CN101949892A - 基于rbf人工神经网络和saw气体传感器的气体浓度检测方法 - Google Patents

Abstract

本发明公开了一种基于RBF人工神经网络和SAW气体传感器阵列的气体浓度检测方法，该传感器阵列包括多组SAW气体传感器和与SAW气体传感器输出端连接的RBF人工神经网络；该检测方法将SAW气体传感器阵列的多种气体浓度输出作为RBF人工神经网络的输入，将RBF人工神经网络的判断输出作为多种气体浓度的判断输出；将多种气体浓度样本分区建立不同气体的聚类中心，通过判断RBF输入与输出气体浓度误差是否在系统允许范围，不断调整RBF人工神经网络的隐含层到输出层权重，构建满足SAW气体传感器误差检测标准的RBF人工神经网络；建立的RBF人工神经网络判断器用于判断多SAW气体传感器检测结果，减小了不同气体对同一SAW气体传感器造成干扰导致的输出气浓度检测误差。

Description

基于RBF人工神经网络和SAW气体传感器的气体浓度检测方法

技术领域

本发明涉及声表面波气体传感器领域，具体涉及一种基于RBF人工神经网络和SAW(声表面波)气体传感器的气体浓度检测方法。

背景技术

已报道的人体呼出气体试验(human exhaled air test，hEAT)方法主要有两类：传统的质谱色谱分析方法和气体传感器技术。前者虽经不断改良和发展，但都存在分析时间长、难以实现实时在线检测、仪器昂贵且笨重等缺点，不宜应用于临床人体呼出气体试验检测。因此选择敏感性高、可小型化、集成化且易于实现自动分析的SAW气体传感器，是实现人体呼出气体试验更理想的方法。SAW传感器具有如下优点：

1.高灵敏度、高线性度：SAW传感器的能量密度很大，对表面的扰动很敏感。而且SAW传感器的基频可以加工至数GHz，因此其检测灵敏度要远高于体波传感器，可达1×10^-12g/L，可以实现人体呼出气体中痕量化学物质(ppb级)的检测需求。

2.重复性及可靠性更好：SAW传感器中的关键部件——SAW谐振器或延迟线，制作时采用了平面复制的半导体工艺，重复性极好。而且易集成化、一体化，结构牢固，因而可靠性更好。

3.信号容易采集和处理，可以实现无线传感：采用准数字信号输出，易数字化。在遥感和遥测方面有着非常明显的优势。

4.快速：一般只需2-10分钟就可出结果。

5.体积小，重量轻，功耗低：这是所有SAW传感器的共同特点。

现有技术中由于一种SAW气体传感器不仅对其检测的气体敏感，同时也可能对另外一种或多种气体比较敏感，这就使得计算得到的检测气体浓度数值与输入的气体原始浓度值肯定有较大的差异，因此迫切需要有一种综合的自动判断模型对SAW气体传感器的输出进行数值纠错，使输出气体浓度更加贴近真实值。

发明内容

有鉴于此，为了解决上述问题，本发明公开了一种基于RBF人工神经网络和SAW气体传感器的气体浓度检测方法，将多种SAW气体传感器输出气体浓度信号输入嵌有RBF人工神经网络的芯片输入端，建立RBF人工神经网络判断器用于判断多SAW气体传感器检测结果，减小了不同气体对同一SAW气体传感器造成干扰导致的输出气浓度检测误差。

本发明的目的是这样实现的：基于RBF人工神经网络和SAW气体传感器的气体浓度检测方法，将待检测气体输入各组SAW气体传感器，各组SAW气体传感器输出待检测气体中各种气体初步浓度判别值，各种气体初步浓度判别值输入RBF人工神经网络，经RBF人工神经网络判别输出各种气体校正浓度判别值，其中RBF人工神经网络构建步骤为：

1)选取由n种气体组成的气体样本，将n种气体组成的气体样本输入各组SAW气体传感器，各组SAW气体传感器输出的各种气体浓度输入RBF人工神经网络的输入层X＝(X₁，X₂，...，X_n)，其中，X_i为第i种气体浓度输入值，i∈[1，n]，n为气体种类数，亦即输入层单元个数；

2)设置Y＝(Y₁，Y₂，...，Y_n)为RBF人工神经网络的输出层，Y_k为RBF人工神经网络判断第k个SAW传感器气体浓度的输出值，k∈[1，n]；

3)第k个SAW传感器气体浓度判断由如下方式确定：

$Y_k\left(x\right)=\underset{j=1}{\overset{W}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{jk}}{R}_j\left(\right||X-c_j|\left|\right)$

其中，ω_jk为第j个隐层单元到第k个输出单元Y_k的权值，c_j为第j个隐层单元的聚类中心，W为隐层单元个数，‖X-c_j‖表示X到c_j的距离测度；R_j为隐层第j单元的输出。

4)将n种气体组成的气体样本分为n个聚类；

5)对每个聚类分区内的样本求平均值作为该聚类中心c_j；

6)初始化隐层单元到输出单元的权值ω，ω为大于零小于1的值；

7)根据输入输出误差|Y-X|，调整权值ω的大小。

进一步，步骤3)中R_j采用高斯函数，满足

其中σ_j常数为基函数宽度；

进一步，步骤5)包含如下步骤：

51)选取n种气体组成的气体样本中，第一种气体含量最高的前L组样本，求得前L组样本的平均值为第一种气体的聚类中心C₁；

52)重复51)，求取第二、第三至第n种气体的聚类中心C₂，C₃至C_n；

进一步，步骤7)中：

当输出Y_i＜X_i时，调高ω_ii的值，直到

中的误差ε满足系统要求；

当输出Y_i＞X_i时，调低ω_ii的值，直到

中的误差ε满足系统要求；

进一步，各组SAW气体传感器分别用于检测气体中丙酮、丁烷、癸烷、十三烷、氨气的浓度。

本发明的有益效果是：将多种SAW气体传感器阵列式排列，解决了多种气体同时检测中，压电材料检测阵面过小无法同时承载多SAW气体传感器同时运行的问题；将多种SAW气体传感器的输出端与嵌有RBF人工神经网络的芯片输入端连接，建立RBF人工神经网络判断器用于判断多SAW气体传感器检测结果，减小了不同气体对同一SAW气体传感器造成干扰导致的输出气体浓度检测误差。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1示出了SAW气体传感器平行排列阵列；

图2示出了共用输入叉指换能器的SAW气体传感器阵列；

图3示出了同心圆排列SAW气体传感器阵列；

图4示出了SAW气体传感器输出经RBF人工神经网络再次分析的流程。

具体实施方式

以下将对本发明的优选实施例进行详细地描述。

阵列式SAW气体传感器的构建：

选取NH₃、丁烷、癸烷、十三烷、丙酮五组SAW气体传感器；其气体敏感膜分别为：NH₃检测SAW传感器以ZnO-WO₃为复合敏感膜；丁烷检测SAW传感器以Ru-ZnO为复合敏感膜；癸烷检测SAW传感器以聚环氧氯丙烷(PECH)为敏感膜；十三烷检测SAW传感器以聚异丁烯(PIB)为敏感膜；丙酮检测SAW传感器以真空油脂(Apiezon H)作为敏感膜；

如图1示出了通常情况下，NH₃、丁烷、癸烷、十三烷、丙酮五组SAW气体传感器排列于同一压电材料上的平行排列方法，每一排为一种气体的SAW气体传感器输入输出叉指换能器对。

如图2所示，将NH₃、丁烷、癸烷、十三烷、丙酮五组SAW气体传感器的输入叉指换能器并列排列成5行放置于压电材料上，在输入叉指换能器的两边分别放置两个输出叉指换能器，同一行构成一种气体的SAW气体传感器；第一行为NH₃的SAW气体传感器，中间放置输入叉指换能器，输入叉指换能器的一边为输出叉指传感器，并与输入叉指换能器间放置ZnO-WO₃复合敏感膜；输入叉指换能器的另一边放置输出叉指换能器，并与中间输入叉指换能器间无复合敏感膜，作为有复合敏感膜一边压电判断的补充项；此外，丁烷、癸烷、十三烷和丙酮的SAW气体传感器的输入输出叉指换能器以同样的方式排列，并以同样方式放置各自敏感膜。

如图3示，根据具体测试的场地的需要，五组SAW气体传感器也可按同心圆阵列排列，NH₃的SAW气体传感器排列为：输入叉指传感器与输出叉指传感器以圆心呈中心对称排列，输入叉指传感器与输出叉指传感器间放置ZnO-WO₃复合敏感膜。同样的方式，丁烷、癸烷、十三烷和丙酮的SAW气体传感器的输入叉指换能器和输出叉指换能器以圆心呈中心对称排列，输入输出叉指换能器间分别放置各自敏感膜；

RBF神经网络的构建：

图4示出了与SAW气体传感器连接的芯片所嵌有的RBF神经网络；5个SAW气体传感器的输出信号流入RBF神经网络的输入端，神经网络的输入为X＝(X₁，X₂，...，X_n)，输入n为5，X₁至X_n分别表示5个SAW气体传感器输出的NH₃、丁烷、癸烷、十三烷、丙酮五组气体浓度；

输出为Y＝(Y₁，Y₂，...，Y_m)，输出m为5，Y₁至Y₅分别表示RBF神经网络对5组NH₃、丁烷、癸烷、十三烷、丙酮五组气体浓度的判断输出。

输出节点判别形式为：

其中，ω_jk为第j个隐层单元到第k个输出单元Y_k的权值，c_j为第j个隐层单元的聚类中心，W为隐层单元个数，‖X-c_j‖表示X到c_j的距离测度；

R_j为隐层第j单元的输出；可以使用高斯函数模式：

$R_j=\exp [-\frac{\left|\right|X-c_j\left|\right|}{{2\mathrm{\σ}}_j^2}],j=\mathrm{1,2},...,W;$

c_j为隐层第j单元的高斯函数中心；σ_j常数为基函数宽度；R_j(x)在c_j处有一个唯一最大值，随‖X-c_j‖的增大，R_j迅速衰减为零。对于给定输入X，只有一小部分靠近X的中心被激活。

隐层单元个数选择为5；

选取NH₃、丁烷、癸烷、十三烷、丙酮五种气体样本100件，将含NH₃量最高的20件样本求均值，求出均值作为第一个隐层单元聚类中心c₁；

同理选取100件样本中，含丁烷最高的20件样本求均值，求出均值作为第二个隐层单元聚类中心c₂；依次，确定第三，第四，第五个隐层单元聚类中心。

初始化ω_jk，(其中，j＝1…5，k＝1…5)为大于零小于1的随机值；

训练时，将NH₃、丁烷、癸烷、十三烷、丙酮五组气体样本100件，依次输入各组SAW气体传感器，各组SAW气体传感器输出的各种气体浓度输入RBF神经网络的输入层X＝(X₁，X₂，...，X_n)，计算输出Y＝(Y₁，Y₂，...，Y_m)；

当输出Y_i＜X_i时，调高ω_ii的值，直到

中的误差ε满足一定误差值；

当输出Y_i＞X_i时，调低ω_ii的值，直到

中的误差ε满足一定误差值；

以上所述仅为本发明的优选并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.基于RBF人工神经网络和SAW气体传感器的气体浓度检测方法，其特征在于：将待检测气体输入各组SAW气体传感器，各组SAW气体传感器输出待检测气体中各种气体初步浓度判别值，各种气体初步浓度判别值输入RBF人工神经网络，经RBF人工神经网络判别输出各种气体校正浓度判别值，其中RBF人工神经网络构建步骤为：

1)选取由n种气体组成的气体样本，将n种气体组成的气体样本输入各组SAW气体传感器，各组SAW气体传感器输出的各种气体浓度输入RBF人工神经网络的输入层X＝(X₁，X₂，...，X_n)，其中，X_i为第i种气体浓度输入值，i∈[1，n]，n为气体种类数，亦即输入层单元个数；

2)设置Y＝(Y₁，Y₂，...，Y_n)为RBF人工神经网络的输出层，Y_k为RBF人工神经网络判断第k个SAW传感器气体浓度的输出值，k∈[1，n]；

3)第k个SAW传感器气体浓度判断由如下方式确定：

$Y_k\left(x\right)=\underset{j=1}{\overset{W}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{jk}}{R}_j\left(\right||X-c_j|\left|\right)$

其中，ω_jk为第j个隐层单元到第k个输出单元Y_k的权值，c_j为第j个隐层单元的聚类中心，W为隐层单元个数，‖X-c_j‖表示X到c_j的距离测度；R_j为隐层第j单元的输出。

4)将n种气体组成的气体样本分为n个聚类；

5)对每个聚类分区内的样本求平均值作为该聚类中心c_j；

6)初始化隐层单元到输出单元的权值ω，ω为大于零小于1的值；

7)根据输入输出误差|Y-X|，调整权值ω的大小。

2.如权利要求1所述的基于RBF人工神经网络和SAW气体传感器的气体浓度检测方法，其特征在于：

步骤3)中R_j采用高斯函数，满足

其中σ_j常数为基函数宽度。

3.如权利要求2所述的基于RBF人工神经网络和SAW气体传感器的气体浓度检测方法，其特征在于：

步骤5)包含如下步骤：

51)选取n种气体组成的气体样本中，第一种气体含量最高的前L组样本，求得前L组样本的平均值为第一种气体的聚类中心C₁；

52)重复51)，求取第二、第三至第n种气体的聚类中心C₂，C₃至C_n。

4.如权利要求3所述的基于RBF人工神经网络和SAW气体传感器的气体浓度检测方法，其特征在于：步骤7)中：

当输出Y_i＜X_i时，调高ω_ii的值，直到

中的误差ε满足系统要求；

当输出Y_i＞X_i时，调低ω_ii的值，直到

中的误差ε满足系统要求。

5.如权利要求4所述的基于RBF人工神经网络和SAW气体传感器的气体浓度检测方法，其特征在于：各组SAW气体传感器分别用于检测气体中丙酮、丁烷、癸烷、十三烷、氨气的浓度。

Images