文獻標識碼: A
文章編號: 0258-7998(2011)12-0080-03
1994年Gardner發(fā)表了關(guān)于多氣體傳感器陣列檢測的論文,首次提出了“電子鼻”的概念[1],標志著該技術(shù)進入到成熟、發(fā)展階段。電子鼻技術(shù)將傳感器技術(shù)、電子技術(shù)、信號處理和計算機技術(shù)融合在一起[2],克服了傳統(tǒng)的單一氣體傳感器在檢測中存在的交叉敏感、檢測精度及可靠性低等缺點,能夠?qū)?a class="innerlink" href="http://ihrv.cn/tags/混合氣體" title="混合氣體" target="_blank">混合氣體中各氣體成分進行定性或定量分析,它在汽車、航空航天、農(nóng)業(yè)、化學分析、消防、環(huán)保、化工控制、質(zhì)量控制、安全等領(lǐng)域具有廣泛的應用前景。電子鼻的研究與應用逐步成為國內(nèi)外研究的熱點問題,但距離工程實用化仍有很長的距離[3-6]。
越來越多的場合需要對混合氣體的成分和濃度進行準確檢測。但是目前單個傳感器對不同氣體敏感響應有所不同,不具備自動識別氣體種類和數(shù)量的能力。因此,利用多個氣體傳感器組合,構(gòu)成傳感器陣列,結(jié)合模式識別技術(shù)組成電子鼻系統(tǒng)來進行氣體的定性、定量分析,可以大大提高對混合氣體的識別能力。
BP神經(jīng)網(wǎng)絡是目前電子鼻系統(tǒng)中廣泛采用的一種技術(shù)。BP神經(jīng)網(wǎng)絡的應用在一定程度上提高了氣體識別精度。但是,由于混合氣體網(wǎng)絡學習樣本的復雜性導致單一的BP神經(jīng)網(wǎng)絡[7-8]或徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡[9-10]分析方法在處理復雜樣本時,學習精度較差,難以滿足識別精度要求[11-14]。因此為了提高精度,必須研究新型的網(wǎng)絡結(jié)構(gòu),提高網(wǎng)絡對于復雜樣本的學習能力,使它具有理想的精度和泛化能力等。本文由此提出了基于Gabor原子神經(jīng)網(wǎng)絡的電子鼻系統(tǒng),具有識別能力強、工作特性好等優(yōu)點,因而具有重要的工程應用價值。
1 Gabor原子神經(jīng)網(wǎng)絡原理
Gabor原子神經(jīng)網(wǎng)絡就是將Gabor原子變換與BP神經(jīng)網(wǎng)絡相結(jié)合,將Gabor原子變換運用到網(wǎng)絡的輸入層完成對特征的提取,神經(jīng)網(wǎng)絡的其他部分則用于特征的選擇與分析。Gabor原子網(wǎng)絡結(jié)構(gòu)如圖1所示,整個網(wǎng)絡共分兩個部分,下部分為特征提取層,上部分為分析層。圖中的圓圈表示網(wǎng)絡節(jié)點,節(jié)點內(nèi)的符號表示該節(jié)點的輸出,節(jié)點右下角的圖形表示該節(jié)點激勵函數(shù)的示意圖,即在特征提取層采用絕對值函數(shù),在分類層采用Sigmoid函數(shù)。圖中與各個節(jié)點相連的線段表示加權(quán)連接,實線表示數(shù)量乘積,虛線表示向量乘積,線段旁邊的符號表示連接權(quán)值。
如圖1所示 ,輸入層為特征抽取部分,而隱層和輸出層組成信號分析部分。所使用的學習算法為誤差反傳(BP)算法。
2 基于Gabor原子神經(jīng)網(wǎng)絡的電子鼻系統(tǒng)
基于Gabor原子神經(jīng)網(wǎng)絡的電子鼻系統(tǒng)原理圖如圖2所示。采用靜態(tài)配氣法配置不同濃度的混合氣體,通過氣體傳感器陣列獲得氣敏陣列輸出組。將這些輸出作為Gabor原子神經(jīng)網(wǎng)絡的輸入,對應的混合氣體各組分濃度作為該神經(jīng)網(wǎng)絡的輸出,構(gòu)建網(wǎng)絡的學習樣本集,并對網(wǎng)絡進行訓練,直至網(wǎng)絡的輸出誤差達到精度,這時網(wǎng)絡各連接權(quán)上存儲了從傳感器陣列信號到氣體濃度的映射關(guān)系,它近似于傳感過程的逆映射,可用于識別陣列的未知模式。
如圖2所示,假設混合氣體中包含m種氣體,相應的每種氣體的濃度為s1,s2,…,sm。傳感器陣列中每種氣體傳感器的輸出為x1,x2,…,xj。由于氣體傳感器除對特定氣體具有較強敏感度以外,對其他的氣體也存在不同程度的敏感性,即“交叉敏感”。因此,氣體傳感器陣列的輸出可表示為:
3 實驗結(jié)果及分析
本文以混合氣體H2、CO和CH4為實驗對象。傳感器陣列選取SnO2型半導體氣體傳感器,由TGS系列的TGS825、TGS813、TGS2611和MQ系列的MQ136、MQ-7、MQ-4 6個傳感器來組成陣列元素。這6個氣體傳感器分別對這三種氣體具有不同的靈敏度。根據(jù)這6個氣體傳感器對三種氣體的敏感特性曲線,配制好如下體積分數(shù)范圍的混合氣體。每種氣體的體積分數(shù)范圍分別為:CH4:100~500 ppm;CO:10~100 ppm;H2:10~100 ppm,模擬給出訓練樣本集G(0),共包括1 800個學習樣本。
在本文中應用了6個氣體傳感器來對混合氣體進行檢測,而應用單一的BP神經(jīng)網(wǎng)絡時,輸入特征向量的維數(shù)決定網(wǎng)絡的輸入節(jié)點的個數(shù),因此輸入層節(jié)點數(shù)為6。而應用Gabor原子神經(jīng)網(wǎng)絡時,Gabor原子變換的強特征提取功能使得Gabor原子神經(jīng)網(wǎng)絡輸入層Gabor原子個數(shù)理論上應該小于輸入信號的維數(shù)。經(jīng)過反復的實驗,最終得出結(jié)論,當輸入層原子個數(shù)為4時,Gabor原子神經(jīng)網(wǎng)絡較為理想。因此可以看出在BP神經(jīng)網(wǎng)絡分析之前對輸入特征向量進行Gabor原子變換,可以簡化BP神經(jīng)網(wǎng)絡輸入層節(jié)點個數(shù)。
而Gabor原子神經(jīng)網(wǎng)絡的輸出層節(jié)點個數(shù)由其檢測的氣體種類確定,在本文中對3種混合氣體進行檢測,因此Gabor原子神經(jīng)網(wǎng)絡輸出層節(jié)點個數(shù)為3個。
隱層節(jié)點個數(shù)的確定首先根據(jù)式(6)所示的經(jīng)驗公式大致算出隱層節(jié)點個數(shù)的取值范圍。
式(6)中Q為Gabor原子的個數(shù),M為輸出節(jié)點個數(shù),α為1~10之間的常數(shù)。再根據(jù)相關(guān)實驗結(jié)果改變隱層節(jié)點個數(shù),比較網(wǎng)絡收斂速度,觀測誤差情況。最終得出,當隱層節(jié)點個數(shù)為9時,精度最高。因此,Gabor原子神經(jīng)網(wǎng)絡隱層節(jié)點個數(shù)為9個。
應用訓練樣本訓練整個網(wǎng)絡,并在剩余的數(shù)據(jù)中隨機挑選5組作為測試樣本驗證網(wǎng)絡的學習效果,最終得出實驗結(jié)果。表1為普通單一BP神經(jīng)網(wǎng)絡的定量分析結(jié)果,表2為采用Gabor原子神經(jīng)網(wǎng)絡定量分析的結(jié)果。
從表2中可以得到,各種氣體的測量絕對誤差不超過7 ppm,CH4的平均相對誤差為1.7%,CO的平均相對誤差為3.7%,H2的平均相對誤差為4.1%。圖3給出了網(wǎng)絡的誤差收斂曲線圖,其中圖3(a)為采用單一BP神經(jīng)網(wǎng)絡學習誤差收斂曲線,而圖3(b)為采用Gabor原子神經(jīng)網(wǎng)絡學習誤差收斂曲線。通過比較可以很明顯地看出,單一的BP神經(jīng)網(wǎng)絡在收斂速度上遠低于雙層復合神經(jīng)網(wǎng)絡,從而導致單一的BP神經(jīng)網(wǎng)絡的測試結(jié)果準確度較低,而改進后的Gabor原子神經(jīng)網(wǎng)絡的分析精度有了很大的提高,可以較準確地分析出混合氣體中不同氣體的濃度值。
本文提出了應用Gabor原子神經(jīng)網(wǎng)絡的電子鼻系統(tǒng)對混合氣體定量分析的方法,大大提高了分析精度。Gabor原子神經(jīng)網(wǎng)絡的學習速度和收斂速度均優(yōu)于傳統(tǒng)的單一BP網(wǎng)絡,能夠?qū)崿F(xiàn)對復雜學習任務的分解,具有很好的應用前景。
參考文獻
[1] GARDNER J W, BARTLETT P N. A brief history of electronic nose[J]. Sensors and Actuators B,1994,18(1-3):211-220.
[2] SCHALLER E,BOSSER J O,ESCHER F. Electronic Noses and their application to food.Lebensmittel-Wissenschaft und-Technologie,1994,31(4):305-316.
[3] 黃暉,楊鵬,姜海青,等.仿生氣體測量系統(tǒng)-電子鼻[J].傳感器技術(shù),2003,22(1):1-4,8.
[4] 石志標,左春怪,張學軍. 新穎的仿生檢測技術(shù)-電子鼻[J]. 測試技術(shù)學報,2004,18(1):50-55.
[5] 聶雪梅,劉仲明,張水華,等.電子鼻及其在食品領(lǐng)域的應用[J]. 傳感器技術(shù),2004,23(10):1-3.
[6] 高大啟,楊根興.嗅覺模擬技術(shù)[J].電子學報,2001,29(12A):1749-1752.
[7] 童敏明,葉小婷,王都霞.基于信息融合的礦井一氧化碳檢測方法的研究[J]. 計量學報,2007,28(4):388-390.
[8] 葉小婷,湯劼.基于BP神經(jīng)網(wǎng)絡的礦井一氧化碳檢測方法研究[J]. 儀表技術(shù),2007(10):40-42.
[9] 常柄國.基于徑向基函數(shù)神經(jīng)網(wǎng)絡識別變壓器油中微量特征氣體[J].西安交通大學學報,1999,33(12):13-17.
[10] 龐全,楊翠容,張玉清.人工神經(jīng)網(wǎng)絡氣體分析方法的研究[J].儀器儀表學報,1999,20(2):121-124.
[11] EKLOV T, LUNDSTROM I. Gas mixture analysis using a distributed chemical sensor system, Sensors and Actuators B,1999,57:274-282.
[12] HUYBERECHTS G, SZECOWKA P, ROGGEN J, et al. Simultaneous quantification of carbon monoxide and methane in humid air using a sensor array and an artificial neural network[J].Sensors and Actuators B,1997,45(2):123-130.
[13] SZCZUREK A, SZECOWKA P M, LICZNERS B W. Application of sensor array and neural networks for quantification of organic solvent vapours in air[J].Sensors and Actuators B,1999,58:427-432.
[14] MARTIN M A, SANTOS J P, VASQUEZ H. Study of the interferences of NO2 and CO in solid state commercial sensors[J]. Sensors and Actuators B,1999,58:469-473.