一氧化碳报警器设计毕业设计(编辑修改稿)

一氧化碳报警器设计毕业设计(编辑修改稿)内容摘要：

Ggas/Gair 去除乘积性噪声和漂移 分数比值法 是 sg= (GgasGair )/Gair 叠加性和乘积性噪声和飘移 都有作用 作为一个随时间变化的量，气体传感器的特征信号有多种，如稳态信号、瞬态信号等。 特征是直接从传感器的原始信号提取出来的参数，各特征之间相互关联，由于交叉敏感的影响，各传感器之间也相互关联， 因此这样一个原始的特征参数集是一个富含冗余信息的高维向量。 维数增多引起后续信号处理的复杂程度呈指数上升，也就是所谓的“维数咒语”问题，使得降维处理成为必要。 同时，信息冗余容易导致信号参数的协方差矩阵奇异，因此特征选择和特征提取成为气体传感器阵列信号处理的两个必要步骤。 特征选择的目的是从 M个特征中选择 N 个参数 (NM)组成一 个信息量最大或者估计准确度最高的最优集合，可能组“方法”有 NMC。 常用的选择方法为顺序搜索法，从集合内参数为 0，逐渐增加参数数目的 方法为前向搜索法；从全部特征组成参数集合开始逐渐减少参 数数目的方法为后向搜索法。 顺序搜索法计算量比较大，促进了随机选择算法的发展，如模拟退火算法，遗传算法 [15]等。 参数选择的评价方法主要有两种 :过滤法 15 (filters)和打包法 (wrappers)。 过滤法通过比较特征子集的信息含量 (如类间距 )，试图寻找具有一般性的特征参数集；打包法是在特定模式识别算法的基础上根据预测的准确度来估计特征子集的性能，以大量计算为代价但能够获得较好的识别精度。 GutierrezOsuna[16]对 8 种搜索技术进行了比较，结论是各种搜索算法的性能相似。 Corcoran[17]使用遗 传算法和 Fisher 判别式对一个温度调制阵列的参数进行选择，在保证分辨率的情况下能够将特征参数的数目减少1/10。 优化后的特征参数集代表了被测气体的所有信息，但是各个参数之间的相关性大，依然存在冗余信息。 特征提取实际上是要寻找一种变换 f: x M y N(NM)，使得 y能够代表 x的绝大多数信息。 在电子鼻领域内使用较多的特征提取方法主要有主成分分析法(PCA)和 Fisher线性判别式分析法 (Linear Discriminant Analysis，LDA)。 PCA是沿着数据的方差最大方向作变换，该方差 也是输入变量x 的协方差阵的特征值。 LDA是一种分类方法，沿各类之间距离最大的方向上作变换，就是类内协方差阵 SW 的逆阵和类间协方差阵 SB乘积 SW1SB 的特征向量 [18]。 16 模式分类，识别和量化 电子鼻实现的一个重要功能是对不同的气味 (体 )进行分类和识别。 模式分类的目的是对一组新的气味特征向量 y N表征的对象识别，考察其为己知类型毛 (w1, w2, wc)中的哪一种气味 wi，减小误分类率也就是要使得样本 y 属于类 wi 的概率代 P(wi|y)最大，即最大后验概率法则 [19]，通常使用贝 叶斯公式求解。 (21) 式中 P(y| wi)为类条件概率， P(wi)为先验概率， P(y)为样本概率，对分类问题来说可以忽略。 先验概率可以通过样本出现的频率计算得到。 通过一组高维数据直接估计 P(y | wi)的难度较大，通常都对数据进行了诸多简化和近似，如假设数据是高斯分布等。 分类器的设计也主要是为了得到 P(y|wi)的估计值。 在气味分类领域中常用的分类器有二次分类器 (Quadratic Classifiers)[20],K 最近邻分类器 (K Nearest Neighbor Classifiers, KNN)、多层感知分类器(Multilayer Perceptron Classifiers, MLP)[21]和径向基函数分类器 (Radial Basis Function Classifiers, RBF)[22]。 二次分类器假设所有类的概率分布函数相同且都为高斯分布，即 17 (22) 式中 ui 和 i为样本均值和协方差。 指数部分为马氏距离 (Mahalanobis distance)，当协方差矩阵 y为单位阵时即为欧式距离，当各类的分布也为高斯分布时，二次分类器就是大家熟知的贝叶斯分类器。 KNN是一种非线性分类器，对 y进行分类时，通过寻找数据集中最相近的 k 个样本并选出这 k个样本的主导类作为 y的类别。 KNN 的分类效果好，但是需要占用大量的内存 (存储样本数据 )，计算量大 (需要将未知样本与所有数据样本的近似程度进行计算并排序 )。 多层感知器 (MLP)是一种常用的人工神经网络，通过将感知器的输出单元进行编码，赋予类的标号，采用后向传播算法 (BackPropagation)使用已有的数据对网络进行训练，生成分类器。 径向基函数 (RBF)也是一种带有反馈连接的神经网络，其结构与 MIA，相似，但是其输入输出映射 和训练机制不同。 RBF是一种典型的局部逼近网络，其神经元的输入为输入矢量与权值矢量的距离乘以闽值，神经元变换函数为高斯函数。 MLP 神经网络和 RBF 神经网络在气味分类和识别领域应用较多。 相对于气味的分类问题，电子鼻的回归分析问题更具有挑战性。 回归分析的目的是基于观测数据建立变量间适当的依赖关系，以分析数据的内在规律，并用于估计输出变量。 电子鼻领域中的回归问题主要包括三种：混合气体分析 (被估计变量为混合气体中各成分的 18 浓度 )、工艺监控 (被估计变量为工艺参数 )和嗅感分析 (被估计变量为香、臭等感觉程度 )。 估计的源 变量即观测数据变量，为气体传感器阵列的输出向量。 倘若被估计的一组变量为类标识，那么模式分类也可以看作是一个回归问题，因此大部分的回归技术都可以用于模式分类。 在图 22 所示的电子鼻原理框图中，如果输出向量 [y1(t)， y2(t)， yk(t)]为混合气体浓度向量 [c1(t)， c2(t)， ck(t)]的估计，就构成了一个混合气体分析问题。 混合气体分析问题较为根本，难度也最大。 目前应用于混合气体分析问题的回归技术主要有最小二乘法、主成分回归法 (Principal Component Regression, PCR )、偏最小二乘法 (Partial Least Squares, PLS)、 MLP 和 RBF等人工神经网络技术。 最小二乘法是以线性回归模型为基础的 [23]，仍以图 22为例，使用一由 n 个传感器组成的阵列检测 m 种气体组成的混合气体，采用气敏电阻的分数电导作为传感器的输出向量，记为 s=[s1， s2 ，sn]T，设被测气体浓度与传感器的输出信号之间的回归方程为线性。 c=sA+ε ，式中， c=[c1(t)， c2(t)， cm(t)]T， A=(aij)nm 为未 19 知参数矩阵。 ε为均值 0,方差为 20 的不可观 测的随机变量，称为误差项。 由实验观测到 P组输入输出向量，那么。 C= (cij)mp ，S= (sij)mp ，输入输出关系为 C=SA+ε。 忽略误差项，当 S 为非奇异阵时参数矩阵可由 A=S1C 计算得到，但是作为观测向量， S 可能为奇异阵。 因此在矩阵分析中引入伪逆来解决这一问题 . (23) S+为 S的伪逆， S+S=I，上式为正规的二乘估计算法。 最小二乘法的回归方程中使用了所有传感器的输出项进行估计，由于交叉敏感和传感器输出信号的相似性，信号之间相关性大，通过 PCA去除数据之间的相关性，提取主成分用于回 归方程，该种方法就是主成分回归法 (PCR)。 主成分的提取法则是沿着观测数据向量方差最大的方向提取，因此它们与被测气体浓度之间的线性依赖关系也并非最好 [24]。 偏最小二乘法 (PLS)能够处理共线性数据，在化学计量的数据分析中使用较多。 与 PCR不同， PLS 依次寻找各传感器与混合气体浓度之间的最大相关性。 最小二乘法、主成分回归法和偏最小二乘法的基础模型都是线性回归模型，随着测试气体浓度范围的扩展，传感器响应与气体浓度之间的非线性关系逐渐增强，具有非线性扩展能力的人工神经网络技术 (MLP,RBF 等函数逼近网络 )和遗 传算法在混合气体分析中得到了广泛的应用 [25]。 聚类分析在电子鼻数据处理中应用也较为广泛，它是一种无监督学习过程，用于寻找数据样本之间的空间关系或相似性，主要包括三个基本步骤 :(a) 定义样本之间的不相似性法则，通常采用欧式距离； (b)定义一种优化聚类的法则， 20 通常基于类内和类间结构 (如扩展类间距离，压缩类内距离等 )； (c)定义一种搜索算法，用于将某一测试样本赋给某一类。 目前应用较多的聚类方法主要有树状图法 (Dendrogram )、 C 均值法以及自组织映射神经网络 (Self=Organiz Map)。 树状 图法可以通过自底向上的凝聚算法或者自顶向下的分裂算法形成。 Gardner[26]等使用树状图法分析了 12 个金属氧化物气体传感器对几种酒精的识别。 将训练样本随机设定为 C 个不相连的类，计算每个类的均值，然后重新分配各样本到 C个类中再计算各类的平均值，直到相邻两次重新分配的各类均值不变就结束迭代计算，这种方法就是 C均值法。 随着模糊数学的发展，模糊集理论在气体分析领域中也得到了应用，并在 C均值算法的基础上发展为模糊 C均值算法。 SOM 是一种能够产生拓扑分布结构的互连接技术，通常是一个二维的网格结构，首先通过竞争机制选 择网格中与数据样本最近的神经元及其附近的神经元并激活，调整其在二维网格中的坐标使得它们更接近于数据样本 [27]。 聚类、分类和回归都是气体分析和气味识别中的重要问题，聚类是无监督的，从广义上来讲，聚类属于分类。 倘若将“类”作为一个变量寻求输入和这个变量之间的关系，那么分类实际上又是回归的一种。 因此多种算法都可以同时用于聚类、分类和回归，比如 BP神经网络、 RBF神经网络、 PCR等。 无论是何种问题，都需要一些先验数据作为训练样本完成模型的构建，最终模型的好坏需要通过一些新的数据样本来说明验证。 验证的过程就是使 用构建的模型对新的样本进行估计，考察估计的结果是否令人满意，这些新的样本就是测试样本的选取。 测试样本的选取方 21 法也有多种，如使用新的样本集或多次交叉验证法等，在气体分析中多采用新样本集进行验证。 气体传感器温度调制及信号处理技术 作为一种化学传感器，在不同的工作温度下，气敏材料对不同气体的吸附选择性和灵敏度不同。 金属氧化物半导体气体传感器的气敏特性受器件温度的影响和控制，在不同工作温度范围内对不同气体的响应有所不同。 因此，可将半导体气体传感器调制在不同的温度模式下，测试传感器在给定温度模式下对 不辰气体的动态响应信号，结合信号处理技术，提取传感器对不同气体成分的响应特征，用于气体的识别、量化和分类。 温度调制模式 调查发现，最早关于温度调制方面的文献资料源于美国专利， 1975年 [28]申请了用于 CO检测的气体传感器温度调制技术方面的专利，即控制传感器低温检测、高温清洗的检测方法，该技术现已经被 Figaro公司的 CO传感器采用。 紧接着在 1975 年 Eicker申请了一个将传感器控制在高低两个温度点而识别甲烷干扰下的一氧化碳气体检测系统的专利保护； 1980年 Owen 等 [29]提出了 3 个温度点的控制系统用于检测一氧化碳 :之后方波、锯齿波、三角波等相继被 22 用于传感器的控制，试图识别不同种类的气体 [30]。 气体传感器对温度依赖的一个重要现象为传感器在升温和降温时的滞回现象。 Clifford[31]是传感器动态响应的较早研究者之一，它研究了独立温度阶跃激励下的传感器在不同氧分压下的动态响应特性，并指出当传感器温度变化的足够慢时，迟滞效应会减弱至最低，他使用了半导体势垒理论来解释传感器的温度效应。 Clifford 总结指出，提高气体检测系统的选择性，可以使用工作在不同工作温 度下的传感器组成阵列，也可以使用一个依次工作在不同温度下的传感器来实现。 这构成了现在气体检测领域内的两个主要研究方向。 温度调制的一个最简单 方 式 就 是 控制 传 感 器 的加 热 电 压时 通 时 断 ， 1992 年，[32]将 Figaro 气体传感器控制在脉冲加热电压下，传感器首先在 SV加热电压下预热，当响应稳定时，断开加热电压，监测传感器的响应信号，再开启 SV 加热电压，依次周期性控制，脉冲电压的周期为 60s。 Amatomo 等 [33]每秒钟给传感器施加一个持续时间为 8ms，电压为 的加热脉冲，得到的暂态响应 用于定性识别 CO，乙醇和氢气。 这些都是两个温度点之间的阶跃 ,但是 Sears[35]等认为全量程周期性 (cyclictemperature)加热电压在传感器的温度调制方面更具有优越性和发展前景。 所谓全量程周期性加热电压，是指控制传感器遍历从室温到传感器容许最高工作温度范围内的所有温度点。 原因有三 :1)由于不同气体对温度的依赖特性不同，周期性温度调制总能控制传感器针对不同气体给出典型曲线； 2)低温时传感器对气体的不完全响应有累积效应，高温则具有清洗作用； 3)在这个温度 23 范围内，对应某种气体总有一个最高灵敏度工作温 度点，因而可以提高传感器的灵敏度。 但是，当传。