shè)置網(wǎng)絡(luò)的繪圖參數(shù)
    net.plotFcns = {'plotperform','plottrainstate','ploterrhist,...'plotregression','plotfit'};
    %開始訓練自建神經(jīng)網(wǎng)絡(luò)
    ［net,tr］= train(net,inputs,targets);
    outputs = net(inputs);
    errors = gsubtract(targets,outputs);
    performance = perform(net,targets,outputs)
    %保存訓練完畢的神經(jīng)網(wǎng)絡(luò)
    save('training_net.mat','net'' ,'tr');

依據(jù)上述代碼可生成如圖5的網(wǎng)絡(luò)功能圖。

由圖5可知，該網(wǎng)絡(luò)結(jié)構(gòu)為10-50-3，即10輸入、50中間神經(jīng)元、3輸出。以均方差大小評價自建網(wǎng)絡(luò)。圖中給出訓練結(jié)束時的具體參數(shù)，如訓練步數(shù)、消耗時間、網(wǎng)絡(luò)表現(xiàn)、誤差梯度等信息。

圖6為訓練過程的均方誤差MSE表現(xiàn)。藍、綠、紅色曲線分別代表訓練、驗證、測試集的表現(xiàn)。MSE越接近0，訓練效果越理想。通過觀察分析可知，最優(yōu)地表現(xiàn)出現(xiàn)于第7次訓練，此時的均方誤差最小，為0.1724。在之后訓練過程中，網(wǎng)絡(luò)的均方誤差趨于平緩，并處于較低水平。

圖7中依次為訓練、驗證、測試、總實驗樣品集的混淆矩陣。矩陣中綠色方塊為識別正確，反之，紅色方塊為識別錯誤，藍色方塊內(nèi)的百分比為該集合的識別正確率。測試集中識別93^#、95^#、97^#汽油的正確率為85.7％。總體來講，自建的BP神經(jīng)網(wǎng)絡(luò)能辨識較為相近的不同標號助燃劑，基本滿足預(yù)期識別效果。

5　結(jié)論

本課題選取不同標號汽油即93^#汽油、95^#汽油、97^#汽油作為研究對象，分析總結(jié)助燃劑在不同載體條件下成分變化規(guī)律，探究保持相對穩(wěn)定的特征組分，整合實驗數(shù)據(jù)，結(jié)合模式識別理論，建立基于BP神經(jīng)網(wǎng)絡(luò)的助燃劑比對辨識的方法，得出結(jié)論：運用自建的BP神經(jīng)網(wǎng)絡(luò)，能夠識別不同標號的汽油，網(wǎng)絡(luò)的均方誤差MSE能處于較低水平，測試集的識別正確達到85.7％。

參考文獻

［1］　魯志寶.火災(zāi)現(xiàn)場中易燃液體物證鑒定方法的研究.天津：天津大學，2003，6.

［2］　P.M.L.Sandercock，E.Du Pasquier.Chemical fingerprinting of gasoline 2 Comparison of unevaporated and evaporated automotive gasoline samples.Forensic Science International，2004，140：43-59.

［3］　Monfreda M.Gregori A.2011.Differentiation of unevaporated gasoline samples according to their brands，by SPME-GC-MS and multivariate statistical analysis.Journal of forensic sciences.56（2）：372-380.

［4］　B.K.Lavine，D.Brzozowski，AJ.Moores，etc.Genetic algorithm for fuel spill identification.Analytica Chimica Acta，2001，437：233-246.

［5］　王榮輝，宗若雯，等.主成分分析法和Fisher判別方法在汽油分類分析過程中的應(yīng)用.中國科學技術(shù)大學學報，2006，36（12）：1331-1335.

［6］　支有冉.不同石化燃料燃燒煙塵的來源辨識.化工學報，2011（12）：3575-3577.