CN102944583A - 基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法 - Google Patents

基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法 Download PDF

Info

Publication number
CN102944583A
CN102944583A CN201210504860XA CN201210504860A CN102944583A CN 102944583 A CN102944583 A CN 102944583A CN 201210504860X A CN201210504860X A CN 201210504860XA CN 201210504860 A CN201210504860 A CN 201210504860A CN 102944583 A CN102944583 A CN 102944583A
Authority
CN
China
Prior art keywords
centerdot
vector
independent component
concentration
metal
Prior art date
Application number
CN201210504860XA
Other languages
English (en)
Other versions
CN102944583B (zh
Inventor
田逢春
冯敬伟
胡波
郭洁莲
张磊
叶奇
陈建军
肖博
李国瑞
党丽君
刘涛
Original Assignee
重庆大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 重庆大学 filed Critical 重庆大学
Priority to CN201210504860.XA priority Critical patent/CN102944583B/zh
Publication of CN102944583A publication Critical patent/CN102944583A/zh
Application granted granted Critical
Publication of CN102944583B publication Critical patent/CN102944583B/zh

Links

Abstract

本发明提供了一种基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,该方法借助独立成分分析,屏蔽了环境温度、湿度以及因环境因素导致的异常值对漂移规律和漂移量估算的影响,找出基线响应情况下浓度独立成分随时间漂移变化的规律;此后在金属氧化物气体传感器阵列对气体样本进行浓度检测处理时,利用基线响应情况下浓度独立成分随时间漂移变化的规律估算出浓度独立成分的漂移量对浓度检测响应数据中的浓度独立成分进行漂移补偿,然后借助浓度检测响应数据中漂移补偿过后的浓度独立成分利用浓度预测函数进行预测换算得到敏感气体浓度检测结果,能够有效提高漂移规律和漂移量的估算精度,保证了金属氧化物气体传感器阵列浓度检测的准确性。

Description

基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法
技术领域
[0001] 本发明涉及气体传感器技术和计算机处理技术领域,尤其涉及一种基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法。
背景技术
[0002] 气体传感器的漂移问题长期以来一直困扰着人们。导致气体传感器漂移的因素比较复杂,如传感器本身的老化、受某种气体的“污染”、温度湿度等环境因素的变化等等,其中环境温度、湿度的变化对漂移的影响比较明显。传统的漂移抑制方法着眼点在于提供稳定的测试环境,或者改善器件结构和设计补偿电路来消除环境影响。然而,这些方法不仅使器件结构复杂化,而且使器件制造成本提高。因此更有效的方式是不再刻意地追求环境的稳定,而是漂移发生之后再通过估算漂移量进行漂移补偿,以消除漂移影响。
[0003] 气体传感器通常可分为金属氧化物气体传感器(也称为半导体气体传感器)、固体电解质气体传感器、电化学气体传感器、光学气体传感器等,其中金属氧化物气体传感器应用较为普遍。不同的金属氧化物气体传感器对不同的气体具有敏感性,金属氧化物气体传感器的阻值R会随着环境中敏感气体的浓度C的大小而变化,且在环境中温湿度条件固定的情况下,其阻值R与敏感气体的浓度C呈现对数线性对应关系:
[0004] IgR= a Igc+ β ;
[0005] 其中α与β是相应的一组对数线性系数,不同的金属氧化物气体传感器对应的α和β值也不同,这是金属氧化物气体传感器具有的特性。实际应用中,常采用多个金属氧化物气体传感器组成金属氧化物气体传感器阵列,对环境中的某一种或某几种敏感气体进行浓度检测。然而金属氧化物气体传感器阵列同样面临漂移问题,长期使用后的漂移将影响金属氧化物气体传感器阵列对敏感气体浓度检测的准确性。有研究曾尝试通过统计方法寻找金属氧化物气体传感器进行敏感气体浓度检测时对应的阻值R随时间漂移变化的规律,希望找出阻值R漂移量进行阻值补偿,进而借助补偿后的阻值以及对数线性对应关系lgR=a Igc+β进行浓度检测,然而由于金属氧化物气体传感器的阻值R是依据响应值换算而得到,因此其同样受到环境温度、湿度、敏感气体浓度、随时间的漂移量等多维度因素 的影响,即便固定了温度、湿度条件,阻值R依然至少是敏感气体浓度、随时间的漂移量的二维变量,难以直接统计得出阻值R随时间漂移变化的线性规律,并且实际环境中要保证温度、湿度条件固定是非常困难的,加之实际采集的检测响应数据中还包含有因环境条件污染、噪声等引起的异常值数据,这些因素使得基于阻值R漂移量估算和补偿的浓度检测方案难以得到实际应用实施。如何解决金属氧化物气体传感器阵列的漂移补偿问题,确保对敏感气体浓度检测的准确性,提高金属氧化传气体传感器的使用寿命,成为了领域内亟待解决的技术难题。
发明内容
[0006] 针对现有技术中存在的上述问题,本发明的目的在于提供一种基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,该方法借助独立成分分析进行漂移补偿以及对敏感气体的浓度检测运算处理,屏蔽了环境温度、湿度以及因环境因素导致的异常值对漂移规律和漂移量估算的影响,能够有效提高漂移规律和漂移量的估算精度,保证金属氧化物气体传感器阵列浓度检测的准确性。
[0007] 为实现上述目的,本发明采用了如下的技术方案:
[0008] 一种基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,包括如下步骤:
[0009] A)通过训练获得浓度检测参数;该步骤具体为:
[0010] al)在金属氧化物气体传感器阵列尚未发生漂移的期间,采集和记录金属氧化物气体传感器阵列在不同时间、温度、湿度条件下的基线响应值向量,并采用金属氧化物气体传感器阵列的敏感气体进行训练,采集和记录金属氧化物气体传感器阵列在不同时间、温度、湿度、敏感气体浓度条件下的训练响应值向量;其中:
[0011] X^TiJ,^)^[χΙχ{Γ, ,I···,
[0012]可(7;J,為)表示第I次采集的金属氧化物气体传感器阵列的基线响应值向量,T1, Lh1分别表示第I次采集基线响应值向量可(7;,/,,%)的时间、温度和湿度,I e {1,2^··,L},L表示在金属氧化物气体传感器阵列尚未发生漂移期间采集基线响应值向量的次数;4(7;,/;為)表示第I次采集的基线响应值向量可(I;,/,,/¾)中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值,k e {1,2,…,K},K表示金属氧化物气体传感器阵列中的金属氧化物气体传感器个数;
[0013] X1 (Ti,tt, /¾ ,Ci) = [x(1 (Tj,Ii, ht, C1 ),Xi2 (Ti HciI …,\k (Ti,, Λ,, c,),…,xiK [Ti,Ii, Ui, Ci)];
[0014]无.(ΚΛ,ς.)表不第i次米集的金属氧化物气体传感器阵列的训练响应值向量,Ti, ti; hi,Ci分别表示第i次采集训练响应值向量无(7:ζΛ,ς.)的时间、温度、湿度和敏感气体浓度,i e {I, 2,…,1},I表示在金属氧化物气体传感器阵列尚未发生漂移期间采集训练响应值向量的次数;XiikCTi, ^hpCi)表示第i次采集的训练响应值向量c)中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的训练响应值,k e {1,Z K};
[0015] a2)根据金属氧化物气体传感器阵列各个金属氧化物气体传感器的基线响应值与温度、湿度的对应关系,通过回归分析分别得到金属氧化物气体传感器阵列的各个金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线,构成金属氧化物气体传感器的基线值拟合网络|x°l (t,h):
[0016] I-ViI(/,/;) = ;
[0017] 其中,表示金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线,k e {1,2, -,K} ;t表示温度,h表示湿度;
[0018] a3)使用基线值拟合网络|x°| (t,h)分别对各训练响应值向量进行基线校正,得到
各训练响应值向量对应的校正响应值向量:
[0019]
Figure CN102944583AD00101
[0020]其中(mo表示第i次采集的训练响应值向量对应的校正响应值向量表示金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线值拟合曲线<(»)中温度为ti、湿度为hi时对应的基线值;
[0021] a4)将I个校正响应值向量构成校正响应值矩阵Xlr :
[0023] 然后,对校正响应值矩阵f进行独立成分分析,得到校正响应值矩阵Xlr对应的混合矩阵#和独立成分矩阵
Figure CN102944583AD00111
[0024] Xrtp=Mr X SrTP;且有;
[0025] 其中,TP表示矩阵转置符号尤表示校正响应值向量写(ΚΛ,ς)对应的独立成分向量,i e {1,2,…,I},且有:
Figure CN102944583AD00112
[0027](表示独立成分向量?/中第j维度的独立成分因子,j e {I, 2,…,J},J表示独立成分向量?/的维数,且J彡K;
[0028] a5)将独立成分矩阵Slr中同一维度的I个独立成分因子构成一个独立成分维度向量,从而得到J个独立成分维度向量;将I次采集训练响应值向量的温度构成训练温度列向MiM ί次采集训练响应值向量的湿度构成训练湿度列向量I;其中:
Figure CN102944583AD00113
[0030] $表示独立成分矩阵Slr中第j维度的独立成分维度向量,j e {I, 2,…,J};然后,分别统计计算各个独立成分维度向量与训练温度列向量f的相关系数以及各个独立成分维度向量与训练湿度列向量I的相关系数:
Figure CN102944583AD00114
[0032] 其中,Λί?/«,0表示独立成分矩阵Sr中第j维度的独立成分维度向量^与训练温度列向量f的相关系数,Γ«ν(ί丨,f)表示独立成分矩阵f中第j维度的独立成分维度向量^与训练温度列向量ί的协方差,表示独立成分矩阵f中第j维度的独立成分维度向量^的方差,ο?ν(ΰΊ表示训练温度列向量f的方差』)表示独立成分矩阵Sr中第j维度的独立成分维度向量$与训练湿度列向量叾的相关系数,Ovd句表示表示独立成分矩阵Sr中第j维度的独立成分维度向量6与训练湿度列向量名的协方差,Γον(ϋ)表示训练湿度列向ϋ的方差;
[0033] a6)分别将独立成分矩阵Sr中与训练温度列向量?的相关系数値最大的一个独立成分维度向量以及与训练湿度列向量叾的相关系数值最大的一个独立成分维度向量中的各个独立成分因子均置为零,得到去除温度和湿度独立成分的修正独立成分矩阵S' \再利用混合矩阵M1H十算得到修正响应值矩阵Γ r:
[0034]
Figure CN102944583AD00121
[0035] 其中,TP表示矩阵转置符号表示第i次采集的训练响应值向量
对应的修正响应值向量,i e {I, 2,…,1};且有:
[0036] <(7:’中 狀(k),…,-
[0037] 表不修正响应值向量# dq)中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器对应的修正响应值,k e {I, 2,…,K};
[0038] a7)根据金属氧化物气体传感器阵列中各个金属氧化物气体传感器的阻抗特性换算得到修正响应值矩阵V r中各个修正响应值Ci)所对应的金属氧化物气体传感器的阻值,i e {1,2,…,1},k e {1,2,…,K};
[0039] 进而通过统计金属氧化物气体传感器的阻值<::.α,ς)对应的敏感气体浓度Ci,得到金属氧化物气体传感器阵列中各个金属氧化物气体传感器的阻值与敏感气体浓度的对应变化关系,并通过回归分析分别得到金属氧化物气体传感器阵列中各个金属氧化物气体传感器的阻值随敏感气体浓度变化的阻值对数线性拟合曲线;其中,金属氧化物气体传感器阵列中任意的第k个金属氧化物气体传感器的阻值Rk随敏感气体浓度C变化的阻值对数线性拟合曲线表示为:
[0040] lgRk(c) = a k · lgc+β k ;
[0041] Ci1^PPk为通过线性回归算法得到金属氧化物气体传感器阵列中第k个金属氧化物气体传感器的阻值对数线性拟合曲线所对应的一组对数线性拟合系数,k e {1,2^··,K};
[0042] 38)根据各个修正响应值<丨(2:^,)相应的金属氧化物气体传感器阻值<[(2;4)以及敏感气体浓度Ci, i e {I, 2,…,1},k e {I, 2,…,K},分别计算各个修正响应值
其到相应的阻值对数线性拟合曲线的样本误差距离:
[0043] D/S:k =^iTiiCi)-β,-ak 5[0044] 其中,1¾表示修正响应值向量CO:,ς冲金属氧化物气体传感器阵列的第k个金属氧化物气体传感器对应的阻值和敏感气体浓度Ci所构成的阻值-浓度样本点(\gR:rAT,A),Igcj-)到金属氧化物气体传感器阵列中第k个金属氧化物气体传感器的阻值对数线性拟合曲线的样本误差距离;
[0045] 然后,将各个样本误差距离与预先设定的误差距离阈值DIStl进行比较;对于任意一个修正响应值向量若其中每一个修正响应值均满足其对应的样本误差距离2)/¾ ,k e {I, 2,…,K},则将该修正响应值向量# (2;,ς)所对应的训练响应值向量c,)作为一个参考响应值向量;否则,将该修正响应值向量ίΠς)所对应的训练响应值向量.ϊ,(ΚΛ,ς)放弃;从而由各个参考响应值向量构成参考响应值矩阵Xa :
[0046]
Figure CN102944583AD00131
[0047] 其中表示第d个参考响应值向量,Td, td, hd, Cd分别表示参考响应值向量#(¾,Zrf,屺,〜)对应的时间、温度、湿度和敏感气体浓度,d e {1,2,…,D},D表示参考响应值向量的个数,且D < I ;
[0048] a9)对参考响应值矩阵Xa独立成分分析,得到参考响应值矩阵Xa对应的混合矩阵Ma和独立成分矩阵Sa:
[0049]
Figure CN102944583AD00132
[0050] 其中,TP表示矩阵转置符号;#表示第d个参考响应值向量对应的独立成分向量,de {1,2,…,D},且有:
[0051] Sd - …,¾',.,…,;
[0052] 表示独立成分向量?;*中第γ维度的独立成分因子,y e {I, 2,…,Y},Y表示独立成分向量0的维数,且Y彡K;
[0053] alO)将独立成分矩阵Sa中同一维度的D个独立成分因子构成一个独立成分维度向量,从而得到Y个独立成分维度向量;将参考响应值矩阵Xa中D个参考响应值向量对应的敏感气体浓度构成参考浓度列向量P,其中:
Figure CN102944583AD00141
[0055] s表示独立成分矩阵Sa中第y维度的独立成分维度向量,y e {1,2,…,Y};然后,分别统计计算各个独立成分维度向量与参考浓度列向量c的相关系数:
Figure CN102944583AD00142
[0057] 其中,表示独立成分矩阵Sa中第y维度的独立成分维度向量^与参考浓度列向量P的相关系数,Cov(#,<5勺表示独立成分矩阵Sa中第y维度的独立成分维度向量#与参考浓度列向量P的协方差独立成分矩阵Sa中第y维度的独立成分维度向量#的方差,CovPW)表示参考浓度列向量P的方差;
[0058] 进而找到独立成分矩阵Sa中与参考浓度列向量夕的相关系数値最大的一个独立成分维度向量,将该1/(¾1,a勺值最大的独立成分维度向量所在的维度标记为浓度成分维度 yma。,ymac e {1,2,-,Y};
[0059] 并且,统计独立成分矩阵Sa中浓度成分维度y·上的各个独立成分因子<,.,„对应的敏感气体浓度cd,d e {I, 2,…,D};根据敏感气体浓度与独立成分矩阵Sa中浓度成分维度y·上的各个独立成分因子的对应关系,通过回归分析得到敏感气体浓度c随浓度成分维度yma。上的独立成分因子变化的浓度预测函数;
[0060] all)在金属氧化物气体传感器阵列发生漂移后,继续采集和记录金属氧化物气体传感器阵列在不同时间、温度、湿度条件下的漂移基线响应值向量;其中:
Figure CN102944583AD00143
[0062] €(J;,H)表示第Z次采集的金属氧化物气体传感器阵列的漂移基线响应值向量,Tz, tz,hz分别表示第Z次采集漂移基线响应值向量€(7;,ίζ,\)的时间、温度和湿度,ζ e {1,2^··,Ζ},Z表示在金属氧化物气体传感器阵列发生漂移后采集漂移基线响应值向量的次数-xk(m)表示第ζ次采集的漂移基线响应值向量中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值,k e {I, 2,…,K};
[0063] 进而将各个漂移基线响应值向量冗(m)以及步骤al中采集的各个基线响应值向量#(K為)的集合构成长期基线数据矩阵x° :
Figure CN102944583AD00144
[0065] 其中,4°(Γ„Κ)表示长期基线数据矩阵Γ中的第n个基线响应值向量,n e {I, 2,…,N},N表示长期基线数据矩阵X°中基线响应值向量的个数,且N=L+Z ;
[0066] al2)采用混合矩阵Ma对长期基线数据矩阵V进行独立成分分析,得到长期基线数据矩阵x°对应的基线独立成分矩阵S。:
Figure CN102944583AD00151
[0067] Xqtp=MaXSqtp ;且有Sfl 二」;
Figure CN102944583AD00152
[0068] 其中,TP表示矩阵转置符号表示长期基线数据矩阵Χ°中第η个基线响应值向量对应的基线独立成分向量,η e {1,2,···,N},且有:
[0069]
[0070] <,,表示基线独立成分向量5:中第Y维度的独立成分因子,y e {1,2,…,Y};
[0071] al3)统计基线独立成分矩阵S。中浓度成分维度yma。上的各个独立成分因子<;w对应的时间Tn,n e {I, 2,…,N};根据基线独立成分矩阵S0中浓度成分维度y·上的各个独立成分因子与时间的对应关系,通过回归分析得到浓度成分维度yma。上的独立成分因子随时间T漂移变化的浓度成分漂移拟合曲线&(H ;
[0072] al4)将混合矩阵MA、浓度成分维度yma。、浓度预测函数)以及浓度成分漂移拟合曲线&作为训练获得的浓度检测参数加以存储;
[0073] B)利用浓度检测参数进行漂移补偿和敏感气体浓度检测处理;该步骤具体为:
[0074] bl)采用金属氧化物气体传感器阵列对气体样本进行检测获得检测响应值向量Xte,并记录采集检测响应值向的时间Ttes ;采用混合矩阵#对检测响应值向量i气进行独立成分分析,得到检测响应值向对应的检测独立成分向量s
[0075]产=MaXSm ;且有产=[<νΓ,···,<ν··,<];
[0076] <5表示检测独立成分向量f中第Y维度的独立成分因子,y e {I, 2,…,Y};
[0077] b2)取出检测独立成分向量产*中浓度成分维度yma。上的独立成分因子C,并按下式对所述独立成分因子补偿得到浓度成分因子补偿值<:::
Figure CN102944583AD00153
[0079] Δίν_ (Ttes)表示时间为Ttes时相对于时间为Ttl=O时的浓度成分漂移量,且:
Figure CN102944583AD00154
[0081] 其中,(Ttes)表示浓度成分漂移拟合曲线S>w(r)取时间T=Th时对应的浓度成分漂移值,(4)表示浓度成分漂移拟合曲线\_ (J)取时间T=Ttl=O时对应的浓度成分漂移值;
[0082] b3)计算浓度预测函数Ctvw)取浓度成分因子补偿值C时所对应的浓度预测值c(d),将浓度预测值c(<!:)作为对气体样本的敏感气体浓度检测结果输出。
[0083] 对于上述的基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,作为一种优选方案,所述步骤a2中进行回归分析的方法采用多项式回归分析方法,得到的金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线为:
[0084]
Figure CN102944583AD00161
[0085] 其中,X〖(/,A)表示金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线,Pk,(1(1,Pkao. Pk,01. Pk,20. Pk,11,Pk,02. Pk,21. Pk,12,Pk,⑹为通过多项式回归分析方法得到金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线值拟合曲线.<(/,々)所对应的一组多项式回归拟合系数,k e {1,2,···,κ}。
[0086] 对于上述的基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,作为进一步的优化方案,所述误差距离阈值DIStl的取值范围为O. 05 ( DIS0 ( O. 15。
[0087] 对于上述的基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,作为一种优选方案,所述步骤al3中进行回归分析的方法采用高斯函数回归分析方法,得到的浓度成分维度yma。上的独立成分因子随时间T漂移变化的浓度成分漂移拟合曲线\ O )为:
[0088]
Figure CN102944583AD00162
[0089] a、b、u为通过高斯函数回归分析方法得到浓度成分漂移拟合曲线\,„(乃所对应的一组高斯拟合系数。
[0090] 对于上述的基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,作为另一种优选方案,所述步骤al3中进行回归分析的方法采用高斯函数回归分析方法,并根据时间区间进行分段,得到的浓度成分维度yma。上的独立成分因子随时间T漂移变化的浓度成分漂移拟合曲线\ .. (/)为分段函数:
[0091]
Figure CN102944583AD00163
[0092] a、b、u为通过高斯函数回归分析方法得到浓度成分漂移拟合曲线O')所对应的一组高斯拟合系数;Ttto为分段时间阈值,分段时间阈值Tthr的取值满足Ttto>Tdif,且分段时间阈值Tthr之后的连续P个时间点均满足: [0093]
Figure CN102944583AD00164
[0094] 其中,Tdif表示金属氧化物气体传感器阵列开始发生漂移的时间点;Ttto+p和Tth^lri分别表示分段时间阈值Tthr之后的第P个时间点和第P-I个时间点,P e {I, 2,…,P},且P ^ 10 ; ε为预先设定的分段时间判断阈值,且0〈 ε ( 10_2。
[0095] 相比于现有技术,本发明具有如下有益效果:
[0096] I、本发明基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法借助独立成分分析,屏蔽了环境温度、湿度以及因环境因素导致的异常值对漂移规律和漂移量估算的影响,找出基线响应情况下浓度独立成分随时间漂移变化的规律;此后,在金属氧化物气体传感器阵列对气体样本进行浓度检测处理时,得到浓度检测响应数据中的浓度独立成分,利用基线响应情况下浓度独立成分随时间漂移变化的规律估算出浓度独立成分的漂移量对浓度检测响应数据中的浓度独立成分进行漂移补偿,然后借助浓度检测响应数据中漂移补偿过后的浓度独立成分利用浓度预测函数进行预测换算得到敏感气体浓度检测结果,能够有效提高漂移规律和漂移量的估算精度,保证了金属氧化物气体传感器阵列浓度检测的准确性。
[0097] 2、独立成分分析作为盲源信号分离的方法被广泛应用,本发明基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法中结合使用独立成分分析技术,可以有效的分离出温度、湿度、敏感气体浓度对金属氧化物气体传感器阵列的原始响应成分,从而屏蔽温度、湿度等不利影响因素,得到浓度独立成分随时间漂移变化的规律。
[0098] 3、训练数据中的异常值也会严重影响估算漂移规律和浓度检测的准确性,本发明基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法中综合使用了金属氧化物气体传感器的阻值与敏感气体的浓度呈现的对数线性对应关系对训练数据加以判断,有效排除 了其中的异常值数据,有效提高漂移规律和漂移量的估算精度,保证了金属氧化物气体传感器阵列浓度检测的准确性。
[0099] 4、本发明基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法中所得到的浓度检测参数,在同一型号的金属氧化物气体传感器阵列中可以通用,并且训练过程不需要严格要求训练的环境温度、湿度等环境条件,避免了因对环境条件要求苛刻而造成的麻烦,训练和检测过程的操作都非常方便。
附图说明
[0100] 图I为本发明方法具体实验过程中238组修正响应值及其到相应的阻值对数线性拟合曲线的样本误差距离分布图;
[0101] 图2为本发明方法具体实验过程中238组修正响应值及其到相应的阻值对数线性拟合曲线的样本误差距离中去除异常值后的分布图;
[0102] 图3为本发明方法具体实验过程中气体样本浓度检测结果比较图。
具体实施方式
[0103] 独立成分分析(Independent Component Analysis,简称为ICA)是从多兀(或多维)数据中统计寻找其内在独立的因子或成分的一种统计分析方法,用于揭示随机变量或测量数据中隐藏的独立信息成分,在信号、数据处理技术领域中作为一种有效的盲源信号分离技术得以广泛的应用。本发明基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法正是借助独立成分分析,在金属氧化物气体传感器阵列尚未发生漂移的期间采用敏感气体进行训练并采集训练响应值向量数据,采用独立成分分析找出各训练响应值向量数据中与温度、湿度相关的独立成分,从而去除各训练响应值向量数据与温度、湿度的相关性(即相当于使得各训练响应值向量数据中的温度、湿度条件固定),从而找到金属氧化物气体传感器阵列中各个金属氧化物气体传感器尚未发生漂移时的阻值与敏感气体浓度之间的对数线性对应关系,并进一步借助该对数线性对应关系屏蔽掉训练响应值向量数据中的异常值数据,然后再通过对屏蔽异常值影响后的各个训练响应值向量数据进行独立成分分析确定其中与敏感气体浓度相关的独立成分(暂且简称之为浓度独立成分),以保证确定浓度独立成分的准确性,并得到敏感气体浓度与浓度独立成分之间的对应函数作为浓度预测函数,同时也将屏蔽异常值影响后进行独立成分分析所得到的混合矩阵加以存储和利用,再进一步地通过采集金属氧化物气体传感器阵列的长期基线响应数据(包含了未漂移期间以及发生漂移之后的基线响应数据)并利用屏蔽异常值影响后的混合矩阵进行独立成分分析,从中找出基线响应情况下浓度独立成分随时间漂移变化的规律;此后,在金属氧化物气体传感器阵列对气体样本进行浓度检测处理时,同样利用屏蔽异常值影响后的混合矩阵对浓度检测响应数据进行独立成分分析,得到浓度检测响应数据中的浓度独立成分,通过分析发现,浓度独立成分在基线响应情况下与敏感气体浓度检测响应情况下的漂移规律相同,因此可以利用基线响应情况下浓度独立成分随时间漂移变化的规律估算出浓度独立成分的漂移量对浓度检测响应数据中的浓度独立成分进行漂移补偿,然后借助浓度检测响应数据中漂移补偿过后的浓度独立成分利用浓度预测函数进行预测换算得到敏感气体浓度检测结果;由此得到的敏感气体浓度检测结果屏蔽了环境温度、湿度以及因环境因素导致的异常值对漂移规律和漂移量估算的影响,能够有效提高漂移规律和漂移量的估算精度,保证了金属氧化物气体传感器阵列浓度检测的准确性。 [0104] 通过上述对本发明方法的总体介绍可以看到,该方法主要分为两大步骤:首先,通过训练获得浓度检测参数;此后在对对气体样本进行检测时,利用浓度检测参数进行漂移补偿和敏感气体浓度检测处理。下面对本发明基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法进行具体的说明。
[0105] A)通过训练获得浓度检测参数;该步骤具体为:
[0106] al)在金属氧化物气体传感器阵列尚未发生漂移的期间,采集和记录金属氧化物气体传感器阵列在不同时间、温度、湿度条件下的基线响应值向量,并采用金属氧化物气体传感器阵列的敏感气体进行训练,采集和记录金属氧化物气体传感器阵列在不同时间、温度、湿度、敏感气体浓度条件下的训练响应值向量;其中:
[0107] x°(T,,tJyh,) = [x°s(T1,ί,,h,),χ°2(«為),…,x",k(T1JMr'xlK(T1Jjyh,)];
[0108]可(Γ,,ί»表示第I次采集的金属氧化物气体传感器阵列的基线响应值向量,T1, t1; hx分别表示第I次采集基线响应值向量可的时间、温度和湿度,Ie {1,2,…,L},L表示在金属氧化物气体传感器阵列尚未发生漂移期间采集基线响应值向量的次数;<说4為)表示第I次采集的基线响应值向量可(Κ.Λ)中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值,k e {1,2,…,K},K表示金属氧化物气体传感器阵列中的金属氧化物气体传感器个数;
[0109] i, (Ti,/,,/¾ ,Ci) = [xul (T1J1^1, C1 ),x, 2 (m x)k [Tj, , Λ,, c,),…,Xlk (Tt, I1, /¾, Ci)];[oho] mum示第i次采集的金属氧化物气体传感器阵列的训练响应值向量,Ti, ti; hi; Ci分别表示第i次采集训练响应值向C,)的时间、温度、湿度和敏感气体浓度,i e {I, 2,…,1},I表示在金属氧化物气体传感器阵列尚未发生漂移期间采集训练响应值向量的次数;Xi JTi, t^h^c,)表示第1次采集的训练响应值向量.((7:,/,,/^,)中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的训练响应值,k e {I, 2,…,K}。
[0111] 金属氧化物气体传感器阵列是否发生漂移,只需要通过简单的对比检测实验,即预先设定某检验环境条件(设定温度、湿度、敏感气体浓度等条件),比较金属氧化物气体传感器阵列某一天在检验环境条件下进行多次气体样本检测的平均响应值与金属氧化物气体传感器阵列于初始状态(即全新的状态下)同样在检验环境条件下的进行气体样本检测的响应值,若此二者的差异小于可以接受的设备误差范围,则认为当天金属氧化物气体传感器阵列尚未发生漂移;反之,若此二者的差异超出可以接受的设备误差范围,则认为当天金属氧化物气体传感器阵列已发生漂移了。该步骤中要求在金属氧化物气体传感器阵列尚未发生漂移期间采集训练响应值向量,目的是为了保证所采集的各个训练响应值向量均未受到漂移因素的影响,从而可以减少训练响应值向量相关因素的维数。
[0112] a2)根据金属氧化物气体传感器阵列各个金属氧化物气体传感器的基线响应值与温度、湿度的对应关系,通过回归分析分别得到金属氧化物气体传感器阵列的各个金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线,构成金属氧化物气体传感器的基线值拟合网络|x°l (t,h):
[0113] \x°\(t,H) = [X10(t,h),χζ(t,Λ),···,.<(/,Λ),···,Χ°κ(/,/?)];·[0114] 其中,<(/,/!)表示金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线,ke {1,2,-,K} ;t表示温度,h表示湿度。
[0115] 该步骤中所采用的回归分析方法,可以是多项式回归、特殊函数回归、人工神经网络回归、支持向量回归等领域内常用的回归分析。这里考虑到温度、湿度对基线响应影响的复杂性,可以优选采用多项式回归分析方法,由此得到的金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线为:
[0116] Xk (/, h) — pk m + Pfi IQh + pk Qlt + Plc 2O^ + Α,ιι汾 + Λ·,02, + Λ'2ΐ々,+ Λ.π加 +Α-,03, >
[0117] 其中,<(/,句表示金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线,Pk,(1(1,Pkao. Pk,01. Pk,20. Pk,11,Pk,02. Pk,21. Pk,12,Pk,⑹为通过多项式回归分析方法得到金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线值拟合曲线<(U)所对应的一组多项式回归拟合系数,k e {I, 2,…,K}。对于不同的金属氧化物气体传感器,其对应的一组多项式回归拟合系数不尽相同,需要根据金属氧化物气体传感器对温度、湿度的具体敏感情况而定。
[0118] a3)使用基线值拟合网络|x°| (t,h)分别对各训练响应值向量进行基线校正,得到
各训练响应值向量对应的校正响应值向量:
[0119]
r(T t ;: :) — [χίΛ(7],U,h,A) ^,,3(Τ,·,U,h,A)
[0120] 其中表示第i次采集的训练响应值向量对应的校正响应值向量表示金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线值拟合曲线-中温度为湿度为Iii时对应的基线值。
[0121] 这里采用基线值拟合网络|x°| (t,h)对各训练响应值向量进行基线校正,是为了去除其中因温度、湿度对基线影响的成分,让得到的校正响应值向量中仅保留其自身所受到温度、湿度的影响因素,以便于后期进行独立成分分析时能够更准确的找出其中与温度、湿度相关的独立成分。
[0122] a4)将I个校正响应值向量构成校正响应值矩阵Xlr :
Figure CN102944583AD00201
[0124] 然后,对校正响应值矩阵Xlr进行独立成分分析,得到校正响应值矩阵Xlr对应的混合矩阵#和独立成分矩阵 [0125] Xrtp=Mr X SrTP;且有
Figure CN102944583AD00202
[0126] 其中,TP表示矩阵转置符号尤表示校正响应值向量私(md对应的独立成分向量,i e {1,2,…,I},且有:
[0127] i,- — ? Sit2 ^" 3 sLj 3"' ^ Sij J >
[0128]气,表示独立成分向量?/中第j维度的独立成分因子,j e {I, 2,…,J},J表示独立成分向量K的维数,且J ( K。由独立成分分析技术知识可以知道,独立成分分析所得到的数据维数是不大于原数据维数的,因此有J < K。
[0129] a5)将独立成分矩阵Slr中同一维度的I个独立成分因子构成一个独立成分维度向量,从而得到J个独立成分维度向量;将I次采集训练响应值向量的温度构成训练温度列向MtM I次采集训练响应值向量的湿度构成训练湿度列向量L其中:
Figure CN102944583AD00203
[0131] ί)表示独立成分矩阵Slr中第j维度的独立成分维度向量,j e {I, 2,…,J};然后,分别统计计算各个独立成分维度向量与训练温度列向量f的相关系数以及各个独立成分维度向量与训练湿度列向量如勺相关系数:
Figure CN102944583AD00204
[0133] 其中,丨:,0表示独立成分矩阵Sr中第j维度的独立成分维度向量^与训练温度列向量f的相关系数,表示独立成分矩阵$中第j维度的独立成分维度向量^与训练温度列向量f的协方差,fov(i)',.?))表示独立成分矩阵Sr中第j维度的独立成分维度向量^的方差,Cov(/V)表示训练温度列向量?的方差♦/«,/?)表示独立成分矩阵Sr中第j维度的独立成分维度向量s与训练湿度列向量I的相关系数,Covg,句表示表示独立成分矩阵Sr中第j维度的独立成分维度向量6与训练湿度列向量石的协方差&表示训练湿度列向量名的方差。
[0134] 该步骤是为了通过相关系数的运算找出与温度、湿度相关的独立成分。通过比较,独立成分矩阵Sr中与训练温度列向量f的相关系数値最大的一个独立成分维度向量,即为独立成分矩阵f中与温度相关的一维独立成分;独立成分矩阵f中与训练湿度列向量I的相关系数办/@,/;)值最大的一个独立成分维度向量,即为独立成分矩阵f中与湿度相关的一维独立成分。
[0135] a6)分别将独立成分矩阵Sr中与训练温度列向量f的相关系数値最大的一个独立成分维度向量以及与训练湿度列向量纟的相关系数值最大的一个独立成分维度向量中的各个独立成分因子均置为零,得到去除温度和湿度独立成分的修正独立成分矩阵S' \再利用混合矩阵M1H十算得到修正响应值矩阵Γ r:
Figure CN102944583AD00211
[0137] 其中,TP表示矩阵转置符号;.Γ(1:,ς)表示第i次采集的训练响应值向量足(mc;_)对应的修正响应值向量,i e {I, 2,…,1};且有:
[0138] ((7:4) =隨A
[0139] 表示修正响应值向量<仄4)中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器对应的修正响应值,k e {1,2,…,K}。
[0140] 由此得到的修正响应值矩阵X' r,由于其中与温度和湿度相关的独立成分已被清零,相当于去除了修正响应值矩阵Γ 与温度和湿度的相关性,因此修正响应值矩阵V M又与时间和敏感气体浓度有关;而由于修正响应值矩阵Γ ^中的各个修正响应值向量均是来自金属氧化物气体传感器阵列尚未发生漂移期间所采集的训练响应值向量,不存在因时间差别而引起的漂移量影响,因此修正响应值矩阵X, r中各个修正响应值x7ATi^c/)实际只与敏感气体浓度具有相关性。
[0141] a7)根据金属氧化物气体传感器阵列中各个金属氧化物气体传感器的阻抗特性换算得到修正响应值矩阵V r中各个修正响应值所对应的金属氧化物气体传感器的阻值Cdc,_),i e {1,2,…,1},k e {1,2,...,K};
[0142] 进而通过统计金属氧化物气体传感器的阻值对应的敏感气体浓度Ci,得到金属氧化物气体传感器阵列中各个金属氧化物气体传感器的阻值与敏感气体浓度的对应变化关系,并通过回归分析分别得到金属氧化物气体传感器阵列中各个金属氧化物气体传感器的阻值随敏感气体浓度变化的阻值对数线性拟合曲线;其中,金属氧化物气体传感器阵列中任意的第k个金属氧化物气体传感器的阻值Rk随敏感气体浓度c变化的阻值对数线性拟合曲线表示为:
[0143] lgRk(c) = a k · lgc+β k ;
[0144] Ci1^PPk为通过线性回归算法得到金属氧化物气体传感器阵列中第k个金属氧化物气体传感器的阻值对数线性拟合曲线所对应的一组对数线性拟合系数,k e {1,2^··,K}。
[0145] 该步骤中所采用的回归分析方法,考虑到金属氧化物气体传感器的阻值与敏感气体浓度之间的对数线性对应关系,因此可以采用对数函数鲁棒线性回归分析方法。由此得到的各金属氧化物气体传感器的阻值对数线性拟合曲线,屏蔽了环境温度、湿度的影响,真实体现了金属氧化物气体传感器阵列中各个金属氧化物气体传感器在尚未漂移时其阻值与敏感气体浓度之间的对数线性对应关系。
[0146] a8)根据各个修正响应值<丨仄4)相应的金属氧化物气体传感器阻值以及敏感气体浓度Ci, i e {I, 2,...,1},k e {I, 2,...,K},分别计算各个修正响应值
其到相应的阻值对数线性拟合曲线的样本误差距离:
[0147] /JAS:, = |lg Λ/;. (/;, cv) · Ig c: |/ + β,
[0148] 其中,表示修正响应值向量T(Ici)中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器对应的阻值尺UK AI和敏感气体浓度Ci所构成的阻值-浓度样本点(IgK双,O,)到金属氧化物气体传感器阵列中第k个金属氧化物气体传感器的阻值对数线性拟合曲线的样本误差距离;
[0149] 然后,将各个样本误差距离与预先设定的误差距离阈值DIStl进行比较;对于任意一个修正响应值向量f仄,ς),若其中每一个修正响应值均满足其对应的样本误差距离皿:-DIS0,k e {I, 2,…,K},则将该修正响应值向量.dq)所对应的训练响应值向量ϊ,(υ,Λ,ς)作为一个参考响应值向量;否则,将该修正响应值向量# (I:,c,)所对应的训练响应值向量天(me,、)放弃;从而由各个参考响应值向量构成参考响应值矩阵Xa :
Figure CN102944583AD00221
[0151] 其中,#(乃4,/^,&)表示第d个参考响应值向量,Td, td, hd, Cd分别表示参考响应值向量Cj对应的时间、温度、湿度和敏感气体浓度,d e {1,2,…,D},D表示参考响应值向量的个数,且D < I。
[0152]由此前步骤中得到的各金属氧化物气体传感器的阻值对数线性拟合曲线,真实体现了金属氧化物气体传感器阵列中各个金属氧化物气体传感器在尚未漂移时其阻值与敏感气体浓度之间的对数线性对应关系,若非异常的响应值,其换对应的阻值及敏感气体浓度所构成的二维向量应当较接近于阻值对数线性拟合曲线;因此,在该步骤中,通过设定误差距离阈值DISci进行比较判断,将样本误差距离超出误差距离阈值DISci的修正响应值向量对应的训练响应值向量i,:Λ ^)作为异常的响应值放弃掉,由此得到的参考响应值矩阵Xa则屏蔽了异常值影响。误差距离阈值DIStl的具体设定值可以通过数据统计经验来确定,例如可以根据此前回归分析得到的各金属氧化物气体传感器的阻值对数线性拟合曲线时的线性拟合平均相对误差来确定误差距离阈值DIStl的具体设定值,也可以根据实际应用情况中所需要的误差精度来确定误差距离阈值DIStl的具体设定值;误差距离阈值DIStl的优选取值范围为O. 05 ( DIS0 ( O. 15。
[0153] a9)对参考响应值矩阵Xa独立成分分析,得到参考响应值矩阵Xa对应的混合矩阵Ma和独立成分矩阵Sa:
Figure CN102944583AD00231
[0155] 其中,TP表示矩阵转置符号#表示第d个参考响应值向量对应的独立成分向量,de {1,2,…,D},且有:
Figure CN102944583AD00232
[0157] 表示独立成分向量#中第γ维度的独立成分因子,y e {I, 2,…,Y},Y表示独立成分向量?^的维数,且Y彡K。
[0158] alO)将独立成分矩阵Sa中同一维度的D个独立成分因子构成一个独立成分维度向量,从而得到Y个独立成分维度向量;将参考响应值矩阵Xa中D个参考响应值向量对应的敏感气体浓度构成参考浓度列向量ί1;其中:
Figure CN102944583AD00233
[0160] ^表示独立成分矩阵Sa中第y维度的独立成分维度向量,y e {I, 2,…,Y};然后,
分别统计计算各个独立成分维度向量与参考浓度列向量P的相关系数:
Figure CN102944583AD00234
[0162] 其中,θ勺表示独立成分矩阵Sa中第γ维度的独立成分维度向量#与参考浓度列向量P的相关系数,("ον(#,P)表示独立成分矩阵Sa中第y维度的独立成分维度向量^与参考浓度列向量P的协方差独立成分矩阵Sa中第y维度的独立成分维度向量
的方差,Cov(CA, Ca )表不参考浓度列向量P的方差;
[0163] 进而找到独立成分矩阵Sa中与参考浓度列向量P的相关系数值最大的一个独立成分维度向量,将该值最大的独立成分维度向量所在的维度标记为浓度成分维度 yma。,ymac e {1,2,-,Y};
[0164] 并且,统计独立成分矩阵Sa中浓度成分维度yma。上的各个独立成分因子对应的敏感气体浓度cd,d e {I, 2,…,D};根据敏感气体浓度与独立成分矩阵Sa中浓度成分维度y·上的各个独立成分因子的对应关系,通过回归分析得到敏感气体浓度c随浓度成分维度yma。上的独立成分因子变化的浓度预测函数)。
[0165] 该步骤是为 了通过相关系数的运算找出独立成分矩阵Sa中与敏感气体浓度相关的独立成分(暂且简称之为浓度独立成分),以确定其维度位置,并得到敏感气体浓度与浓度独立成分之间的对应函数作为浓度预测函数在通过回归分析方法得到浓度预测函数时,所采用的回归分析方法可以是多项式回归、特殊函数回归、人工神经网络回归、支持向量回归等领域内常用的回归分析;考虑到敏感气体浓度与浓度独立成分之间的对应关系会因为金属氧化物传感器的不同以及独立成分分析过程的不同而有所不同,因此这里可以优选人工神经网络回归方法或支持向量回归方法,得到的浓度预测函数c(\w)是一个需要根据实际应用情况而确定的相对复杂的网络函数。
[0166] all)在金属氧化物气体传感器阵列发生漂移后,继续采集和记录金属氧化物气体传感器阵列在不同时间、温度、湿度条件下的漂移基线响应值向量;其中:
[0167] 5!(Tz,i:,h:) = [.τ!,(Γ„/_,hz),x°:2(Tz,t:,/?.),···,x°:k(Tz,t:,…,x0:K(TzJ2,hz)];
[0168]冗(7;,H)表示第z次采集的金属氧化物气体传感器阵列的漂移基线响应值向量,Tz, tz,hz分别表示第z次采集漂移基线响应值向量的时间、温度和湿度,Z e {1,2^··,Ζ},Z表示在金属氧化物气体传感器阵列发生漂移后采集漂移基线响应值向量的次数-XAHA)轰示第z次采集的漂移基线响应值向量中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值,k e {I, 2,…,K};
[0169] 进而将各个漂移基线响应值向量以及步骤al中采集的各个基线响应值向量if (^為)的集合构成长期基线数据矩阵Γ :
[0170]
Figure CN102944583AD00241
[0171] 其中,冗(Γ„,K)表示长期基线数据矩阵X°中的第η个基线响应值向量,n e {I, 2,…,N},N表示长期基线数据矩阵X°中基线响应值向量的个数,且N=L+Z。
[0172] 通过研究和大量的实验数据表明,针对同一气体传感器阵列所采集的响应数据(包括基线响应数据以及敏感气体浓度检测响应数据),无论是否存在漂移的情况,采用同一混合矩阵进行独立成分分析,所得到的独立成分中,与敏感气体浓度相关的独立成分维度所在位置始终是相同的;并且,通过分析可知,浓度独立成分在基线响应情况下与敏感气体浓度检测响应情况下的漂移规律相同,所以可以利用基线响应情况下浓度独立成分随时间漂移变化的规律估算出浓度独立成分的漂移量对浓度检测响应数据中的浓度独立成分进行漂移补偿。因此,为了找到与敏感气体浓度相关的独立成分随时间漂移变化的规律,该步骤得到长期基线数据矩阵χ°,其中包含了未漂移期间以及发生漂移之后的基线响应数据,由于基线响应数据的采集环境中敏感气体浓度始终为零,可以排除其它因素对与敏感气体浓度相关的独立成分的影响,确保其仅与时间漂移有关,从而在后续步骤中采用混合矩阵Ma对长期基线数据矩阵Γ进行独立成分分析,将所得到的独立成分矩阵中与敏感气体浓度相关的独立成分的漂移情况进行统计,便可以找到其随时间漂移变化的规律。
[0173] al2)采用混合矩阵Ma对长期基线数据矩阵V进行独立成分分析,得到长期基线数据矩阵x°对应的基线独立成分矩阵S。:
[0174] Xotp=MaXSotp ;且有;
Figure CN102944583AD00251
[0175] 其中,TP表示矩阵转置符号表示长期基线数据矩阵V中第η个基线响应值向量毛对应的基线独立成分向量,n e {1,2,···,N},且有:
[0176]
[0177] <,,表示基线独立成分向量K中第y维度的独立成分因子,y e {1,2,…,Y}。
[0178] al3)统计基线独立成分矩阵S。中浓度成分维度yma。上的各个独立成分因子<对应的时间Tn,n e {I, 2,…,N};根据基线独立成分矩阵S0中浓度成分维度y·上的各个独立成分因子与时间的对应关系,通过回归分析得到浓度成分维度yma。上的独立成分因子随时间T漂移变化的浓度成分漂移拟合曲线(D。
[0179] 由此得到的浓度成分漂移拟合曲线(O,体现了基线响应情况下浓度独立成分随时间漂移变化的规律,并且屏蔽了环境温度、湿度、异常值等其它环境因素的影响,也即体现了浓度独立成分在不受到其它环境干扰因素的影响下随时间漂移变化的规律。
[0180] 该步骤中所采用的回归分析方法,可以是多项式回归、特殊函数回归、人工神经网络回归、支持向量回归等领域内常用的回归分析。这里考虑到漂移量通常会随着时间变化越来越小,漂移曲线整体将呈现为高斯函数曲线的形态,因此作为一种优选方案,可以采用高斯函数回归分析方法,由此得到的浓度成分维度yma。上的独立成分因子随时间T漂移变化的浓度成分漂移拟合曲线&„σ)为:
[0181]
Figure CN102944583AD00252
[0182] a、b、u为通过高斯函数回归分析方法得到浓度成分漂移拟合曲线&,,,..CO所对应的一组高斯拟合系数;不同的金属氧化物气体传感器阵列,其对应的一组高斯拟合系数也不尽相同。
[0183] 但是,又考虑到漂移曲线虽然整体将呈现为高斯函数曲线的形态,而到后期其漂移量将会几乎稳定不变,为了后期进行漂移补偿运算更方便,同时也较为符合实际漂移情况,在通过回归分析方法得到浓度成分漂移拟合曲线&(D时,作为另一种优选方案,可以采用高斯函数回归分析方法并根据时间区间进行分段,得到的浓度成分维度yma。上的独立成分因子随时间T漂移变化的浓度成分漂移拟合曲线\,,„(O为分段函数:
[0184]
Figure CN102944583AD00261
[0185] a、b、u为通过高斯函数回归分析方法得到浓度成分漂移拟合曲线\_.(O所对应的一组高斯拟合系数;Ttto为分段时间阈值,分段时间阈值Tthr的取值满足Ttto>Tdif,且分段时间阈值Tthr之后的连续P个时间点均满足:
Figure CN102944583AD00262
[0187] 其中,Tdif表示金属氧化物气体传感器阵列开始发生漂移的时间点;Ttto+p和TthH分别表示分段时间阈值Tthr之后的第P个时间点和第P-I个时间点,P e {1,2,…,P},通常情况下取PS 10 ; ε为预先设定的分段时间判断阈值,在不同的实际应用情况下,分段时间判断阈值ε的取值不尽相同,根据大量的实验数据统计以及实际应用的经验分析判断,分段时间判断阈值ε的取值范围优选为0〈ε <10_2。
[0188] al4)将混合矩阵MA、浓度成分维度yma。、浓度预测函数c(\w)以及浓度成分漂移拟合曲线&(乃作为训练获得的浓度检测参数加以存储。
[0189] 混合矩阵MA、浓度成分维度yma。、浓度预测函数c(\w)以及浓度成分漂移拟合曲线 (Π是后期进行气体样本进行浓度检测处理过程中的重要参数,其中,混合矩阵Ma将用
于对气体样本浓度检测得到的检测响应数据进行独立成分分析,以找到分解的独立成分数据中在浓度成分维度yma。上的浓度独立成分,浓度成分漂移拟合曲线(H用于根据检测时间估算浓度独立成分的漂移量以进行漂移补偿,浓度预测函数则用于根据补偿过后的浓度独立成分预测估算出检测响应数据相应的敏感气体浓度值;因此,将该四者作为重要的浓度检测参数加以存储。
[0190] B)利用浓度检测参数进行漂移补偿和敏感气体浓度检测处理;该步骤具体为:
[0191] bl)采用金属氧化物气体传感器阵列对气体样本进行检测获得检测响应值向量rs,并记录采集检测响应值向量的时间Ttes;采用混合矩阵ma对检测响应值向量茫《进行独立成分分析,得到检测响应值向量史“对应的检测独立成分向量
[0192]产=M'w';且有产=[<νΓ,··.,<ν·.,<];
[0193] 表示检测独立成分向量产*中第γ维度的独立成分因子,y e {I, 2,…,Y}。
[0194] b2)取出检测独立成分向量矿《中浓度成分维度yma。上的独立成分因子,并按下式对所述独立成分因子C补偿得到浓度成分因子补偿值C =
[0195] C=C+HH
[0196] Asjw(Tta)表示时间为Ttes时相对于时间为Ttl=O时的浓度成分漂移量,且:[0197] WhymSO-Wh
[0198] 其中,Symi (Fte)表示浓度成分漂移拟合曲线(T)取时间T=Ttes时对应的浓度成分漂移值(?;)表示浓度成分漂移拟合曲线&„(H取时间T=Ttl=O时对应的浓度成分漂移值。
[0199] 该步骤中的浓度成分漂移量Δϊν·(2^)的值由于与浓度成分漂移值s,w (Jltes)相关,而浓度成分漂移值的具体取值可能会因为浓度成分漂移拟合曲线&„σ)的函数形式不同而有所不同;例如前文中给出的两种不同的浓度成分漂移拟合曲线&„(乃的函数形式,若浓度成分漂移拟合曲线为未分段的高斯函数形式,则: [0200]
Figure CN102944583AD00271
[0201] 若浓度成分漂移拟合曲线'„σ)为分段的高斯函数形式,则:
[0202]
Figure CN102944583AD00272
[0203] b3)计算浓度预测函数c('w)取浓度成分因子补偿值C时所对应的浓度预测值ΦΖ),将浓度预测值c(<l)作为对气体样本的敏感气体浓度检测结果输出。由此得到的敏感气体浓度检测结果屏蔽了环境温度、湿度以及因环境因素导致的异常值对漂移规律和漂移量估算的影响,有效提高了漂移规律和漂移量的估算精度,保证了金属氧化物气体传感器阵列浓度检测的准确性。
[0204] 为了更好地理解本发明,下面结合一些具体实验数据及附图对本发明进行进一步的说明。
[0205] 该实验采用本发明基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,对一个新生产的金属氧化物气体传感器阵列进行训练和敏感气体浓度检测实验;该金属氧化物气体传感器阵列包含有四个金属氧化物气体传感器,对甲醛气体具有敏感性,因此本次试验采用甲醛气体作为敏感气体,对该金属氧化物气体传感器阵列进行了长达一年时间(365天)的训练,在一年的训练时间期间,时间的记录单位为天,使用温度传感器和湿度传感器检测实际环境温度和湿度,使用乙酰丙酮与酚试剂方法确定的样本气体中实际的甲醛气体浓度,采集和记录了该金属氧化物气体传感器阵列在不同时间、温度、湿度条件下的基线响应值向量以及在不同时间、温度、湿度、敏感气体浓度条件下的浓度检测响应值向量,通过统计发现该金属氧化物气体传感器阵列再前70天尚未发生漂移,第70天后已经开始漂移了,因此确定开始发生漂移的时间点Tdif=70天;取前70天以内(即金属氧化物气体传感器阵列尚未发生漂移的期间)采集的238个浓度检测响应值向量作为训练响应值向量,按本发明方法中步骤af alO进行训练处理;训练处理期间,在步骤a4中进行独立成分分析得到的独立成分矩阵Slr的维数也取为4维,经过步骤a5后比较得知其中第2、3维度的独立成分分别与温度和湿度相关性最大,将之清零,按照步骤a6处理得到修正响应值矩阵V \按步骤a7拟合得到各个金属氧化物气体传感器相应的阻值对数线性拟合曲线,且算得238组修正响应值每组包括4个金属氧化物气体传感器对应的修正响应值)对应的阻值和敏感气体浓度Ci所构成的阻值-浓度样本点(IgRa(^ci),Igc,)分别其到相应的阻值对数线性拟合曲线的样本误差距离分别如图I所示,本实验中取误差距离阈值DIStl=O. 08,因此将样本误差距离的值全部作为异常值加以去除,去除异常值过后的结果如图2所示,进而得到参考响应值矩阵ΧΑ,此后按步骤a9对参考响应值矩阵Xa进行独立成分分析得到混合矩阵Ma以及独立成分矩阵SA,其中独立成分矩阵Sa的维数也取为4维,经过步骤alO处理确定其中与敏感气体浓度最相关的为第4维度的独立成分,即浓度成分维度ymac=4,并回归分析得到浓度预测函数;将I年365天的训练期间所采集的基线响应值向量的集合作为长期基线数据矩阵X° (包含了金属氧化物气体传感器阵列尚未发生漂移的期间以及发生漂移后的基线响应数据),按本发明方法中步骤alfal3进行训练处理,采用混合矩阵Ma对长期基线数据矩阵X°进行独立成分分析得到基线独立成分矩阵S。,并统计其中浓度成分维度yma。上的各个独立成分因子对应的时间Tn,通过回归分析得到浓度成分漂移拟合曲线'_(O,实验中回归拟合浓度成分漂移拟合曲线'_(乃采用的高 斯函数回归分析方法并根据时间区间进行分段,通过数据分析取得分段时间阈值Ttto=326天;从而,将混合矩阵MA、浓度成分维度yma。、浓度预测函数以及浓度成分漂移拟合曲线(O作为训练获得的浓度检测参数加以存储。此后,采用本发明的步骤bf b3对以甲醛气体作为敏感气体的34个气体样本进行浓度检测,并且将气体样本的真实甲醛浓度值、未经补偿的甲醛浓度检测值以及经过漂移补偿后的甲醛浓度检测值通过图3进行比较,可以看到,相比于未经补偿的甲醛浓度检测值而言,经过漂移补偿后的甲醛浓度检测值都非常接近于真实甲醛浓度值,敏感气体浓度检测的准确性得到了明显提高。
[0206] 需要说明的是,本发明方法中所得到的浓度检测参数,在同一型号的金属氧化物气体传感器阵列中可以通用(同一型号的金属氧化物气体传感器阵列,是指构成阵列的各个金属氧化物气体传感器分别相同),因此,虽然本发明方法中通过训练获得浓度检测参数的具体处理步骤稍显繁琐,但后期生产的同一型号的金属氧化物气体传感器阵列只需要直接存储和利用此前获得的对应的浓度检测参数进行浓度检测处理即可,对于同一型号的金属氧化物气体传感器阵列而言一劳永逸;并且本发明方法中的训练获得浓度检测参数的过程不需要严格要求训练的环境温度、湿度等环境条件,而是通过数据处理屏蔽了环境温度、湿度以及因环境因素导致的异常值等不利影响,避免了因对环境条件要求苛刻而造成的麻烦,训练和检测过程的操作都非常方便。
[0207] 最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,其特征在于,包括如下步骤: A)通过训练获得浓度检测参数;该步骤具体为: al)在金属氧化物气体传感器阵列尚未发生漂移的期间,采集和记录金属氧化物气体传感器阵列在不同时间、温度、湿度条件下的基线响应值向量,并采用金属氧化物气体传感器阵列的敏感气体进行训练 ,采集和记录金属氧化物气体传感器阵列在不同时间、温度、湿度、敏感气体浓度条件下的训练响应值向量;其中: -¾° (TtJ1A)=IKi (Γι <2 (K,λ,),…,X0hk (T1L' x°1K (T1 h,)] ;.f; ( j; , ο,)表示第I次采集的金属氧化物气体传感器阵列的基线响应值向量,T1, t1; hx分别表示第I次采集基线响应值向量纟:Λ)的时间、温度和湿度,I e {I, 2,…,L}, L表不在金属氧化物气体传感器阵列尚未发生漂移期间采集基线响应值向量的次数為裱示第I次采集的基线响应值向量為°(7;0,)中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值,k e {I, 2,…,K},K表示金属氧化物气体传感器阵列中的金属氧化物气体传感器个数; 足(m cJ =[气1 (Ti,tI A^c, I xU (TlJn h, xu—k Οζ Λ Λ,),…,Xix (T1, Zi,Λ,., Ci)]; _ί,(2:,(,Λ,,ς)表示第i次采集的金属氧化物气体传感器阵列的训练响应值向量,Ti, ti; hi,Ci分别表示第i次采集训练响应值向量无(?:0,0的时间、温度、湿度和敏感气体浓度,i e {I, 2,…,1},I表示在金属氧化物气体传感器阵列尚未发生漂移期间采集训练响应值向量的次数ti; hi; Ci)表示第i次采集的训练响应值向量c,)中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的训练响应值,k e {I, 2,…,K};a2)根据金属氧化物气体传感器阵列各个金属氧化物气体传感器的基线响应值与温度、湿度的对应关系,通过回归分析分别得到金属氧化物气体传感器阵列的各个金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线,构成金属氧化物气体传感器的基线值拟合网络|x°| (t,h): x° j (/,h) = (t, /?), x° (t, h),…,X0i (t, h),…,x0K (t, /?)]; 其中,40)表示金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线,k e {I, 2,…,K} ;t表示温度,h表示湿度;a3)使用基线值拟合网络|x°| (t,h)分别对各训练响应值向量进行基线校正,得到各训练响应值向量对应的校正响应值向量: —斤,f -\2(K,A/,c,) x^(TiJlJinCi) XiJ-(TiJi^hnCi) Xi (TjJ.Λ,Ci)- —-5—--,***,—-;L mA) 4(ί,Λ) J 其中,ϊ;· (I:, ^,\,c,)表示第i次采集的训练响应值向量ϊ, (Ti, ,為,Ci)对应的校正响应值向量;<((,/?,)表示金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线值拟合曲线中温度为ti、湿度为hi时对应的基线值;a4)将I个校正响应值向量构成校正响应值矩阵Xlr :
Figure CN102944583AC00031
然后,对校正响应值矩阵Xlr进行独立成分分析,得到校正响应值矩阵Xlr对应的混合矩阵if和独立成分矩阵Slr : rTP=Ifxs价;且有
Figure CN102944583AC00032
其中,TP表示矩阵转置符号;ST表示校正响应值向量对应的独立成分向量,i e {1,2,…,I},且有:
Figure CN102944583AC00033
<;表示独立成分向量?/中第j维度的独立成分因子,j e {I, 2,…,J},J表示独立成分向量S:的维数,且J≤K; a5)将独立成分矩阵V中同一维度的I个独立成分因子构成一个独立成分维度向量,从而得到J个独立成分维度向量;将I次采集训练响应值向量的温度构成训练温度列向量iMI次采集训练响应值向量的湿度构成训练湿度列向量L其中:
Figure CN102944583AC00034
表示独立成分矩阵f中第j维度的独立成分维度向量,j e {1,2,-,J};然后,分别统计计算各个独立成分维度向量与训练温度列向量f的相关系数以及各个独立成分维度向量与训练湿度列向量如勺相关系数:
Figure CN102944583AC00035
其中,ite/的力表示独立成分矩阵f中第j维度的独立成分维度向量^与训练温度列向量ί的相关系数,rov(g,f)表示独立成分矩阵V中第j维度的独立成分维度向量5丨与训练温度列向量f的协方差表示独立成分矩阵Sr中第j维度的独立成分维度向量〗;的方差,表示训练温度列向量f的方差;办/巧J俵示独立成分矩阵Sr中第j维度的独立成分维度向量^与训练湿度列向量纟的相关系数,Cov(iyi)表示表示独立成分矩阵sr中第j维度的独立成分维度向量^与训练湿度列向量如勺协方差,Γονίϋ)表示训练湿度列向量石的方差; a6)分别将独立成分矩阵f中与训练温度列向量f的相关系数处/(?,,/値最大的一个独立成分维度向量以及与训练湿度列向量€的相关系数处/(,?丨力值最大的一个独立成分维度向量中的各个独立成分因子均置为零,得到去除温度和湿度独立成分的修正独立成分矩阵S' %再利用混合矩阵#计算得到修正响应值矩阵Γ r:
Figure CN102944583AC00041
其中,TP表示矩阵转置符号;<(2;4)表示第1次采集的训练响应值向量足(7;0,4)对应的修正响应值向量,i e {I, 2,…,1};且有:
Figure CN102944583AC00042
&ασ;,ς·)表示修正响应值向量<Κ,ς)中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器对应的修正响应值,k e {I, 2,…,K}; a7)根据金属氧化物气体传感器阵列中各个金属氧化物气体传感器的阻抗特性换算得到修正响应值矩阵V r中各个修正响应值Cl].c,)所对应的金属氧化物气体传感器的阻值尺M,c,_),i e {1,2,…,1},k e {1,2,…,K}; 进而通过统计金属氧化物气体传感器的阻值式;(KA)对应的敏感气体浓度Ci,得到金属氧化物气体传感器阵列中各个金属氧化物气体传感器的阻值与敏感气体浓度的对应变化关系,并通过回归分析分别得到金属氧化物气体传感器阵列中各个金属氧化物气体传感器的阻值随敏感气体浓度变化的阻值对数线性拟合曲线;其中,金属氧化物气体传感器阵列中任意的第k个金属氧化物气体传感器的阻值Rk随敏感气体浓度c变化的阻值对数线性拟合曲线表示为: lgRk(c) = a k · Igc+β k ;为通过线性回归算法得到金属氧化物气体传感器阵列中第k个金属氧化物气体传感器的阻值对数线性拟合曲线所对应的一组对数线性拟合系数,k e {1,2,-,K};a8)根据各个修正响应值相应的金属氧化物气体传感器阻值C^ciO以及敏感气体浓度Ci, i e {I, 2,...,1},k e {I, 2,...,K},分别计算各个修正响应值其到相应的阻值对数线性拟合曲线的样本误差距离: DISruk=^rkiTnCi)-β, -IgciI/^,2 + Ar ; 其中,表示修正响应值向量<(2;,c,)中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器对应的阻值尺I (ΙΟ和敏感气体浓度Ci所构成的阻值-浓度样本点C lgR;:k(J],c,),Igci)到金属氧化物气体传感器阵列中第k个金属氧化物气体传感器的阻值对数线性拟合曲线的样本误差距离; 然后,将各个样本误差距离与预先设定的误差距离阈值DIStl进行比较;对于任意一个修正响应值向量ί「(Ι;,ς),若其中每一个修正响应值<〗(1:4)均满足其对应的样本误差距离DIS;k<DIS0,k e {I, 2,…,K},则将该修正响应值向量矿(Γ t )所对应的训练响应值向量 作为一个参考响应值向量;否则,将该修正响应值向量<(ι:,ς)所对应的训练响应值向量足(mq)放弃;从而由各个参考响应值向量构成参考响应值矩阵xA :
Figure CN102944583AC00051
其中,#(乃4,\,&)表示第(1个参考响应值向量,Td, td,hd,cd分别表示参考响应值向对应的时间、温度、湿度和敏感气体浓度,d e {1,2^",D},D表示参考响应值向量的个数,且DS I ; a9)对参考响应值矩阵Xa独立成分分析,得到参考响应值矩阵Xa对应的混合矩阵Ma和独立成分矩阵Sa : χΑτΡ=ΜΑχδΑΤΡ;且有
Figure CN102944583AC00052
其中,TP表示矩阵转置符号;?_/表示第d个参考响应值向量g(rrf5/rf,Arf,cd)对应的独立成分向量,d e {1,2,…,D},且有:
Figure CN102944583AC00053
<„v表示独立成分向量0中第I维度的独立成分因子,y e {I, 2,…,Y},Y表示独立成分向量S的维数,且Y彡K; alO)将独立成分矩阵Sa中同一维度的D个独立成分因子构成一个独立成分维度向量,从而得到Y个独立成分维度向量;将参考响应值矩阵Xa中D个参考响应值向量对应的敏感气体浓度构成参考浓度列向量c S中:
Figure CN102944583AC00054
表示独立成分矩阵Sa中第y维度的独立成分维度向量,y e {I, 2,…,Y};然后,分别统计计算各个独立成分维度向量与参考浓度列向量P的相关系数:
Figure CN102944583AC00061
其中,勹表示独立成分矩阵Sa中第y维度的独立成分维度向量#与参考浓度列向量P的相关系数,CoKi;1,P)表示独立成分矩阵Sa中第y维度的独立成分维度向量^与参考浓度列向量&的协方差,Γον(#,<)独立成分矩阵Sa中第y维度的独立成分维度向量^的方差,C0V(CA,Cj)表示参考浓度列向量P的方差; 进而找到独立成分矩阵Sa中与参考浓度列向量P的相关系数值最大的一个独立成分维度向量,将该值最大的独立成分维度向量所在的维度标记为浓度成分维度 yM。,Imac e {1,2,…,Y}; 并且,统计独立成分矩阵Sa中浓度成分维度y·上的各个独立成分因子巧^^对应的敏感气体浓度cd,d e {I, 2,…,D};根据敏感气体浓度与独立成分矩阵Sa中浓度成分维度Yfflac上的各个独立成分因子的对应关系,通过回归分析得到敏感气体浓度c随浓度成分维度yma。上的独立成分因子变化的浓度预测函数) ί al I)在金属氧化物气体传感器阵列发生漂移后,继续采集和记录金属氧化物气体传感器阵列在不同时间、温度、湿度条件下的漂移基线响应值向量;其中: iz°(J;,OJ表示第z次采集的金属氧化物气体传感器阵列的漂移基线响应值向量,Tz, tz,hz分别表示第z次采集漂移基线响应值向量$0;人A)的时间、温度和湿度,z e [1,2^··,Ζ],Z表示在金属氧化物气体传感器阵列发生漂移后采集漂移基线响应值向量的次数-XAHh)表示第ζ次采集的漂移基线响应值向量中金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值,k e {I, 2,…,K}; 进而将各个漂移基线响应值向量€(7;,K)以及步骤al中采集的各个基线响应值向量if (^為)的集合构成长期基线数据矩阵Γ :
Figure CN102944583AC00062
其中,尤(m)表示长期基线数据矩阵Γ中的第η个基线响应值向量,n e {1,2,…,N}, N表示长期基线数据矩阵X°中基线响应值向量的个数,且N=L+Z ; al2)采用混合矩阵Ma对长期基线数据矩阵X°进行独立成分分析,得到长期基线数据矩阵X°对应的基线独立成分矩阵S。:rTP=MAXS°TP;且有
Figure CN102944583AC00071
其中,TP表示矩阵转置符号r表示长期基线数据矩阵Χ°中第η个基线响应值向量
Figure CN102944583AC00072
对应的基线独立成分向量,n e {1,2,···,N},且有:
Figure CN102944583AC00073
表示基线独立成分向量$中第I维度的独立成分因子,I e {I, 2,…,Y};al3)统计基线独立成分矩阵S。中浓度成分维度yma。上的各个独立成分因子对应的时间Tn,n e {I, 2,…,N};根据基线独立成分矩阵S。中浓度成分维度y·上的各个独立成分因子与时间的对应关系,通过回归分析得到浓度成分维度yma。上的独立成分因子随时间T漂移变化的浓度成分漂移拟合曲线; al4)将混合矩阵MA、浓度成分维度yma。、浓度预测函数以及浓度成分漂移拟合曲线~·(7’)作为训练获得的浓度检测参数加以存储; B)利用浓度检测参数进行漂移补偿和敏感气体浓度检测处理;该步骤具体为:bl)采用金属氧化物气体传感器阵列对气体样本进行检测获得检测响应值向量,并记录采集检测响应值向量Jps的时间Ttes ;采用混合矩阵Ma对检测响应值向量i气进行独立成分分析,得到检测响应值向量产对应的检测独立成分向量产:
Figure CN102944583AC00074
且有
Figure CN102944583AC00075
<s表示检测独立成分向量中第I维度的独立成分因子,I e {I, 2,…,Y};b2)取出检测独立成分向量产^中浓度成分维度yma。上的独立成分因子,并按下式对所述独立成分因子<:补偿得到浓度成分因子补偿值s =
Figure CN102944583AC00076
AUr")表示时间为Ttes时相对于时间为Ttl=O时的浓度成分漂移量,且: 其中,表示浓度成分漂移拟合曲线&« (Γ)取时间T=Ttes时对应的浓度成分漂移值,(7I)表示浓度成分漂移拟合曲线(乃取时间T=Ttl=O时对应的浓度成分漂移值;b3)计算浓度预测函数c(\„)取浓度成分因子补偿值时所对应的浓度预测值c(C),将浓度预测值)作为对气体样本的敏感气体浓度检测结果输出。
2.根据权利要求I所述的基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,其特征在于,所述步骤a2中进行回归分析的方法采用多项式回归分析方法,得到的金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线为:
Figure CN102944583AC00077
其中,<(/,/2)表示金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线响应值随温度、湿度变化的基线值拟合曲线,Pk,00. Pk, 10. Pk,01. Pk,20. Pk,11,Pk,02. Pk,21. Pk, 12. Pk,03为通过多项式回归分析方法得到金属氧化物气体传感器阵列的第k个金属氧化物气体传感器的基线值拟合曲线.所对应的一组多项式回归拟合系数,k e {1,2,···,Κ}。
3.根据权利要求I所述的基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,其特征在于,所述误差距离阈值DIStl的取值范围为O. 05 ( DIS0 ( O. 15。
4.根据权利要求I所述的基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,其特征在于,所述步骤al3中进行回归分析的方法采用高斯函数回归分析方法,得到的浓度成分维度yma。上的独立成分因子随时间T漂移变化的浓度成分漂移拟合曲线\_(O为:
Figure CN102944583AC00081
a、b、u为通过高斯函数回归分析方法得到浓度成分漂移拟合曲线\„(7)所对应的一组高斯拟合系数。
5.根据权利要求I所述的基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法,其特征在于,所述步骤al3中进行回归分析的方法采用高斯函数回归分析方法,并根据时间区间进行分段,得到的浓度成分维度yma。上的独立成分因子随时间T漂移变化的浓度成分漂移拟合曲线&„ (O为分段函数:
Figure CN102944583AC00082
a、b、u为通过高斯函数回归分析方法得到浓度成分漂移拟合曲线CO所对应的一组高斯拟合系数;Tthr为分段时间阈值,分段时间阈值Ttto的取值满足Ttto>Tdif,且分段时间阈值Tthr之后的连续P个时间点均满足:
Figure CN102944583AC00083
其中,Tdif表不金属氧化物气体传感器阵列开始发生漂移的时间点;Ttto+p和Tth^lri分别表示分段时间阈值Tthr之后的第P个时间点和第P-I个时间点,P e {1,2,…,P},且P彡10 ;ε为预先设定的分段时间判断阈值,且0〈ε ^ IO-20
CN201210504860.XA 2012-11-30 2012-11-30 基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法 CN102944583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210504860.XA CN102944583B (zh) 2012-11-30 2012-11-30 基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210504860.XA CN102944583B (zh) 2012-11-30 2012-11-30 基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法

Publications (2)

Publication Number Publication Date
CN102944583A true CN102944583A (zh) 2013-02-27
CN102944583B CN102944583B (zh) 2014-05-14

Family

ID=47727545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210504860.XA CN102944583B (zh) 2012-11-30 2012-11-30 基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法

Country Status (1)

Country Link
CN (1) CN102944583B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104359949A (zh) * 2014-11-06 2015-02-18 广州勒夫蔓德电器有限公司 一种气体浓度的测量方法
CN105699441A (zh) * 2016-03-24 2016-06-22 电子科技大学 一种电阻式气体传感器及其制备方法
CN105891422A (zh) * 2016-04-08 2016-08-24 重庆大学 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法
CN105938116A (zh) * 2016-06-20 2016-09-14 吉林大学 基于模糊划分和模型集成的气体传感器阵列浓度检测方法
CN106093178A (zh) * 2016-08-26 2016-11-09 西安鼎研科技有限责任公司 Voc气体传感器的浓度和温度漂移的补偿电路及方法
CN106228199A (zh) * 2016-08-19 2016-12-14 重庆大学 一种基于Fisher分类器组的离散型数据预处理方法
CN106289364A (zh) * 2016-08-09 2017-01-04 重庆大学 一种传感器漂移的自适应调节方法
CN107643335A (zh) * 2016-07-20 2018-01-30 复凌科技(上海)有限公司 一种检测水环境的方法
CN109357699A (zh) * 2018-11-05 2019-02-19 河南省日立信股份有限公司 一种多传感器阵列交叉求解及其检测方法
CN110111548A (zh) * 2019-04-14 2019-08-09 杭州拓深科技有限公司 一种消防报警设备的补偿优化方法
CN110927095A (zh) * 2019-12-05 2020-03-27 成都千嘉科技有限公司 基于光谱能量密度的气体浓度检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1514239A (zh) * 2003-07-23 2004-07-21 西安交通大学 一种气体传感器漂移抑制的方法
WO2005003755A1 (de) * 2003-07-07 2005-01-13 Daimlerchrysler Ag Driftkompensation für einen impedimetrischen abgassensor durch anlegen einer einstellbaren vorspannung
CN101482531A (zh) * 2009-01-10 2009-07-15 大连理工大学 一种用于可燃气体探测器的基线漂移自适应补偿探测方法
US7640116B2 (en) * 2005-09-07 2009-12-29 California Institute Of Technology Method for detection of selected chemicals in an open environment
CN102507676A (zh) * 2011-11-01 2012-06-20 重庆大学 基于多重自组织神经网络的电子鼻在线漂移补偿方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005003755A1 (de) * 2003-07-07 2005-01-13 Daimlerchrysler Ag Driftkompensation für einen impedimetrischen abgassensor durch anlegen einer einstellbaren vorspannung
CN1514239A (zh) * 2003-07-23 2004-07-21 西安交通大学 一种气体传感器漂移抑制的方法
US7640116B2 (en) * 2005-09-07 2009-12-29 California Institute Of Technology Method for detection of selected chemicals in an open environment
CN101482531A (zh) * 2009-01-10 2009-07-15 大连理工大学 一种用于可燃气体探测器的基线漂移自适应补偿探测方法
CN102507676A (zh) * 2011-11-01 2012-06-20 重庆大学 基于多重自组织神经网络的电子鼻在线漂移补偿方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104359949A (zh) * 2014-11-06 2015-02-18 广州勒夫蔓德电器有限公司 一种气体浓度的测量方法
CN105699441A (zh) * 2016-03-24 2016-06-22 电子科技大学 一种电阻式气体传感器及其制备方法
CN105699441B (zh) * 2016-03-24 2018-04-13 电子科技大学 一种电阻式气体传感器及其制备方法
CN105891422A (zh) * 2016-04-08 2016-08-24 重庆大学 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法
CN105891422B (zh) * 2016-04-08 2017-08-25 重庆大学 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法
CN105938116A (zh) * 2016-06-20 2016-09-14 吉林大学 基于模糊划分和模型集成的气体传感器阵列浓度检测方法
CN105938116B (zh) * 2016-06-20 2019-09-10 吉林大学 基于模糊划分和模型集成的气体传感器阵列浓度检测方法
CN107643335A (zh) * 2016-07-20 2018-01-30 复凌科技(上海)有限公司 一种检测水环境的方法
CN107643335B (zh) * 2016-07-20 2020-06-26 复凌科技(上海)有限公司 一种检测水环境的方法
CN106289364A (zh) * 2016-08-09 2017-01-04 重庆大学 一种传感器漂移的自适应调节方法
CN106289364B (zh) * 2016-08-09 2018-08-03 重庆大学 一种传感器漂移的自适应调节方法
CN106228199A (zh) * 2016-08-19 2016-12-14 重庆大学 一种基于Fisher分类器组的离散型数据预处理方法
CN106228199B (zh) * 2016-08-19 2019-07-02 重庆大学 一种基于Fisher分类器组的离散型数据预处理方法
CN106093178A (zh) * 2016-08-26 2016-11-09 西安鼎研科技有限责任公司 Voc气体传感器的浓度和温度漂移的补偿电路及方法
CN109357699A (zh) * 2018-11-05 2019-02-19 河南省日立信股份有限公司 一种多传感器阵列交叉求解及其检测方法
CN110111548A (zh) * 2019-04-14 2019-08-09 杭州拓深科技有限公司 一种消防报警设备的补偿优化方法
CN110927095A (zh) * 2019-12-05 2020-03-27 成都千嘉科技有限公司 基于光谱能量密度的气体浓度检测方法及系统

Also Published As

Publication number Publication date
CN102944583B (zh) 2014-05-14

Similar Documents

Publication Publication Date Title
Dong et al. Assessment of red-edge vegetation indices for crop leaf area index estimation
Maina et al. Global gradients of coral exposure to environmental stresses and implications for local management
US8594369B2 (en) Automatic detection of fires on earth&#39;s surface and of atmospheric phenomena such as clouds, veils, fog or the like, by means of a satellite system
Jones et al. Use of infrared thermography for monitoring stomatal closure in the field: application to grapevine
Paolini et al. Radiometric correction effects in Landsat multi‐date/multi‐sensor change detection studies
Ceccato et al. Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1: Theoretical approach
Dash et al. The MERIS terrestrial chlorophyll index
Young et al. The retrieval of profiles of particulate extinction from Cloud–Aerosol Lidar and Infrared Pathfinder Satellite Observations (CALIPSO) data: Uncertainty and error sensitivity analyses
Zhang et al. Estimating light absorption by chlorophyll, leaf and canopy in a deciduous broadleaf forest using MODIS data and a radiative transfer model
CN105279365B (zh) 用于学习异常检测的样本的方法
Jolliff et al. Summary diagrams for coupled hydrodynamic-ecosystem model skill assessment
Merchant et al. Saharan dust in nighttime thermal imagery: Detection and reduction of related biases in retrieved sea surface temperature
Parente et al. Principal component analysis of turbulent combustion data: Data pre-processing and manifold sensitivity
Bontemps et al. An object-based change detection method accounting for temporal dependences in time series with medium to coarse spatial resolution
Wu et al. Assessing broadband vegetation indices and QuickBird data in estimating leaf area index of corn and potato canopies
Liu et al. Estimating observation impact without adjoint model in an ensemble Kalman filter
CN102313699B (zh) 作物冠层叶片的全氮含量估算方法
CN105427300B (zh) 一种基于低秩表示和学习字典的高光谱图像异常探测方法
Shabanov et al. Effect of foliage spatial heterogeneity in the MODIS LAI and FPAR algorithm over broadleaf forests
Vaiphasa Consideration of smoothing techniques for hyperspectral remote sensing
Feilhauer et al. On variable relations between vegetation patterns and canopy reflectance
Bobko et al. Large sample estimators for standard errors of functions of correlation coefficients
Wang et al. Testing for nonlinearity of streamflow processes at different timescales
Mahecha et al. Comparing observations and process‐based simulations of biosphere‐atmosphere exchanges on multiple timescales
CN105320727A (zh) 用于检测实时序列中的异常的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant