（测试计量技术及仪器专业论文）液滴分析仪及其软件系统的研究.pdf

摘要 本论文研究的主要是光纤、电容液滴分析仪嵌入式软件系统的设计。针对当 前鉴别方法的局限性，本文采用神经网络作为分类器，实现了液体鉴别算法的设 计。与前期的识别技术相比，神经网络识别技术有更强的液滴识别能力。 文中阐述了液滴分析的基础理论，研究了液滴指纹图的特征提取、计算和选 择并根据特征值选择原则选取了八个能代表液体特性、能提高液体识别率的特 征值。通过分析光纤、电容液滴分析仪的嵌入式软件系统，在现有光纤、电容液 滴分析仪的基础上完成了液体鉴别算法的设计。在算法设计上，经过实验、分析 和比较，选择了8 3 0 x 6 的三层b p 神经网络作为分类器，解决了当前鉴别方 法不稳定、鉴别精度低等方面的问题，使液滴分析仪达到一定的鉴别精度，满足 液滴分析仪的本质要求。 本论文主要完成的工作为： ( 1 ) 实现了系统目标的分类设计，使仪器有针对性的完成预定目标，减少了 仪器的“多功能化”带来的设计上的复杂性； ( 2 ) 完成了嵌入式系统功能的软件设计； ( 3 ) 通过对以往鉴别方法的比较和总结，提出了新的数据处理算法：基于 b p 神经网络的鉴别算法，并将其应用到嵌入式系统中； ( 4 ) 对典型样品进行了测试实验，验证了新的鉴别算法具有较高的鉴别精 度。 关键词：液滴分析光纤电容液滴分析仪b p 神经网络 a b s t r a c t t h ed e s i g no ft h ee m b e d d e ds o f t w a r es y s t e mo ff i b e rc a p a c i t a n c ed r o p a n a l y z e ri sm a i n l ys t u d i e d i n t h i sd i s s e r t a t i o n an e wr e c o g n i t i o na l g o r i t h mi s e s s e n t i a l l yp r e s e n t e d ，c o n s i d e r i n g t h ed r a w b a c k so fl o wa c c u r a c yo ft h e o l d i d e n t i f i c a t i o nm e t h o d s n e u r a ln e t w o r ki d e n t i f i c a t i o nt e c h n o l o g y , w h i c hi sw i d e l y u s e di nc h i n aa n da b r o a d ，h a se x c e l l e n tg e n e r a l i z a t i o na b i l i t yc o m p a r e dt ot r a d i t i o n a l r e c o g n i t i o nm e t h o d sa n di sm o r es u i t a b l ef o rd r o p l e tr e c o g n i t i o n i nv i e wo ft h i s ， n e u r a ln e t w o r ki d e n t i f i c a t i o nt e c h n o l o g yi su s e da sc l a s s i f i e rt o d e s i g n t h e i d e n t i f i c a t i o na l g o r i t h mi nt h i sd i s s e r t a t i o n t h eb a s i ct h e o r yo ft h ef i b e rc a p a c i t a n c ed r o pa n a l y s i si sf i r s t l yi n t r o d u c e di nt h i s d i s s e r t a t i o n , t h e nt h er e a l i z a t i o n ，c a l c u l a t i o na n ds e l e c t i o no ft h ee i g e n v a l u ei ss t u d i e d a n da c c o r d i n gt ot h ep r i n c i p l e so ft h es e l e c t i o no fe i g e n v a l u e ，e i g h te i g e n v a l u e s ， w h i c hc a nr e p r e s e n tl i q u i df e a t u r e sa n di m p r o v er e c o g n i t i o nr a t i o ，a r ec h o s e nf o rt h e i d e n t i f i c a t i o na l g o r i t h m t h ee m b e d d e ds o f t w a r es y s t e mo ff i b e rc a p a c i t a n c ed r o p a n a l y z e ri sa n a l y z e di nd e t a i l ，a n dt h ed e s i g no ft h ei d e n t i f i c a t i o na l g o r i t h mt h a t b a s e d0 nt h ee x i s t i n gf i b e rc a p a c i t a n c ed r o pa n a l y z e ri sa l s oc o m p l e t e d a f t e r e x p e r i m e n t a t i o n , a n a l y s i sa n dc o m p a r i s o n , t h e8 x 3 0 6n e u r a ln e t w o r kr e c o g n i t i o n m e t h o di sd e s i g n e d r e s o l v i n gt h ep r o b l e mo fl o wa c c u r a c yw i t ht h e o l di d e n t i f i c a t i o n a l g o r i t h m , t h e n e wo n ea c h i e v e sah i g h e r a c c u r a c ya n dm e e t st h ee s s e n t i a l r e q u i r e m e n t so ff i b e rc a p a c i t a n c ed r o pa n a l y z e r t h et h e s i sc o v e r st h ef o l l o w i n ga s p e c t sc o n c e r n i n gt h em a i nw o r k ： ( 1 ) r e d u c et h ec o m p l i c a t i o no ft h es y s t e mb ym e a n so fd e s i g n i n gt h es y s t e m r e s p e c t i v e l y ； ( 2 ) e m b e d d e dl i q u i dd r o pa n a l y s i sp r o g r a mi sd e v e l o p e d ； ( 3 ) t os u m m a r i z ea n dc o m p a r e ，an e ws e to fd a t ap r o c e s s i n ga l g o r i t h mi s d e s i g n e d ：b pn e u r a ln e t w o r kr e c o g n i t i o na l g o r i t h m ，a n dt h ea l g o r i t h mi s a p p l i e dt ot h ee m b e d d e ds y s t e m ； ( 4 ) e x p e r i m e n t so ft y p i c a ls a m p l e sa r ec o m p l e t e d , a n dp r o v et h a tt h en e w a l g o r i t h mc a l la c h i e v eah i d e ra c c u r a c y k e y w o r d s ：d r o pa n a l y s i s ，f i b e r - c a p a c i t i v ed r o ps e n s o r , b p n e u r a ln e t w o r k 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获碍苤鲞盘堂或其他教育机构的学位或证 书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示了谢意。 学位论文作者签名： 肥虢泖 签字日期： 丑7 年占月日 学位论文版权使用授权书 本学位论文作者完全了解丕鲞盘堂有关保留、使用学位论文的规定。 特授权墨姿态鲎可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：f 乞能翎7 签字日期：鼬多年 6 月f日 ，翩签名秽谚殇 签字日期杠c 7 哞厂月日 第一章绪论 1 1 课题的背景及意义 第一章绪论 随着全球人口的急剧膨胀和经济的飞速发展，人类向自然索取的无止境扩 大，人类面对的环境问题日趋严重，环境保护已迫在眉睫【1 。我国在实现经济快 速发展的同时，把可持续发展上升到国家战略的高度，郑重声明保护生态环境是 我国的基本国策。我们看到：大到西部开发、城乡建设，小到企业规划、产品设 计，首先考虑的都是环境、生态和可持续发展；绿色食品、饮料、医疗保健药品 等无污染环保产品也成为消费的热点。因此，人们对污染的控制、对饮食、医药 和工业用液的质量监测都提出了更多、更高的要求，迫切需要功能更强、使用更 方便的分析方法和仪器。 液滴分析技术就是在这种环境下应运而生的- - 1 7 高新技术。液滴分析技术【2 】 指的是在一定测试系统条件下，在被测液体形成液滴的过程中，采用各种手段对 被测液滴实施监测，以获得有关该被测液体的物理、化学特性参数，对液体进行 定性和量化识别的技术。 液滴分析技术主要有以下几个特点【3 】： 第一，利用液滴分析技术只需要通过监测被测液体的液滴生长过程就可以直 接或间接地同时测出液体的多种物理、化学特性参数，如：表面张力、折射率、 浓度、黏度、吸光度、浑浊度、颜色、蒸发率、液体的化学成分和有关的液体电 特性参数等等。 第二，通过液滴分析技术得到的“液滴指纹图”，可以作为鉴别两种液体细微 差别的依据，由此可以用来鉴别液体的真伪，如：假酒、假药和假饮料等。 第三，液滴分析技术容易实现在线监测，可以用来监控液体生产的工艺环节。 第四，液滴分析方法无需任何化学试剂，不发生化学反应，因此没有二次污 染问题，是一条设计“绿色仪器”的理想技术路线。 上述优点使得液滴分析技术在海洋污染监测、水资源保护、制药工艺、食品 饮料及工业用液等所有涉及液体检测的领域中显现出无可比拟的应用优势。 目前，大部分的液体辩别，如名酒，名茶，还需要靠专业人员来品尝识别。 液滴分析技术在监控液体生产，鉴别液体的真伪方面，有非常广泛的应用前景。 如有作品问世，并推向市场，将会获得非常好的经济效益。 第一章绪论 1 2 液滴分析技术的发展 早在一个世纪以前，t a t e 就通过实验提出，液滴的体积( 重量) 与形成液滴 的毛细管的直径成比例【4 5 】。此后，人们逐步认识到液体的某些特性与液体在一 定条件下形成液滴的特性关系密切。例如，h a r k i n s 和v r o w n 于1 9 1 9 年提出了 液滴的边界张力与液滴的体积和形成液滴的毛细管半径关系【6 】为： 7 ：v d g f ( 1 1 ) r 式中： y 为边界张力( m n m ) ，v 为平衡状态下的液滴体积( m l ) ，d 为 被测液体与周围介质的密度差异系数，简化时可用被测液体的密度p 代替 ( g m l ) ，g 为测量点当地的重力加速度( 约9 8 0 7 c m s 2 ) ，厂为毛细管外径( c m ) ， f 是经验修正系数，无量纲。 1 9 9 2 年，n d m c m i l l a n 7 - 9 等人提出了光纤液滴分析的实验方法，其原理 是通过插入液滴内部的光纤来研究经过液滴的光信号的变化。由光源发出的光， 经过输入光纤导入液滴，光信号经过液滴的散射、折射等作用，部分进入输出光 纤作为信号输出。这部分传出的光信号的光强变化，包含了液滴的物理、化学综 合信息。他们考察了在一个动态生长周期中，经过液滴反射、散射后的光学信号 反映了液体的物理性质，如粘度、表面张力、折射率、吸光度等。并利用实验证 明，在一定的测试系统条件下，经过液滴的光信号，随液滴生长而变化的记录曲 线是唯一的。称这样的曲线图为“光纤液滴指纹图。m c m i l l a n 博士将光纤技 术用于液滴分析是液滴分析技术的一个里程碑。 1 9 9 9 年，天津大学的王春海博士【lo 】等人提出了电容液滴分析的方法，由滴 头和环形极板构成特殊的电容传感器，将液滴生长过程中的体积变化转变为电容 传感器电容量的变化。通过电容液滴分析方法可以获得任意时刻的液滴体积值， 其前提是被测液体的介电常数己知或者可以实时测量获得。 由于光纤液滴指纹图反映的是光信号随时间变化的规律，容易受到供液速度 的影响，为了保证测量的重复性和指纹图的唯一性，天津大学的裘祖荣博士提出 了将光纤液滴分析技术和电容液滴分析技术融合的方法，并建立了“基于体积的 液滴指纹图”( v f d t ：v o l u m e - b a s e df i b e rd r o pt r a c e ) ，它表示的是光纤接收端 的光强信号随液滴瞬时体积变化的曲线【1 1 1 。该表达方式解决了以时间为基准的液 滴指纹图受供液系统流量稳定性影响的难题，排除了液滴生长速度和液体挥发性 对液滴指纹图的影响，既提高了测量的重复性，也提高了液滴指纹图的可比性。 同时，光纤、电容液滴分析技术使液滴分析涉及了被测液体更多的特性，从而能 够更全面地分析、鉴别被测液体。 2 第一章绪论 随着科学技术的不断发展，越来越多的新技术、新方法已经应用到液滴分析 领域。利用c c d 图像技术可以通过摄像的方法直接记录液滴生长过程中的轮廓 变化情况，通过图像处理系统实时采集、存储图像并进行边缘提取，最后根据液 滴的轮廓边缘计算出液滴的体积；同时它能够监测液滴的生长过程，从中获得的 关于液滴几何形状的信息可以用来对液体特性作进一步的研究。 此外，将红外光谱在化学成分分析方面的技术应用到液滴分析中，采用光纤 或者微型几何光路，将作为信号光源的红外光导入液滴，把接收端采集到的光信 号用快速傅立叶变换等方法进行光谱分析，可以得到被测液体的化学成分信息。 将光谱液滴分析技术与光纤、电容、图像液滴分析技术进行融合，使得液滴生长 过程所表现的物理、化学特性可以同步实时地检测出来，并且还能够建立包含光 强信号、液滴体积信号、光谱信号的“三维液滴指纹图”，这将使液滴分析技术的 鉴别能力也提高一个台阶。 目前液滴分析技术在酒类方面的应用主要有以下三个方面；a ) 利用多波长 得到的液滴指纹图数据，对产品的品味特征通过神经网络学习软件记录在案，然 后用来控制酒品的工艺过程；b ) 建立酒的液滴指纹图资料库，分析不同年份的 酒产品的质量关系，从中找出确定酒品质量的关键因素；c ) 通过酒的液滴指纹 图确定酒的蒸发率，可以评估产生酒香的挥发性元素。 液滴分析技术在软饮料方面有以下应用：a ) 对糖份进行精确测定；b ) 利用 液滴分析技术对产品从整体上进行分析评价；c ) 用于检测原料水的质量。 对于饮品的分析，国外有些学者受离子选择电极的启发，使用类似于生物系 统的材料作为传感器的敏感膜对液体的味觉进行分析；如日本的k h a y a s h i 等人 采用类脂膜制作液体分析传感器【l2 1 ，他们的研究结果表明，当类脂薄膜的一个侧 面与味觉物质接触时，膜两侧的电势将发生变化，可对液体中的味觉物质响应， 分析这些响应信号与味觉物质之间的相互关系，可以标定出类似生物味觉感受的 相同结果。类脂膜的缺点是针对性强，重复性低，不能检测定量信息。为此，目 前已有学者采用多传感器组成传感器阵列解决上述问题。但无论其综合性能还是 适用范围都不如液滴分析技术好。 液滴分析技术在控制污染方面的应用有：a ) 借助神经网络的学习功能，应 用液滴分析技术精细分析河流污染的状况；b ) 将建筑物上滴流下来的雨水进行 液滴分析，可以检测酸雨对建筑物的侵蚀作用；c ) 对饲料的沥出液和污水进行 液滴分析，可以鉴别被测液体的成分。 综上所述，液滴分析技术的确是一门应用前景宽广、实用价值很大的高新技 术，很值得研究和推广。 第一章绪论 1 3 光纤、电容液滴传感器 1 3 1 光纤传感器 光纤液滴分析方法的工作原理是通过光纤液滴传感器( 图1 1 ) ，将光源发 出的光，经过输入光纤导入液滴；光线在液滴内部经完全内反射( t 瓜：t o t a l i n t e r n a lr e f l e c t i o n ) 、透射及液体吸收等作用，部分进入输出光纤作为信号传出。 这部分传出光的光强度变化，包含了液滴的物理、化学综合特性信息。 供融管 | i y 眦f 黻 ；7 图1 1 光纤液滴传感器 图1 2 是液滴不同生长时刻输入、输出光纤的传光情况。图中光纤端面突起 部分为光纤有效出光、收光端面；图中所画的路径，是在液滴内部遵循t i r 反 射的光线路径。在收光角度范围内进入输出光纤的光，将在光纤内以较小的光能 损失继续传播，并被探测器接收，经过信号处理电路，得到如图1 3 所示的光纤 信号强度曲线，液滴生长时刻与图1 2 中相对应。 眇蟛炒炒蚴 妙够u 移 图1 2 液滴不同生长时刻输入、输出光纤的传光情况 4 第一章绪论 从图1 2 可以看出，在时刻1 、2 情况下，输入光纤的光经液滴内表面反射 后几乎不能进入输出光纤接收端，所以图1 3 上1 、2 时刻的信号值也几乎等于 零。在图1 - 2 中3 、8 时刻之间，由液滴轮廓和大小的变化引起光反射角和光程 的变化，使得进入接收光纤端面的光强信号在图1 3 中出现一个由波峰到波谷的 曲线；其中3 、4 时刻由于液滴轮廓形状形成了有利的反射角和较短光程，所以 这时的信号值达到最大。在时刻9 液滴即将分离，反射光路突然变化，光程变短， 传光时间也变短，所以在图1 3 中出现了一个尖峰值。显然，由于输入、输出光 纤的数值孔径和位置固定不变，接收光纤收到的信号是随不同时刻液滴生长情况 的变化而变化的。实验证明，在一定的测试系统条件下，经过液体液滴的光信号， 随液滴生长而变化的记录曲线是唯一的。因此，称这样的曲线图为液体的“液滴 指纹图”。 糍 咄 小 姐 避 撒 时闫序列 图1 3 一个液滴周期内液滴不同生长时刻的光纤信号 根据液体的液滴指纹图，可以对液体进行定性和量化识别。进一步分析，还 可以标定出被测液体的某些物理、化学参数，如表面张力，粘度、浓度等。 1 3 2 电容传感器 电容液滴分析技术是从电学角度出发，寻找液滴体积与液滴电容传感器信号 的相互关系，将液滴生长过程中的形状变化信息转变为电容传感器的电容量变 化，进而达到监测液滴形成过程和测量液滴体积的目的。 电容传感器已经广泛地用于尺寸测量，这种方法的优点是精度高并且可以进 行非接触测量。一般情况下，用于测量的电容传感器有两种形式，一种是平板电 容，一种是圆柱形电容。 图1 - 4 ( b ) 所示为电容液滴传感器。环形极板作为电容传感器的一个电极， 液滴滴头作为另一个电极。这与图1 4 ( a ) 所示的圆柱形传感器还是有区别的。 第一章绪论 环形极板与滴头( 包括液滴) 在水平截面上的间距相等。液滴的生长变化既可以 看作是柱状滴头电极长度的变化，也可以认为是电容器极间复合介质的变化，这 将取决于被测液体是否为电的良导体。 c 篇蓑下外强椒 ( a ) 圆柱形电容器 环 c l 掖涌涌头 - 广环形极板 ( b ) 电容液滴传感器 图1 _ 4 圆柱形电容器与电容液滴传感器的比较 籍 由于电容液滴传感器受到尺寸和边缘效应的影响，准确建立数学模型是十分 复杂的。为简化起见，将电容液滴传感器作如下假设：( 1 ) 假设液滴为良导体； ( 2 ) 假设液滴在生长过程中只沿其回转轴方向变化，且液滴底部曲面形状不变； ( 3 ) 忽略边界效应。 简化后的模型如图1 - 4 ( b ) 所示。这样，液滴在从残留液滴到分离全过程的 电容变化可近似地看成是一个同轴圆柱电容器的电容变化。其电容量的计算推导 如下【1 3 】： 滴头( 包括液滴) 和环形极板分别带有电量+ g ，一g ，假设电荷是均匀分 布的，所以q = 2 ( 入为每单位长度上的电荷) 。在液滴和环形电极之间、离开 圆柱轴线距离为，点处的场强为： e ：兰( 1 - 2 ) 2 船o e a r 氏是真空介电常数，乞为空气的相对介电常数。 根据场强和电位梯度的关系： e ：一罂 d r 。 ( 1 3 ) 6 第一章绪论 得：d u = 一e d r = 一石i d r 。 ( 1 - 4 ) 设液滴表面和环形电极内表面的电位分别为：u 一和u b ，由积分得： u b 如：一上伴( 1 - 5 ) p 一去多 卟去n 等 6 ) c 2 丽q = 盎u u2 掣i nr ( 1 - 7 ) u 一己厂占一一口 一 根据上述结果，电容液滴传感器的电容变化可近似表达为： c - 警 ( 1 - 8 ) 式中氏为真空介电常数，占。为环形电极与液滴之间的空气相对介电常数，h 为液滴底部至残留液滴底部的高度( 见图1 - 4 ( b ) ) ，r 为环形电极的内圆半径， r 为液滴半径。 根据图1 - 4 ( b ) 简化模型，矿= 舻2 h ，则可得电容增量c 与液滴体积的 关系为： c = 竽 ( 1 - 9 ) r 2i n 二二 令：r 2h l 墨 ( 1 1 0 ) 则有： v = 芒l a c ( 1 - 1 1 ) 根据图1 - 4 ( b ) 的假设条件，、r 是常数，所以亦为常数。但实际上由 于实际液滴轮廓形状并不存在厂为常数的情况，因而也不会是常数。 图1 - 5 是r = 5 m m 时k o r 的关系曲线。在极大值点附近，曲线平滑，其物 理意义就是随r 的变化最小。 将 r 2l n 墨对，求导： 令： 则有： 取自然对数 则： 七o = 2 r l n 云( 一爿妇h k j = 0 h 譬= 圭，= 忑r ； r2p e = 2 7 1 8 3 ： 1 - = 0 6 0 6 5 r ： 第一章绪论 即在r = 0 6 0 6 5 r 附近取值时，变化很小，可近似认为是常数。 、 g o 、 s 三 鼍 嚣 图1 - 5 k o 与r 的关系图 计算表明，当取r = 5 m m ，若r 取值范围在2 8 0 r a m 石c x ) j = l ，2 ，m ；j i( 4 3 ) 也就是说，如果一种位置模式x 被识别为i 类，只有把x 带入判别函数后，； 达最大才成立。常用的分类器有以下几种： 最小距离分类器：基本思想是根据训练集按照算数平均生成一个代表该类的 中心向量渊七= l ，2 ，m ；r n 是类别的个数) ，对于每一个待分类数据组z 计算其与溉之间的距离历，最后判定x 属于与之距离最近的类。计算欧氏距离 为： 毋& 夕= i l 石巧j j j - - 1 ，2 ，m ( 4 _ 4 ) d f & 夕的值是最小时，把彳判给叼。 贝叶斯分类器：原理是通过某对象的先验概率，利用贝叶斯公式计算出其后 验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所 属的类。应用贝叶斯网络分类器进行分类主要分成两阶段。第一阶段是贝叶斯网 络分类器的学习，即从样本数据中构造分类器，包括结构学习和c p t ( c o n d i t i o n a l p r o b a b i l i t y t a b l e ) 学习：第二阶段是贝叶斯网络分类器的推理，即计算类结点 的条件概率，对分类数据进行分类。 神经网络分类器：人工神经网络a n n ( a r t i f i e i a l n e u r a l n e t w o r k s ) 通过结点 间的连接来储存信息并完成分类计算，a n n 通过学习，根据训练样本集来调节 连接的权值，找出相应的分类曲面。a n n 所具有的学习能力使其能在复杂的数 据分布中提取人脑还不能直观理解的规律。 4 2 神经网络识别 人工神经网络是仿生物学的产物。神经网络是由大量处理单元( 神经元) 广泛 互连而成的网络。它是在现代神经科学研究成果的基础上提出的，反映了人脑功 能的基本特征。但它并不是人脑的真实描写，而只是它的某种抽象、简化与模拟。 网络的信息处理由神经元之间的相互作用来实现；知识与信息的存储表现为网络 第四章模式识别及神经网络在液滴分析中的应用 元件互连间分布式的物理联系；网络的学习和识别决定于各神经元连接权值的动 态演化过程。 神经网络在人脸识别，指纹识别，数字以及图像识别中已经得到广泛的应用， 并证实了神经网络识别技术有很强的推广能力，实验结果表明，神经网络也非常 适用于基于液滴指纹图的液滴识别，因此，研究适合于液滴识别的神经网络算法， 可以有效的提高液滴识别的鉴别精度。 神经网络模式识别的过程分为两步：首先是学习过程，通过大量的训练样本， 对网络进行训练，根据某种学习规则不断的调整连接权值，最后使网络达到预定 的输出，这种输出就是使训练样本正确分类到所属的类别中去，此时，我们可以 认为神经网络已经学习到了输入数据的规律。接下来就是网络的使用过程，即分 类过程，应用前面训练好的网络对测试数据进行分类，以检测网络的性能，从而 也达到了对测试数据的分类。 这样，把神经网络用于模式识别问题包括两个截然不同的阶段。在网络训练 阶段，如图4 1 4 ( a ) 调整网络权值以表现问题域。第二阶段或称工作阶段，权值 固定不变，并且把实验数据或实际数据输入到网络时，网络能够对其分类。这个 阶段如图4 1 4 ( b ) 。 训练数据 x l x 2 x 3 乏j l | 分类中的l 广1 |误羞l l 一 绎冗( 囱适瘕网络参数) 特征炙避 图4 - 1 4 ( a ) 训练阶段 3 2 兀 第四章模式识别及神经网络在液滴分析中的应用 测试数据 x l x 2 x 3 x n 1 k 图4 - 1 4 ( b ) 测试阶段 定的权值 预测的类 神经网络在模式识别中之所以得到广泛应用，和它的以下特点离不开： ( 1 ) 可以充分逼近任意复杂的非线性关系； ( 2 ) 所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强 的鲁棒性和容错性； ( 3 ) 采用并行分布处理方法，使得快速进行大量运算成为可能； ( 4 ) 可学习和自适应不知道或不确定的系统，强有利的学习算法和自组织规 则使它能在不断变化的环境中对每一要求进行自适应； ( 5 ) 能够同时处理定量、定性知识； ( 6 ) 硬件实现：神经网络不仅能够通过软件实现并行处理。近年来，一些超 大规模集成电路实现硬件已经问世，而且可从市场上购到。这使得神经网络成为 具有快速和大规模处理能力的实现网络。 神经网络的以上特点使神经网络成为有效的和能满足预期需求特性的天然 分类器。论文将使用计算得到的特征值对b p 神经网络进行训练，并实现分类。 4 3b p 神经网络 b p 学习算法也称反向传播算法【3 8 】( e r r o rb a c k p r o p a g a t i o nm g o r i t h m ) ， 是一类基于梯度下降法的有指导的学习算法。算法由正向信号传播和反向信号传 播组成。 正向传播是指，输入信号由输入层经隐含层再到输出层由前向后计算各隐层 和输出层的输出，把网络输出与期望输出进行相减，然后得到相应的误差，再进 行反向传播。反向传播是利用梯度下降法不断的调整网络的权值，直至误差减小 第四章模式识别及神经网络在液滴分析中的应用 到预期的要求。 对于输出节点，它的误差很容易获得，但是求隐层节点的误差比较困难，这 也是神经网络研究曾停滞不前的原因之一。b p 算法克服了上述难点，其学习过 程由两部分组成：正向传播和反向传播。当正向传播时，输入信息从输入层经隐 层单元处理后传向输出层，每一层神经元的状态只影响下一层的神经元状态。如 果在输出层得不到希望的输出，则转入反向传播，将误差信号沿原来的神经元连 接通路返回。返回过程中，逐一修改各层神经元连接的权值。这个过程不断迭代， 最后使得信号误差达到允许的范围内。 学习中寻求目标函数的极小有两种基本方法，即批处理和模式学习。所谓批 处理就是在所有样本输入后计算总误差来修正权值；所谓模式学习就是随即依次 输入样本，对每一个输入样本进行权值调整。 b p 网络由输入层、隐含层和输出层组成，实际应用已经证明，只含有一个 隐层的前馈网络是一个很好的通用的函数逼近器，本文采用三层b p 网络实现分 类算法。其结构图如图4 1 5 。 输出层 隐含层 输入层 输出模式 输入模式 图4 1 5b p 网络结构图 出神经元 含神经元 入神经元 第四章模式识别及神经网络在液滴分析中的应用 在反向传播算法中通常使用梯度下降法来修正权值，其中心思想是调整权值 是网络总误差最小【捌。网络的激发函数选择s i g m o i d 函数，我们研究处于某一层 的第j 个计算单元，i 表示前一层第i 个单元，k 表示后层第k 个单元，q 表示本 层输出，w f ，表示连接前层神经元到本层神经元的权值。 网络的输入输出关系为( 正向过程) ： n e t ，= 慨d j ( 4 5 ) f 0 ，= f ( n e t ，) ( 4 - 6 ) 对于输出而言， = o j 是实际输出值， e = 妻j ( t j y j 了 误差修正过程为( 反向过程) ： 首先定义误差信号 t j 是理想输出值，样本误差为 ( 4 - 7 ) 万i ：旦( 4 8 ) d i = 一 l 斗6 j o o n e t ， 梯度下降法调整权值，可得 票：熹等：i q ( 4 - 9 ) 0 一= 一o = _ ， 挑孙e t a w q 卜 权值修正量为 嘞= 一7 7 t q ( 4 - 1 0 ) w o ( t + 1 ) = ( f ) + 毗( f ) ( 4 - 1 1 ) 常数r l 是学习率，它控制在权值空间中权值对应每步沿负梯度方向变化的大 小。 若目的神经元j 是输出单元，则 芬：警盟：(o一乃)厂(netj)(4-12)o j 匆i n e t j 一- “、 目的神经元j 是隐层单元，则 哆=盖=军旦塑盟=。8kwjj(netj)onet o n e t k o y jo n e t j ( 4 - 1 3 ) j ；k 激发函数s i g m o i d 为： 第四章模式识别及神经网络在液滴分析中的应用 y 2 m ) 2 寿( 4 - 1 4 ) 酊o ) 蔷再叫( 1 - y ) ( 4 - 1 5 ) 口。一口 或当y = f ( x ) = t h x = 乇马时 p 十e 有厂= l t h 2 x = 1 j ，2( 4 1 6 ) 在实际计算时，为了加快收敛速度，经常加入一动量项，动量项考虑了过去 权值变化的影响，使误差表面变的更平滑。加入动量项，实际相当于加入阻尼项， 它减少了学习过程的振荡趋势，改善了收敛性，提高t i ) 1 1 练速度。加入动量项时， 权值调整变为： 毗( t + 1 ) = , 7 8 j o , + a a w o ( t ) ( 4 - 1 7 ) 综上所述，b p 算法的步骤为： ( 1 ) 权值初始化，选择均匀分布的较小的随机数作为初始权值； ( 2 ) 依次输入训练样本； ( 3 ) 依次计算各层输出； ( 4 ) 求解各层的反向误差； ( 5 ) 按照权值修正公式修正各层的权值； ( 6 ) 按新的权值再返回步骤( 2 ) ，直到误差满足要求或达到最大学习次数。 以上算法是对每个样本作权值修正，也可以各个样本计算万，后求和，按总 误差修正权值。b p 算法流程图如图4 1 6 ： 3 6 第四章模式识别及神经网络在液滴分析中的应用 图4 1 6 b p 算法流程图 从以上算法不难看出，b p 网络把一组样本的输入、输出问题变为一个非线 性优化问题，使用了优化中最普通的梯度下降法。其采用迭代运算求解权值，相 当于网络的学习记忆问题。加入隐层结点单元使优化问题的可调参数增加，从而 可以得到更精确的解。如果把这种网络看成一个从输入到输出的映射，则这个映 射是一个高度非线性映射。若输入节点数为m ，输出节点数为n ，则网络相当于 从r m 到r n 的映射，即f ? 尺m r ，y 巧。 反向误差解决了隐层权值修正问题，但它是用梯度下降法求非线性函数的极 值的，因而有陷入局部最小的可能性。 3 7 第四章模式识别及神经网络在液滴分析中的应用 两层前馈网络的收敛性不受初始值的影响，各权值的初始值可以全部设为 零；但三层以上的前馈网络( 含有一个以上的隐层) 使用反向传播算法时，如果 初始权值都为零或都相同，隐层单元就不能出现差异，运算不能正常进行。因此， 常常用较小的随即数作为初始权值。 b p 算法中有两个参数刁和口。学习率刀对收敛有很大的影响，选择合适的 目会使网路迅速收敛，而不至于调整过度而振荡。一般要求是【3 9 】：当 j l 陈到误差 曲面得平坦区时，为加快收敛应使r 增大；当训练到误差曲面的变化剧烈区时， 为了防止过学习( 使误差增加) ，应使刀减小。应用实例表明，j 7 可以在1 0 0 l o 内取值。惯性相系数口也对收敛速度有影响，很多情况下可以在0 - - 1 之间取， 口1 时不收敛；有些情况可以不用惯性系数，即a = o 。 4 4 本章小结 本章详细介绍了模式识别及神经网络在分类中的应用，并给出了特征提取的 原则、分类器的设计。详细介绍了b p 算法的实现，b p 神经网络的各种特点及 应用实例表明，神经网络很适合于液滴分析使用，针对b p 算法的学习过程收敛 速度慢，容易陷入局部最小值，可以用带动量因子和自适应的学习速率来进行调 节。 第五章光纤、电容液滴分析仪的鉴别算法的研究 第五章光纤、电容液滴分析仪的鉴别算法的研究 5 1 光纤、电容液滴分析仪的鉴别算法的基本思路 完成鉴别算法的设计，要考虑综合的因素：特征值的选择、算法的选择、编 程环境及编程语言的选择、仪器负载的大小等等。作者本着这样的原则进行了算 法的设计。 在光纤、电容液滴分析技术的发展过程中，主要出现过三种液滴指纹图的处 理方法。第一种是宋晴博士提出的，根据以液滴体积为坐标轴的液滴指纹图，提 取出特征值；第二种是费明杰硕士提出的 4 0 4 1 】，利用n i 公司的一款软件o c r t r a i n i n g ，来实现对液滴指纹图图像识别；第三种是张永杰硕士提出的基于时间 轴的液滴指纹图特征值的提取的鉴别方法。 但是，这几种方法都有它们的局限性。第一种方法主要是在p c 机上通过 v c 编程来实现的，算法复杂，并不适用于以单片机为核心的嵌入式系统，不利 于仪器的便携化。关于第二种方法，所运用的o c r ( o p t i c a lc h a r a c t e rr e c o g n i t i o n ， 光学字符识别) 技术，是属于图型识别( p a t t e r nr e c o g n i t i o n ，p r ) 的，主要是 用来将影像内的字符，变成计算机字