集成电子鼻系统及气体人工神经网络识别研究

摘要

作为一种仿生学人工嗅觉器件，电子鼻是气体、气味识别的重要手段之一。现代工业的飞速发展和科技水平的日益进步给人类文明带来了空前的繁荣，但随之产生的一些易燃易爆、有毒有害气体也对我们的生态环境和安全健康构成了一定的影响。因此，具有高精度和高集成化程度的电子鼻研究对环境气体监测是重要的和感兴趣的。在课题组工作基础上，本文使用人工神经网络模式识别方法，配合溶胶-凝胶法和喷墨打印成膜技术制备的金属氧化物气敏薄膜传感器阵列，构建完善的集成电子鼻硬件和软件系统，并对多种危险气体进行了安全阈值内的定性定量识别研究。 利用金属盐溶于乙醇形成溶胶，添加各种掺杂物，使用喷墨打印技术将其喷镀在同一基片的不同位置，经过水解和热处理过程，最终制成由不同掺杂的SnO2、ZnO、Fe2O3、WO3四种金属氧化物组成的5×5纳米复合型气敏薄膜传感器阵列，扩展了电子鼻的多气体选择性。 通过集成气体收集、加热和温控装置，以及数据采集、继电器控制、端口通讯等模块和相关电路的设计，成功构建电子鼻硬件系统；利用串行接口与普通计算机连接，并分别基于MATLABDAQ工具箱和VC++环境编写了相应的代码，实时采集各气敏传感器的电阻值。 基于MATLAB平台的神经网络工具箱，分别构建BackPropagation(BP)神经网络和RadialBasisFunction(RBF)神经网络，对由6个不同掺杂的SnO2基气敏传感器组成的阵列，在5种危险气体各20个浓度点的灵敏度响应数据进行定性定量识别研究，结果表明BP神经网络气体定性识别能力较强，而RBF神经网络在气体定量识别方面更具优势，利用MATLAB的GUI编程进行二者的有机融合，实现了对气体的高精度识别。 在VC++环境下构建电子鼻软件识别控制系统；利用MATLABEngine引擎函数库，编写跨平台的应用程序接口，实现了VC++与MATLAB神经网络工具的无缝连接和数据通讯；基于5×5气敏传感器阵列，对CO、CH4、H2S、NO、H2、NO2、C2H2等7种常见的危险气体及CH4和H2的混合气体各20个浓度点的灵敏度数据进行了检测和实时的定性定量识别研究，得到了精度很高的识别结果。

目录

文摘

英文文摘

独创性声明及学位论文版权使用授权书

第一章绪论

1.1电子鼻研究的背景

1.2电子鼻概述

1.2.1气敏传感器阵列

1.2.2模式识别系统

1.3电子鼻的研究进展与发展趋势

1.3.1气敏传感器的研究现状

1.3.2模式识别技术的相关进展

1.3.3电子鼻的发展趋势

1.4本文的主要研究内容、目的和意义

1.4.1本文的研究内容

1.4.2本文的研究目的和意义

第二章气敏传感器阵列

2.1引言

2.2金属氧化物半导体气敏薄膜工作原理

2.2.1表面控制型气敏传感器工作原理

2.2.2体控制型气敏传感器工作原理

2.3溶胶-凝胶(Sol-Gel)法制备金属氧化物气敏薄膜

2.3.1金属氧化物纳米薄膜制备方法

2.3.2溶胶-凝胶(Sol-Gel)法

2.4喷墨打印成膜方法

2.5气敏传感器阵列组成

2.5.1独立的气敏传感器

2.5.2集成5×5气敏传感器阵列

2.6本章小结

第三章电子鼻硬件系统构建

3.1电子鼻生物理论基础

3.2电子鼻系统

3.2.1气体收集响应系统

3.2.2数据采集及信号传递系统

3.2.3模式识别系统

3.3本章小结

第四章电子鼻人工神经网络识别研究

4.1人工神经网络方法概述

4.1.1人工神经网络方法的发展历史

4.1.2人工神经网络基本原理

4.1.3人工神经网络的基本模型

4.2多层前向神经网络

4.2.1 BP神经网络基本原理

4.2.2 RBF神经网络基本原理

4.3电子鼻识别可行性研究

4.3.1实验平台及软件环境

4.3.2实验数据采集

4.3.3数据分析及识别

4.3.4结果与讨论

4.4多网络融合的MATLAB实现

4.5本章小结

第五章集成电子鼻软件识别系统设计

5.1引言

5.2 VC++调用MATLAB的途径

5.2.1 MEX文件

5.2.2 MATLAB Engine

5.2.3 MATLAB Runtime Engine

5.2.4 MCC命令

5.2.5 MATLAB Add-in

5.2.6 Matcom方法

5.3集成电子鼻软件系统设计

5.3.1软硬件环境

5.3.2数据采集系统

5.3.3 MATLAB神经网络VC++程序接口

5.3.4人机界面

5.4网络训练与识别分析

5.4.1神经网络构建与训练

5.4.2气体实时识别分析

5.5本章小结

第六章结论

附录

附录A.MATLAB DAQ Toolbox数据采集程序

附录B.SnO2基气敏传感器阵列灵敏度响应数据

附录C.BP神经网络定性定量识别(MATLAB环境)

附录D.RBF神经网络定性定量识别(MATLAB环境)

附录E. BP神经网络C++代码

附录F. DAQ模块的VC++的数据采集程序

附录G.基于VC++的MATLAB神经网络识别程序接口

参考文献

致谢