CN116794115B - 基于多元掺杂导电聚合物的气敏传感器电极及制作方法 - Google Patents

基于多元掺杂导电聚合物的气敏传感器电极及制作方法 Download PDF

Info

Publication number
CN116794115B
CN116794115B CN202310620259.5A CN202310620259A CN116794115B CN 116794115 B CN116794115 B CN 116794115B CN 202310620259 A CN202310620259 A CN 202310620259A CN 116794115 B CN116794115 B CN 116794115B
Authority
CN
China
Prior art keywords
time sequence
training
stirring speed
feature vector
vector
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
CN202310620259.5A
Other languages
English (en)
Other versions
CN116794115A (zh
Inventor
张会军
董子任
刘凤珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Enmai Intelligent Digital Medical Jiaxing Co ltd
Original Assignee
Enmai Intelligent Digital Medical Jiaxing Co ltd
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 Enmai Intelligent Digital Medical Jiaxing Co ltd filed Critical Enmai Intelligent Digital Medical Jiaxing Co ltd
Priority to CN202310620259.5A priority Critical patent/CN116794115B/zh
Publication of CN116794115A publication Critical patent/CN116794115A/zh
Application granted granted Critical
Publication of CN116794115B publication Critical patent/CN116794115B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G01N27/125—Composition of the body, e.g. the composition of its sensitive layer
    • G01N27/126—Composition of the body, e.g. the composition of its sensitive layer comprising organic polymers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G01N27/125—Composition of the body, e.g. the composition of its sensitive layer
    • G01N27/127—Composition of the body, e.g. the composition of its sensitive layer comprising nanoparticles

Landscapes

  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Nanotechnology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)

Abstract

本申请涉及智能控制领域，其具体地公开了一种高速通信PCB的阻抗检测方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出搅拌速度值的时序变化特征和PH值的时序变化特征之间的时序协同关联特征，这样，能够基于实际的混合溶液PH值变化情况来自适应地调整搅拌速度值变化，以此来优化化学沉淀反应的效率，提高制成的气敏传感器的分辨率和稳定性。

Description

基于多元掺杂导电聚合物的气敏传感器电极及制作方法
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种基于多元掺杂导电聚合物的气敏传感器电极及制作方法。
背景技术
导电聚合物(聚苯胺PAN I/聚吡咯PPy/聚乙烯二氧噻吩PEDOT/聚乙炔PAC/聚噻吩PTh)应用在气敏传感器上相比金属氧化物半导体材料的气敏传感器有反应温度低、能耗低等优势。同时导电聚合物具有成本低、易合成等优势，是制作室温气敏传感器的具有巨大潜力的材料。
利用特定有机酸的掺杂能够提高敏感电极的气体选择性。然而，传统的导电聚合物掺杂剂(如硫酸根离子、萘磺酸根离子等)不具备电化学活性，这使得电极中存在大量非活性物质，即“死质量”。以β-萘磺酸根掺杂的聚吡咯为例(掺杂度为37.5％)，其掺杂剂(β-萘磺酸根离子)质量占聚合物总质量的50％以上，严重降低材料的比容量。此外，为了满足实际应用需求，商业化电极材料负载量通常要达到10/mg/cm-2或更高。然而，增加材料负载量必然引起电极材料厚度增加，材料内部电子和离子传导阻力随之变大。
因此，期望一种优化的基于多元掺杂导电聚合物的气敏传感器电极。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于多元掺杂导电聚合物的气敏传感器电极及制作方法，其通过采用基于深度学习的神经网络模型挖掘出搅拌速度值的时序变化特征和PH值的时序变化特征之间的时序协同关联特征，这样，能够基于实际的混合溶液PH值变化情况来自适应地调整搅拌速度值变化，以此来优化化学沉淀反应的效率，提高制成的气敏传感器的分辨率和稳定性。
根据本申请的一个方面，提供了一种基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其包括：
将聚苯胺粉末加入盐酸溶液中，并搅拌至聚苯胺完全溶解以得到聚苯胺溶液；
将樟脑磺酸或柠檬酸加入到去离子水中，并搅拌至完全溶解以得到掺杂剂溶液；
将所述掺杂剂溶液与所述聚苯胺溶液进行搅拌混合以得到混合溶液；
将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀物；
取出所述沉淀物，并用去离子水和乙醇进行多次洗涤，以除去余留的盐酸和掺杂剂得到纯化沉淀物；以及
将所述纯化沉淀物进行干燥处理以得到掺杂后的聚苯胺作为所述基于多元掺杂导电聚合物的气敏传感器电极。
在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀物，包括：获取预定时间段内多个预定时间点的搅拌速度值和PH值；将所述多个预定时间点的搅拌速度值和PH值分别按照时间维度排列为搅拌速度时序输入向量和PH值时序输入向量；将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到搅拌速度时序特征向量和PH值时序特征向量；对所述搅拌速度时序特征向量和PH值时序特征向量进行关联编码以得到参数间协同特征矩阵；将所述参数间协同特征矩阵通过双向注意力机制模块以得到强化参数间协同特征矩阵；以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量；以及，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到搅拌速度时序特征向量和PH值时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述搅拌速度时序特征向量和所述PH值时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述搅拌速度时序输入向量和所述PH值时序输入向量。
在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，将所述参数间协同特征矩阵通过双向注意力机制模块以得到强化参数间协同特征矩阵，包括：将所述参数间协同特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；将所述所述参数间协同特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到参数间协同特征向量和注意力特征向量；融合所述参数间协同特征向量和所述注意力特征向量以得到融合关联特征向量；以及，将所述融合关联特征向量进行维度重构以得到所述强化参数间协同特征矩阵。
在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量，包括：以如下公式来计算所述搅拌速度时序特征向量和所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量；其中，所述公式为：其中V1表示所述搅拌速度时序特征向量，M表示所述强化参数间协同特征矩阵，V表示所述分类特征向量。
在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，还包括训练步骤：用于对所述基于一维卷积神经网络模型的时序特征提取器、所述双向注意力机制模块和所述分类器进行训练。
在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练搅拌速度值和训练PH值，以及，所述当前时间点的搅拌速度值应增大或应减小的真实值；将所述多个预定时间点的训练搅拌速度值和训练PH值分别按照时间维度排列为训练搅拌速度时序输入向量和训练PH值时序输入向量；将所述训练搅拌速度时序输入向量和所述训练PH值时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练搅拌速度时序特征向量和训练PH值时序特征向量；对所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量进行关联编码以得到训练参数间协同特征矩阵；将所述训练参数间协同特征矩阵通过所述双向注意力机制模块以得到训练强化参数间协同特征矩阵；以所述训练搅拌速度时序特征向量作为查询特征向量，计算其与所述训练强化参数间协同特征矩阵之间的乘积以得到训练分类特征向量；以及，将所述训练分类特征向量通过所述分类器以得到分类损失函数值；计算所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量的伪循环差异惩罚因数作为伪循环差异惩罚损失函数值；以所述分类损失函数值和所述伪循环差异惩罚损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述基于一维卷积神经网络模型的时序特征提取器、所述双向注意力机制模块和所述分类器进行训练。
在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，将所述训练分类特征向量通过所述分类器以得到分类损失函数值，包括：使用所述分类器对所述训练分类特征向量进行处理以得到训练分类结果:以及，计算所述训练分类结果与所述当前时间点的搅拌速度值应增大或应减小的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，所述伪循环差异惩罚损失子单元，用于：以如下损失公式计算所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值；其中，所述损失公式为：
其中，V1是所述训练搅拌速度时序特征向量，V2是所述训练PH值时序特征向量，D(V1,V2)为所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量之间的距离矩阵，||·||F表示矩阵的Frobenius范数，L是特征向量的长度，d(V1,V2)是所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量之间的距离，||·||2是向量的二范数，log表示以2为底的对数函数值，且α和β为加权超参数，是所述伪循环差异惩罚损失函数值。
在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，所述基于多元掺杂导电聚合物的气敏传感器电极由如权利要求1-9任一所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法制得。
与现有技术相比，本申请提供的一种基于多元掺杂导电聚合物的气敏传感器电极及制作方法，其通过采用基于深度学习的神经网络模型挖掘出搅拌速度值的时序变化特征和PH值的时序变化特征之间的时序协同关联特征，这样，能够基于实际的混合溶液PH值变化情况来自适应地调整搅拌速度值变化，以此来优化化学沉淀反应的效率，提高制成的气敏传感器的分辨率和稳定性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法的场景示意图；
图2为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法的流程图；
图3为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法中化学沉淀反应过程的流程图；
图4为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法中训练阶段的流程图；
图5为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法的系统架构图；
图6为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法中训练阶段的系统架构图；
图7为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法中时序特征提取过程的流程图；
图8为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法中双向注意力增强的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，传统的导电聚合物掺杂剂(如硫酸根离子、萘磺酸根离子等)不具备电化学活性，这使得电极中存在大量非活性物质，即“死质量”。以β-萘磺酸根掺杂的聚吡咯为例(掺杂度为37.5％)，其掺杂剂(β-萘磺酸根离子)质量占聚合物总质量的50％以上，严重降低材料的比容量。此外，为了满足实际应用需求，商业化电极材料负载量通常要达到10/mg/cm-2或更高。然而，增加材料负载量必然引起电极材料厚度增加，材料内部电子和离子传导阻力随之变大，影响气敏传感器的分辨率和稳定性。因此，期望一种优化的基于多元掺杂导电聚合物的气敏传感器电极。
应可以理解，在导电聚合物(聚苯胺PAN I/聚吡咯PPy/聚乙烯二氧噻吩PEDOT/聚乙炔PAC/聚噻吩PTh)中掺杂特定有机酸可以改变其电学和化学性质，进而影响敏感电极的气体选择性。樟脑磺酸和柠檬酸都是常用的有机酸掺杂剂，它们可以在导电聚合物中引入氢键、离子键等作用力，提高敏感电极与特定气体的相互作用能力，从而提高气体选择性，降低检测极限(LOD)。具体来说，樟脑磺酸和柠檬酸掺杂可以在聚苯胺、聚吡咯、聚乙烯二氧噻吩、聚乙炔和聚噻吩等导电聚合物中实现。掺杂的方法包括化学氧化还原法、化学共沉淀法、溶液浸渍法等。
具体地，在本申请的技术方案中，提出了一种基于多元掺杂导电聚合物的气敏传感器电极，其制备过程包括：将聚苯胺粉末加入盐酸溶液中，并搅拌至聚苯胺完全溶解以得到聚苯胺溶液；将樟脑磺酸或柠檬酸加入到去离子水中，并搅拌至完全溶解以得到掺杂剂溶液；将所述掺杂剂溶液与所述聚苯胺溶液进行搅拌混合以得到混合溶液；将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀物；取出所述沉淀物，并用去离子水和乙醇进行多次洗涤，以除去余留的盐酸和掺杂剂得到纯化沉淀物；将所述纯化沉淀物进行干燥处理以得到掺杂后的聚苯胺。
相应地，考虑到在实际进行化学沉淀的过程中，为了保证化学沉淀反应的效率，需要自适应地控制搅拌速度和PH值变化。具体来说，pH值对于聚合物的形态和结构有重要影响，在掺杂过程中，pH值的变化会影响掺杂剂的离子化程度和聚合物的电荷状态，进而影响掺杂效果，因此，需要控制反应体系的pH值，以确保反应过程中pH值的稳定性。搅拌速度对于反应体系的均匀性和反应速率有重要影响，过强或过弱的搅拌速度都会影响掺杂效果，因此，需要控制搅拌速度，以确保反应过程中搅拌的均匀性和稳定性。
基于此，在本申请的技术方案中，期望基于搅拌速度和PH值之间的协同来自适应地调整搅拌速度值以优化化学沉淀反应的效率。但是，由于搅拌速度值和PH值在时间维度上都具有着各自的动态变化规律性，并且这两者之间还具有着时序的协同关联关系。因此，如何利用所述搅拌速度值和所述PH值之间的时序协同关联特征来优化搅拌速度的时序变化特征的表达，从而进行搅拌速度值的实时自适应控制尤为关键。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述搅拌速度值的时序变化特征和所述PH值的时序变化特征之间的时序协同关联特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，获取预定时间段内多个预定时间点的搅拌速度值和PH值。接着，考虑到由于所述搅拌速度值和所述PH值在时间维度上都具有着动态性的变化规律，因此，为了能够对于所述搅拌速度值和所述PH值分别在时间维度上的变化特征信息进行提取，在本申请的技术方案中，将所述多个预定时间点的搅拌速度值和PH值分别按照时间维度排列为搅拌速度时序输入向量和PH值时序输入向量，以此来分别整合所述搅拌速度值和所述PH值在时序上的分布信息。
然后，考虑到由于所述搅拌速度值和所述PH值在时间维度上有着动态性的变化规律，也就是说，这两者的时序分布信息在时间维度上都具有着各自的关联关系。因此，在本申请的技术方案中，进一步将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器中进行特征挖掘，以分别提取出所述搅拌速度值和所述PH值在时间维度上的时序关联特征信息，从而得到搅拌速度时序特征向量和PH值时序特征向量。
进一步地，还考虑到由于所述搅拌速度值和所述PH值的时序变化特征间具有着时序协同的关联关系。因此，为了充分地探究所述搅拌速度值和所述PH值在时间维度上的协同动态变化规律，以准确地进行所述搅拌速度值的自适应控制，在本申请的技术方案中，需要对所述搅拌速度时序特征向量和PH值时序特征向量进行关联编码以得到参数间协同特征矩阵，以此来表达所述搅拌速度值和所述PH值在时间维度上的时序变化特征之间的关联性特征信息。
应可以理解，由于所述搅拌速度值和所述PH值在时间维度上的时序关联特征复杂多样，也就是说，所述搅拌速度值和所述PH值在不同的时间周期跨度下呈现出不同的关联变化状态。因此，为了能够提高对于搅拌速度控制的精准度，在本申请的技术方案中，进一步使用双向注意力机制模块来对所述参数间协同特征矩阵进行处理以得到强化参数间协同特征矩阵。这样，能够充分利用时序上下文信息来增强所述搅拌速度值和所述PH值之间的时序协同关联特征响应和抑制背景特征响应。具体地，所述双向注意力模块分别从水平方向和垂直方向对整个参数间协同特征矩阵的注意力权重校准并获取复杂特征关系,从而能够从空间的全局特征中获取局部特征信息。
接着，进一步以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积，以此来将所述搅拌速度的时序变化特征映射到所述搅拌速度和所述PH值的时序协同关联特征的高维空间中，从而得到以特征增强后的关于所述搅拌速度值和所述PH值的时序协同关联特征为基础背景下的关于所述搅拌速度值的时序动态变化特征信息，并以此作为分类特征向量通过分类器中进行分类处理，从而得到用于表示当前时间点的搅拌速度值应增大或应减小的分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的搅拌速度值应增大(第一标签)，以及，当前时间点的搅拌速度值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的搅拌速度值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，搅拌速度值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的搅拌速度值应增大或应减小”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的搅拌速度值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的搅拌速度值变化，以此来优化化学沉淀反应的效率，提高制成的气敏传感器的分辨率和稳定性。
特别地，在本申请的技术方案中，考虑到搅拌速度值和PH值沿时序的源数据分布差异，在通过基于一维卷积神经网络模型的时序特征提取器进行时序局部关联特征提取之后，所述搅拌速度时序特征向量和所述PH值时序特征向量会存在时序特征分布的分布不平衡，这一方面会影响所述参数间协同特征矩阵对所述搅拌速度时序特征向量和PH值时序特征向量的关联效果，另一方面也会影响所述参数间协同特征矩阵通过双向注意力机制模块得到的所述强化参数间协同特征矩阵到所述搅拌速度时序特征向量的时序分布特征空间内的映射效果，从而所述分类特征向量的时序表达准确性。
因此，本申请的申请人在针对所述分类特征向量的分类损失函数之外，进一步引入针对所述搅拌速度时序特征向量，例如记为V1和所述PH值时序特征向量，例如记为V2的伪循环差异惩罚因数作为损失函数，具体表示为：
D(V1,V2)为特征向量V1和V2之间的距离矩阵，即所述距离矩阵的第(i,j)位置的特征值是特征向量V1的第i个特征值v1i与特征向量V2的第j个特征值v2j之间的距离，||·||F表示矩阵的Frobenius范数，L是特征向量的长度，d(V1,V2)是特征向量V1和V2之间的距离，例如欧式距离，||·||2是向量的二范数，log表示以2为底的对数，且α和β为加权超参数。
这里，考虑到所述搅拌速度时序特征向量V1和所述PH值时序特征向量V2之间的不平衡分布会在基于梯度下降的反向传播的模型训练过程当中导致梯度传播异常，从而形成模型参数更新的伪循环，所述伪循环差异惩罚因数通过引入用于表达特征值的密切关联数值对的空间关系和数值关系两者的惩罚因数，来在最小化损失函数的模型训练过程中，将模型参数更新的伪循环视为真实循环，以通过梯度传播的模拟激活的方式来实现所述搅拌速度时序特征向量V1和所述PH值时序特征向量V2各自的特征分布的渐进耦合，从而改进所述分类特征向量的时序表达准确性，以改进所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够基于实际的混合溶液PH值变化情况来自适应地调整搅拌速度值变化，以此来优化化学沉淀反应的效率，提高制成的气敏传感器的分辨率和稳定性。
基于此，本申请提出了一种基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其包括：将聚苯胺粉末加入盐酸溶液中，并搅拌至聚苯胺完全溶解以得到聚苯胺溶液；将樟脑磺酸或柠檬酸加入到去离子水中，并搅拌至完全溶解以得到掺杂剂溶液；将所述掺杂剂溶液与所述聚苯胺溶液进行搅拌混合以得到混合溶液；将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀物；取出所述沉淀物，并用去离子水和乙醇进行多次洗涤，以除去余留的盐酸和掺杂剂得到纯化沉淀物；以及，将所述纯化沉淀物进行干燥处理以得到掺杂后的聚苯胺作为所述基于多元掺杂导电聚合物的气敏传感器电极。
图1为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法的场景示意图。如图1所示，在该应用场景中，通过速度传感器(例如，如图1中所示意的V1)获取预定时间段内多个预定时间点的搅拌速度值，以及，通过PH传感器(例如，如图1中所示意的V2)获取预定时间段内多个预定时间点的PH值。接着，将上述信息输入至部署有用于基于多元掺杂导电聚合物的气敏传感器电极的制作算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述基于多元掺杂导电聚合物的气敏传感器电极的制作算法对上述输入的信息进行处理，以生成用于表示当前时间点的搅拌速度值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法的流程图。如图2所示，根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，包括：S1，将聚苯胺粉末加入盐酸溶液中，并搅拌至聚苯胺完全溶解以得到聚苯胺溶液；S2，将樟脑磺酸或柠檬酸加入到去离子水中，并搅拌至完全溶解以得到掺杂剂溶液；S3，将所述掺杂剂溶液与所述聚苯胺溶液进行搅拌混合以得到混合溶液；S4，将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀物；S5，取出所述沉淀物，并用去离子水和乙醇进行多次洗涤，以除去余留的盐酸和掺杂剂得到纯化沉淀物；以及，S6，将所述纯化沉淀物进行干燥处理以得到掺杂后的聚苯胺作为所述基于多元掺杂导电聚合物的气敏传感器电极。
具体地，在步骤S1和步骤S2中，将聚苯胺粉末加入盐酸溶液中，并搅拌至聚苯胺完全溶解以得到聚苯胺溶液，以及，将樟脑磺酸或柠檬酸加入到去离子水中，并搅拌至完全溶解以得到掺杂剂溶液。应可以理解，在导电聚合物(聚苯胺PAN I/聚吡咯PPy/聚乙烯二氧噻吩PEDOT/聚乙炔PAC/聚噻吩PTh)中掺杂特定有机酸可以改变其电学和化学性质，进而影响敏感电极的气体选择性。樟脑磺酸和柠檬酸都是常用的有机酸掺杂剂，它们可以在导电聚合物中引入氢键、离子键等作用力，提高敏感电极与特定气体的相互作用能力，从而提高气体选择性，降低检测极限(LOD)。在一个具体示例中，樟脑磺酸和柠檬酸掺杂可以在聚苯胺、聚吡咯、聚乙烯二氧噻吩、聚乙炔和聚噻吩等导电聚合物中实现。掺杂的方法包括化学氧化还原法、化学共沉淀法、溶液浸渍法等。
具体地，在步骤S3和步骤S4中，将所述掺杂剂溶液与所述聚苯胺溶液进行搅拌混合以得到混合溶液，以及，将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀物。也就是，在得到所述聚苯胺溶液和所述掺杂剂溶液后，进一步将两者通过搅拌混合的方式进行混合，以得到所述混合溶液。接着，将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应。
图3为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法中化学沉淀反应过程的流程图。如图3所示，在所述化学沉淀反应过程中，包括：S110，获取预定时间段内多个预定时间点的搅拌速度值和PH值；S120，将所述多个预定时间点的搅拌速度值和PH值分别按照时间维度排列为搅拌速度时序输入向量和PH值时序输入向量；S130，将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到搅拌速度时序特征向量和PH值时序特征向量；S140，对所述搅拌速度时序特征向量和PH值时序特征向量进行关联编码以得到参数间协同特征矩阵；S150，将所述参数间协同特征矩阵通过双向注意力机制模块以得到强化参数间协同特征矩阵；S160，以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
图5为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法的系统架构图。如图5所示，在该网络架构中，首先，获取预定时间段内多个预定时间点的搅拌速度值和PH值；接着，将所述多个预定时间点的搅拌速度值和PH值分别按照时间维度排列为搅拌速度时序输入向量和PH值时序输入向量；将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到搅拌速度时序特征向量和PH值时序特征向量；对所述搅拌速度时序特征向量和PH值时序特征向量进行关联编码以得到参数间协同特征矩阵；然后，将所述参数间协同特征矩阵通过双向注意力机制模块以得到强化参数间协同特征矩阵；以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量；进而，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
更具体地，在步骤S110中，获取预定时间段内多个预定时间点的搅拌速度值和PH值。考虑到在实际进行化学沉淀的过程中，pH值对于聚合物的形态和结构有重要影响，在掺杂过程中，pH值的变化会影响掺杂剂的离子化程度和聚合物的电荷状态，进而影响掺杂效果。因此，在本申请的技术方案中，可通过基于搅拌速度和PH值之间的协同来自适应地调整搅拌速度值以优化化学沉淀反应的效率。因此，首先，通过速度传感器来获取预定时间段内多个预定时间点的搅拌速度值，以及，通过PH传感器来获取预定时间段内多个预定时间点的PH值。
更具体地，在步骤S120中，将所述多个预定时间点的搅拌速度值和PH值分别按照时间维度排列为搅拌速度时序输入向量和PH值时序输入向量。考虑到由于所述搅拌速度值和所述PH值在时间维度上都具有着动态性的变化规律，因此，为了能够对于所述搅拌速度值和所述PH值分别在时间维度上的变化特征信息进行提取，在本申请的技术方案中，将所述多个预定时间点的搅拌速度值和PH值分别按照时间维度排列为搅拌速度时序输入向量和PH值时序输入向量，以此来分别整合所述搅拌速度值和所述PH值在时序上的分布信息。
更具体地，在步骤S130中，将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到搅拌速度时序特征向量和PH值时序特征向量。考虑到由于所述搅拌速度值和所述PH值在时间维度上有着动态性的变化规律，也就是说，这两者的时序分布信息在时间维度上都具有着各自的关联关系。因此，在本申请的技术方案中，进一步将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器中进行特征挖掘，以分别提取出所述搅拌速度值和所述PH值在时间维度上的时序关联特征信息，从而得到搅拌速度时序特征向量和PH值时序特征向量。在一个具体示例中，所述基于一维卷积神经网络模型的时序特征提取器包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述时序特征提取器的编码过程中，所述时序特征提取器的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图7为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法中时序特征提取过程的流程图。如图7所示，在所述时序特征提取过程中，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述搅拌速度时序特征向量和所述PH值时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述搅拌速度时序输入向量和所述PH值时序输入向量。
更具体地，在步骤S140中，对所述搅拌速度时序特征向量和PH值时序特征向量进行关联编码以得到参数间协同特征矩阵。考虑到由于所述搅拌速度值和所述PH值的时序变化特征间具有着时序协同的关联关系。因此，为了充分地探究所述搅拌速度值和所述PH值在时间维度上的协同动态变化规律，以准确地进行所述搅拌速度值的自适应控制，在本申请的技术方案中，需要对所述搅拌速度时序特征向量和PH值时序特征向量进行关联编码以得到参数间协同特征矩阵，以此来表达所述搅拌速度值和所述PH值在时间维度上的时序变化特征之间的关联性特征信息。在本申请的一个具体示例中，以如下公式计算所述搅拌速度时序特征向量和所述PH值时序特征向量之间的温度绝对-相对关联矩阵；其中，所述公式为：其中V1表示所述搅拌速度时序特征向量，/>表示所述搅拌速度时序特征向量的转置向量，V2表示所述PH值时序特征向量，M1表示所述温度绝对-相对关联矩阵，表示向量相乘。
更具体地，在步骤S150中，将所述参数间协同特征矩阵通过双向注意力机制模块以得到强化参数间协同特征矩阵。应可以理解，由于所述搅拌速度值和所述PH值在时间维度上的时序关联特征复杂多样，也就是说，所述搅拌速度值和所述PH值在不同的时间周期跨度下呈现出不同的关联变化状态。因此，为了能够提高对于搅拌速度控制的精准度，在本申请的技术方案中，进一步使用双向注意力机制模块来对所述参数间协同特征矩阵进行处理以得到强化参数间协同特征矩阵。这样，能够充分利用时序上下文信息来增强所述搅拌速度值和所述PH值之间的时序协同关联特征响应和抑制背景特征响应。具体地，所述双向注意力模块分别从水平方向和垂直方向对整个参数间协同特征矩阵的注意力权重校准并获取复杂特征关系,从而能够从空间的全局特征中获取局部特征信息。
图8为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法中双向注意力增强的流程图。如图8所示，在所述双向注意力增强过程中，包括：S310，将所述参数间协同特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；S320，对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；S330，将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；S340，将所述所述参数间协同特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到参数间协同特征向量和注意力特征向量；S350，融合所述参数间协同特征向量和所述注意力特征向量以得到融合关联特征向量；以及，S360，将所述融合关联特征向量进行维度重构以得到所述强化参数间协同特征矩阵。
更具体地，在步骤S160中，以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量。也就是，在得到所述强化参数间协同特征矩阵后，进一步计算所述搅拌速度时序特征向量和所述强化参数间协同特征矩阵之间的乘积，以此来将所述搅拌速度的时序变化特征映射到所述搅拌速度和所述PH值的时序协同关联特征的高维空间中，从而得到以特征增强后的关于所述搅拌速度值和所述PH值的时序协同关联特征为基础背景下的关于所述搅拌速度值的时序动态变化特征信息。在本申请的一个具体示例中，以如下公式来计算所述搅拌速度时序特征向量和所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量；其中，所述公式为：其中V1表示所述搅拌速度时序特征向量，M表示所述强化参数间协同特征矩阵，V表示所述分类特征向量。
更具体地，在步骤S170中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。也就是，将所述分类特征向量通过分类器以得到用于表示当前时间点的搅拌速度值应增大或应减小的分类结果。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，首先，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中，所述分类器的标签包括当前时间点的搅拌速度值应增大(第一标签)，以及，当前时间点的搅拌速度值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的搅拌速度值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，搅拌速度值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的搅拌速度值应增大或应减小”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的搅拌速度值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的搅拌速度值变化，以此来优化化学沉淀反应的效率，提高制成的气敏传感器的分辨率和稳定性。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于一维卷积神经网络模型的时序特征提取器、所述双向注意力机制模块和所述分类器进行训练。也就是说，在本申请的基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，还包括训练模块，用于对所述基于一维卷积神经网络模型的时序特征提取器、所述双向注意力机制模块和所述分类器进行训练。
图4为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法中训练阶段的流程图。如图4所示，根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，还包括训练阶段，包括步骤：S1110，获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练搅拌速度值和训练PH值，以及，所述当前时间点的搅拌速度值应增大或应减小的真实值；S1120，将所述多个预定时间点的训练搅拌速度值和训练PH值分别按照时间维度排列为训练搅拌速度时序输入向量和训练PH值时序输入向量；S1130，将所述训练搅拌速度时序输入向量和所述训练PH值时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练搅拌速度时序特征向量和训练PH值时序特征向量；S1140，对所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量进行关联编码以得到训练参数间协同特征矩阵；S1150，将所述训练参数间协同特征矩阵通过所述双向注意力机制模块以得到训练强化参数间协同特征矩阵；S1160，以所述训练搅拌速度时序特征向量作为查询特征向量，计算其与所述训练强化参数间协同特征矩阵之间的乘积以得到训练分类特征向量；以及，S1170，将所述训练分类特征向量通过所述分类器以得到分类损失函数值；S1180，计算所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量的伪循环差异惩罚因数作为伪循环差异惩罚损失函数值；S1190，以所述分类损失函数值和所述伪循环差异惩罚损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述基于一维卷积神经网络模型的时序特征提取器、所述双向注意力机制模块和所述分类器进行训练。
图6为根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法中训练阶段的系统架构图。如图6所示，在所述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，在训练过程中，首先，获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练搅拌速度值和训练PH值，以及，所述当前时间点的搅拌速度值应增大或应减小的真实值；接着，将所述多个预定时间点的训练搅拌速度值和训练PH值分别按照时间维度排列为训练搅拌速度时序输入向量和训练PH值时序输入向量；将所述训练搅拌速度时序输入向量和所述训练PH值时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练搅拌速度时序特征向量和训练PH值时序特征向量；然后，对所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量进行关联编码以得到训练参数间协同特征矩阵；将所述训练参数间协同特征矩阵通过所述双向注意力机制模块以得到训练强化参数间协同特征矩阵；以所述训练搅拌速度时序特征向量作为查询特征向量，计算其与所述训练强化参数间协同特征矩阵之间的乘积以得到训练分类特征向量；然后，将所述训练分类特征向量通过所述分类器以得到分类损失函数值；计算所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量的伪循环差异惩罚因数作为伪循环差异惩罚损失函数值；进而，以所述分类损失函数值和所述伪循环差异惩罚损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述基于一维卷积神经网络模型的时序特征提取器、所述双向注意力机制模块和所述分类器进行训练。
在本申请的技术方案中，考虑到搅拌速度值和PH值沿时序的源数据分布差异，在通过基于一维卷积神经网络模型的时序特征提取器进行时序局部关联特征提取之后，所述搅拌速度时序特征向量和所述PH值时序特征向量会存在时序特征分布的分布不平衡，这一方面会影响所述参数间协同特征矩阵对所述搅拌速度时序特征向量和PH值时序特征向量的关联效果，另一方面也会影响所述参数间协同特征矩阵通过双向注意力机制模块得到的所述强化参数间协同特征矩阵到所述搅拌速度时序特征向量的时序分布特征空间内的映射效果，从而所述分类特征向量的时序表达准确性。因此，本申请的申请人在针对所述分类特征向量的分类损失函数之外，进一步引入针对所述搅拌速度时序特征向量，例如记为V1和所述PH值时序特征向量，例如记为V2的伪循环差异惩罚因数作为损失函数，具体表示为：
其中，V1是所述训练搅拌速度时序特征向量，V2是所述训练PH值时序特征向量，D(V1,V2)为所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量之间的距离矩阵，||·||F表示矩阵的Frobenius范数，L是特征向量的长度，d(V1,V2)是所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量之间的距离，||·||2是向量的二范数，log表示以2为底的对数函数值，且α和β为加权超参数，是所述伪循环差异惩罚损失函数值。这里，考虑到所述搅拌速度时序特征向量V1和所述PH值时序特征向量V2之间的不平衡分布会在基于梯度下降的反向传播的模型训练过程当中导致梯度传播异常，从而形成模型参数更新的伪循环，所述伪循环差异惩罚因数通过引入用于表达特征值的密切关联数值对的空间关系和数值关系两者的惩罚因数，来在最小化损失函数的模型训练过程中，将模型参数更新的伪循环视为真实循环，以通过梯度传播的模拟激活的方式来实现所述搅拌速度时序特征向量V1和所述PH值时序特征向量V2各自的特征分布的渐进耦合，从而改进所述分类特征向量的时序表达准确性，以改进所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够基于实际的混合溶液PH值变化情况来自适应地调整搅拌速度值变化，以此来优化化学沉淀反应的效率，提高制成的气敏传感器的分辨率和稳定性。
具体地，在步骤S5和步骤S6中，取出所述沉淀物，并用去离子水和乙醇进行多次洗涤，以除去余留的盐酸和掺杂剂得到纯化沉淀物；以及，将所述纯化沉淀物进行干燥处理以得到掺杂后的聚苯胺作为所述基于多元掺杂导电聚合物的气敏传感器电极。也就是，在得到所述纯化沉淀物后，进一步对其进行干燥处理以滤除其中的水份。
综上，根据本申请实施例的基于多元掺杂导电聚合物的气敏传感器电极的制作方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出搅拌速度值的时序变化特征和PH值的时序变化特征之间的时序协同关联特征，这样，能够基于实际的混合溶液PH值变化情况来自适应地调整搅拌速度值变化，以此来优化化学沉淀反应的效率，提高制成的气敏传感器的分辨率和稳定性。
示例性实施例
导电聚合物(聚苯胺PAN I/聚吡咯PPy/聚乙烯二氧噻吩PEDOT/聚乙炔PAC/聚噻吩PTh)应用在气敏传感器上相比金属氧化物半导体材料的气敏传感器有反应温度低，能耗低等优势。同时导电聚合物具有成本低，易合成等优势，是制作室温气敏传感器的具有巨大潜力的材料。此项发明专利主要针对目前导电聚合物在气敏传感器领域运用中的一些不足通过多元掺杂的方式做优化和改进，以提高制成的气敏传感器的分辨率和稳定性。
本专利的主要创新点(a优先，其余可供选择)：
a)利用特定有机酸的掺杂以提高敏感电极的气体选择性。利用樟脑磺酸(CSA)、柠檬酸等对于NO有选择性的有机酸进行掺杂以提高气敏传感器的选择性，降低检测极限(LOD)。
b)利用PAN I和PPy的二元复合纳米管作为电极的主要材料，通过以PPy为模板的二元复合管集合了PPy作为一种本征型导电聚合物，所具有的电导率高、环境稳定性好等优点的同时，也利用聚苯胺(PAN I)增强聚吡咯(PPy)的电容性能，聚吡咯则可以有效降低聚苯胺分子间的电荷转移电阻，促进载流子传输等特性，提高导电聚合物电极的电性能。
c)利用导电聚合物/金属氧化物半导体/石墨烯的各自优异性能通过多元掺杂的方式提高电极气敏性能。导电高分子材料(PAN I、PTh、PPy)具有室温气敏性能,可降低气敏材料的操作温度；金属氧化物半导体材料(I n2O3/WO3/ZnO/α氧化铁等)的稳定性好、灵敏度高、响应和恢复时间短；石墨烯具有较大的比表面积和优良的电子转移能力,将三者进行复合后,很好地发挥了三者之间的协同效应。具体可归纳为三点:第一、大的比表面积为表面化学反应提供了充足的活性位点,同时有利于气体的快速扩散；第二、金属氧化物与石墨烯之间存在着电子转移作用；第三、金属氧化物(n型半导体)与导电高分子材料和石墨烯(p型半导体)之间可形成p-n异质结,通过异质结也可产生电子转移,从而表现出低温下复合材料的较佳气敏性能。
d)利用静电纺丝(化学气相沉积法、模板辅助电沉积法、水热法；选择其中一种)等一维纳米材料工艺进行掺杂导电聚合物电极的制作。静电纺丝可以制备直径在几十到几百纳米的纤维，产品具有较高的孔隙率和较大的比表面积，成分多样化，直径分布均匀，可以用于制作性能优异的传感器电极材料。优势有：(1)短的离子扩散路径使得离子扩散动力学显著提高；(2)定向的电子离子传导方向使得导电性增加；(3)强大的应力承受能力使其可以有效缓解充放电过程中活性材料的结构变化，使得电化学稳定性明显提高
e)利用新的掺杂策略提高电极的电化学性能。传统的导电聚合物掺杂剂(如硫酸根离子、萘磺酸根离子等)不具备电化学活性，这使得电极中存在大量非活性物质，即“死质量”。以β-萘磺酸根掺杂的聚吡咯为例(掺杂度为37.5％)，其掺杂剂(β-萘磺酸根离子)质量占聚合物总质量的50％以上，严重降低材料的比容量。此外，为了满足实际应用需求，商业化电极材料负载量通常要达到10/mg/cm-2或更高。然而，增加材料负载量必然引起电极材料厚度增加，材料内部电子和离子传导阻力随之变大。因此，制备高比容量、高负载量的导电聚合物材料是非常具有实用价值的发展方向。

Claims (9)

1.一种基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，包括：
将聚苯胺粉末加入盐酸溶液中，并搅拌至聚苯胺完全溶解以得到聚苯胺溶液；
将樟脑磺酸或柠檬酸加入到去离子水中，并搅拌至完全溶解以得到掺杂剂溶液；
将所述掺杂剂溶液与所述聚苯胺溶液进行搅拌混合以得到混合溶液；
将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀物；
取出所述沉淀物，并用去离子水和乙醇进行多次洗涤，以除去余留的盐酸和掺杂剂得到纯化沉淀物；以及
将所述纯化沉淀物进行干燥处理以得到掺杂后的聚苯胺作为所述基于多元掺杂导电聚合物的气敏传感器电极；
其中，将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀物，包括：
获取预定时间段内多个预定时间点的搅拌速度值和PH值；
将所述多个预定时间点的搅拌速度值和PH值分别按照时间维度排列为搅拌速度时序输入向量和PH值时序输入向量；
将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到搅拌速度时序特征向量和PH值时序特征向量；
对所述搅拌速度时序特征向量和PH值时序特征向量进行关联编码以得到参数间协同特征矩阵；
将所述参数间协同特征矩阵通过双向注意力机制模块以得到强化参数间协同特征矩阵；
以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
2.根据权利要求1所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到搅拌速度时序特征向量和PH值时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述搅拌速度时序特征向量和所述PH值时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述搅拌速度时序输入向量和所述PH值时序输入向量。
3.根据权利要求2所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，将所述参数间协同特征矩阵通过双向注意力机制模块以得到强化参数间协同特征矩阵，包括：
将所述参数间协同特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；
将所述所述参数间协同特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到参数间协同特征向量和注意力特征向量；
融合所述参数间协同特征向量和所述注意力特征向量以得到融合关联特征向量；以及
将所述融合关联特征向量进行维度重构以得到所述强化参数间协同特征矩阵。
4.根据权利要求3所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量，包括：以如下公式来计算所述搅拌速度时序特征向量和所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量；
其中，所述公式为：
其中V1表示所述搅拌速度时序特征向量，M表示所述强化参数间协同特征矩阵，V表示所述分类特征向量。
5.根据权利要求4所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，还包括训练步骤：用于对所述基于一维卷积神经网络模型的时序特征提取器、所述双向注意力机制模块和所述分类器进行训练。
6.根据权利要求5所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，所述训练步骤，包括：
获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练搅拌速度值和训练PH值，以及，所述当前时间点的搅拌速度值应增大或应减小的真实值；
将所述多个预定时间点的训练搅拌速度值和训练PH值分别按照时间维度排列为训练搅拌速度时序输入向量和训练PH值时序输入向量；
将所述训练搅拌速度时序输入向量和所述训练PH值时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练搅拌速度时序特征向量和训练PH值时序特征向量；
对所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量进行关联编码以得到训练参数间协同特征矩阵；
将所述训练参数间协同特征矩阵通过所述双向注意力机制模块以得到训练强化参数间协同特征矩阵；
以所述训练搅拌速度时序特征向量作为查询特征向量，计算其与所述训练强化参数间协同特征矩阵之间的乘积以得到训练分类特征向量；以及
将所述训练分类特征向量通过所述分类器以得到分类损失函数值；
计算所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量的伪循环差异惩罚因数作为伪循环差异惩罚损失函数值；
以所述分类损失函数值和所述伪循环差异惩罚损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述基于一维卷积神经网络模型的时序特征提取器、所述双向注意力机制模块和所述分类器进行训练。
7.根据权利要求6所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，将所述训练分类特征向量通过所述分类器以得到分类损失函数值，包括：
使用所述分类器对所述训练分类特征向量进行处理以得到训练分类结果:以及
计算所述训练分类结果与所述当前时间点的搅拌速度值应增大或应减小的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
8.根据权利要求7所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，所述伪循环差异惩罚损失子单元，用于：以如下损失公式计算所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值；
其中，所述损失公式为：
其中，V1是所述训练搅拌速度时序特征向量，V2是所述训练PH值时序特征向量，D(V1,V2)为所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量之间的距离矩阵，||·||F表示矩阵的Frobenius范数，L是特征向量的长度，d(V1,V2)是所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量之间的距离，||·||2是向量的二范数，log表示以2为底的对数函数值，且α和β为加权超参数，是所述伪循环差异惩罚损失函数值。
9.一种基于多元掺杂导电聚合物的气敏传感器电极，其特征在于，所述基于多元掺杂导电聚合物的气敏传感器电极由如权利要求1-8任一所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法制得。
CN202310620259.5A 2023-05-30 2023-05-30 基于多元掺杂导电聚合物的气敏传感器电极及制作方法 Active CN116794115B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310620259.5A CN116794115B (zh) 2023-05-30 2023-05-30 基于多元掺杂导电聚合物的气敏传感器电极及制作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310620259.5A CN116794115B (zh) 2023-05-30 2023-05-30 基于多元掺杂导电聚合物的气敏传感器电极及制作方法

Publications (2)

Publication Number Publication Date
CN116794115A CN116794115A (zh) 2023-09-22
CN116794115B true CN116794115B (zh) 2024-01-30

Family

ID=88041266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310620259.5A Active CN116794115B (zh) 2023-05-30 2023-05-30 基于多元掺杂导电聚合物的气敏传感器电极及制作方法

Country Status (1)

Country Link
CN (1) CN116794115B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117311298B (zh) * 2023-11-29 2024-02-09 江苏一家园健康科技有限公司 结合pH值控制的产品优化生产方法与系统
CN117575485B (zh) * 2024-01-12 2024-05-03 深圳比特耐特信息技术股份有限公司 一种基于可视化的智慧调度方法、系统及存储介质
CN118185698A (zh) * 2024-04-18 2024-06-14 青岛新农康源生物工程有限公司 一种低温生产昆虫虫油的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102535157A (zh) * 2010-09-01 2012-07-04 索尼公司 官能化聚苯胺纳米材料、分子印迹聚合物复合物、分子印迹传感器、电化学检测设备及其制备方法
CA3062891A1 (en) * 2017-05-19 2018-11-22 Salesforce.Com, Inc. Natural language processing using context-specific word vectors
CN109765208A (zh) * 2019-01-18 2019-05-17 河北省食品检验研究院 一种天然植物提取物中亚硝酸盐的测定
CN111291188A (zh) * 2020-02-20 2020-06-16 阿基米德（上海）传媒有限公司 一种智能信息抽取方法及系统
CN113869059A (zh) * 2021-09-10 2021-12-31 武汉大学 基于注意力机制的自然语言文本三元组提取方法及系统
CN115356434A (zh) * 2022-07-14 2022-11-18 福建省杭氟电子材料有限公司 六氟丁二烯储放场所的气体监测系统及其监测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190303535A1 (en) * 2018-04-03 2019-10-03 International Business Machines Corporation Interpretable bio-medical link prediction using deep neural representation
US12008739B2 (en) * 2021-10-27 2024-06-11 Adobe Inc. Automatic photo editing via linguistic request

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102535157A (zh) * 2010-09-01 2012-07-04 索尼公司 官能化聚苯胺纳米材料、分子印迹聚合物复合物、分子印迹传感器、电化学检测设备及其制备方法
CA3062891A1 (en) * 2017-05-19 2018-11-22 Salesforce.Com, Inc. Natural language processing using context-specific word vectors
CN109765208A (zh) * 2019-01-18 2019-05-17 河北省食品检验研究院 一种天然植物提取物中亚硝酸盐的测定
CN111291188A (zh) * 2020-02-20 2020-06-16 阿基米德（上海）传媒有限公司 一种智能信息抽取方法及系统
CN113869059A (zh) * 2021-09-10 2021-12-31 武汉大学 基于注意力机制的自然语言文本三元组提取方法及系统
CN115356434A (zh) * 2022-07-14 2022-11-18 福建省杭氟电子材料有限公司 六氟丁二烯储放场所的气体监测系统及其监测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Depression prediction based on biattention-GRU;姚舜;Journal of ambent intelligence and humanized computing;193-207 *
二次掺杂态聚苯胺的制备与性能研究;巨文星等;西安工业大学学报;177-181 *
多跳机器阅读理解研究进展;苏珂等;计算机工程;155-162 *
姚舜.聚苯胺超级电容材料的性能研究与应用.中国优秀硕士学位全文数据库工程科技I辑,2020,B216-762页. *
棉花核DNA的提取及其RAPD分析;沈法富等;棉花学报;67-75 *

Also Published As

Publication number Publication date
CN116794115A (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
CN116794115B (zh) 基于多元掺杂导电聚合物的气敏传感器电极及制作方法
Guo et al. Margin & diversity based ordering ensemble pruning
Huang et al. Naive Bayes classification algorithm based on small sample set
CN109635928A (zh) 一种基于深度学习模型融合的电压暂降原因识别方法
CN108932314A (zh) 一种基于深度哈希学习的菊花图像内容检索方法
CN109635946A (zh) 一种联合深度神经网络和成对约束的聚类方法
CN113806580B (zh) 基于层次语义结构的跨模态哈希检索方法
CN111737294B (zh) 一种基于动态增量集成模糊的数据流分类方法
CN113822419A (zh) 一种基于结构信息的自监督图表示学习运行方法
CN113541834A (zh) 一种异常信号半监督分类方法、系统、数据处理终端
CN113191482A (zh) 一种基于元路径的异质图神经网络表示方法
Li et al. Neural networks for modeling electron transport properties of mesoscopic systems
CN115983351A (zh) 一种基于对比学习的自监督图神经网络方法
Zhao et al. Short‐term load forecasting of multi‐scale recurrent neural networks based on residual structure
CN117034046A (zh) 一种基于isodata聚类的柔性负荷可调潜力评估方法
Zhang et al. Self-sensitizable neuromorphic device based on adaptive hydrogen gradient
Zhao et al. A novel in-depth analysis approach for domain-specific problems based on multidomain data
Cao et al. Design of river water quality assessment and prediction algorithm
CN113917370A (zh) 一种基于油中溶解气体小样本数据的变压器故障诊断方法
CN112634993A (zh) 化学品雌激素受体激活活性的预测模型及筛查方法
Ji et al. Image patch prior learning based on random neighbourhood resampling for image denoising
CN111242272A (zh) 一种无线传感器网络异常检测方法
Guo et al. iRspot-DCC: Recombination hot/cold spots identification based on dinucleotide-based correlation coefficient and convolutional neural network
Zhang et al. A genetic algorithm based on immune and chaos
CN118739256A (zh) 短期光伏功率预测方法、计算机可读存储介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant