一种基于电子鼻技术的空气质量监测系统及其监测方法

暂无

一种基于电子鼻技术的空气质量监测系统及其监测方法 \n技术领域\n[0001] 本发明涉及一种空气传感器监测技术，具体的说，是基于电子鼻技术的空气质量监测系统及其监测方法 \n背景技术\n[0002] 传统的基于半导体金属氧化物传感器阵列的空气质量电子鼻往往只进行定性识别或者对气味浓度进行等级识别，这都影响了电子鼻的实用化。即使具备定性和定量识别的能力，也是通过两个神经网络串联的方式实现：首先使用一个网络定性识别再使用另一个网络定量识别。这使电子鼻具有实用性不强，算法的复杂度高，抗干扰能力差，精度较差，运算速度慢等缺点。 \n[0003] 由于空气质量检测电子鼻产品在批量化生产中遇到了金属氧化物传感器离散性的问题：包括在空气中敏感电阻Ro以及灵敏度Rs/Ro的离散性。这样的结果造成了我们的传感器即使在相同环境以及相同被测气体浓度的情况下也具有不同的响应值，从而使算法输出结果也不同，影响了产品批量化的生产。目前普遍使用的方法是使用同一批次的传感器以此减少传感器的离散性以及通过在硬件上将负载电阻设为与Ro相等来减少离散性影响，但是均没有很好的解决该问题。 \n发明内容\n[0004] 本发明提供一种基于电子鼻技术的空气质量监测系统及其监测方法，能够甄别出传感器在不同环境以及被测气体浓度的情况下具有不同的响应值，能够解决多种气体的相互干扰问题。同时提出了虚拟电阻法解决电子鼻在批量化生产中的传感器离散性问题。 [0005] 为达到上述目的，本发明建立在电子鼻技术的基础上。 \n[0006] 一种基于电子鼻技术的空气质量监测系统，其关键在于：设置有传感器信号调理电路，该传感器信号调理电路的质量检测输入端组连接有传感器阵列，该传感器信号调理电路的输出端连接有传感器阵列信号预处理器，该传感器阵列信号预处理器的输出端连接有中央处理器，该中央处理器的显示端连接有显示器； \n[0007] 本发明的理论基础是模式识别，而模式识别需要对数据进行一定的预处理，才能得到最佳的识别效果。设电子鼻系统的传感器阵列具有n个传感器，其中气体传感器的个数为Q，对被测有毒有害气体测量p次，就会得到一个p×n维的样本集数据矩阵X，所有的模式分类和定性识别过程都是基于这个样本数据集矩阵，所以数据集X的质量直接影响到识别的结果。 \n[0008] 所述传感器阵列中具有温湿度模块以及气体传感器组：所述温湿度模块获得环境温湿度数字信号g，送入中央处理器中的变换器中；通过气体传感器中敏感电阻值的变化，获取一组气体信息a，发送给传感器信号调理电路； \n[0009] 传感器信号调理电路：用于将气体信息a转变为一组变化的电压信号b； [0010] 传感器阵列信号预处理器：用于将所述变化的电压信号b通过AD转换为一组数字信号b’，并对这组数字信号b’进行特征提取，获得Q个气体传感器的一组特征提取的数字信号d； \n[0011] 特征提取的方式较多，可以提取输出响应曲线中的所有数据，提取每个传感器输出曲线中的电压最大值，最小值，或斜率变化最大值、最小值等。 \n[0012] 所述中央处理器中设置有变换器、神经网络和一组修正器； \n[0013] 所述每个修正器分别使用虚拟电阻法对数字信号d中每一路气体传感器数字信号进行灵敏度补偿，得到补偿后所述气体传感器组的输出电压值所对应的一组数字信号修正值e； \n[0014] 所述变换器，对所述数字信号修正值e与所述环境温湿度数字信号g进行归一化处理，得到一组规范化信号f； \n[0015] 由于传感器阵列中各个传感器的输出差别比较大，各自的方差同样差别很大。根据模式识别理论，只有各个独立变量间的协方差很高，才能取得很好的分类效果。而要得到得到大的协方差系数，样本数据就需要经过一些预处理。预处理的目的是为了平衡各个变量对样本总体的方差的贡献，从而使得样本能更显著地分开。电子鼻系统数据预处理的方法一般包括基线修正、数据的变换以及特征值的提取，目的都是为了更好地进行模式识别。 [0016] 同时通过文章《基于人工智能的温湿度补偿方法在气体测量中的应用》以及《气体测量中的温湿度补偿新方法》可知，将温湿度数据作为神经网络的输入能够补偿温湿度对气体传感器的影响；基于人工神经网络的温湿度补偿方法是把环境的温湿度与气体传感器的响应作为测量系统的并列输入，作为推断气体浓度的3个地位相同的前提条件；环境温湿度对气体传感器输出的影响反映在网络的连接权上，成为系统不可分割的组成部分。实际测量时，通过网络的运算，环境温湿度的影响被隐含地补偿掉，从而得到气体浓度的精确信息。 \n[0017] 所述神经网络的输入神经单元数即是所述规范化信号f的维数，神经网络对规范化信号f进行处理，定性、定量地识别出污染气体的种类和浓度，并发送给所述显示器显示。 \n[0018] 传感器归一化不失为一种很有效的数据变换方法，传感器归一化可以使单个传感器的输出位于[0，1]之间，这样不仅可以减少化学计量识别中的计算误差，而且能为神经网络识别器中的输入空间准备合适的数据，改善算法的收敛速度，这种方法特别适合于电子鼻系统的定量识别。 \n[0019] 本发明采用的传感器归一化方法为线性函数转换法： \n[0020] y＝(x-Min)/(Max-Min) \n[0021] 式中x、y分别为归一化前后的值。 \n[0022] 在传统的归一化方法中，需要寻找样本数据中的最大值Max和最小值Min，而本发明中将式中样本的最大值Max确定为电子鼻系统输出的满量程值x满，样本最小值Min确定为0。归一化公式写成： \n[0023] y＝x/x满\n[0024] 运用上式进行数据归一化处理，大大简化了计算过程。 \n[0025] 所述神经网络的输入神经单元数即是所述规范化信号f的维数，神经网络定性、定量地识别出污染气体的种类和浓度，并发送给所述显示器显示。 \n[0026] 所述中央处理器的报警端连接有声光报警器。 \n[0027] 所述中央处理器还连接有无线发射模块，该无线发射模块与空气净化器上的无线接收模块以无线方式连接。 \n[0028] 4、根据权利要求1所述基于电子鼻技术的空气质量监测系统，其特征在于：所述气体传感器组中所有气体传感器的电路结构一致，各气体传感器的型号互不相同； [0029] 气体传感器设置有加热电阻RH和传感器敏感电阻Rs，加热电阻RH的两端连接有加热电压VH，传感器敏感电阻Rs的一端连接在直流电压Vc的正电源端，传感器敏感电阻Rs的另一端串连负载电阻RL后，连接在直流电压Vc的负电源端，该负载电阻RL的两端连接所述传感器信号调理电路。 \n[0030] 所述气体传感器组的数量，一组气体信息a中气体信息a的数量，一组变化的电压信号b中变化的电压信号b的数量，一组数字信号b’中数字信号b’的数量，一组特征提取的数字信号d中特征提取的数字信号d的数量，一组数字信号修正值e中数字信号修正值e的数量都是相等的。所述气体传感器组中所有气体传感器的电路结构一致，各气体传感器的型号互不相同； \n[0031] 气体传感器设置有加热电阻RH和传感器敏感电阻Rs，加热电阻RH的两端连接有加热电压VH，传感器敏感电阻Rs的一端连接在直流电压Vc的正电源端，传感器敏感电阻Rs的一端串连负载电阻RL后，连接在直流电压Vc的负电源端，该负载电阻RL的两端连接所述传感器信号调理电路。 \n[0032] 在使用神经网络算法对待测气体进行定量识别过程中，算法收敛速度比较慢。在训练样本大的情况下，算法的训练时间更加长，这对于工作效率的提高是非常不利的，经过研究，提出了将定量识别神经网络的目标输出进行加权处理的方法，即对每种气体对应的网络目标输出上乘以相应的系数，使得不同气体输出的数据处于同一数量级，大大提高了神经网络的收敛速度。 \n[0033] 假设空气质量检测器对m种有毒有害混合或单个气体进行检测，总体测量p次，则用于定量识别的神经网络目标输出为： \n[0034] \n[0035] Tm×p中每一行对应一种气体每次测量时的测量浓度值，由于国家空气质量标准标准对不同气体的规定不同，有的甚至不在同一数量级，导致检测过程中不同气体的输出浓度不在同一个数量级上，在矩阵Tm×p中表现为不同行的数据数量级不一样，本发明采用的规范化方法对神经网络目标输出Tm×p’进行加权，设m种气体的加权系数分别为α1，α，...，αm，加权后的目标矩阵为： \n[0036] \n[0037] 加权值α1、α2…αm使得变换后的矩阵T′m×p中数据处于同一数量级。实验证明，将加权后的矩阵T′m×p作为神经网络目标输出，网络训练时间大大减少。 [0038] 一种空气质量监测系统的监测方法，其关键在于包括如下步骤： [0039] 步骤一：利用温湿度模块获取环境温湿度数字信号g，并直接送入中央处理器中的变换器； \n[0040] 利用Q个气体传感器的敏感电阻值变化，获取Q个变化的气体信息a，发送给传感器信号调理电路； \n[0041] 步骤二：传感器信号调理电路用于将气体信息a转变为Q个变化的电压信号b； [0042] 步骤三：传感器阵列信号预处理器将Q个变化的电压信号b转变成Q个数字信号b’，并对Q个数字信号b’进行特征提取，获得Q个特征提取值d； \n[0043] 步骤四：Q个修正器分别使用虚拟电阻法对数字信号d中每一路气体传感器数字信号进行灵敏度补偿，得到补偿后所述气体传感器组的输出电压值所对应的Q个数字信号修正值e； \n[0044] 步骤五：变换器对所述数字信号修正值e以及环境温湿度数字信号g，进行归一化处理，得到n个规范化信号f，其中n等于e与g的维数之和； \n[0045] 步骤六：神经网络对n个规范化信号f进行计算，定性、定量地识别出污染气体的种类和浓度，并发送给所述显示器显示。 \n[0046] 其中步骤四中的虚拟电阻法为： \n[0047] 首先因为数字信号d是一组经过转换后的数字信号数据，里面包含多个气体传感器信息，为了方便理解所以首先分析数字信号d中的第j路传感器数据dj为例，以此推出全部的数字信号d的传感器数据。 \n[0048] 对于dj根据虚拟电阻法的原理，我们能够推出： \n[0049] s1j＝aj*s2j+cj； \n[0050] s1j是第j路数据所对应的该型标准传感器的灵敏度；s2j是需要矫正的该型传感器的灵敏度；ai、cj是第j路数据所对应的传感器与其标准传感器通过试验确定的校正关系的参数值。设 \n[0051] voutj＝dj*D \n[0052] Voutj是此时传感器的实际的输出电压，dj是该路信号的数字信号值，D是传感器阵列信号预处理器中AD模数转换的分辨率，例如：设AD转换器的参考电压为5V，而该AD是\n12\n12位，则该AD的分辨率，即步长为5/2 ＝0.00122V/bit， \n[0053] \n[0054] Rs2j为此时第j个传感器的敏感电阻Rs的电阻值，Vc为传感器电源电压，RLj为该传感器实际的负载电阻RL的电阻值；令 \n[0055] \n[0056] Ro2j是该传感器在标准无污染环境下的传感器敏感电阻值，在虚拟电路重构中的负载电阻Rlj＝Ro2j，这是为了让虚拟重构后的电路在标准环境下的输出为Vc/2，因为此时传感器分辨率最好，同时也实现了被校正的传感器在标准环境中都具有输出的一致性。 [0057] 将上式带入： \n[0058] \n[0059] VOUTj′是虚拟电路重构后没有进行灵敏度补偿时的输出电压值，进行灵敏度补偿后的结果VOUTj″如下： \n[0060] \n[0061] 所以，根据算法推理的式子如下，该式适用于一路数字的校正。 [0062] \n[0063] 其中，ej即为该路信号dj修正之后的数字信号，D是A D模数转换器的分辨率，RLj是该传感器对应的实际电路中的负载电阻值；Rlj为传感器虚拟电路重构中的负载电阻值，其等于在标准无污染环境下的传感器的敏感电阻值。 \n[0064] 所以，由此可以推出整个气体传感器组数字信号向量d与e的转换为： [0065] \n[0066] 该式适用于整个气体传感器组的校正。 \n[0067] 其中，A，d，RZ，Rl，C，e均为多维向量且维数相等，A，C是气体传感器阵列通过试验确定的与标准传感器阵列敏感度之间的校正参数向量；RZ是气体传感器组的各个传感器负载电阻的阻值RLj所组成的向量，Rl是气体传感器组在虚拟电路重构中各个传感器的负载电阻值Rlj所组成的向量，d是经过步骤一组需要校正的数字信号，e是经过虚拟电阻法修正过的一组数字信号，他们的维数等于气体传感器输出信号的维数Q。要计算任一路数字信号，只需将上述向量中的对应分量代入上面的公式即可。 \n[0068] 所述Q个气体传感器的电路结构一致，每个气体传感器一个独立型号； [0069] 设置有加热电阻RH和传感器敏感电阻Rs，加热电阻VH的两端连接有加热电压VH，传感器敏感电阻Rs的一端连接在直流电压Vc的正电源端，传感器敏感电阻Rs的一端串连负载电阻RL后，连接在直流电压Vc的负电源端，该负载电阻RL的两端连接所述传感器信号调理电路。 \n[0070] 所述步骤六中的，每个气体传感器对不同气体的响应灵敏度不同，经归一化处理后，中央处理器根据所有气体传感器的响应灵敏度，通过算法处理判断出气体的种类和浓度； \n[0071] 神经网络算法的输入神经单元数是传感器的信号个数(信号的维数n)，输出神经单元数即是我们需要检测的气体种类(m)，此处能够看出，输出神经元的每个输出单元代表需要检测的一种气体，例如第一个代表甲醛。第二个代表CO…。而输出神经元输出的数据就是其对应该类气体的浓度值。 \n[0072] 实验中对有毒有害混合或单个气体测量p次，设神经网络训练输入矩阵P的结构如下： \n[0073] \n[0074] 其中，n表示传感器的个数 \n[0075] 训练目标矩阵T的结构为\n[0076] 目标矩阵T的元素表示气体的浓度值，每一行分别对应某种气体在被测气体中所占浓度，比如，第一行表示气体1在每次测量中的浓度值。根据训练输入矩阵P和训练目标矩阵T，可以通过神经网络进行训练，根据神经网络训练算法，从而获得输入层到隐含层的权值矩阵W1，阈值B1，以及隐含层到输出层的权值矩阵W2，阈值B2。设隐含层的传递函数为\n1 2\nf，输出层的传递函数为f，由网络结构可计算网络隐含层的输出为 \n[0077] Y1＝f1(W1*P+B1) \n[0078] 那么网络输出层的输出为 \n[0079] Y2＝f2(W2*Y1+B2) \n[0080] 输出值Y2即为预测的气体浓度值，其每一行分别表示某种气体在每次测量下的浓度值。在实际应用中，根据传感器的响应值，通过神经网络的权值和阈值，便可以计算出输出的浓度值，并可以确定气体的种类，一路输出表示一种气体。到此为止，我们已经完成了气体定性和定量识别的过程。 \n[0081] 本发明的显著效果是： \n[0082] 能够甄别出传感器在不同环境以及被测气体浓度的情况下具有不同的响应值，较好地解决了金属氧化物传感器的离散性问题，使系统的输出精度大大提高，解决了多种气体的相互干扰问题，可以计算出不同气体输出的浓度值，并可以确定各种气体的种类，一路输出表示一种气体，能同时完成对气体定性和定量识别。 \n附图说明\n[0083] 图1是本发明的系统结构方框图； \n[0084] 图2是气体传感器的电路结构图； \n[0085] 图3是神经网络定性定量识别结构框图； \n[0086] 图4是神经网络具体多种气体定性定量识别结构框图； \n[0087] 图5是神经网络训练输入矩阵P的结构视图； \n[0088] 图6是训练目标矩阵T的结构视图。 \n具体实施方式\n[0089] 下面结合附图和具体实施例对本发明做进一步详细说明： \n[0090] 实施例1，如图1所示：本发明所述的一种基于电子鼻技术的空气质量监测系统，设置有传感器信号调理电路1，该传感器信号调理电路1的质量检测输入端组连接有气体传感器组，该传感器信号调理电路1的输出端连接有传感器阵列信号预处理器2，该传感器阵列信号预处理器2的输出端连接有中央处理器3，该中央处理器3的显示端连接有显示器\n4； \n[0091] 本发明的理论基础是模式识别，而模式识别需要对数据进行一定的预处理，才能得到最佳的识别效果。假设电子鼻系统的传感器阵列具有n个传感器，对被测挥发性有机物测量p次，就会得到一个p×n维的样本集数据矩阵X，所有的模式分类和定性识别过程都是基于这个样本数据集矩阵，所以数据集X的质量直接影响到识别的结果。所述传感器阵列包含温湿度模块以及气体传感器组：利用温湿度模块获得环境温湿度数字信号g，直接送入中央处理器中的变换器32；利用气体传感器的敏感电阻值的变化，获取一组气体信息a，发送给传感器信号调理电路1； \n[0092] 传感器信号调理电路1：用于将气体信息a转变为一组变化的电压信号b； [0093] 传感器阵列信号预处理器2：用于将所述变化的电压信号b通过AD转换为一组数字信号b’，并对这组数字信号b’进行特征提取，获得Q个传感器的一组特征提取的数字信号d； \n[0094] 特征提取的方式较多，可以提取每个传感器输出曲线中的电压最大值，最小值，或斜率变化最大值、最小值等。 \n[0095] 所述中央处理器3中设置有变换器32、神经网络33和一组修正器31； [0096] 所述每个修正器31分别使用虚拟电阻法对数字信号d中每一路数字信号进行灵敏度补偿，得到补偿后所述气体传感器组的输出电压值所对应的一组数字信号修正值e； [0097] 所述变换器32对所述数字信号修正值e以及温湿度数字信号g进行归一化处理，得到一组规范化信号f； \n[0098] 由于传感器阵列中各个传感器的输出差别比较大，有时候可能不在一个数量级上，各自的方差同样差别很大。根据模式识别理论，只有各个独立变量间的协方差很高，才能取得很好的分类效果。而要得到得到大的协方差系数，样本数据就需要经过一些预处理。\n预处理的目的是为了平衡各个变量对样本总体的方差的贡献，从而使得样本能更显著地分开。电子鼻系统数据预处理的方法一般包括基线修正、数据的变换以及特征值的提取，目的都是为了更好地进行模式识别。 \n[0099] 传感器归一化不失为一种很有效的数据变换方法，传感器归一化可以使单个传感器的输出位于[0，1]之间，使得响应向量处于同一数量级，这样不仅可以减少化学计量识别中的计算误差，而且能为神经网络识别器中的输入空间准备合适的数据，这种方法特别适合于电子鼻系统的定量识别。 \n[0100] 本发明采用的传感器归一化方法为线性函数转换法： \n[0101] y＝(x-Min)/(Max-Min) \n[0102] 式中x、y分别为归一化前后的值。 \n[0103] 在传统的归一化方法中，需要寻找样本数据中的最大值Max和最小值Min，而本发明中将式中样本的最大值Max确定为电子鼻系统输出的满量程值x满，样本最小值Min确定为0。归一化公式写成： \n[0104] y＝x/x满\n[0105] 运用上式进行数据归一化处理，大大简化了计算过程。 \n[0106] 所述神经网络33的输入神经单元数即是所述规范化信号f的维数，神经网络33通过定性、定量地识别出污染气体的种类和浓度，并发送给所述显示器4显示。 [0107] 所述中央处理器3的报警端连接有声光报警器5。 \n[0108] 所述中央处理器3的还连接有无线发射模块6，该无线发射模块6与空气净化器7上的无线接收模块无线连接。 \n[0109] 如图2所示：所述气体传感器组中所有气体传感器的电路结构一致，各气体传感器的型号互不相同； \n[0110] 设置有加热电阻RH和传感器敏感电阻Rs，加热电阻RH的两端连接有加热电压VH，传感器敏感电阻Rs的一端连接在直流电压Vc的正电源端，传感器敏感电阻Rs的一端串连负载电阻RL后，连接在直流电压Vc的负电源端，该负载电阻RL的两端连接所述传感器信号调理电路1。 \n[0111] 所述气体传感器组的数量，一组气体信息a中气体信息a的数量，一组变化的电压信号b中变化的电压信号b的数量，一组数字信号b’中数字信号b’的数量，一组特征提取的数字信号d中特征提取的数字信号d的数量，一组数字信号修正值e中数字信号修正值e的数量都是相等的。 \n[0112] 如图3、4所示：在使用神经网络算法对气体进行定量识别过程中，算法收敛速度比较慢。在数据量大的情况下，算法的训练时间更加长，这对于工作效率的提高是非常不利的，经过研究，提出将定量识别神经网络的目标输出进行加权处理的方法，即在每种气体对应的网络目标输出上乘以相应的系数，使得不同气体输出的数据处于同一数量级，大大提高了神经网络的收敛速度。 \n[0113] 假设空气质量检测器对m种有毒有害混合或者单个气体进行检测，每种气体测量p次，则用于定量识别的神经网络目标输出为： \n[0114] \n[0115] Tm×p中每一行对应一种气体的输出浓度值，由于国家空气质量标准标准对不同气体的规定不同，有的甚至不在同一数量级，导致检测过程中不同气体的输出浓度不在同一个数量级上，在矩阵Tm×p中表现为不同的行的数据数量级不一样，本发明采用的规范化方法对神经网络目标输出Tm×p进行加权，设m种气体的加权系数分别为α1，α2，...，αm： [0116] \n[0117] 取值α1、α2…αm使得变换后的矩阵T′m×p中数据处于同一数量级。实验证明，将加权后的矩阵T′m×p作为神经网络目标输出时，网络训练时间大大减少。 [0118] 实施例2，一种空气质量监测系统的监测方法，其关键在于包括如下步骤： [0119] 步骤一：利用一组，即利用温湿度模块获得环境温湿度数字信号g，送入中央处理器中的变换器32以及Q个气体传感器的敏感电阻值变化，获取Q个变化的气体信息a，发送给传感器信号调理电路1； \n[0120] 步骤二：传感器信号调理电路1用于将气体信息a转变为Q个变化的电压信号b； [0121] 步骤三：传感器阵列信号预处理器2将Q个变化的电压信号b转变成Q个数字信号b’，并对Q个数字信号b’进行特征提取，获得Q个特征提取值d； \n[0122] 步骤四：Q个修正器31分别使用虚拟电阻法对一个数字信号d进行灵敏度补偿，得到补偿后所述气体传感器组的输出电压值所对应的Q个数字信号修正值e； [0123] 步骤五：变换器32对所述数字信号修正值e以及温湿度数字信号g，进行归一化处理，得到n个规范化信号f，其中n等于e与g的维数之和； \n[0124] 步骤六：神经网络33通过对n个规范化信号f进行计算，定性、定量地识别出污染气体的种类和浓度，并发送给所述显示器4显示。 \n[0125] 其中步骤四中的虚拟电阻法为： \n[0126] 首先因为数字信号d是一组经过转换后的数字信号数据，里面包含多个气体传感器信息，为了方便理解所以首先分析数字信号d中的第j路传感器数据dj为例，以此推出全部的数字信号d的传感器数据。 \n[0127] 对于dj根据虚拟电阻法的原理，我们能够推出： \n[0128] s1j＝aj*s2j+cj； \n[0129] s1j是第j路数据所对应的该型标准传感器的灵敏度；s2j是需要矫正的该型传感器的灵敏度；aj、cj是第j路数据所对应的传感器与其标准传感器通过试验确定的校正关系的参数值。设 \n[0130] VOUTj＝dj*D \n[0131] VOUTj是此时传感器的实际的输出电压，dj是该路信号的数字信号值，D是传感器阵列信号预处理器2中AD模数转换的分辨率，例如：设AD转换器的参考电压为5V，而该AD是\n12\n12位，则该AD的分辨率(即步长)为5/2 ＝0.00122V/bit，； \n[0132] \n[0133] 如图2所示：Rs2j为此时第j个传感器的敏感电阻Rs的电阻值，Vc为传感器电源电压，RLj为该传感器实际的负载电阻RL的电阻值；令 \n[0134] \n[0135] Ro2j是该传感器在标准无污染环境下的传感器敏感电阻值，在虚拟电路重构中的负载电阻Rlj＝Ro2j。此处为了让虚拟重构后的电路在标准环境下的输出为Vc/2，因为此时传感器分辨率最好，同时也实现了被校正的传感器在标准环境中都具有输出的一致性。 [0136] 将上式带入： \n[0137] \n[0138] VOUTj′是虚拟电路重构后没有进行灵敏度补偿时的输出电压值，进行灵敏度补偿后的结果VOUTj″如下： \n[0139] \n[0140] 所以，根据算法推理的式子如下，该式适用于一路数字的校正。 [0141] \n[0142] 其中，ej即为该路信号dj修正之后的数字信号，D是A D模数转换器的分辨率，RLj是该传感器对应的实际电路中的负载电阻值；Rlj为传感器虚拟电路重构中的负载电阻值，其等于在标准无污染环境下的传感器的敏感电阻值。 \n[0143] 所以，由此可以推出整个气体传感器组数字信号向量d与e的转换为： [0144] \n[0145] 该式适用于整个气体传感器组的校正。 \n[0146] 其中，A，d，Rz，Rl，C，e均为多维向量且维数相等，A，C是气体传感器阵列通过试验确定的与标准传感器阵列敏感度之间的校正参数向量；RZ是气体传感器组的各个传感器负载电阻的阻值RLj所组成的向量，Rl是气体传感器组在虚拟电路重构中各个传感器的负载电阻值Rlj所组成的向量，d是经过步骤一组需要校正的数字信号，e是经过虚拟电阻法修正过的一组数字信号，他们的维数等于气体传感器输出信号的维数Q。 [0147] 如图2所示： \n[0148] 所述Q个气体传感器的电路结构一致，每个气体传感器一个独立型号； [0149] 设置有加热电阻RH和传感器敏感电阻Rs，加热电阻RH的两端连接有加热电压VH，传感器敏感电阻Rs的一端连接在直流电压Vc的正电源端，传感器敏感电阻Rs的一端串连负载电阻RL后，连接在直流电压Vc的负电源端，该负载电阻RL的两端连接所述传感器信号调理电路1。 \n[0150] 所述步骤六中的，每个气体传感器对不同气体的响应灵敏度不同，经归一化处理后，中央处理器3根据所有气体传感器的响应灵敏度，通过算法处理判断出气体的种类和浓度； \n[0151] 如图3所示： \n[0152] 1、气体定量定性识别模型： \n[0153] 由图3可以看出，人工神经网络算法的输入神经单元数是传感器的信号个数，即信号的维数，输出神经单元数即是我们需要检测的气体种类m，此处能够看出，输出神经元的每个输出单元代表需要检测的一种气体，例如第一个代表甲醛。第二个代表CO…。而输出神经元输出的数据就是其对应该类气体的浓度值。 \n[0154] 2、该算法的训练以及预测计算过程： \n[0155] 设神经网络训练输入矩阵P的结构如图5所示，训练目标矩阵T的结构如如图6所示。 \n[0156] 根据训练输入矩阵P和训练目标矩阵T，可以通过神经网络进行训练，根据神经网络训练算法，从而获得输入层到隐含层的权值矩阵W1，阈值B1，以及隐含层到输出层的权值\n1 2\n矩阵W2，阈值B2。设隐含层的传递函数为f，输出层的传递函数为f，由网络结构可计算网络隐含层的输出为 \n[0157] Y1＝f1(W1*P+B1) \n[0158] 那么网络输出层的输出为 \n[0159] Y2＝f2(W2*Y1+B2) \n[0160] 图4的结构为目前我们使用的例子：输出值Y2即为预测的气体浓度值，其每一行分别表示气体1，气体2，…，气体m的浓度值。在实际应用中，根据传感器的响应值，通过神经网络的权值和阈值，便可以计算出输出的浓度值，并可以确定气体的种类，一路输出表示一种气体。到此为止，我们已经完成了气体定性和定量识别的过程。