（控制科学与工程专业论文）基于无线网络的气体防伪系统的研究.pdf

摘要 摘要 本论文介绍的是一种特殊的防伪技术，即将混合气体做成防伪标签，混合 气体的成分和比例由利用标签的厂家决定，消费者利用特殊的气体检测装置对 气体进行鉴别，若气体成分和比例正确，则说明产品为真品。 我们将整个防伪技术设计成了一个闭环系统。首先由气体检测装置获取特 制气体防伪标签上的气味信息，然后通过无线数据传输系统把采集的数据及产 品销售信息发送到产品生产厂家的服务器上。产品生产厂家通过服务器上的模 式识别软件鉴定气体是否为原先约定好的气体，进而以辨别产品的真伪，并建 立生产厂家商品销售信息数据库，从而实现了整个产品流通过程的闭环控制。 该防伪技术融合了控制理论，计算机技术，无线通信技术以及电子信息技 术，以a r m 作为气体检测端的主控制器，设计了气体传感器阵列及模式识别算 法以提高气体检测的精度，并利用g p r s 模块进行无线通信。应该说是一种新 颖的，有巨大潜力的防伪技术。 本文对系统的理论基础及软硬件设计进行了详细论述。 关键词：防伪，模式识别，g p r s 无线通信 a b s t r a c t a b s t r a c t t i l i st h e s i si n t r o d u c e sas p e c i a la n t i - f a l s i f i c a t i o nt e c h n i q u e w h i c hm e a n st a k i n g m i x e dg a sa sa n t i f a l s i f i c a t i o nl a b e l t h et y p e sa n dp r o p o r t i o no fm i x e dg a sa r e d e c i d e db yt h em a n u f a c t u r e rw h ow a n t st ou s et h el a b e l t h ec o n s u m e r sd e t e c tt h eg a s w i t has p e c i a lg a sd e t e c t i n ge q u i p m e n t i ft h et y p e sa n dp r o p o r t i o no fg a sa r e c o r r e c t ，t h ep r o d u c ti st r u e a c t u a l l yt h i si sac l o s e dl o o ps y s t e m f i r s t l yt h eg a sd e t e c t i n ge q u i p m e n td e t e c t t h ei n f o r m a t i o no ft h eg a si nt h el a b e l ，t h e nt h ei n f o r m a t i o no ft h eg a sl a b e la n dt h e s a l ei ss e n tt ot h es e r v e ro fm a n u f a c t u r e rv i aaw i r e l e s sd a t at r a n s m i s s i o ns y s t e m t h e m a n u f a c t u r e rd i s t i n g u i s h e st h eg a sl a b e lv i at h ep a t t e r nr e c o g n i t i o ns o f t w a r et of i n d o u ti ft h eg a si sc o r r e c t ，n a m e l yi ft h ep r o d u c ti st r u e a n dt h em a n u f a c t u r e rc a nb u i l d as a l e sd a t a b a s ew i t ht h i si n f o r m a t i o n h e n c et h ec i r c u l a t i n go fp r o d u c t sa r eu n d e r c o n t r 0 1 t 1 1 i sa n t i - f a l s i f i c a t i o nt e c h n i q u ew h i c hs y n c r e t i z e sc o n t r o lt h e o r y ，c o m p u t e r t e c h n i q u e ，w i r e l e s sd a t at r a n s i m i s s i o na n de l e c t r o n i ct e c h n i q u e ，u s e sa r m a st h em a i n c o n t r o l l e ro ft h eg a sd e t e c t i n ge q u i p m e n t ，g a ss e n s o ra r r a ya n dp a t t e r nr e c o g n i t i o n a r i t h m e t i ct oi m p r o v et h ep r e c i s i o no fg a sd e t e c t i n g ，a n dg p r sm o d u l et ot r a n s m i t d a t a i ti sn o v e la n dh a sm u c hp o t e n t i a l t i l i st h e s i sd i s s e r t a t e st h et h e o r yf o u n d a t i o na n dt h ed e s i g no ff i r m w a r ea n d s o f t w a r ei nd e t a i l k e y w o r d s ：a n t i f a l s i f i c a t i o n ，p a t t e r nr e c o g n i t i o n ，g p r sw i r e l e s sd a t at r a n s m i s s i o n 学位论文版权使用授权书 本人完全了解同济大学关于收集、保存、使用学位论文的规定， 同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版 本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、 扫描、数字化或其它手段保存论文；学校有权提供目录检索以及提供 本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有 关部门或者机构送交论文的复印件和电子版；在不以赢利为目的的前 提下，学校可以适当复制论文的部分或全部内容用于学术活动。 学位论文作者签名：许，3 琳 勾d 7 年6 月l 牛日 - v ，十f ) 厂 1 1u 同济大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，进行 研究工作所取得的成果。除文中已经注明引用的内容外，本学位论文 的研究成果不包含任何他人创作的、已公开发表或者没有公开发表的 作品的内容。对本论文所涉及的研究工作做出贡献的其他个人和集 体，均己在文中以明确方式标明。本学位论文原创性声明的法律责任 由本人承担。 学位论文作者签名： 坪d ，琳 2 呷年6 月竹日 第l 章引言 1 1 课题研究背景及意义 第1 章引言 本课题研究的是一种基于无线网络的化学气体防伪技术，隶属于国家自然 科学基金会项目。 化学气体防伪是指首先配制出一种特殊的由混合化学气体组成的防伪制 剂，将这种混合气体做成商品的防伪标签。这种混合气体人的鼻子分辨不出来， 只有借助特殊的仪器才能识别，从而可以辨别商品的真伪。由于化学气体的组 成很复杂，具有不同的配方，并且可以灵活更换，故极难仿制。 目前已存在的防伪技术有多媒体防伪技术，油墨防伪技术，核径迹防伪技 术，激光防伪技术等。但在化学气体防伪技术方面，只有德国柏林联邦印刷所 新近研制出一种特殊的化学气体防伪制剂。在国内还未有成果问世，有待于研 究开发。 我国已加入世界贸易组织，加入后，国内市场的国际化程度将大大提高， 市场竞争环境和市场监督管理的规范化要求也会更高。加入世贸组织后，商品 出入境限制基本取消，随之而来，大量货物涌入市场，但假冒伪劣产品和各种 欺诈行为也会进入市场。由于科技的发展，制售假冒伪劣产品的投机分子，采 用的手段更加隐蔽，造假的产品完全达到以假乱真的地步。假冒伪劣对国人的 身心健康造成了危害，更严重影响了市场环境和舞台的公正，公平性。因此， 利用高科技手段来研制防伪技术，打击假冒伪劣产品的流通，保护正牌产品的 竞争环境，具有举足轻重的现实意义。本课题研究的基于无线网络的气体防伪 系统，由于其新颖性，可靠性，多功能性，具有很强的应用价值。 1 2 课题研究的问题及解决的关键技术 本课题研究的系统由气体检测装置，无线数据传输系统和服务器三部分组 成，系统图如图1 1 所示。首先由气体检测装置获取特制气体防伪标签上的气 味信息，然后通过无线数据传输系统把采集的数据及产品销售信息发送到产品 第1 章引言 生产厂家的服务器上。产品生产厂家通过服务器上的模式识别软件鉴定气体是 否为原先约定好的气体，进而以辨别产品的真伪，并建立生产厂家商品销售信 息数据库。 l 1 | 厂家j j 技务 i 器 1 一一j 图1 1 无线气体防伪系统图 因此，本课题研究的主要问题为：如何提高混合气体的检测精度，如何通 过g p r s 无线网络传输数据。 目前多见的气体检测装置一般为单一气体传感器，由于气体传感器的非线 性，本身存在交叉敏感性较高，稳定性较差的缺点。本课题组通过气体传感器 阵列和模式识别方法来解决气体传感器的交叉敏感性和稳定性问题，提高检测 混合气体的精度。 现今无线通信技术在工业应用及消费电子等方面得到了广泛应用，在相关 行业人士的努力下也取得了较大发展。但是由于本课题组应用到的g p i 塔无线 传输技术要集成在整个防伪系统中，因此也需要自主开发。本课题开发了用a r m 内核控制g p r s 无线传输模块来远程传输数据的技术。 综上所述，本课题应解决的三个关键技术为： 一、气体传感器阵列及其适配电路的开发。系统的精度和稳定性直接取决 于气体传感器，而气体传感器存在的最大问题是交叉敏感性，稳定性问题。为 此，本课题计划自主开发阵列式气体传感器及其信号调理单元。阵列式传感器 便于信号的集中采集和传感器的集中加热，在传感器输出信号经过一定的调理 后，由模式识别系统进行识别。由于传感器输出信号受其工作温度的影响，因 此本课题要设计传感器的供热控制单元，使传感器工作在恒定温度下。 2 v j 第1 章引言 二、混合气体的模式识别技术。模式识别时利用阵列传感器在多气体氛围 中的交叉敏感特性，克服其选择性，稳定性和互换性较差的不足，能大大提高 气体识别的j 下确率。经过前期比较研究认为，采用较为常用的神经网络模式识 别方法尤其是b p 网络能达到较为理想的识别结果。因此，本课题要完成数据收 集，数据分析，变量选择，数据的预处理，输入输出层的设计，以及b p 网络的 训练和测试，以得到准确的识别算法。 三、数据的无线传输及产品厂家的销售数据库的建立。本课题采用a r m 微 处理器作为气体信号采集端的主控模块，负责传感器信号调理，传感器工作温 度控制，以及g p r s 模块的控制，用以将数据通过g p r s 模块传输到厂家数据库， 由厂家进行模式识别。因此，本课题要解决通过a r m 来控制g p r s 模块的技术， 以进行g p r s 模块与g p r s 网络，i n t e r n e t 网络的通信协商，从而使气体传感器 信号及产品销售信息通过i n t e r n e t 传到厂家主机数据库上，以进行模式识别和 销售信息处理。此外，还要设计合适的气体信号存储及厂家销售系统数据库， 以使厂家进行产品销售信息跟踪。 1 3 论文内容安排 第一章序言：介绍了本课题的研究背景和意义，研究内容和拟解决的关键 技术 第二章研究基础：介绍了本课题的研究基础，即模式识别，气体传感器， 无线数据传输网络。 第三章介绍了系统的总体构成及每一部分的作用。 第四，五，六章详细介绍了本课题中三个关键技术的实现方法，即气体传感 器及其适配电路，模式识别算法，无线数据传输系统。 第2 章研究基础 第2 章研究基础 本课题应解决的三个关键技术为：气体传感器阵列及其适配电路的开发， 混合气体的模式识别技术，数据的无线传输技术。因此，本课题的研究基础为： 气体传感器，模式识别技术，无线通信技术。 2 1 气体传感器 2 1 1 气体传感器的工作原理及分类 气体传感器一般是按照气敏特性来划分的，种类也比较多，如半导体型气 体传感器、电化学型气体传感器、光化学型气体传感器等。 半导体气体传感器是采用金属氧化物或金属半导体氧化物材料做成的元 件，与气体相互作用时产生表面吸附或反应，引起以载流子运动为特征的电导 率或伏安特性或表面电位变化。这些都是由材料的半导体性质决定的。 电化学型气体传感器可分为原电池式、可控电位电解式、电量式和离子电 极式四种类型。原电池式气体传感器通过检测电流来检测气体的体积分数，可 控电位电解式传感器是通过测量电解时流过的电流来检测气体的体积分数，电 量式气体传感器是通过被测气体与电解质反应产生的电流来检测气体的体积分 数。电化学式气体传感器主要的优点是检测气体的灵敏度高、选择性好。 光学式气体传感器包括红外吸收型、光谱吸收型、荧光型、光纤化学材料 型等，主要以红外吸收型气体分析仪为主，由于不同气体的红外吸收峰不同， 通过测量和分析红外吸收峰来检测气体。 2 1 2 气体传感器的主要特性 ( 1 ) 稳定性 稳定性是指传感器在整个工作时间内基本响应的稳定性，取决于零点漂移 和区间漂移。零点漂移是指在没有目标气体时，整个工作时间内传感器输出响 应的变化。区间漂移是指传感器连续置于目标气体中的输出响应变化，表现为 传感器输出信号在工作时间内的降低。理想情况下，一个传感器在连续工作条 件下，每年零点漂移小于1 0 。 4 第2 章研究基础 ( 2 ) 灵敏度 灵敏度是指传感器输出变化量与被测输入变化量之比，主要依赖于传感器 结构所使用的技术。大多数气体传感器的设计原理都采用生物化学、电化学、 物理和光学。首先要考虑的是选择一种敏感技术，它对目标气体的阀限制 ( t l v - t h r e s h - o l dl i m i tv a l u e ) 或最低爆炸限( l e l 1 0 w e re x p l o s i v el i m i t ) 的百分比的 检测要有足够的灵敏性。 ( 3 ) 选择性 选择性也被称为交叉灵敏度。可以通过测量由某一种浓度的干扰气体所产 生的传感器响应来确定。这个响应等价于一定浓度的目标气体所产生的传感器 响应。这种特性在追踪多种气体的应用中是非常重要的，因为交叉灵敏度会降 低测量的重复性和可靠性，理想传感器应具有高灵敏度和高选择性。 ( 4 ) 抗腐蚀性 抗腐蚀性是指传感器暴露于高体积分数目标气体中的能力。在气体大量泄 漏时，探头应能够承受期望气体体积分数1 0 , - - 2 0 倍。在返回正常工作条件下， 传感器漂移和零点校正值应尽可能小。 气体传感器的基本特征，即灵敏度、选择性以及稳定性等，主要通过材料 的选择来确定。选择适当的材料和开发新材料，使气体传感器的敏感特性达到 最优。【5 】 2 1 3 金属氧化物半导体传感器 这里着重介绍一下本课题中也是目前技术上比较成熟以及应用得比较多的 气敏传感器即金属氧化物半导体传感器。 金属氧化物半导体传感器是目前世界上生产和应用得最多的一种气敏传感 器。最常见的氧化物材料有锡、锌、钛、钨和铱等，通过在这些氧化物半导体 内添加少量的p t 、p d 、a u 等贵重金属催化剂以及改善制作工艺和调节工作温度 可以在一定程度上提高传感器的灵敏度和选择性。金属氧化物半导体传感器一 般需在2 0 0 - 4 0 0 的温度下工作，所以传感器内一般集成有加热器，加热器使 得附着在探测部分处的油雾、尘埃等烧掉，同时加速气体的吸附，从而提高了 器件的灵敏度和响应速度。 器件加热到稳定状态时，当气体接触器件表面而被吸附时，吸附分子首先 在表面自由扩散( 物理吸附) ，失去其运动能量。其间一部分分子蒸发，残留分 第2 章研究基础 子产生热分解而固定在吸附处( 化学吸附) 。这是如果器件的功函数小于吸附分 子的电子亲和力，则吸附分子将从器件夺取电子而变成负离子吸附具有负离子 吸附倾向的气体称为氧化型气体如氧气。然而，如果器件的功函数大于吸附分 子的离解能，吸附分子将向器件释放出电子而成为正离子吸附。具有这种正离 子吸附的倾向的气体称为还原型气体如氢气、一氧化碳、碳氢化合物和酒类。 当这种氧化型气体吸附到n 型半导体上、还原型气体吸附到p 型半导体上时， 将使载流子减少，而电阻增大。另一方面，当还原型气体吸附到n 型半导体上、 而氧化型气体吸附到p 半导体上时，将使载流子增多，使电阻下降。 当在清洁空气中时传感器电阻值大致保持不变，如果气体流到这种氛围中 器件表面将产生这种吸附作用。这样一来，器件的阻值将随气体浓度的变化而 变话。这种金属氧化物半导体气体传感器的优点是：其制法和使用方法都较简 单、价格便宜、对气体变化响应快灵敏度高。 2 2 模式识别技术 模式识别诞生于2 0 世纪2 0 年代，随着4 0 年代计算机的出现，5 0 年代人工 智能的兴起，模式识别在6 0 年代初迅速发展成一门学科。 2 2 1 模式识别相关概念 模式： 广义地说，存在于时间和空间中可观察的事物，如果人们能区别它们是否 相同或相似，都可以称之为模式。但模式所指的不是事物本身，而是人们从事 物获得的信息，往往表现为具有时间或空间分布的信息。 模式识别： 模式识别是按照某种数学运算准则对样本进行分类的方法。其原理框图如 图2 1 所示。 。毕士 樟式识翱 样a 图2 1 模式识别原理框图 6 夺 溶 第2 章研究基础 模式识别系统 人脑是最复杂的模式识别系统。人类在婴儿时期就开始接受训练，从教师 ( 父母和其他教授者) 那里学习样本、接受样本测试，再学习样本、再接受样 本测试，循环反复，直到记住所学的内容，并将其信息储存在大脑中为止。等 遇到要识别的对象时，很自然地将该对象的样本信息与他以前学习记忆的样本 信息数据库里寻找相同的信息进行比较，然后做出判断和决策。如果记忆中有 相同的信息时，他很快就能做出正确的判断；如果从没有见过该对象或者忘记 了识别对象的信息，则不能做出或做出错误的判断。 模式识别系统是人类模拟自身模式识别与分类别能力设计出的模式识别机 器，对传感器采集的信息进行判断。模式识别系统组成框图如图2 2 所示。 样 本 硬件部分 数据库 传 h 篓蕞h 刮 感 - 信号 转换 器 t 模式识别算法 图2 2 模式识别系统组成框图 识别 结果 其中模式识别算法是模式识别系统的核心部分，它关系到样本是否可以被 识别和分类。因为对同一组样本，好的模式识别算法可以区分样本，反之，则 不能区分样本。 模式识别算法 模式识别算法是一种运算方法，其特点是根据样本的属性，根据某一数学 运算准则，利用机器确定样本的类别归属的一种分析算法，需要利用已知类别 的样本数据训练模式识别机器中分类器的参数。经过测试，当分类正确后，参 数固定下来用于模式识别系统中的判断与决策。 在已知训练集样本所属类别的条件下设计模式识别算法，称为监督学习， 在不利用或没有样本所属类别信息的情况下设计模式识别算法，称为非监督模 第2 章研究基础 式识别方法。现有的模式识别方法有统计模式识别方法，人工神经网络方法， 模糊模式识别方法等【6 】。 本课题中采用的模式识别方法为人工神经网络中的反向传播算法。 2 2 2 人工神经网络的基本概念 人工神经网络是生物神经网络的一种模拟和近似它主要从两个方面进行近 似：一种是从结构和实现机理上进行模拟，它涉及到生物学，生理学，心理学，物理及 化学等许多基础学科由于生物神经网络的结构和机理相当复杂，现在距离完全 认识它们还相差甚远；另外一种是从功能上加以模拟，即尽量使得人工神经网络 具有生物神经网络的某些功能特性，如学习，识别，控制等功能。 生物神经元 典型的神经元( 神经细胞) 结构如图2 3 所示 树突 图2 3 神经元结构图 神经元由细胞的细胞体，树突( 即输入端) ，轴突( 输出端) 几个主要部分组成一 个神经元的树突是从神经元躯体伸展出来的，与另一个神经元轴突的称突触的结 合部相连接树突在从突触接受信号后，把信号引导到神经元躯体，信号在那里积 累，激起神经元兴奋或抑制，从而决定了神经元的状态当神经元躯体内累计超过 阀值时，神经元被驱动，沿着轴突发送信号到其他神经元二神经元的结合部的突 触决定了神经元之间相互作用的强弱人工神经网络中的神经元模拟了这些简 单的特性 人工神经元 人工神经元模型有很多种类，限于本课题内容的需要，只介绍工程上常用的 最简单的模型，如图2 4 所示 、_禳 啊 第2 章研究基础 x：(缝01x2 。 二一 ； ) 【l i 。， u 图2 4 人工神经元模型图 图中的n 个输入r ，相当于其他神经元的输出值，1 1 个权值够r ，相当于 突触的连接强度，f 是一个非线性函数，例如阀值函数或者s i g m o i d 函数，口是阀值 神经元的动作如下 则 或 n - - i “= y 一一 i = o y = f ( u ) 当f 为阀值函数时，其输出为： n - i y = s 伊( ：o i x t - o ) i = o 为使式子更加简约，我们设阀值 秒= 一缈。 w = ( c o o ，彩l ，缈2 ，国 ) r x = ( x 0 而，z 2 ，石。一l ，1 ) r y = s g n ( w7 x ) y = f ( w r x ) 这样的表达式可以把阀值合并到权向量中处理 选取不同的输出函数y 的取值范围也不同，若 9 ( 2 1 ) ( 2 2 ) ( 2 3 ) 第2 章研究基础 则y 一l , 1 ) ，y 取一1 和1 两个值如果 删= 熙： 则y 0 , 1 ) ，如下图 y 图2 5 阀值函数图 某些重要的学 - j 算法要求输出函数f 可微，此时通常选用s i g m o i d 函数 m ) = 蛳) = 专一1 ( 2 4 ) ( 2 5 ) ( 2 6 ) 则y ( - 1 ，1 ) ，可取一1 到1 的开区间内的连续值也可以选 m ) = 专 ( 2 7 ) 贝0y ( 0 ，1 ) ，女口下图 y “一二二- _ 一一 ， ， ， 一= 一一一- 一l i p u 图2 6s i g m o i d 函数图 1 0 、j ) p 口 一 x x k k 一 ，1l 、j x ，- 印 s = 、， x ，- ， 第2 章研究基础 选择s i g r n o i d 函数作为函数时由于它具有以下有益的特性：非线性，单调性 无限次可微当权值很大时可以近似阀值函数当权值很小时可近似线性函 数 2 2 3 前馈神经网络及其主要算法 构成前馈神经网络的每个神经元接受前一级输入，并输出到下一级，无反馈， 可用一有向无环图表示图的节点分为两类，即输入节点与计算单元每个计算单 元可有任意个输入，但只有一个输出，而输出可耦合到任意多个其他节点的输入 前馈网络通常分为不同的层，第i 层的输出只与第i + l 层的输入相联，这里认为输 入节点为第一层，因此所谓的单层计算单元的网络实际上是一个两层网络输入 和输出节点由于可与外界相连，直接受环境影响，称为可见层，而其他的中间层则 称为隐层，如下图所示 五 以一l y n 1 ，。 y 。一1 、- 一- _ 一、_ v ，、r - ， 输入层 隐层输出层 图2 7 前馈神经网络结构图 2 2 3 1 感知器 感知器( p c r e c c p t r o n ) 是一种双层神经网络模型，一层为输入层，另一层具有计 算单元，可以通过监督学习建立模式识别的能力 学习的目标是通过改变权值使神经网络由给定的输入得到给定的输出作为 分类器，可以用已知类别的模式向量或特征向量作为训练集，当输入为属于第j 类 的特征向量x 时，应使对应于该类的输出y j = l ，而其他神经元的输出则为o ( 或- 1 ) 设理想的输出为 y = ( 少o ，y l ，y 。一i ) 1 实际的输出 y = ( y o ，y l ，一，y 州) 7 第2 章研究基础 为了使实际的输出逼近理想输出，可以反复依次输入训练集中的向量x ，并计 算出实际的输出】，对权值缈作如下的修改： o + 1 ) = 彩 ，( f ) + a c o 盯( f ) ( 2 8 ) a c o l ，= 巩) ，- y ，) t ( 2 9 ) 感知器的学习过程与求取线性判别函数的过程是等价的，此处指出感知器的 一些特性：两层感知器只能用于解决线性可分问题学习过程收敛很快，且与 初始值无关 2 2 3 2 三层前馈网络 三层前馈网络由一个输入层，一个隐层和一个输出层组成，它们由可修正的 权值互连将两层网络推广到三层网络后，其适用范围大大扩大，任何从输入到输 出的连续映射函数都可以用一个三层非线性网络实现，条件是足够的隐层神经元 数，适当的非线性函数和权值 2 2 3 3 反向传播算法( b p 算法) 三层前馈网络的学习算法较为复杂，主要困难是中间的隐层不直接与外界连 接无法直接计算其误差反向传播算法能解决这一难题其主要思想是从后向前 ( 反向) 逐层传播输出层的误差，以间接算出隐层误差算法分为两个阶段：第一阶段 ( 正向过程) 输入信息从输入层经隐层逐层计算各单元的输出值；第二阶段( 反向传 播过程) 内输出误差逐层向前计算出隐层各单元的误差，并用此误差修正前层权 值 反向传播学习算法是一种有教师的学习算法。输入学习样本为p 个： x 1 ，x 2 ，x p ，已知与其对应的教师为：r i ，r 2 ，t 尸，学习算法是用网络的实 际输出】，1 ，y 2 ，】，p 与教师t ，丁2 ，丁p 的误差来修改网络连接权和阈值，使y 毋 与要求的r 8 尽可能接近。 依据图2 7 所示的网络，我们对b p 算法进行分析和推导，设输入层有1 1 个神 经元，输入矢量为：石r ”，x = x 0z l ”，x 川】r ；第二层( 即第一隐层) 有珂。个神经元， 其输出为x 尺“，x 。- x o ，x ：，t 一。】r ；第三层( 即第二隐层) 有甩：个神经元，其 输出为x ”尺“，x ”= e x o ，x ：，x 0 】r ；最后输出层有m 个神经元，输出为 y r ”，y = 【y 。，y l ，一，y 川】r 如输入层与第二层之间的连接权为q 阀值为口， 1 2 第2 章研究基础 第二层与第三层之间的连接权为国； 阀值为或，第三层与输出层之间的连接权 为缈： f 阀值为研，( i = o ，l ，2 ，n - 1 ；j = 0 ，1 ，2 ，1 1 - 1 ；k = o ，1 ，2 ，z 2 - 1 ；1 = 0 ，l ，2 ，m 1 ) ，那 么各层神经元的输出满足： ，一l y ，= ( 彩毛x ：一研) ：厂( 篁彩j ，。杉一或) 4 0 ( 2 1 1 ) n - i 杉= 厂( q ，而一嘭) l = o ( 2 1 2 ) 为了方便起见，在图2 7 的网络中，把阈值写入连接权中，令： 0 9 州w = 彰，缈纛= ，国叫= 够，x ：2 = 一l ，。= 一1 ，吒= 一l ，则方程改写 为。 y ，：厂( 兰缈z ，x ：) k = o ：( 羔缈；，。杉) j = o 杉= 厂( 国u t ) l = 0 ( 2 1 3 ) ( 2 1 4 ) ( 2 1 5 ) 第只个样本输入到图2 7 所示的网络中，得到输出y ， ，= 0 ，1 ，m - 1 ，其误差为各输出单元误差之和，满足： 1m - ! e 毋= 寺( 垆一y 产) 2 ( 2 1 6 ) - - 0 对于尸个学习样本，其总误差为： 1pm - i e = 寺( 垆一y 产) 2 ( 2 1 7 ) 设彩跏为图2 7 网络中任意两个神经元之间的连接权，缈叫也包括阈值 在内，e 为一个与缈跏有关的非线性误差函数。令： 第2 章研究基础 g = 三黔卅) 2 - 汜1 8 ) p e = e ( w ，r 毋，x 毋) ( 2 1 9 ) p i = i w = 缈。，缈o ，i ，缈叫，( - o n 2 , m - i 】t 采用梯度法，对每个彩跏的修正值为： 劬哪一砉叩毒其锄为步长 肛李。夤三- - , e 套e ，c 考，2 如 住2 这里用梯度法可以使总的误差向减小的方向变化，直到衄= 0 为止。 这种学习方法其矢量w 能够稳定到一个解，但并不保证是e 的全局最小 解，可能是一个局部极小解。 令，z 。为迭代次数，根据( 2 8 ) 式和梯度算法，可得到每一层的权的 迭代公式为： 吒。“) = q 。) - 理嚣 q 2 1 ) 州”1 ) - 嘣一，7 彘 ( 2 2 2 ) 吲”1 ) - 吲一，7 薏 ( 2 2 3 ) 从式( 2 2 1 ) 可以看出，( - d k 。, ，是第七个神经元与输出层第，个神经元之 间的连接权，它只与输出层中一个神经元有关。将( 2 1 7 ) 式代入( 2 2 1 ) 式中的第二项，利用公式( 2 7 ) 得： 万o e ：壹鲁筹筹：壹( 垆卅脚一 ( 2 2 4 ) 一=7 = 7 i f 一1 ，1 lr - ”l y i 4j a 国以鲁砂夕a “? a 缈毛篇v 。，。r 吖 这里“ ：r 毋：兰国乙x ：毋。 1 4 毋为露样本输 厂7 ( “? 毋) = 入网 p 一“产 第2 章研究基础 络时，工：的输出值。 ( 1 + p 一“产) 2 = 厂( “? 毋) 【1 一厂( “? 毋) = y 夕( 1 一y 户) ( 2 2 5 ) 将( 2 2 4 ) 、( 2 2 5 ) 代入( 2 2 1 ) ，得： p 缈三，( 珂o + 1 ) = 缈z ，( 甩。) + 7 7 硝x ： 这里万0 = ( f 户- y ：) j ，户( 1 一卵) 。 而 对于中间隐层，根据式( 2 2 2 ) 有： 其中： 所以： 同理可得： a 国j ，t pm - l 毋= l l - - 0 | p m - i 彩j t = 一叩 j r = l a 国；， 簖卅，筹筹筹荔 毋t l l = 0 p m - i 毋= i l - - 0 ( 2 2 6 ) ( 垆一y l e l ) f ( “? 毋徊曼，毋( 1 一x ：毋) z 夕 ( 2 2 7 ) 硝缈量，毋( 1 一石：毋) 矽 p 8 s 一, k x j 毋 毋= i ，n l 砚= l f f i o 万0 ：，毋( 1 一x ：只) p 彩；，t ( 疗。+ 1 ) = 彩j ，女( ) + 7 7 e i t ，? 一 日皇i p ( - o i , y ( + 1 ) = 国u ( ，l 。) + 7 7 8 i e ) _ t , i 1 5 毋= t ( 2 2 8 ) ( 2 2 9 ) 第2 章研究基础 公式( 2 2 6 ) 、( 2 2 8 ) 、( 2 2 9 ) 是多层b p 网络各层之间权修正的基本表达 式。由于权的修f 是在所有样本输入后，计算其总的误差后进行的，这种修正 也被称为批处理。批处理修正可以保证其误差e 向减小的方向变化，在样本数 多的情况下，它比分别处理时的收敛速度快。 整个网络学习过程分为两个阶段。第一阶段是从网络的输入层向前进行计 算，如果网络的结构和连接权已设定，输入已知学习样本第二个阶段是对网络 的连接权和阈值的修改，这是从网络的输出层向后进行计算和修改，从已知最 高层的误差修改与最高层相联的权，然后按公式( 2 2 6 ) 、( 2 2 8 ) 、( 2 2 9 ) 修改 各层的权，两个过程反复交替，直到达到收敛为止，具体步骤如下，网络的结 构仍如图2 7 所示。 ( 1 )在初始阶段，图2 7 网络各层的连接权和阈值用一个随机数加到各 层上，作为初值，使： 。( 0 ) = r a n d o m ( , ) , s t q 为f ，j f 、j f ，k 、k ，； ( 2 )在已知p 个学习样本中，顺序取样本输入到图2 7 所示的网络中， 先取一个输入只= l ； ( 3 ) 按公式( 2 1 3 ) ( 2 1 4 ) ( 2 1 5 ) 计算x ：，x ：，y ，； ( 4 )求出各层的误差，对已知样本的教师可得： 万乜= ( f 产一j ，户) y 户( 1 一y 产) m i 万磊= 万0 ：，x ：毋( 1 - x ： ) i = 0 鹳：兰豫国；。x 卢( 1 一x 卢) k = o 并记下各个x k ”，x 夕，x p 的值。 ( 5 )记下学 - - j 过的样本集次数只，即记数为只+ 1 ，看e + 1 是否等于p 。 如没有达到p ，回到步骤( 2 ) 继续计算，否则再从第一个输入样本 开始让置= 1 ，进行步骤( 6 ) ； 1 6 r 巧 一 o r 杉 ，芹 ， 缈 毋肚 万 兰脚 = 8 u 万 中其 第2 章研究基础 ( 6 )按公式( 2 2 6 ) 、( 2 2 8 ) 、( 2 2 9 ) 修改各层的连接劝和阈值。 ( 7 ) 按新的权计算x ：，y ，和e ，根据要求对每个只和，都满足： 一y ，l 。b 1 2 v o p i 3 c 图4 6 传感器加热及温度控制单元原理图 4 2 3 传感器信号调理放大单元 利用电压跟随器和差分放大电路构成传感器信号调理放大单元。 电压跟随器的输出电压等于输入电压，但是引入电压跟随器能改善电路的 特性，增加输入电阻，减小输出电阻。原理图如下图所示 3 2 第4 章气体传感器及其适配电路 图4 7 传感器信号调理放大单兀原理图 4 2 4 元器件选择 对于传感器温度控制电路和信号调理放大电路，我们选用了l m 3 2 4 四运放。 l m 3 2 4 是四运放集成电路，它采用1 4 脚双列直插塑料封装，外形如图4 8 a 所示。它的内部包含四组形式完全相同的运算放大器，除电源共用外，四组运 放相互独立。 每一组运算放大器可用图1 所示的符号来表示，它有5 个引出脚，其中+ ，、 ”为两个信号输入端，“v + ”、v ”为正、负电源端，“v o ”为输出端。两个信号 输入端中，v i ( ) 为反相输入端，表示运放输出端v o 的信号与该输入端的相 位相反；v i + ( + ) 为同相输入端，表示运放输出端v o 的信号与该输入端的相位 相同。l m 3 2 4 的引脚排列见下图4 8 b 一三 兰 l 第4 章气体传感器及其适配电路 图al m 3 2 4 外形图图b l m 3 2 4 引脚排列图 图4 8l m 3 2 4 外形及引脚排列图 由于l m 3 2 4 四运放电路具有电源电压范围宽，静态功耗小，可单电源使用， 价格低廉等优点，因此被广泛应用在各种电路中。 4 3 小结 本章首先介绍了课题中用到的g g s 系列传感器的特性，然后介绍了气体传 感器适配电路的设计原理及实现。 第5 章混合气体的模式识别 第5 章混合气体的模式识别方法 大多数气体传感器的感应片都会具有交叉敏感性，即同时对多种气体敏感， 并且其对某特定气体的响应也通常是非线性的而混合气体模式识别方法正是利 用气体传感器阵列在多气体氛围中的交叉敏感特性，克服其选择性，稳定性和 互换性较差的不足，大大提高气体识别的正确率。经过前期比较研究认为，采 用较为常用的神经网络模式识别方法尤其是b p 网络能达到较为理想的识别结 果。 5 1b p 网络的设计考虑 第二章第二节中叙述y i ) l l 练神经网络的一般方法，以下是设计b p 网络时应 考虑的具体内容 ( 1 ) 输入与输出层的设计 b p 网络的输入、输出层维数是完全根据使用的要求来设计。对于分类用的 b p 网络，其类别数为m 个，那么输出层一般取m 个神经元，其训练样本集中的 x 毋属于第，类，要求其输出为： y = ( o ，0 ，0 ，1 ，0 ，0 ，o ) 1 即第_ ，个输出为1 ，其它输出为o ，因而对于一个胛维的输入，x r ”进行 分类映照jy r ”，满足： y ，= 1 ，x 毋属于，类； y t = 0 ，x 只不属于，类。 输出层神经元数还可根据类别进行编码，即m 类的输出只要用l o g ：m 个输出 单元即可。 输入层神经元可以根据需要求解的问题和数据表示的方式而定。一般来 说，问题确定之后，输入输出层的神经单元数都就确定了。只是在实际的过程 中，应尽量减小系统的规模，使学习的时间和系统的复杂性减小。 ( 2 ) 隐层的数目 上面讨论的神经网络，隐层是用两层来进行的。1 9 8 9 年r o b e r t 第5 章混合气体的模式识别 h e c h i - n i e l s o n 证明了对于任何在闭区间内连续的函数都可以用具有一个隐层的 b p 网络来任意逼近，因而一个三层的b p 网络可以完成任意的疗维到m 维的映 照。根据问题的复杂性，网络也可以采用多个隐层。 ( 3 ) 隐单元数的选择 对于隐层单元数的选择是一个十分复杂的问题。因为没有很好的解析式来 表示，可以说隐单元数与问题的要求、输入输出单元的多少都有直接的关系。 隐单元数太少，网络可能无法达到训练要求，或训练后的网络不够强壮， 不能识别以前没有看到的样本，容错性差；但隐单元数太多，又使网络学习时 间过长，误差也不一定最佳，因此存在一个最佳的隐单元数。 对于用作分类的b p 网络，下面几个公式可作参考。 ( a ) 南 c ( ) ( 5 1 ) 式中七为样本数，z 为隐单元数，以为_ 输入单元数，如f 刀。，c ( ? t ) = 0 。 ( b ) 以= ，l + ，竹+ 口 ( 5 2 ) i 其中为m 输出神经元数，z 为输入神经元数，口为o l o 之间的常数。 ( c ) 以l = l 0 9 2n ( 5 3 ) r 为输入神经元数。 对于用作函数逼近的b p 网络，隐层单元数与要逼近的函数的精度和函数 本身的性质有关，故应在参考公式( 5 1 ) 、( 5 2 ) 和( 5 3 ) 的基础上，根据精度 要求和函数的性质适当加以调整。 还有一种考虑是使层隐单元的数目可变，或初始放入足够多的隐单元，然 后把学习后那些不起作用的隐单元逐步去掉，一直减少到不可收缩为止。也可 在初始放入比较少的隐单元，学习一定的次数后，不成功再增加隐层单元数， 一直达到比较合理的隐单元数为止。这样做对于用硬件完成b p 多层网络有一 定的好处，但对于网络结构的选定所花的时间较长。 ( 4 ) 网络初始权值的选择 由于系统是非线性的，网络初始值对于学习是否达到局部最小和是否能收 敛的关系很大。一个重要的要求是希望初始权在输入累加时使每个神经元的状 态值接近于零，这样可保证一开始时不落在那些平坦区上。权一般取随机值， 而且权的值要求比较小，这样可以保证每个神经元一开始都在它们转换函数变 化最大的地方进行。 对于输入样本同样希望能够进行归一化处理，使那些比较大的输入 3 6 第5 章混合气体的模式识别 仍落在神经元转换函数梯度大的那些地方。 5 2 混合气体的模式识别 5 2 1 数据样本的获取 根据本课题的需要，神经网络的输入量应为气体传感器适配电路的输出电压 ( o 5 0 0 0 m v ) ，输出量为混合气体的浓度比例为了获得原始数据，我们设计并实施 了如下实验 5 2 1 1 气体传感器数据收集实验 根据气体样本的配方，选择了可分别敏感不同化学成分样本的气体传感器阵 列，g g s l 2 4 ，其中三个气敏传感器分别为g g s l 0 0 0 g g s 2 0 0 0 g g s 4 0 0 0 其中g g s l 0 0 0 高c h 4 敏感，宽带， g g s 2 0 0 0 c h 4 敏感，高c o 和日2 敏感 g g s 4 0 0 0 适合氨气，对甲烷，c o ，氢气的交叉敏感性小 实验装置示意图如下图所示淑0 试容器采用容积为5 0 0 0 m l 的透明玻璃鱼缸， 一块有孔平板玻璃盖，平板玻璃孔中有橡胶塞，橡胶塞上开有小孔将气体传感器 数据线引出 传感器 数据线 图5 1 试验装置示意图 玻璃缸 第5 章混合气体的模式识别 借助上面介绍的气体实验装置，我们可以获取气体传感器对不同气体试样 的响应，从而为理论分析准备原始数据。实验方法如下： ( 1 ) 取样 为了不污染原始样本，首先，分别将三种样品取适量转移至三个干净的瓶 子中。实验时，首先用注射器抽取o 0 2 m l ，注入放置在玻璃表面皿上的药棉中， 迅速将玻璃器皿放入玻璃鱼缸中加盖。 ( 2 ) 测量采样过程分为以下： a 打开传感器适配电路的电源，对传感器进行预热； b 加载前采集环境气体样本，采样时间5 分钟； c 加载样本后约一分钟，使样本得到充分扩散，采样时间5 分钟； d 之后将传感器移至环境状态下清洁，时间5 分钟。 e 如c 和d 重复两次。 f 采样结束后，用