基于SAW传感器的嵌入式电子鼻测试系统和测试方法

1.一种基于SAW传感器的嵌入式电子鼻测试系统的测试方法，其特征在于，包括如下
步骤：
（1）微控制器获取相关训练数据和测试数据；
（2）若所获取的数据格式不符合规范，则进行处理，否则跳过此步；
（3）若收到设置参数信号，则跳至第（6）步，否则自动设置相关参数；
（4）根据神经网络的规则调整相关参数，直到训练完成；
（5）若训练结果达到要求，则跳至第（8）步，否则继续；
（6）根据参数信号设置相关参数，直到训练完成；
（7）若训练结果达到要求，则跳至第（8），否则跳回第（6）步；
（8）把训练结果用于模式识别或者软件测量，根据测试数据，得到实际输出；
所述步骤（2）中的数据格式包括：训练样本维数n、理想输出维数m、训练样本个数、理
想输出个数、测试样本个数N、训练样本的数据和理想输出的数据；对数据格式不符合规范
的处理方法包括：
（2-1）按照如下规律“训练样本数据1，训练样本数据2……训练样本数据N；理想输出
1，理想输出2……理想输出数据P；测试数据1，测试数据2……测试数据M”，其中M代表需
要测试的个数；N代表用于输入的样本个数；P与分析的气体数目相同；
（2-2）训练样本或测试样本的数据归一化处理，范围是0.0-1.0；
（2-3）输出的数据归一化处理，范围是0.0-1.0；
步骤（3），（4），（6）中的相关参数包括神经网络的节点数K，学习效率 ，训练中止误差，
最大循环次数 ，规定时间t；所述步骤(3)和(6)中的参数信号如果需要修改，则按照以下
格式“Y: 神经网络节点数：学习效率：训练中止误差：最大循环次数：规定时间”，否则不发
送信号；
步骤（4）中的神经网络的规则包括：3层BP神经网络、权值初始化规则、学习效率的规
则、隐层节点数选取规则、训练停止规则；权值初始化规则的权值初始化为随机的初始化，
初始化的权值取值区间为（-1,1）；
所述 学习效率的规则选取较大的学习率为初始值，学习效率计算公式为： ，其中， 为学习效率的初始值， 表示最大循环次数时
候的学习效率， 表示最大循环次数，若训练迭代一次后，误差增大，那么采取策略:
进行调整，直到满足条件中止，若训练迭代一次后，误差减小，采取策略：
进行调整，直到满足条件中止；
所述隐层节点数选取规则采用公式： ，其中，K表示隐层节点数，n表示
训练样本维数，m表示理想输出维数，a为大于1的常数，其最大为50，如果消耗的时间小于
预期的时间，直接选取a对应的K值作为隐层节点数，否则改变a的值，使得a = a * 0.7，
并将对应的K的值作为隐层节点数；
所述训练停止规则，包括：规则1：“当前误差小于训练中止误差，并且保持稳定变化”；
规则2：“当前循环次数小于最大循环次数，并且连续测试的误差变化小于1%”，规则3：“在
规定的时间内完成测试，并且当前循环次数和当前误差分别满足规则1和规则2”；
步骤（8）中用于计算的训练结果，包括
①对权值矩阵的保存，使整个过程都是在同一个权值矩阵的条件下；
②对隐层节点数，学习效率，最大循环次数，训练中止误差，程序运行时间进行存储，并
将测试后结果发送至远程端。

基于SAW传感器的嵌入式电子鼻测试系统和测试方法\n技术领域\n[0001] 本发明涉及气体定性与定量分析的测试系统，尤其涉及一种基于SAW（声表面波）传感器的嵌入式无线电子鼻测试系统。\n背景技术\n[0002] 电子鼻是一种利用气体传感器阵列的响应图案来识别气味的电子系统，由传感器阵列和适当的模式识别系统组成，能识别简单的或者复杂的气体。电子鼻中的单个传感器在响应上是非特异性的，能对多种气体产生广谱响应。由于传感器本身不可避免的缺点。单一参数测量的传感器在测量混合气体时会产生很大干扰，测量误差难以控制。提高抗干扰能力有效的途径是采用组合式或者阵列式多传感器和神经网络等智能算法达到理想效果。\n目前，市面上的电子鼻产品多为国外生产，这些仪器一般体积较大，且价格昂贵，难以满足目前国内市场对便携式设备的需求。\n[0003] SAW传感器具有选择敏感性高，重复性及可靠性等优势，可以作为电子鼻的传感器阵列，具体地，SAW传感器具有以下优点：\n[0004] 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，且SAW传感器的基频可以加工至数GHz，因此检测灵敏度较高。\n[0005] 2. 重复性和可靠性好：SAW传感器的关键部件为SAW谐振器或延迟线，在制作时候采用平面赋值的半导体工艺，重复性好。且容易集成化、一体化，机构牢靠，因而可靠性更好。\n[0006] 3. 信号容易采集和处理，可实现无线传感：采用准数字信号输出，易数字化。在遥感和遥测方面有着明显的优势。\n[0007] 4. 体积小，重量轻，功耗低：这是所有SAW传感器的共同特点。\n[0008] 嵌入式平台及设备越来越普及，并且具有低功耗、体积小、集成度高、成本低、应用广泛等特点。如果神经网络等算法能应用到嵌入式设备，并且具有良好的运行性能，那么就可以解决复杂的工程问题，并且具备小型化和便携式特点。神经网络算法运算量较大、算法复杂，为了达到便携式和小型化的特点，需要对算法进行简化和处理。\n[0009] 虽然已经有很多提出神经网络算法的嵌入式应用，但是，大多数应用都是在PC上面进行仿真，然后将获得的结果移植到嵌入式平台，而不是将训练过程移植到嵌入式平台中。\n发明内容\n[0010] 针对上述现有技术，本发明要解决的技术问题是提供一种成本低、方便携带的基于SAW传感器的嵌入式无线电子鼻测试系统和测试方法。\n[0011] 为了解决上述技术问题，本发明采用如下技术方案：一种基于SAW传感器的嵌入式电子鼻测试系统的测试方法，包括如下步骤：\n[0012] （1）微控制器获取相关训练数据和测试数据；\n[0013] （2）若所获取的数据格式不符合规范，则进行处理，否则跳过此步；\n[0014] （3）若收到设置参数信号，则跳至第（6）步，否则自动设置相关参数；\n[0015] （4）根据神经网络的规则调整相关参数，直到训练完成；\n[0016] （5）若训练结果达到要求，则跳至第（8）步，否则继续；\n[0017] （6）根据参数信号设置相关参数，直到训练完成；\n[0018] （7）若训练结果达到要求，则跳至第（8），否则跳回第（6）步；\n[0019] （8）把训练结果用于模式识别或者软件测量，根据测试数据，得到实际输出。\n[0020] 进一步地，所述步骤（2）中的数据格式包括：训练样本维数n、理想输出维数m、训练样本个数、理想输出个数、测试样本个数N、训练样本的数据和理想输出的数据；\n[0021] 对数据格式不符合规范的处理方法包括：\n[0022] （2-1）按照如下规律“训练样本数据1，训练样本数据2……训练样本数据N；理想输出1，理想输出2……理想输出数据P；测试数据1，测试数据2……测试数据M”，其中M代表需要测试的个数；N代表用于输入的样本个数；P与分析的气体数目相同；\n[0023] （2-2）训练样本或测试样本的数据归一化处理，范围是0.0-1.0；\n[0024] （2-3）输出的数据归一化处理，范围是0.0-1.0。\n[0025] 进一步地，步骤（3），（4），（6）中的相关参数包括神经网络的节点数K，学习效率 ，训练中止误差，最大循环次数 ，规定时间t。\n[0026] 进一步地，所述步骤(3)和(6)中的参数信号如果需要修改，则按照以下格式“Y: 神经网络节点数：学习效率：训练中止误差：最大循环次数：规定时间”，否则不发送信号，（比如接受参数修改，则格式为Y:1:0.01:5000:15，其中，冒号是为了区分参数，可以在程序的时候加if语句来区分参数）。\n[0027] 进一步地，步骤（4）中的神经网络的规则包括：3层BP神经网络(Back Propagation Neural Network )、权值初始化规则、学习效率的规则、隐层节点数选取规则、训练停止规则。\n[0028] 更进一步地，所述的权值初始化规则的权值初始化为随机的初始化，初始化的权值取值区间为（-1,1）。\n[0029] 更进一步地，所述学习效率的规则选取较大的学习率为初始值，学习效率计算公式为： ，其中， 为学习效率的初始值， 表示最大循环\n次数时候的学习效率， 表示最大循环次数，若训练迭代一次后，误差增大，那么采取策略: 进行调整，直到满足条件中止，若训练迭代一次后，误差减小，采取\n策略： 进行调整，直到满足条件中止。\n[0030] 更进一步地，所述隐层节点数选取规则采用公式： ，其中，K表示隐\n层节点数，n表示训练样本维数，m表示理想输出维数，a为大于1的常数，其最大为50，如果消耗的时间小于预期的时间，直接选取a对应的K值作为隐层节点数，否则改变a的值，使得a = a * 0.7，并将对应的K的值作为隐层节点数。\n[0031] 更进一步地，所述训练停止规则，包括：规则1：“当前误差小于训练中止误差，并且保持稳定变化”；规则2：“当前循环次数小于最大循环次数（比如5000），并且连续测试的误差变化小于1%”，规则3：“在规定的时间内（比如15s）完成测试，并且当前循环次数和当前误差分别满足规则1和规则2”。\n[0032] 进一步地，步骤（8）中用于计算的训练结果，包括：\n[0033] ①对权值矩阵的保存，使整个过程都是在同一个权值矩阵的条件下；\n[0034] ②对隐层节点数，学习效率，最大循环次数，训练中止误差，程序运行时间进行存储，并将测试后结果发送至远程端。\n[0035] 进一步讲，步骤（8）中（2）提到的用于分析处理，主要是指通过输出接口，特别的指通过射频模块，将测试后的数据发送到远程控制端，从而使远程控制端获得对应的结果，便于分析。\n[0036] 一种基于SAW传感器的嵌入式无线电子鼻测试系统，包括SAW传感器和测试系统平台，所述测试系统平台包括处理器，存储器，通信接口，输入输出接口，人机交互接口，其中，微控制器分别与存储器、人机交互接口、通信接口、输入输出接口相连接，输入接口与SAW传感器相连接，输出接口与无线模块相连接。\n[0037] 进一步地，所述SAW传感器包括三个响应不同成分气体的SAW传感器和两个响应温湿度气体的传感器。\n[0038] 与现有技术相比，本发明具有以下有益效果：简化和优化了神经网络算法，将神经网络算法的训练过程移植到嵌入式平台中，提供一种基于SAW传感器的嵌入式无线电子鼻测试系统，为电子鼻检测气体等过程的模式识别或者软件测量提供了一种低成本，便携式，高实时性的方法。\n附图说明\n[0039] 图1为本发明实施例的测试系统组成结构框图；\n[0040] 图2为本发明的测试程序流程图；\n[0041] 图3为本发明的测试原理图；\n[0042] 图4为SAW气体传感器的输入输出叉指换能器对的平面排列结构图；\n[0043] 图5为传感器阵列与测试系统连接结构示意图。\n具体实施方式\n[0044] 下面将结合附图及具体实施方式对本发明作进一步的描述。\n[0045] 如图1所示，为本系统的组成框图，其中，微控制器分别与存储器、人机交互接口、通信接口、输入输出接口相连接。\n[0046] 人机交互接口主要指显示屏，主要功能为显示结果。存储器包括SDRAM、NANDFLASH、SD卡。并且，存储器与微控制器直接相连。通信接口包括以太网口、RS232接口，USB接口，WIFI接口，所述的通信接口与微控制器相连接。由传感器获得的数据，经过电路转换，作为系统的输入。原始数据和经过处理的数据可以保存SD卡中，便于对数据进行携带，输出接口为射频通信模块，方便对获得的数据进行远距离传送。\n[0047] 微控制器是整个系统的核心，从信号的输入或者通信接口接收数据，经过数据处理和分析，结果在触摸屏上显示，并且通过射频模块发送相应的数据。同时，微控制器也需要提供相应的接口支持与PC等外部设备的通信，并将获得数据保存。\n[0048] 微控制器采用SAMSUNG提供的S3C6410（ARM1176JZF-S），其主频为667MHz，支持Mobile DDR和多种NAND FLASH，同时其优化了外部存储器的接口，支持众多外围接口功能，使得接口满足工业控制的需求。\n[0049] 需要对电子鼻获得数据进行测试，那么首先对于电子鼻的传感器进行分析，保证本设计输入的正确性。比如，对于气体检测，除了考虑传感器对应不同成分的响应，还需要考虑环境的影响。假设SAW气体传感器共有3个，排列如图4所示。传感器阵列一共有五个，其中两个是考虑到温湿度会影响气体传感器的性能，作为辅助项，并且与测试平台相连接，如图5所示，那么，对于神经网络的单个样本输入而言，为五维的数据，理想输出的样本维数则为三维数据。以50组样本为训练样本，30组为测试样本，并且保存为“训练样本1（传感器1数据，传感器2数据，传感器3数据，传感器4数据，传感器5数据）；……训练样本50（传感器1数据，传感器2数据，传感器3数据，传感器4数据，传感器5数据）；理想输出1（理想传感输出1，理想传感输出2，理想传感输出3）；……理想输出50（理想传感输出1，理想传感输出2，理想传感输出3）；测试样本1（传感器1数据，传感器2数据，传感器\n3数据，传感器4数据，传感器5数据）……测试样本30（传感器1数据，传感器2数据，传感器3数据，传感器4数据，传感器5数据）”那么经过数据规范化获得的信息则为：训练样本维数n =5，理想输出维数m=3，训练样本个数50，理想输出个数50，测试样本个数N=30。\n[0050] 假定为没有收到设置参数信号，即选择自动设置模式，那么会设置学习效率=10，最大循环次数 =5000，隐层节点数K=50，中止误差为一个随机数，终止时间为\n15s。如果收到设置参数信号，那么系统会根据信号要求，设置学习率，最大循环次数和隐层节点数，以及停止时间。\n[0051] 开始的时候，用50组数据训练样本训练神经网络，每次训练都会得到当前误差、运行时间和当前循环次数的数值。系统通过当前误差，调整规则改变学习率；通过运行时间，来判隐层节点数，并且同时对这三个数据进行判断，查询是否到达训练中止条件。如果没有到达中止条件，那么继续训练直到满足条件时，保存神经网络的相关权值和参数，用于测试数据。\n[0052] 当训练结束以后，测试数据时，对于气体定性测量，屏幕显示的数据是一个矩阵，矩阵的数值只有0和1构成，0表示这种气体不是主成分，而1表示为主成分，并且通过输出接口，将这个矩阵发送到远程接收端；对于气体定量分析，对数据进行归一化处理以后，需要保存归一化矩阵，将输出的数据和此矩阵做数学处理，完成定量测试，并且把获得的数据通过输出接口，发送到接收端，便于用户识别。\n[0053] 经过一段时间的运算，由于模型漂移等原因，需要对数据进行重新的校正。重新校正时，重复上述过程即可。\n[0054] 上述实例说明用来解释本发明，而不是对发明的限制，在本发明精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。