混合气体中定性定量检测方案

智能文字提取功能测试中

研究与开发 基于人工神经网络的电子鼻对混合气体检测研究 耿志广，王希武 王寅龙 神鹏飞 (中国人民解放军军械工程学院计算机工程系，石家庄050003) 摘 要：在简要概述电子鼻系统原理的基础上，分析人工神经网络模式识别的特性、结构和识别原理，阐述一种基于人工神经网络的混合气体检测方法。结果证明通过人工神经网络的模式识别和气体传感器阵列技术相结合，能够有效地解决气体传感器阵列的交叉敏感问题，从而实现对混合气体的定性定量检测，并且拥有广泛的应用前景。 关键词：人工神经网络；气体传感器阵列；气体检测；电子鼻 0 引言 J.W. Gardner"给电子鼻的定义如下：“电子鼻是由一种有选择性的电化学传感器阵列和适当的识别装置组成的仪器，能识别简单和复杂的气味。o”国际上对电子鼻的研究已经有了四十多年的历史，它涉及多种传感器融合技术、计算机技术、应用数学以及其他具体领域的技术，具有很重要的理论意义和实际意义。作为一门交叉学科，对电子鼻的研究主要集中在气体传感器阵列和模式识别两大方面。然而长期以来对模式识别的研究没有受到足够重视，越来越成为电子鼻技术发展的瓶颈。本文以电子鼻系统原理为基础，分析并研究基于人工神经网络的混合气体检测系统，解决目前气体传感器存在交叉敏感和选择性差的问题。 气体检测系统原理分析 电子鼻的工作原理是模拟人的嗅觉系统对被测气体进行感知、分析和识别，由气体传感器阵列、信号处理子系统和模式识别子系统三大部分组成，其结构原理如图1所示。 其主要机理是阵列中的每个传感器对不同的被测气体都有不同的灵敏度。但由于对不同敏感气体或气味的传感器通常存在着严重的“交叉敏感”问题，给测 量精度带来较高的难度。气体传感器阵列用来感应气体中的化学成分，产生可以用来测量的物理量的变化。信号预处理子系统对传感器阵列的响应模式进行预处理，完成滤波、交换和特征提取等过程。模式识别子系统相当于动物或人类的神经中枢，把提取的特征参数进行模式识别，运用相应的算法完成混合气体的定性定量检测。 图1电子鼻结构原理框图 1.2气体传感器阵列技术 气体传感器阵列是电子鼻的关键部件之一，由多个气体传感器构成。单个气体传感器有很大的局限性，对不同气体敏感响应也会有很大变化，并且能自动识别气体种类和数量，给混合气体的定性定量检测带来很大困难。为了解决这一问题，可采用多个传感器构成阵列，获得多个信号进行判断识别。 1.3模式识别技术 模式识别是对传感器阵列的输出信号进行适当的处理，以获得混合气体组分信息和浓度信息。 基于人工神经网络的模式识别算法主要有反向传 ( 收稿日期：2010-03-29 修稿日期：2010- 0 4-16 ) ( 作者简介：耿志广，河北衡水人，讲师，硕士研究生，研究方向为计算机应用 ) 播人工神经网络 (Back Propagation Artificial NeuralNetworks，BP-ANN)、概率神经网(Probabilistic Neuralnetwork，PNN)、自组织映射(Self-Organizing Map，SOM)、学习向量量化1.6(Learning Vector Quantization，LVQ)等。人工神经网络算法是通过对动物神经元的数学模拟而发展起来的。人脑无论多么复杂，都可以看作是由大量神经元组成的巨大神经网络。人工神经网络通过从神经元的基本功能出发，逐步从简单到复杂组成各种网络，实现了输入、输出之间的非线性映射。 2 人工神经网络 2.1人工神经网络特性 人工神经网络作为一种模式识别方法，具有强大的信息处理能力，有以下特性： (1)非性性处理，具有执行非线性任务和去除噪音的能力，使它能够很好地用于分类和预测问题； (2)自适应和自学习功能，通过对过去的历史数据的学习，训练出一个具有归纳全部数据的特定的神经网络： (3)较强的鲁棒性和容错性，所有定量或定性的信息都等势分布储存于网络内的各神经元； (4)信息被转换成网络内部的表示，允许定性和定量信号的数据融合； (5)能够同时处理定量、定性知识。 2.2人工神经网络的结构 按连接方式分神经网络主要有前馈型网络(FeedForward Neural Network)和反馈型网络(Feedback NeuralNetwork)两种。 (1)前馈型网络 如图2，结构图中各神经元，接收前一层的输入并输出给下一层，没有反馈。输入输出节点可直接受外界环境的影响，可称为可见层，其中层间与外界无联系，成为隐含层。节点分为三类，即输入单元、计算单元和输出单元。每一计算单元可有任意多个输入，但只有一个输出。前馈网络可分为不同的层，第i层的输入只与第i-1层输出相联。 (2)反馈型网络 所有节点都是计算单元，可以同时接收输入，并向外界输出，可以用一个无向图表示(图3(a))。其中每个连接线都是双向的，若总单元数为n，则每一节点有 n- 1个输入和1个输出(图3(b))。 图2具有一个隐层的前馈型网络 图33!单层全连接反馈型网络 神经网络的工作过程主要分为两个阶段，一个阶段是学习期，指的是各计算单元状态不变，各连接权值通过学习样本或其他方式来修改；第二阶段是工作期，此时连接权固定，计算单元状态变化，以达到某种稳定状态。 2.3BP神经网络的识别原理 系统采用了BP神经网络模式识别原理实现对气体的组分与浓度的分析，BP神经网络网络是一种单向传播的多层前向网络，识别过程见图4。 气体传感器阵列需根据被测气体所含成分、浓度以及测试条件等因素，选择相应的敏感材料与阵列结构。 图4混合气体识别过程原理图 网络除输入输出节点外，还有一层或多层的隐层 节点，同层节点中没有任何耦合。输入信号从输入层节点依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。整个网络的特性决定于相邻层间神经元的连接权和神经元上的阈值。其中隐层及输出层中单个神经元的结构如图5所示。 图5 BP网络神经元模型 在图5中，x1，X2，….，x， 为神经元的输入信号，ωi，W2，.，ω，为相应输入的连接权，0为神经元的阈值， u；为神经元的输入总合，f(u；)为神经元的非线性变化函数，yi为神经元的输出。单个神经元作为一个多输入单输出的系统，其输入输出关系为： 其节点单元特性(传递函数)通常为S型，表达式为： 但在输出层中，节点的单元特性有时为线性。对P个样本，误差计算公式为： 其中，t0分别为期望输出和网络的计算输出。 3 混合气体检测过程和结果分析 根据原理阐述，将气体传感器阵列与BP神经网络的模式识别技术相结合应用于气体分析，将会得到很好的效果。 对混合气体定性识别的过程如下： (1)定定气体传感器阵列的维数。气体传感器阵列 的维数越高，获得的信息就越多，同时噪声也会增大。原因是每一个敏感元及其相应的放大转换电路，都存在输入输出特性的变化和零点的漂移，因此随着敏感元增多，真实信号会受到重大影响。 (2)对混合气体进行数据采样。通过气体传感器阵列对实验室的实验气体采样，取得的敏感信号进行预处理，作为BP神经网络的输入信号。 (3)造造BP神经网络。确定神经网络输入层、隐含层和输出层神经元的个数。 (4)对神经网络进行训练。当系统误差达到设定的误差范围时，确定连接权值和阈值，固定神经网络的结构. (5)用训练好的神经网络识别未知样本，检验 BP神经网络辨识结果的正确率，确定是否需要增加训练样本数以完善系统的知识库。 3.2气体定量检测 对混合气体的定量检测是在定性识别的基础上进行的，通常需要以下两步： (1)定量检测采用与定性识别相同的数据，将定性识别的结果转入相应的神经网络模型，运用 BP神经网络对转入的数据进行处理。 (2)BP神经网络对隐含层的神经元数目比较敏感，神经元太少，网络就会很难适应；神经元太多，又可能设计出超适应的网络。因此在BP神经网络设计过程中，需要反复多次尝试不同的隐含层神经元数目，确定其最优值。 3.3测试结果分析 经过模拟放大后的测试数据如表1所示，通过实验，实现了对混合气体的定性、定量检测，误差在可允许范围内。 表1实验数据分析表 实验序号 实际数据 输出结果 测试误差(%) CO CH SO2 CO CH小 SO2 C0 CH4 SOz 1 4.2 8.6 2.3 4.02 8.51 2.39 4.14 1.04 3.91 2 4.2 2.8 6.8 4.07 2.88 6.96 2.91 2.85 2.35 3 4.2 5.6 7.7 4.10 5.52 7.60 2.33 1.43 1.30 4 9.8 2.1 5.5 9.68 2.02 5.39 1.22 3.81 2.00 5 9.8 6.3 4.8 9.98 6.49 4.90 1.84 3.02 2.08 6 9.8 7.6 2.2 9.52 7.88 2.25 2.86 3.69 2.27 7 2.9 7.5 5.4 2.75 7.32 5.25 2.78 2.40 3.15 8 2.9 8.5 4.2 2.77 8.71 4.02 4.49 2.48 4.29 9 2.9 8.9 4.9 2.99 4.72 5.12 3.10 3.67 4.49 4 发展趋势 当前国内对电子鼻的应用还处于实验室阶段，其发展主要依赖于气体传感器技术与模式识别技术。 (1)通过改进气体传感器的性能来提高其对外界环境的适应能力，从而减小工作环境的影响。 (2)改进模式识别技术，提取的数据特征值对模式识别的效果起着至关重要的影响。将人工神经网络与模糊理论、遗传算法等技术结合起来，更好地实现模拟人的思维过程。 (3)电子鼻系统要趋向集成化、小型化和实用化发展。 5 结语 人工神经网络和传感器阵列技术相结合的方法对混合气体检测取得了较好的效果，通过反复实验证明该方法对未知气体的定性识别可达100%.定量识别最小误差可控制在4.49%以内，满足了实际需要。随着新型传感器技术的提高和信号处理方法的不断完善，电子鼻将会具有更加高级的智能，其应用前景也将更加广阔。 ( 参考文献 ) ( [1 ] J.W. Gardner， P . N . Ba r tlett. A B r i ef History of ElectronicNose s [J]. Sensor s an d Actuators ， 1994， B18~19： 2 11~220 ) ( [2]李光，傅均，张佳.基于嗅觉模型的电子鼻仿生信息处理技 术研究进展[J].《中国科学》杂志社，2008，53(22)： 2674~ 2686 ) ( [3]Kim B W， Kim S M. GA-Optimized Back-Propagation Neu-ral Network with M ulti-Parameterized G r adients and Ap p lica-tions to Predicting Plasma Etch D ata[J]. Chemo M e trics a n dIntelligen t Laboratory Systems， 2005， 79：123~128 ) ( [4]Kim K J . A r tificial N eural N etworks w i th E v olutionary I n - stanc e S election f or F inancial F orecasting[J]. Expert S ystemswith Applications ， 2006， 30：519~526 ) ( [5]Marzia Z， C osimo D， Pi e tro S， et al. D r ift C ounteraction with M ultiple Self-Organizing M aps for an E l ectronic N ose [J]Sensors and Actuator s B ， 2004， 98：305~317 ) ( [6]Bicego M . Odor Classification U sing Similarity-Based R e pre-sentation[J ] . Senso r s a n d Actuators B， 2005，110：225~230 ) ( [7]袁曾任.人工神经网络及其应用[M].清华大学出版社，2000- 12 ) ( [8]石春燕.基于人工神经网络的多气体分析系统研究与设计.吉林工业大学硕士论文，2004-5 ) Research on Detection of Mixed Gas by Electronic NoseBased on Artificial Neural Network GENG Zhi-guang . WANG Xi-wu WANG Yin-long SHEN Peng-fei (Department of Computer Engineering， Ordnance Engineering College of PLA， Shijiazhuang 050003) Abstract： On the basis of the brief overview of principles of the electronic nose system，analyzes the char-acteristics， structure and identification theory to explain a mixed gas detection method based onartificial neural network. The result shows that the gas sensor array cross-sensitive issue can beeffectively solved through the combination of the pattern recognition of artificial neural networksand the gas sensor array technology， which accordingly realizes the detection of qualitative andquantitative mixed gas and has broad application prospects. Keywords： Artificial Neural Network； Gas Sensor Array； Gas Detection； Electronic Nose 代计算机