基于RBF人工神经网络和SAW气体传感器的气体浓度检测方法.pdf

摘要
申请专利号：	CN201010257729.9	申请日：	2010.08.20
公开号：	CN101949892A	公开日：	2011.01.19
当前法律状态：	驳回	有效性：	无权
法律详情：	发明专利申请公布后的驳回IPC(主分类):G01N 29/02申请公布日:20110119\|\|\|实质审查的生效IPC(主分类):G01N 29/02申请日:20100820\|\|\|公开
IPC分类号：	G01N29/02; G01N29/44; G06N3/02	主分类号：	G01N29/02
申请人：	中国人民解放军第三军医大学第三附属医院
发明人：	陈鸣; 张可珺; 唱凯; 贾双荣; 李发科
地址：	400042 重庆市渝中区长江支路10号
优先权：
专利代理机构：	北京同恒源知识产权代理有限公司 11275	代理人：	赵荣之
PDF下载：	PDF下载

内容摘要

本发明公开了一种基于RBF人工神经网络和SAW气体传感器阵列的气体浓度检测方法，该传感器阵列包括多组SAW气体传感器和与SAW气体传感器输出端连接的RBF人工神经网络；该检测方法将SAW气体传感器阵列的多种气体浓度输出作为RBF人工神经网络的输入，将RBF人工神经网络的判断输出作为多种气体浓度的判断输出；将多种气体浓度样本分区建立不同气体的聚类中心，通过判断RBF输入与输出气体浓度误差是否在系统允许范围，不断调整RBF人工神经网络的隐含层到输出层权重，构建满足SAW气体传感器误差检测标准的RBF人工神经网络；建立的RBF人工神经网络判断器用于判断多SAW气体传感器检测结果，减小了不同气体对同一SAW气体传感器造成干扰导致的输出气浓度检测误差。

权利要求书

1：基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，其特征在于：将待检测气体输入各组 SAW 气体传感器，各组 SAW 气体传感器输出待检测气体中各种气体初步浓度判别值，各种气体初步浓度判别值输入 RBF 人工神经网络，经 RBF 人工神经网络判别输出各种气体校正浓度判别值，其中 RBF 人工神经网络构建步骤为： 1) 选取由 n 种气体组成的气体样本，将 n 种气体组成的气体样本输入各组 SAW 气体传感器，各组 SAW 气体传感器输出的各种气体浓度输入 RBF 人工神经网络的输入层 X ＝ (X1， X2， ...， Xn)，其中， Xi 为第 i 种气体浓度输入值， i ∈ [1， n]， n 为气体种类数，亦即输入层单元个数； 2) 设置 Y ＝ (Y1， Y2， ...， Yn) 为 RBF 人工神经网络的输出层， Yk 为 RBF 人工神经网络判断第 k 个 SAW 传感器气体浓度的输出值， k ∈ [1， n] ； 3) 第 k 个 SAW 传感器气体浓度判断由如下方式确定：其中， ωjk 为第 j 个隐层单元到第 k 个输出单元 Yk 的权值， cj 为第 j 个隐层单元的聚 Rj 为隐层第 j 单元的输出。类中心， W 为隐层单元个数， ‖X-cj‖ 表示 X 到 cj 的距离测度； 4) 将 n 种气体组成的气体样本分为 n 个聚类； 5) 对每个聚类分区内的样本求平均值作为该聚类中心 cj ； 6) 初始化隐层单元到输出单元的权值 ω， ω 为大于零小于 1 的值； 7) 根据输入输出误差 |Y-X|，调整权值 ω 的大小。
2：如权利要求 1 所述的基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，其特征在于：步骤 3) 中 Rj 采用高斯函数，满足其中 σj 常数为基函数宽度。
3：如权利要求 2 所述的基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，其特征在于：步骤 5) 包含如下步骤： 51) 选取 n 种气体组成的气体样本中，第一种气体含量最高的前 L 组样本，求得前 L 组样本的平均值为第一种气体的聚类中心 C1 ； 52) 重复 51)，求取第二、第三至第 n 种气体的聚类中心 C2， C3 至 Cn。
4：如权利要求 3 所述的基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，其特征在于：步骤 7) 中：调高 ωii 的值，直到当输出 Yi ＜ Xi 时，当输出 Yi ＞ Xi 时，调低 ωii 的值，直到中的误差 ε 满足系统要求；中的误差 ε 满足系统要求。
5：如权利要求 4 所述的基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，其特征在于：各组 SAW 气体传感器分别用于检测气体中丙酮、丁烷、癸烷、十三烷、氨气的浓度。

说明书

基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法
    【技术领域】
     本发明涉及声表面波气体传感器领域，具体涉及一种基于 RBF 人工神经网络和 SAW( 声表面波 ) 气体传感器的气体浓度检测方法。背景技术
     已报道的人体呼出气体试验 (human exhaled air test， hEAT) 方法主要有两类：传统的质谱色谱分析方法和气体传感器技术。前者虽经不断改良和发展，但都存在分析时间长、难以实现实时在线检测、仪器昂贵且笨重等缺点，不宜应用于临床人体呼出气体试验检测。因此选择敏感性高、可小型化、集成化且易于实现自动分析的 SAW 气体传感器，是实现人体呼出气体试验更理想的方法。SAW 传感器具有如下优点：
     1. 高灵敏度、高线性度： SAW 传感器的能量密度很大，对表面的扰动很敏感。而且 SAW 传感器的基频可以加工至数 GHz，因此其检测灵敏度要远高于体波传感器，可达 -12 1×10 g/L，可以实现人体呼出气体中痕量化学物质 (ppb 级 ) 的检测需求。
     2. 重复性及可靠性更好： SAW 传感器中的关键部件——SAW 谐振器或延迟线，制作时采用了平面复制的半导体工艺，重复性极好。而且易集成化、一体化，结构牢固，因而可靠性更好。
     3. 信号容易采集和处理，可以实现无线传感：采用准数字信号输出，易数字化。在遥感和遥测方面有着非常明显的优势。
     4. 快速：一般只需 2-10 分钟就可出结果。
     5. 体积小，重量轻，功耗低：这是所有 SAW 传感器的共同特点。
     现有技术中由于一种 SAW 气体传感器不仅对其检测的气体敏感，同时也可能对另外一种或多种气体比较敏感，这就使得计算得到的检测气体浓度数值与输入的气体原始浓度值肯定有较大的差异，因此迫切需要有一种综合的自动判断模型对 SAW 气体传感器的输出进行数值纠错，使输出气体浓度更加贴近真实值。发明内容有鉴于此，为了解决上述问题，本发明公开了一种基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，将多种 SAW 气体传感器输出气体浓度信号输入嵌有 RBF 人工神经网络的芯片输入端，建立 RBF 人工神经网络判断器用于判断多 SAW 气体传感器检测结果，减小了不同气体对同一 SAW 气体传感器造成干扰导致的输出气浓度检测误差。
     本发明的目的是这样实现的：基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，将待检测气体输入各组 SAW 气体传感器，各组 SAW 气体传感器输出待检测气体中各种气体初步浓度判别值，各种气体初步浓度判别值输入 RBF 人工神经网络，经 RBF 人工神经网络判别输出各种气体校正浓度判别值，其中 RBF 人工神经网络构建步骤为：
     1) 选取由 n 种气体组成的气体样本，将 n 种气体组成的气体样本输入各组 SAW 气
     体传感器，各组 SAW 气体传感器输出的各种气体浓度输入 RBF 人工神经网络的输入层 X ＝ (X1， X2， ...， Xn)，其中， Xi 为第 i 种气体浓度输入值， i ∈ [1， n]， n 为气体种类数，亦即输入层单元个数；
     2) 设置 Y ＝ (Y1， Y2， ...， Yn) 为 RBF 人工神经网络的输出层， Yk 为 RBF 人工神经网络判断第 k 个 SAW 传感器气体浓度的输出值， k ∈ [1， n] ；
     3) 第 k 个 SAW 传感器气体浓度判断由如下方式确定：
     其中， ωjk 为第 j 个隐层单元到第 k 个输出单元 Yk 的权值， cj 为第 j 个隐层单元的聚类中心， W 为隐层单元个数， ‖X-cj‖ 表示 X 到 cj 的距离测度； Rj 为隐层第 j 单元的输出。
     4) 将 n 种气体组成的气体样本分为 n 个聚类；
     5) 对每个聚类分区内的样本求平均值作为该聚类中心 cj ；
     6) 初始化隐层单元到输出单元的权值 ω， ω 为大于零小于 1 的值；
     7) 根据输入输出误差 |Y-X|，调整权值 ω 的大小。
     进一步，步骤 3) 中 Rj 采用高斯函数，满足其中 σj 常数为基函数宽度；进一步，步骤 5) 包含如下步骤：
     51) 选取 n 种气体组成的气体样本中，第一种气体含量最高的前 L 组样本，求得前 L 组样本的平均值为第一种气体的聚类中心 C1 ；
     52) 重复 51)，求取第二、第三至第 n 种气体的聚类中心 C2， C3 至 Cn ；
     进一步，步骤 7) 中：
     当输出 Yi ＜ Xi 时，调高 ωii 的值，直到当输出 Yi ＞ Xi 时，调低 ωii 的值，直到中的误差 ε 满足系统要求；中的误差 ε 满足系统要求；
     进一步，各组 SAW 气体传感器分别用于检测气体中丙酮、丁烷、癸烷、十三烷、氨气的浓度。本发明的有益效果是：将多种 SAW 气体传感器阵列式排列，解决了多种气体同时检测中，压电材料检测阵面过小无法同时承载多 SAW 气体传感器同时运行的问题；将多种 SAW 气体传感器的输出端与嵌有 RBF 人工神经网络的芯片输入端连接，建立 RBF 人工神经网络判断器用于判断多 SAW 气体传感器检测结果，减小了不同气体对同一 SAW 气体传感器造成干扰导致的输出气体浓度检测误差。
     附图说明为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：
     图 1 示出了 SAW 气体传感器平行排列阵列；图 2 示出了共用输入叉指换能器的 SAW 气体传感器阵列；图 3 示出了同心圆排列 SAW 气体传感器阵列；图 4 示出了 SAW 气体传感器输出经 RBF 人工神经网络再次分析的流程。具体实施方式
     以下将对本发明的优选实施例进行详细地描述。
     阵列式 SAW 气体传感器的构建：
     选取 NH3、丁烷、癸烷、十三烷、丙酮五组 SAW 气体传感器；其气体敏感膜分别为： NH3 检测 SAW 传感器以 ZnO-WO3 为复合敏感膜；丁烷检测 SAW 传感器以 Ru-ZnO 为复合敏感膜；癸烷检测 SAW 传感器以聚环氧氯丙烷 (PECH) 为敏感膜；十三烷检测 SAW 传感器以聚异丁烯 (PIB) 为敏感膜；丙酮检测 SAW 传感器以真空油脂 (Apiezon H) 作为敏感膜；
     如图 1 示出了通常情况下， NH3、丁烷、癸烷、十三烷、丙酮五组 SAW 气体传感器排列于同一压电材料上的平行排列方法，每一排为一种气体的 SAW 气体传感器输入输出叉指换能器对。
     如图 2 所示，将 NH3、丁烷、癸烷、十三烷、丙酮五组 SAW 气体传感器的输入叉指换能器并列排列成 5 行放置于压电材料上，在输入叉指换能器的两边分别放置两个输出叉指换能器，同一行构成一种气体的 SAW 气体传感器；第一行为 NH3 的 SAW 气体传感器，中间放置输入叉指换能器，输入叉指换能器的一边为输出叉指传感器，并与输入叉指换能器间放置 ZnO-WO3 复合敏感膜；输入叉指换能器的另一边放置输出叉指换能器，并与中间输入叉指换能器间无复合敏感膜，作为有复合敏感膜一边压电判断的补充项；此外，丁烷、癸烷、十三烷和丙酮的 SAW 气体传感器的输入输出叉指换能器以同样的方式排列，并以同样方式放置各自敏感膜。
     如图 3 示，根据具体测试的场地的需要，五组 SAW 气体传感器也可按同心圆阵列排列， NH3 的 SAW 气体传感器排列为：输入叉指传感器与输出叉指传感器以圆心呈中心对称排列，输入叉指传感器与输出叉指传感器间放置 ZnO-WO3 复合敏感膜。同样的方式，丁烷、癸烷、十三烷和丙酮的 SAW 气体传感器的输入叉指换能器和输出叉指换能器以圆心呈中心对称排列，输入输出叉指换能器间分别放置各自敏感膜；
     RBF 神经网络的构建：
     图 4 示出了与 SAW 气体传感器连接的芯片所嵌有的 RBF 神经网络； 5 个 SAW 气体传感器的输出信号流入 RBF 神经网络的输入端，神经网络的输入为 X ＝ (X1， X2， ...， Xn)，输入 n 为 5， X1 至 Xn 分别表示 5 个 SAW 气体传感器输出的 NH3、丁烷、癸烷、十三烷、丙酮五组气体浓度；
     输出为 Y ＝ (Y1， Y2， ...， Ym)，输出 m 为 5， Y1 至 Y5 分别表示 RBF 神经网络对 5 组 NH3、丁烷、癸烷、十三烷、丙酮五组气体浓度的判断输出。
     输出节点判别形式为：其中， ωjk 为第 j 个隐层单元到第 k 个输出单元 Yk 的权值， cj 为第 j 个隐层单元的聚类中心， W 为隐层单元个数， ‖X-cj‖ 表示 X 到 cj 的距离测度；Rj 为隐层第 j 单元的输出；可以使用高斯函数模式：cj 为隐层第 j 单元的高斯函数中心； σj 常数为基函数宽度； Rj(x) 在 cj 处有一个唯一最大值，随 ‖X-cj‖ 的增大， Rj 迅速衰减为零。对于给定输入 X，只有一小部分靠近 X 的中心被激活。
     隐层单元个数选择为 5 ；
     选取 NH3、丁烷、癸烷、十三烷、丙酮五种气体样本 100 件，将含 NH3 量最高的 20 件样本求均值，求出均值作为第一个隐层单元聚类中心 c1 ；
     同理选取 100 件样本中，含丁烷最高的 20 件样本求均值，求出均值作为第二个隐层单元聚类中心 c2 ；依次，确定第三，第四，第五个隐层单元聚类中心。
     初始化 ωjk， ( 其中， j ＝ 1… 5， k ＝ 1… 5) 为大于零小于 1 的随机值；
     训练时，将 NH3、丁烷、癸烷、十三烷、丙酮五组气体样本 100 件，依次输入各组 SAW 气体传感器，各组 SAW 气体传感器输出的各种气体浓度输入 RBF 神经网络的输入层 X ＝ (X1， X2， ...， Xn)，计算输出 Y ＝ (Y1， Y2， ...， Ym) ；
     当输出 Yi ＜ Xi 时，调高 ωii 的值，直到当输出 Yi ＞ Xi 时，调低 ωii 的值，直到中的误差 ε 满足一定误差值；中的误差 ε 满足一定误差值；
     以上所述仅为本发明的优选并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

资源描述

《基于RBF人工神经网络和SAW气体传感器的气体浓度检测方法.pdf》由会员分享，可在线阅读，更多相关《基于RBF人工神经网络和SAW气体传感器的气体浓度检测方法.pdf（9页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 101949892 A (43)申请公布日 2011.01.19 CN 101949892 A *CN101949892A* (21)申请号 201010257729.9 (22)申请日 2010.08.20 G01N 29/02(2006.01) G01N 29/44(2006.01) G06N 3/02(2006.01) (71)申请人中国人民解放军第三军医大学第三附属医院地址 400042 重庆市渝中区长江支路 10 号 (72)发明人陈鸣张可珺唱凯贾双荣李发科 (74)专利代理机构北京同恒源知识产权代理有限公司 11275 代理人赵荣之。

2、(54) 发明名称基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法 (57) 摘要本发明公开了一种基于 RBF 人工神经网络和 SAW 气体传感器阵列的气体浓度检测方法，该传感器阵列包括多组 SAW 气体传感器和与 SAW 气体传感器输出端连接的 RBF 人工神经网络；该检测方法将 SAW 气体传感器阵列的多种气体浓度输出作为 RBF 人工神经网络的输入，将 RBF 人工神经网络的判断输出作为多种气体浓度的判断输出；将多种气体浓度样本分区建立不同气体的聚类中心，通过判断 RBF 输入与输出气体浓度误差是否在系统允许范围，不断调整 RBF 人。

3、工神经网络的隐含层到输出层权重，构建满足 SAW 气体传感器误差检测标准的 RBF 人工神经网络；建立的 RBF 人工神经网络判断器用于判断多 SAW 气体传感器检测结果，减小了不同气体对同一 SAW 气体传感器造成干扰导致的输出气浓度检测误差。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发明专利申请权利要求书 1 页说明书 4 页附图 3 页 CN 101949895 A1/1 页 2 1. 基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，其特征在于：将待检测气体输入各组 SAW 气体传感器，各组 SAW 气体传。

4、感器输出待检测气体中各种气体初步浓度判别值，各种气体初步浓度判别值输入RBF人工神经网络，经RBF人工神经网络判别输出各种气体校正浓度判别值，其中 RBF 人工神经网络构建步骤为： 1) 选取由 n 种气体组成的气体样本，将 n 种气体组成的气体样本输入各组 SAW 气体传感器，各组 SAW 气体传感器输出的各种气体浓度输入 RBF 人工神经网络的输入层 X (X1， X2， .， Xn)，其中， Xi为第 i 种气体浓度输入值， i 1， n， n 为气体种类数，亦即输入层单元个数； 2) 设置 Y (Y1， Y2， .， Yn) 为 RBF 人工神经网络的输出层，。

5、 Yk为 RBF 人工神经网络判断第 k 个 SAW 传感器气体浓度的输出值， k 1， n ； 3) 第 k 个 SAW 传感器气体浓度判断由如下方式确定：其中， jk为第 j 个隐层单元到第 k 个输出单元 Yk的权值， cj为第 j 个隐层单元的聚类中心， W 为隐层单元个数， X-cj 表示 X 到 cj的距离测度； Rj为隐层第 j 单元的输出。 4) 将 n 种气体组成的气体样本分为 n 个聚类； 5) 对每个聚类分区内的样本求平均值作为该聚类中心 cj； 6) 初始化隐层单元到输出单元的权值，为大于零小于 1 的值； 7) 根据输入输出误差 |Y-X|，调整权。

6、值的大小。 2. 如权利要求 1 所述的基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，其特征在于：步骤 3) 中 Rj采用高斯函数，满足其中 j常数为基函数宽度。 3. 如权利要求 2 所述的基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，其特征在于：步骤 5) 包含如下步骤： 51) 选取 n 种气体组成的气体样本中，第一种气体含量最高的前 L 组样本，求得前 L 组样本的平均值为第一种气体的聚类中心 C1； 52) 重复 51)，求取第二、第三至第 n 种气体的聚类中心 C2， C3至 Cn。 4. 如权利要求 3 。

7、所述的基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，其特征在于：步骤 7) 中：当输出 Yi Xi时，调高 ii的值，直到中的误差满足系统要求；当输出 Yi Xi时，调低 ii的值，直到中的误差满足系统要求。 5. 如权利要求 4 所述的基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，其特征在于：各组 SAW 气体传感器分别用于检测气体中丙酮、丁烷、癸烷、十三烷、氨气的浓度。权利要求书 CN 101949892 A CN 101949895 A1/4 页 3 基于 RBF 人工神经网络和 SAW 。

8、气体传感器的气体浓度检测方法技术领域 0001 本发明涉及声表面波气体传感器领域，具体涉及一种基于 RBF 人工神经网络和 SAW( 声表面波 ) 气体传感器的气体浓度检测方法。背景技术 0002 已报道的人体呼出气体试验 (human exhaled air test， hEAT) 方法主要有两类：传统的质谱色谱分析方法和气体传感器技术。前者虽经不断改良和发展，但都存在分析时间长、难以实现实时在线检测、仪器昂贵且笨重等缺点，不宜应用于临床人体呼出气体试验检测。因此选择敏感性高、可小型化、集成化且易于实现自动分析的 SAW 气体传感器，是实现人体呼出气体试验更理。

9、想的方法。SAW 传感器具有如下优点： 0003 1. 高灵敏度、高线性度： SAW 传感器的能量密度很大，对表面的扰动很敏感。而且 SAW 传感器的基频可以加工至数 GHz，因此其检测灵敏度要远高于体波传感器，可达 110-12g/L，可以实现人体呼出气体中痕量化学物质 (ppb 级 ) 的检测需求。 0004 2.重复性及可靠性更好： SAW传感器中的关键部件SAW谐振器或延迟线，制作时采用了平面复制的半导体工艺，重复性极好。而且易集成化、一体化，结构牢固，因而可靠性更好。 0005 3. 信号容易采集和处理，可以实现无线传感：采用准数字信号输出，。

10、易数字化。在遥感和遥测方面有着非常明显的优势。 0006 4. 快速：一般只需 2-10 分钟就可出结果。 0007 5. 体积小，重量轻，功耗低：这是所有 SAW 传感器的共同特点。 0008 现有技术中由于一种 SAW 气体传感器不仅对其检测的气体敏感，同时也可能对另外一种或多种气体比较敏感，这就使得计算得到的检测气体浓度数值与输入的气体原始浓度值肯定有较大的差异，因此迫切需要有一种综合的自动判断模型对 SAW 气体传感器的输出进行数值纠错，使输出气体浓度更加贴近真实值。发明内容 0009 有鉴于此，为了解决上述问题，本发明公开了一种基于RBF人工神经网络。

11、和SAW气体传感器的气体浓度检测方法，将多种 SAW 气体传感器输出气体浓度信号输入嵌有 RBF 人工神经网络的芯片输入端，建立 RBF 人工神经网络判断器用于判断多 SAW 气体传感器检测结果，减小了不同气体对同一 SAW 气体传感器造成干扰导致的输出气浓度检测误差。 0010 本发明的目的是这样实现的：基于 RBF 人工神经网络和 SAW 气体传感器的气体浓度检测方法，将待检测气体输入各组SAW气体传感器，各组SAW气体传感器输出待检测气体中各种气体初步浓度判别值，各种气体初步浓度判别值输入RBF人工神经网络，经RBF人工神经网络判别输出各种气体校正浓度判别值。

12、，其中 RBF 人工神经网络构建步骤为： 0011 1) 选取由 n 种气体组成的气体样本，将 n 种气体组成的气体样本输入各组 SAW 气说明书 CN 101949892 A CN 101949895 A2/4 页 4 体传感器，各组 SAW 气体传感器输出的各种气体浓度输入 RBF 人工神经网络的输入层 X (X1， X2， .， Xn)，其中， Xi为第 i 种气体浓度输入值， i 1， n， n 为气体种类数，亦即输入层单元个数； 0012 2) 设置 Y (Y1， Y2， .， Yn) 为 RBF 人工神经网络的输出层， Yk为 RBF 人工神经网络判断第 k。

13、个 SAW 传感器气体浓度的输出值， k 1， n ； 0013 3) 第 k 个 SAW 传感器气体浓度判断由如下方式确定： 0014 0015 其中， jk为第 j 个隐层单元到第 k 个输出单元 Yk的权值， cj为第 j 个隐层单元的聚类中心， W 为隐层单元个数， X-cj 表示 X 到 cj的距离测度； Rj为隐层第 j 单元的输出。 0016 4) 将 n 种气体组成的气体样本分为 n 个聚类； 0017 5) 对每个聚类分区内的样本求平均值作为该聚类中心 cj； 0018 6) 初始化隐层单元到输出单元的权值，为大于零小于 1 的值； 0019 7) 根据输入。

14、输出误差 |Y-X|，调整权值的大小。 0020 进一步，步骤 3) 中 Rj采用高斯函数，满足其中 j常数为基函数宽度； 0021 进一步，步骤 5) 包含如下步骤： 0022 51) 选取 n 种气体组成的气体样本中，第一种气体含量最高的前 L 组样本，求得前 L 组样本的平均值为第一种气体的聚类中心 C1； 0023 52) 重复 51)，求取第二、第三至第 n 种气体的聚类中心 C2， C3至 Cn； 0024 进一步，步骤 7) 中： 0025 当输出 Yi Xi时，调高 ii的值，直到中的误差满足系统要求； 0026 当输出 Yi Xi时，调低。

15、 ii的值，直到中的误差满足系统要求； 0027 进一步，各组 SAW 气体传感器分别用于检测气体中丙酮、丁烷、癸烷、十三烷、氨气的浓度。 0028 本发明的有益效果是：将多种 SAW 气体传感器阵列式排列，解决了多种气体同时检测中，压电材料检测阵面过小无法同时承载多 SAW 气体传感器同时运行的问题；将多种 SAW气体传感器的输出端与嵌有RBF人工神经网络的芯片输入端连接，建立RBF人工神经网络判断器用于判断多 SAW 气体传感器检测结果，减小了不同气体对同一 SAW 气体传感器造成干扰导致的输出气体浓度检测误差。附图说明 0029 为了使本发明的目。

16、的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：说明书 CN 101949892 A CN 101949895 A3/4 页 5 0030 图 1 示出了 SAW 气体传感器平行排列阵列； 0031 图 2 示出了共用输入叉指换能器的 SAW 气体传感器阵列； 0032 图 3 示出了同心圆排列 SAW 气体传感器阵列； 0033 图 4 示出了 SAW 气体传感器输出经 RBF 人工神经网络再次分析的流程。具体实施方式 0034 以下将对本发明的优选实施例进行详细地描述。 0035 阵列式 SAW 气体传感器的构建： 0036 选取NH3、丁烷。

17、、癸烷、十三烷、丙酮五组SAW气体传感器；其气体敏感膜分别为： NH3 检测 SAW 传感器以 ZnO-WO3为复合敏感膜；丁烷检测 SAW 传感器以 Ru-ZnO 为复合敏感膜；癸烷检测SAW传感器以聚环氧氯丙烷(PECH)为敏感膜；十三烷检测SAW传感器以聚异丁烯 (PIB) 为敏感膜；丙酮检测 SAW 传感器以真空油脂 (Apiezon H) 作为敏感膜； 0037 如图 1 示出了通常情况下， NH3、丁烷、癸烷、十三烷、丙酮五组 SAW 气体传感器排列于同一压电材料上的平行排列方法，每一排为一种气体的 SAW 气体传感器输入输出叉指换能器对。

18、。 0038 如图2所示，将NH3、丁烷、癸烷、十三烷、丙酮五组SAW气体传感器的输入叉指换能器并列排列成 5 行放置于压电材料上，在输入叉指换能器的两边分别放置两个输出叉指换能器，同一行构成一种气体的 SAW 气体传感器；第一行为 NH3的 SAW 气体传感器，中间放置输入叉指换能器，输入叉指换能器的一边为输出叉指传感器，并与输入叉指换能器间放置 ZnO-WO3复合敏感膜；输入叉指换能器的另一边放置输出叉指换能器，并与中间输入叉指换能器间无复合敏感膜，作为有复合敏感膜一边压电判断的补充项；此外，丁烷、癸烷、十三烷和丙酮的 SAW 气体传感器。

19、的输入输出叉指换能器以同样的方式排列，并以同样方式放置各自敏感膜。 0039 如图3示，根据具体测试的场地的需要，五组SAW气体传感器也可按同心圆阵列排列， NH3的 SAW 气体传感器排列为：输入叉指传感器与输出叉指传感器以圆心呈中心对称排列，输入叉指传感器与输出叉指传感器间放置 ZnO-WO3复合敏感膜。同样的方式，丁烷、癸烷、十三烷和丙酮的 SAW 气体传感器的输入叉指换能器和输出叉指换能器以圆心呈中心对称排列，输入输出叉指换能器间分别放置各自敏感膜； 0040 RBF 神经网络的构建： 0041 图 4 示出了与 SAW 气体传感器连接的芯片所嵌有的。

20、RBF 神经网络； 5 个 SAW 气体传感器的输出信号流入 RBF 神经网络的输入端，神经网络的输入为 X (X1， X2， .， Xn)，输入 n 为 5， X1至 Xn分别表示 5 个 SAW 气体传感器输出的 NH3、丁烷、癸烷、十三烷、丙酮五组气体浓度； 0042 输出为 Y (Y1， Y2， .， Ym)，输出 m 为 5， Y1至 Y5分别表示 RBF 神经网络对 5 组 NH3、丁烷、癸烷、十三烷、丙酮五组气体浓度的判断输出。 0043 输出节点判别形式为： 0044 其中， jk为第 j 个隐层单元到第 k 个输出单元 Yk的权值， cj为第。

21、 j 个隐层单元的聚类中心， W 为隐层单元个数， X-cj 表示 X 到 cj的距离测度；说明书 CN 101949892 A CN 101949895 A4/4 页 6 0045 Rj为隐层第 j 单元的输出；可以使用高斯函数模式： 0046 0047 cj为隐层第 j 单元的高斯函数中心； j常数为基函数宽度； Rj(x) 在 cj处有一个唯一最大值，随 X-cj 的增大， Rj迅速衰减为零。对于给定输入 X，只有一小部分靠近 X 的中心被激活。 0048 隐层单元个数选择为 5 ； 0049 选取 NH3、丁烷、癸烷、十三烷、丙酮五种气体样本 100 。

22、件，将含 NH3量最高的 20 件样本求均值，求出均值作为第一个隐层单元聚类中心 c1； 0050 同理选取 100 件样本中，含丁烷最高的 20 件样本求均值，求出均值作为第二个隐层单元聚类中心 c2；依次，确定第三，第四，第五个隐层单元聚类中心。 0051 初始化 jk， ( 其中， j 15， k 15) 为大于零小于 1 的随机值； 0052 训练时，将 NH3、丁烷、癸烷、十三烷、丙酮五组气体样本 100 件，依次输入各组 SAW 气体传感器，各组SAW气体传感器输出的各种气体浓度输入RBF神经网络的输入层X(X1， X2， .， Xn)，计算输。

23、出 Y (Y1， Y2， .， Ym) ； 0053 当输出 Yi Xi时，调高 ii的值，直到中的误差满足一定误差值； 0054 当输出 Yi Xi时，调低 ii的值，直到中的误差满足一定误差值； 0055 以上所述仅为本发明的优选并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。说明书 CN 101949892 A CN 101949895 A1/3 页 7 图 1 图 2 说明书附图 CN 101949892 A CN 101949895 A2/3 页 8 图 3 说明书附图 CN 101949892 A CN 101949895 A3/3 页 9 图 4 说明书附图 CN 101949892 A 。

展开阅读全文