基于改进型BP神经网络的瓦斯传感器的非线性校正.doc

基于改进型BP神经网络的瓦斯传感器的非线性校正 ?xx?第26卷第1期?传感器与微系统(Transducer andMicrosystem Technologies)基于改进型BP神经网络的瓦斯传感器的非线性校正刘?刚,刘学仁,嵇英华,罗海梅(江西师范大学物?与通信电子学院,江西南昌330022)摘?要:提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能?,逼近反非线性函数完成非线?校正。 仿真实验结果表明:与传统的分段线性与BP算法相比,改进型的BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的?5.020%提高到现在的?0.130%,且?于动态调校。 关键词:改进型BP神经网络;瓦斯传感器;非线性校正:TP183?:A?:1000-9787 (xx)01-0015-03Nonlinear correctionofmethane sensor based oni mproved BPneural workLIUGang,LIU Xue-ren,JIYing-hua,LUOH a-im ei(College ofPhysics&Communication Electronics,JiangxiNorm alUniversity,Nanchang330022,China)Abstract:The nonlinearcorrectionmethod ofmethane sensorbasedon improved BPneural workis introducedtoapproach inversenonlinear functionby useof nonlinearmapping abilityof neuralwork.The experimentalresults showthat work-learning speedcan besped upmarkedly and nonlinear precisionof thesensor is?0.130%nonlinegr precisionof classicparagraph algorithmand BPalgorithm is5.020%.K eywords:improvedBP neuralwork;methane sensor;andnonlinearcorrection0?引?言目前,我国正处在一个能源紧缺的情况下,煤炭资源的开发利用导致全国各个煤矿企业日益加大煤的产?,但是,由于各种原因导致煤矿安全事故?断,其中一个重要的因素是瓦斯爆炸。 因此,煤矿瓦斯安全的检测非常重要,而用于检测瓦斯体积分数的就是瓦斯传感器,其输入与输出之间存在着较严重的非线性,实际应用中,一般采用分段线性化校正的方法,这在一些检测精度要求较高的场合往往达?到实际需要,因此,必须进?高精度的线性化校正,本文提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能?,通过实验数据训练神经网络,使网络逐步调节层间的连接权,逼近反非线性函数,利用该函数传感器可实现按非线性特性输出系统的被测?值。 将此网络函数作为传感器系统的非线性校正软件,对比常用的分段线性化校正和传统BP的方法,通过对一组传感器数据的计算,得到测?准确度可由原来的?5.020%提高至?0.130%。 实例分析可见改进型BP算法在非线性标定和提高精度方面的优点,特别是神经网络技术可在很少的标定数据下得到要求测?精确度的:xx-07-27特点,是其他方法所无法比拟的。 1?瓦斯检测原?及分析目前,国内外普遍采用的瓦斯传感器是热催化元件,又称为燃烧式载体催化元件。 其检测原?是1:将催化元件、补偿元件和桥臂电阻构成惠斯顿电桥,加一恒定电压,由于热催化元件的骨架是铂丝材?,电流流过时加热,使温度为500?左右,当遇到瓦斯气体时,瓦斯气体接触催化元件表面时会发生氧化反应,即无焰燃烧,产生大?的热?,使催化元件温度升高,阻值增大,电桥输出?平衡电压,反映被测瓦斯的体积分数。 其检测原?图如图1所示。 图1?瓦斯传感器检测原?图Fig1?Principle diagram ofmethanesensor?图1中,u i为传感器工作电压;u o为传感器输出电压;r1为热催化元件;r2为补偿电阻;R1,R2为桥臂电阻。 检测瓦斯气体体积分数时,瓦斯传感器的输出电压为15?传感器与微系统?第26卷?u o=R2R1+R2-r2r1+r2)u i.设R1=R2=R,则u o=r1-r22(r1+r2)u i. (1)式 (1)表明:检测输出信号与热催化元件r1阻值呈非线性关系,而r1阻值与瓦斯体积分数也?是线性关系,它们的关系可由热催化元件的静态热平衡方程决定,其热平衡方程为2I2r1+?Y=?s(T-T0)+A?s(T4-T40), (2)式中?I为通过热催化元件的电流;?为燃烧系数;r1为热催化元件的阻值;T为热催化元件的工作温度;T0为环境温度;Y为瓦斯体积分数;?,A,?,s为与催化元件有关的参数。 从式 (2)中可以看出:r,T均与瓦斯体积分数有关,因此,瓦斯传感器的检测输出u o与瓦斯体积分数Y的关系难以用精确的数学式来表示。 通过分析式 (2)还能够看出:随着被测瓦斯体积分数的升高,虽然催化反应生成的热?是线性增加的,但是,催化传感元件的温度越高,传导热损失?s(T-T0)和辐射热损失A?s(T4-T40)也将大幅度增加,使传感元件的温度?能线性升高,阻值的变化梯度也越来越小,输出呈现较严重的非线性特性。 因此,为了获得较高的检测准确度,必须进?非线性校正。 而实际应用中,常用的分段线性化方法虽然简单,但是,检测精度比较低。 要保证较高的精度,可以增加分段线性校正的区域,但给调校工作带来了?,因为这时的调校需要?同体积分数的瓦斯气体才能进?。 而利用神经网络良好的非线性映射能?能够很好的解决这一问题,而神经网络的应用中又以BP神经网络最为广泛。 2?BP神经网络及其改进算法2.1?BP神经网络及传统BP算法存在的问题BP神经网络是基于误差反向传播算法(BP算法)的多层前向神经网络,BP算法也已成为目前应用最为广泛的神经网络学习算法,其三层前馈神经网络?扑结构如图2所示。 其中,网络响应函数为f(x)=11+e-x. (3)BP算法按梯度下降的原则多次修改输入层至隐含层,隐含层至输出层的相应权值,直到满足精度要求或网络?收敛。 众所周知,BP网络的学习过程是对一个高度非线性函数求全局最优问题,网络训练中存在2个比较典型的问题3。 一是收敛数度慢,二是容?陷入局部极小。 对此已有很多学者提出了各种解决方案和修正算法,如累计误差校正算法、S函数输出限幅算法、结合遗传算法的优化权值算法等4。 图2?三层前馈神经网络?扑结构Fig2?Structurediagram offorward-feedbackneutal work2.2?传统BP算法的改进BP算法存在的上述2个问题,其原因在本质上是相同的,都是由于网络的响应函数造成的。 BP算法中每次调节网络权值的幅度均按与响应函数导数成正比进?,这样,在误差曲线平面较平坦处,网络误差大,偏导数值小,权值参数的调节幅度也较小,致使需多次调整才能降低误差曲面;而在误差曲面曲率较高处偏导数数值较大,权值参数调节的幅度也较大,致使在误差函数最小点附近发生过冲现象,产生振荡,难以收敛到最小点。 现通过惯性校正方法及重新构造响应函数法来克服这2个问题。 2.2.1?惯性校正法惯性校正法就是在每一次校正连接权和阈值时,按一定比例加上前一次学习时的校正?,即惯性项?w(N)=d+?(N)?w(N-1), (4)式中?w(N)为本次校正?;?w(N-1)为前次校正?;d为本次误差计算得到的校正?;?为惯性因数。 由式 (4)可知,当前一次校正?过调时,d与?w(N-1)符号相反,本次实际校正?w(N)减小,起到减小振荡的作用;当前一次校正?欠调时,d与?w(N-1)符号相同,本次实际校正?w(N)增加,起到加速校正的作用,而?(N)=?0+kN,k=(0.9-?0)/N max, (5)式中?0为初始惯性系数;N max为最大训练步数;k为调节系数。 故惯性校正法的实质是使被校正?随着学习进程,逐步的沿着前一次校正方向变化,从而达到加速收敛的目的。 2.2.2?构造响应函数法由BP神经网络算法可知,网络权值的调整与响应函数的导数密切相关,由响应函数知,网络收敛与否和输入信号的大小有关,?能增大小信号响应函数导数,当信号较大时,输出迅速变为1或0,网络性能将得到改善。 因此,可构造一个新的函数,使其满足在(-?,+?)上连续可微且单调上升有界,响应值在一定范围内收敛于其上界和下界。 构造下列函数作响应函数来替代式 (3)f(x)=1,?x?212sin?x+12,?x (6)f?(x)=?2cos?x,?x (7)16第1期?刘?刚,等:基于改进型BP神经网络的瓦斯传感器的非线性校正?从式 (6)可知,由于采用分段函数形式,?仅具有分段线性函数的阈值作用,当信号较大时,输出立刻变为0或1;同时,又可通过调节?,从而调节误差曲面的偏导数,避免在误差函数的最小点附近发生过冲现象,确保收敛到最小点,因此,网络性能得到改善。 但是,使用该构造函数时应注意?的取值,过大容?陷入局部极小点;过小则由于式 (7)可能小于式 (3)的导数,使得权值参数调节的幅度较小,从而起?到优化作用。 故一般在用于函数逼近时,取0.01 另外,从BP算法得知,当f?(x)0,误差曲面位于平坦区,权值无法调整,但这并?意味着误差函数已接近极小点,传统方法是限幅,即在计算网络输出时,用0.1和0.9代替0和1,目的是增大这时的导数值。 而这?采用f?(x,?)=f?(x,?)+?来计算导数。 一般取?=?。 此时,网络输出可在整个-1,+1上取值,并可提高收敛速度,但是,在使用响应函数时要注意:1)网络的输入、输出应作标准化处?;2)?较小时,学习速度?应较大,而?的取值可以适当放宽。 2.3?与传统BP算法的比较采用相同的3层前馈网络?扑,分析典型的平面九点问题。 将九点分为九类,这等于进?函数拟合。 可得分类结果对比如表1所示。 网络参数见表2。 表1?分类结果对比Tab1?R esultsparisonofclassifi cation传统BP实际输出期望输出绝对偏差?改进型BP实际输出期望输出绝对偏差0.119620.100000.01962?0.099900.100000.000100.236500.200000.03650?0.200090.200000.000090.326650.300000.02665?0.299970.300000.000030.460000.400000.06000?0.400000.400000.000000.581190.500000.08119?0.500000.500000.000000.635730.600000.03573?0.600000.600000.000000.774140.700000.07414?0.699960.700000.000040.853110.800000.05311?0.800050.800000.000050.992781.000000.00722?1.000001.000000.00000表2?传统BP与改进型BP的网络参数对比Tab2?Parameter parisonofclassic BPand improvedBP参数传统BP改进BP?0.50.1?0.80.90.80.9?0.8?0.00200.0001N7886631?其中,?为学习速度,?为惯性系数,?为自变?因数,?为误差精度,N为网络收敛时的学习次数。 从表中可以看出:选择合适的?和?,改进BP算法比传统的BP算法具有收敛快,逼近精度高的优点。 而惯性系数?与自变?因数?的选择主要还是靠经验。 3?传感器非线性校正原?及实验3.1?传感器非线性校正原?假设传感器的输入-输出特性为y=f(x),式中?x为被测参数;y为传感器输出;f(x)为一非线性函数。 为了校正传感器的非线性误差,在其输出端?连一个补偿环节,如图3所示。 补偿环节的特性函数为z=f-1(y)=x,式中?z为补偿后的输出。 显然,补偿化解的输出z等于被测?x,从而实现非线性校正。 f-1(y)也是一非线性函数,往往难以求出,故利用改进型BP神经网络极强的非线性逼近能?学习并逼近f-1(y),实现传感器的非线性校正。 图3?神经网络补偿原?图Fig3?Princi plediagram ofneutal work?s pensation3.2?仿真实验选取一组灵敏度为20mA/1%CH4的SG-3型催化瓦斯传感器,要求输入1%CH4时对应100mV输出。 神经网络采用1个输入神经元,6个隐含神经元,1个输出神经元,目标精度为10-3,网络参数选用表2中改进型BP算法的参数,训练720次时达到目标精度。 为?于比较,另进?分段线性逼近与传统BP算法的逼近,结果如表3所示。 表3?非线性校正结果与误差比较Tab3?Compari sonresultsofnonlinearcorrectionand errors实验样气CH4(%)分段线性化相对误差(%)传统BP相对误差(%)改进型BP相对误差(%)0.5200.5250.9600.5220.3840.5210.1920.8100.7704.9300.7930.9870.8060.4931.5301.4902.6101.5150.9801.5280.1302.3202.2403.4402.2941.1202.3310.4743.4503.2804.9203.4111.1303.4570.2024.3804.1605.0204.3361.0004.3940.319?实验结果表明:利用改进型BP神经网络进?瓦斯传感器的非线性校正,神经网络的收敛速度快、逼近精度高,?依赖确定的传感器数学模型,检测准确度由原来分段线性校正的?5.020%提高到现在的?0.130%,与传统BP神经网络相比也有较大提高,且?于动态调校。 (下转第20页)17?传感器与微系统?第26卷关系数为0.978。 抗体-抗原反应的亲合常数决定免疫传感器的专一性。 但太大的亲合常数也会使免疫传感器的识别反应失去可逆性。 因此,最适的抗体-抗原浓度匹配是保证检测效应值大且阴阳性区分显著的关键。 采用正交试验后,固定抗体浓度为传感器响应频移值线性范围内的最佳浓度,质控血清进?倍比稀释,从而寻找到两者最佳匹配点。 图3?乙肝表面抗原压电蛋白传感芯片的?f-c校正曲线Fig3?f-c correctingcurveofHBsAg piezoelectricproteinsensing chip3.5?结果分析及判读标准化频率响应值?f阴性样品=(27.35?12.79)H z,?f阳性样品=(139.25?36.65)Hz,信噪比SNR(n=10)?3.5。 通常,将?f阴性样品的上限控制在?x+s,当其下限为正值时,按-10计算。 由于存在影响蛋白芯片检测结果的诸多因素,因而,需要对检测结果进?标准化才能确认结果的有效性8。 大?数据统计学处?后证实,芯片在测试时,存在约?50H z的噪声,为使判读标准化,制订了判读标准:1)?f阴性对照必须在?50H z以内;2)?f阳性对照/?f阴性对照?3.5;3)?f样品2?f阴性对照,为阳性,反之,为阴性;4)(1?5%)?2?f阴性对照为判读灰区。 3.6?储存寿命测试本法制作的HBsAg压电免疫传感芯片在4?空气密封袋中至少可保存21天。 蛋白芯片其探针为各种活性蛋白物质,而蛋白质空间结构和活性决定蛋白质芯片的稳定性和储存寿命,今后,须在封阻剂、防腐剂、活性蛋白保护剂的选择方面进?优化,并且,在保存环境等方面进?探索,以延长其储存时间。 4?结?论压电蛋白传感芯片制作过程中,对清洗、固定、封阻、检测等过程进?质?控制,其稳定性、合格率均有显著提高。 因此,压电蛋白传感芯片制备工艺的质?控制是提高芯片技术性能的关键。 参考文献:1?A shokKumar.Biosensors Basedon PiezoelectricCrystalDetectorsJ/OL.Theory andApplication,2000-10-10.:.t ms/pubs/journals/JOM/0010/Kumar-0010.ht m.l2?白东亭.生物芯片质?控制要点J.中国生物制品学杂志,xx,15 (3):186-189.3?刘仲明,刘?芳,廖劲松.压电石英晶体传感器在单链及乙肝病毒检测中的应用J.传感器技术,xx,23 (12):78-79.