CN105223269B - 用于乐甫波液体多参数传感的人工神经网络结构和方法 - Google Patents
用于乐甫波液体多参数传感的人工神经网络结构和方法 Download PDFInfo
- Publication number
- CN105223269B CN105223269B CN201510664995.6A CN201510664995A CN105223269B CN 105223269 B CN105223269 B CN 105223269B CN 201510664995 A CN201510664995 A CN 201510664995A CN 105223269 B CN105223269 B CN 105223269B
- Authority
- CN
- China
- Prior art keywords
- parameter
- liquid
- love wave
- layer
- propagation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000007788 liquid Substances 0.000 title claims abstract description 111
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000012530 fluid Substances 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000001465 metallisation Methods 0.000 claims description 22
- 238000002474 experimental method Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000004088 simulation Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 abstract description 5
- 230000007935 neutral effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 230000000644 propagated effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006880 cross-coupling reaction Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010897 surface acoustic wave method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 239000012263 liquid product Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种用于乐甫波液体多参数传感的人工神经网络结构和方法。所述人工神经网络结构采用两级结构,第一级结构包括第一输入层、第一隐含层和第一输出层,第二级结构包括第二输入层、第二隐含层和第二输出层;第一输入层、第一隐含层和第一输出层依次连接,第一输出层接入第二输入层,第二输入层、第二隐含层和第二输出层依次连接。本发明通过乐甫波负载液体时数值仿真得出的输入输出层量化关系作为正向样本,用于正向传播学习训练;通过已知液体特征参数的液体实验测试结果作为反向样本,用于反向传播学习调整。经过大量反复的神经网络正向训练和反向调整,获得乐甫波传播参数与液体特征参数的定量关系,实现液体多参数传感功能。
Description
技术领域
本发明涉及一种用于乐甫波液体多参数传感的人工神经网络结构和方法,属于传感器数据融合领域。
背景技术
液体传感器主要用于对液体本身特征参数的检测,通常包括密度、粘度两种机械参数和介电常数、电导率两种电学参数的测量(在某些特殊的情况下,还需要测量液体的体积弹性模量)。液体检测不仅关注液体某单个特定的特征参数,还希望能够并行检测液体的多个特征参数。
声波传感器是一种新型谐振式传感器。声波传感器以压电材料作为敏感器件,利用压电效应,通过叉指换能器在压电基片上激发出弹性波,主要根据声波的传播速度和传播衰减随被测对象变化来实现检测功能。通常来说,声波传感器可分为声表面波传感器、声板波传感器、乐甫波传感器三种类型。声表面波器件的基本结构是半无限压电基片和在基片上沉积的输入、输出叉指换能器;声板波是在厚度有限的薄板上传播的声波;乐甫波器件在声表面波器件的结构上增加了一层波导层,且只在水平剪切方向上存在着质点振动,叉指换能器则沉积在基底与波导层之间。其中,乐甫波传感器最适于液相检测。并且,由于乐甫波器件只存在水平剪切方向的振动位移,与沿传播方向存在振动位移的声表面波和声板波器件相比,液体的体积弹性模量不影响乐甫波的传播特性,在测量液体密度、粘度、介电常数、电导率时,消除了液体体积弹性模量对测量结果的耦合影响。
对于界面电学形式为金属化的乐甫波,液体介电常数、电导率不影响乐甫波的传播速度和传播衰减;对于界面电学形式为自由化的乐甫波,液体密度、粘度、介电常数、电导率同时影响乐甫波的传播速度和传播衰减。因此,可通过不同界面电学形式的乐甫波来分离检测液体的机械参数和电学参数。虽然在一定程度上,可以近似简化的认为乐甫波传播速度主要受液体密度、介电常数影响,乐甫波传播衰减主要受液体粘度、电导率影响。但是实际上,液体的密度、粘度两个机械参数对金属化电学形式乐甫波传播速度、传播衰减的影响,介电常数、电导率两个电学参数对自由化电学形式乐甫波传播速度、传播衰减的影响都是交叉耦合在一起的,即乐甫波传播速度与液体特征参数之间具有复杂的非线性关系。因此,如何获得乐甫波传播参数与液体特征参数之间较为精确的定量关系,是乐甫波用于液体多参数传感时需要解决的一个关键问题。
发明内容
本发明所解决的技术问题是提供一种用于乐甫波液体多参数传感的人工神经网络结构和方法,获得乐甫波传播参数与液体特征参数之间较为精确的定量关系,从而真正实现乐甫波液体多参数传感功能的传感器数据融合。
本发明为解决上述技术问题采用以下技术方案:
一种用于乐甫波液体多参数传感的人工神经网络结构,所述人工神经网络结构采用两级结构,第一级结构包括第一输入层、第一隐含层和第一输出层,第二级结构包括第二输入层、第二隐含层和第二输出层;第一输入层、第一隐含层和第一输出层依次连接,第一输出层接入第二输入层,第二输入层、第二隐含层和第二输出层依次连接;所述人工神经网络结构的输入参数为环境温度和乐甫波传播参数,输出参数为液体特征参数。
进一步的,本发明的用于乐甫波液体多参数传感的人工神经网络结构,所述乐甫波传播参数包括金属化电学形式的乐甫波传播速度和传播衰减、自由化电学形式的乐甫波传播速度和传播衰减,所述液体特征参数包括液体密度、液体粘度、液体介电常数和液体电导率
进一步的,本发明的用于乐甫波液体多参数传感的人工神经网络结构,所述第一输入层的输入参数包括环境温度、金属化电学形式的乐甫波传播速度和传播衰减;第一隐含层包含若干中间神经元;第一输出层的输出参数包括液体密度、液体粘度。
进一步的,本发明的用于乐甫波液体多参数传感的人工神经网络结构,所述第二输入层的输入参数包括环境温度、第一输出层的输出参数、自由化电学形式的乐甫波传播速度和传播衰减;第二隐含层包含若干中间神经元;第二输出层的输出参数包括液体介电常数、液体电导率。
进一步的,本发明的用于乐甫波液体多参数传感的人工神经网络结构,所述第一隐含层和第二隐含层的层数是可变的,中间神经元的个数是可变的。
进一步的,本发明还提供一种人工神经网络结构获取乐甫波液体传感参数的方法,具体包括以下步骤:
步骤A、给定环境温度、液体密度和液体粘度,通过乐甫波器件负载液体的理论分析模型仿真获得金属化电学形式的乐甫波传播速度和传播衰减;
步骤B、在步骤A给定的环境温度、液体密度和液体粘度的基础上,给定液体介电常数和液体电导率,通过乐甫波器件负载液体的理论分析模型仿真获得自由化电学形式的乐甫波传播速度和传播衰减;
步骤C、改变环境温度和液体特征参数,重复步骤A和步骤B若干次,得到环境温度、液体特征参数与乐甫波传播参数之间的理论量化样本,将此理论量化样本作为人工神经网络的正向传播学习训练过程,以此建立人工神经网络模型,并在训练过程中不断改进隐含层的层数和中间神经元的个数,使模型的均方误差达到预设值;
步骤D、已知环境温度,针对已知特征参数的液体试样,通过乐甫波传感器实验平台测试获得乐甫波传播参数;
步骤E、利用已经建立的人工神经网络模型,已知环境温度和步骤D中测得的金属化电学形式的乐甫波传播速度和传播衰减,得到理论上的液体密度和液体粘度,在此基础上,再给定步骤D中测得的自由化电学形式的乐甫波传播速度和传播衰减,得到理论上的液体介电常数和液体电导率;
将理论上的液体特征参数与步骤D中已知的实际液体特征参数进行比较,得到人工神经网络模型的精度;
步骤F、改变环境温度和采用不同特征参数的液体试样,重复步骤D和步骤E若干次,得到环境温度、液体特征参数与乐甫波传播参数之间的实验量化样本,将此实验量化样本作为人工神经网络的反向传播学习调整过程,以此调整人工神经网络模型,并在调整过程中不断改进隐含层的层数和中间神经元的个数,使人工神经网络模型的精度达到预设值;
步骤G、已知环境温度,针对未知特征参数的液体,利用乐甫波传感器实验平台测得乐甫波传播参数,再通过步骤F中的人工神经网络模型得到该液体的特征参数。
进一步的,本发明的人工神经网络结构获取乐甫波液体传感参数的方法,所述乐甫波传播参数包括金属化电学形式的乐甫波传播速度和传播衰减、自由化电学形式的乐甫波传播速度和传播衰减,所述液体特征参数包括液体密度、液体粘度、液体介电常数和液体电导率。
本发明具有如下有益效果:
1、本发明可以获得乐甫波传播参数与液体特征参数之间较为精确的定量关系;
2、本发明利用人工神经网络的非线性映射特点和泛化特性,实现乐甫波的液体多参数传感;
3、本发明采用正向传播学习训练和反向传播学习调整的双向改进方法,使得所建立的人工神经网络结构的均方误差小、精度高。
附图说明
图1是本发明的用于乐甫波液体多参数传感的人工神经网络结构示意图。
上述图中的标号名称:1、环境温度,2、液体密度,3、液体粘度,4、液体介电常数,5、液体电导率,6、金属化电学形式乐甫波传播速度,7、金属化电学形式乐甫波传播衰减,8、自由化电学形式乐甫波传播速度,9、自由化电学形式乐甫波传播衰减。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明,本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
如图1所示,一种用于乐甫波液体多参数传感的人工神经网络结构,采用两级结构,第一级结构包括第一输入层、第一隐含层、第一输出层;第二级结构包括第二输入层、第二隐含层、第二输出层;环境温度作为公用的输入层参数,并且第一输出层接入第二输入层。从整体结构来看,该人工神经网络的输入参数为环境温度1、金属化电学形式的乐甫波传播速度6和传播衰减7、自由化电学形式的乐甫波传播速度8和传播衰减9,输出参数为液体密度2、液体粘度3、液体介电常数4、液体电导率5。其中,第一输入层为环境温度1、金属化电学形式的乐甫波传播速度6和传播衰减7;第一输出层为液体密度2、液体粘度3;第二输入层除环境温度1、第一输出层的液体密度2、液体粘度3之外,还包括自由化电学形式的乐甫波传播速度8和传播衰减9;第二输出层为液体介电常数4、液体电导率5。上述两层结构人工神经网络的隐含含层层数和神经元个数不唯一,可通过接下来人工神经网络正向传播学习训练的结果和反向传播学习调整的结果来不断改进,以达到最优。
乐甫波是一种导波,与体波相比,边界条件的变化会导致其传播速度和传播衰减的变化,这也正是乐甫波器件负载液体时可用于液体特征参数传感的原因。乐甫波器件负载液体时,波导层与液体层接触的电学边界具有两种结构,绝缘的面电荷密度为零的自由化结构和接地的电势为零的金属化结构,在相应两种结构中传播的乐甫波分别为自由化电学形式的乐甫波和金属化电学形式的乐甫波。两种乐甫波具有各不相同的传播速度和传播衰减,对液体特征参数的敏感特性也各不相同。
对于两种电学形式的乐甫波,基于层状介质的声波传播理论来建立负载液体的乐甫波理论模型,并编写代码进行仿真计算和分析。理论模型和仿真分析表明:
1、对于界面电学形式为金属化的乐甫波,液体介电常数和液体电导率不影响乐甫波的传播速度和传播衰减。在给定环境温度、液体密度和液体粘度时,可通过数值仿真获得金属化电学形式的乐甫波传播速度和传播衰减。
2、对于界面电学形式为自由化的乐甫波,液体密度、液体粘度、液体介电常数和液体电导率同时影响乐甫波的传播速度和传播衰减。在给定环境温度、液体密度、液体粘度、液体介电常数和液体电导率时,可通过数值仿真获得自由化电学形式的乐甫波传播速度和传播衰减。
3、虽然在一定程度上,可以近似简化的认为乐甫波传播速度主要受液体密度和液体介电常数的影响,乐甫波传播衰减主要受液体粘度和液体电导率影响。但是理论分析和实际仿真表明,液体的密度、粘度两个机械参数对金属化电学形式乐甫波的传播速度和传播衰减的影响,液体的介电常数、电导率两个电学参数对自由化电学形式的乐甫波传播速度和传播衰减的影响都是交叉耦合在一起的,即乐甫波传播参数与液体特征参数之间具有复杂的非线性关系。
搭建乐甫波传感器实验平台,该平台主要包括信号源模块、乐甫波传感器模块、信号转换模块、信号采集模块、微控制器模块和显示模块,该平台已在申请号为201110247482.7的专利中披露,属于现有技术。基于该实验平台,针对任何已知特征参数或未知特征参数的液体试样,都可通过实际测试获得金属化电学形式的乐甫波传播速度和传播衰减、自由化电学形式的乐甫波传播速度和传播衰减。
采用本发明两级结构的人工神经网络获得乐甫波传播参数与液体特征参数之间较为精确的定量关系,真正实现乐甫波的液体多参数传感功能,方法包括如下步骤:
1)根据乐甫波器件负载液体的理论分析模型,在给定环境温度、液体密度、粘度时,通过数值仿真获得金属化电学形式乐甫波传播速度、传播衰减,在此基础上,继续给定液体介电常数、电导率时,通过数值仿真获得自由化电学形式乐甫波传播速度、传播衰减,从而建立所述两层结构人工神经网络输入层与输出层之间的理论量化关系;
2)在环境温度、液体密度、粘度、介电常数、电导率变化时,通过数值仿真得出的大量输入层与输出层之间的理论量化关系作为正向样本,用于所述两级结构人工神经网络的信号正向传播学习训练过程;
3)根据人工神经网络正向传播学习训练的结果,不断改进人工神经网络模型的隐含层层数和神经元个数,以及调节学习速率、激活函数和动量因子,使该模型的均方误差达到预设值;
4)基于已搭建的乐甫波传感器实验平台,在环境温度已知时,针对已知液体密度、粘度、介电常数、电导率的液体试样,通过实际测试获得金属化电学形式乐甫波传播速度、传播衰减、自由化电学形式乐甫波传播速度、传播衰减,从而建立所述两层结构人工神经网络输入层与输出层之间的实验量化关系;
5)基于已搭建的乐甫波传感器实验平台,采用如步骤4)所述的方法,即在环境温度已知时,针对已知特征参数的液体试样,实际测试出金属化电学形式的乐甫波传播速度和传播衰减、自由化电学形式的乐甫波传播速度和传播衰减,通过已构建的人工神经网络可推测出液体的四个特征参数,然后再与液体的已知实际特征参数比较,从而获得已构建人工神经网络的精度;
6)当构建的人工神经网络精度未达到预设值时,采用不同的环境温度和不同液体密度、粘度、介电常数、电导率的多种液体试样,通过实际测试得出的大量输入层与输出层之间的实验量化关系作为反向样本,用于所述两层结构人工神经网络的信号反向传播学习调整过程;
7)根据人工神经网络反向传播学习调整的结果,不断改进人工神经网络模型的隐含层层数和神经元个数,以及调节学习速率、激活函数和动量因子,使模型的精度达到预设值,即通过该两层结构的人工神经网络获得乐甫波传播参数与液体特征参数之间较为精确的定量关系;
8)基于步骤7)中模型精度已达到预设值的人工神经网络,在环境温度已知时,针对任何未知的液体试样,都可以通过实验平台实际测出的金属化电学形式的乐甫波传播速度和传播衰减、自由化电学形式的乐甫波传播速度和传播衰减来获得未知液体试样的密度、粘度、介电常数、电导率,真正实现乐甫波的液体多参数传感功能。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种用于乐甫波液体多参数传感的人工神经网络结构,其特征在于,所述人工神经网络结构采用两级结构,第一级结构包括第一输入层、第一隐含层和第一输出层,第二级结构包括第二输入层、第二隐含层和第二输出层;第一输入层、第一隐含层和第一输出层依次连接,第一输出层接入第二输入层,第二输入层、第二隐含层和第二输出层依次连接;所述人工神经网络结构的输入参数为环境温度和乐甫波传播参数,输出参数为液体特征参数;
所述第一输入层的输入参数包括环境温度、金属化电学形式的乐甫波传播速度和传播衰减;第一隐含层包含若干中间神经元;第一输出层的输出参数包括液体密度、液体粘度;
所述第二输入层的输入参数包括环境温度、第一输出层的输出参数、自由化电学形式的乐甫波传播速度和传播衰减;第二隐含层包含若干中间神经元;第二输出层的输出参数包括液体介电常数、液体电导率。
2.根据权利要求1所述的用于乐甫波液体多参数传感的人工神经网络结构,其特征在于,所述乐甫波传播参数包括金属化电学形式的乐甫波传播速度和传播衰减、自由化电学形式的乐甫波传播速度和传播衰减,所述液体特征参数包括液体密度、液体粘度、液体介电常数和液体电导率。
3.根据权利要求1所述的用于乐甫波液体多参数传感的人工神经网络结构,其特征在于,所述第一隐含层和第二隐含层的层数是可变的,中间神经元的个数是可变的。
4.基于权利要求1所述的人工神经网络结构获取乐甫波液体传感参数的方法,其特征在于,包括以下步骤:
步骤A、给定环境温度、液体密度和液体粘度,通过乐甫波器件负载液体的理论分析模型仿真获得金属化电学形式的乐甫波传播速度和传播衰减;
步骤B、在步骤A给定的环境温度、液体密度和液体粘度的基础上,给定液体介电常数和液体电导率,通过乐甫波器件负载液体的理论分析模型仿真获得自由化电学形式的乐甫波传播速度和传播衰减;
步骤C、改变环境温度和液体特征参数,重复步骤A和步骤B若干次,得到环境温度、液体特征参数与乐甫波传播参数之间的理论量化样本,将此理论量化样本作为人工神经网络的正向传播学习训练过程,以此建立人工神经网络模型,并在训练过程中不断改进隐含层的层数和中间神经元的个数,使模型的均方误差达到预设值;
步骤D、已知环境温度,针对已知特征参数的液体试样,通过乐甫波传感器实验平台测试获得乐甫波传播参数;
步骤E、利用已经建立的人工神经网络模型,已知环境温度和步骤D中测得的金属化电学形式的乐甫波传播速度和传播衰减,得到理论上的液体密度和液体粘度,在此基础上,再给定步骤D中测得的自由化电学形式的乐甫波传播速度和传播衰减,得到理论上的液体介电常数和液体电导率;
将理论上的液体特征参数与步骤D中已知的实际液体特征参数进行比较,得到人工神经网络模型的精度;
步骤F、改变环境温度和采用不同特征参数的液体试样,重复步骤D和步骤E若干次,得到环境温度、液体特征参数与乐甫波传播参数之间的实验量化样本,将此实验量化样本作为人工神经网络的反向传播学习调整过程,以此调整人工神经网络模型,并在调整过程中不断改进隐含层的层数和中间神经元的个数,使人工神经网络模型的精度达到预设值;
步骤G、已知环境温度,针对未知特征参数的液体,利用乐甫波传感器实验平台测得乐甫波传播参数,再通过步骤F中的人工神经网络模型得到该液体的特征参数。
5.根据权利要求4所述的人工神经网络结构获取乐甫波液体传感参数的方法,其特征在于,所述乐甫波传播参数包括金属化电学形式的乐甫波传播速度和传播衰减、自由化电学形式的乐甫波传播速度和传播衰减,所述液体特征参数包括液体密度、液体粘度、液体介电常数和液体电导率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510664995.6A CN105223269B (zh) | 2015-10-15 | 2015-10-15 | 用于乐甫波液体多参数传感的人工神经网络结构和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510664995.6A CN105223269B (zh) | 2015-10-15 | 2015-10-15 | 用于乐甫波液体多参数传感的人工神经网络结构和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105223269A CN105223269A (zh) | 2016-01-06 |
CN105223269B true CN105223269B (zh) | 2017-12-19 |
Family
ID=54992341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510664995.6A Active CN105223269B (zh) | 2015-10-15 | 2015-10-15 | 用于乐甫波液体多参数传感的人工神经网络结构和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105223269B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146596B (zh) * | 2018-11-28 | 2021-06-15 | 南京航空航天大学 | 一种用于洗涤剂残留量检测的乐甫波器件结构及检测方法 |
CN111457091B (zh) * | 2020-04-14 | 2022-03-01 | 诺兰特新材料(北京)有限公司 | 具有稳固结构的密封组件 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949892A (zh) * | 2010-08-20 | 2011-01-19 | 中国人民解放军第三军医大学第三附属医院 | 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 |
CN104768113A (zh) * | 2015-03-20 | 2015-07-08 | 南京航空航天大学 | 一种用于液体多参数传感的乐甫波器件结构及检测方法 |
CN104902416A (zh) * | 2015-04-28 | 2015-09-09 | 南京航空航天大学 | 一种多叉指并联型乐甫波器件结构及其批量液体检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10217045B2 (en) * | 2012-07-16 | 2019-02-26 | Cornell University | Computation devices and artificial neurons based on nanoelectromechanical systems |
-
2015
- 2015-10-15 CN CN201510664995.6A patent/CN105223269B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949892A (zh) * | 2010-08-20 | 2011-01-19 | 中国人民解放军第三军医大学第三附属医院 | 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 |
CN104768113A (zh) * | 2015-03-20 | 2015-07-08 | 南京航空航天大学 | 一种用于液体多参数传感的乐甫波器件结构及检测方法 |
CN104902416A (zh) * | 2015-04-28 | 2015-09-09 | 南京航空航天大学 | 一种多叉指并联型乐甫波器件结构及其批量液体检测方法 |
Non-Patent Citations (8)
Title |
---|
BP神经网络模型与学习算法;樊振宇;《软件导刊》;20110731;第10卷(第7期);第66-68页 * |
BP神经网络的改进及应用;王立柱 等;《沈阳师范大学学报(自然科学版)》;20070131;第25卷(第1期);第61-64页 * |
Properties of sensors based on shear-horizontal surface acoustic waves in LiTao/sub 3//SiO/sub 2/ and quartz/SiO/sub 2/ structures;F.Herrmann etc;《IEEE Transactions on Ultrasonics,Ferroelectrics,and Frequency Control》;20010131;第48卷(第1期);第268-273页 * |
The system Design of a Love Wave Sensor for Measuring Liquid Dielectric Constant;Qianliang Xia etc;《2011 IEEE International Ultrasonics Symposium Proceedings》;20120905;第2301-2304页 * |
Theory modeling of love wave device loaded with viscous liquid;Mengyang Wang etc;《Frequency Control Symposium,2012 IEEE International》;20120719;第1-5页 * |
基于声表面波传感器的液体运动粘度测量方法;翟奎修 等;《压电与声光》;20111031;第33卷(第5期);第691-694页 * |
声表面波气体传感器的研究进展;杨楷 等;《电子元件与材料》;20080930;第27卷(第9期);第26页正文右栏第3段,第29页左栏3.2节人工神经网络化 * |
层次式多子网级联神经网络;孙功星 等;《电子学报》;19990831;第27卷(第8期);第49页正文左栏第2段,第51页第五部分结论 * |
Also Published As
Publication number | Publication date |
---|---|
CN105223269A (zh) | 2016-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102425148B (zh) | 基于静力触探和bp神经网络的路基沉降快速预测方法 | |
Wang et al. | Finite element analysis for surface acoustic wave device characteristic properties and sensitivity | |
CN102305827B (zh) | 基于扫频技术的乐甫波传感器测试***及测试方法 | |
CN101008586A (zh) | 一种可无线访问的声表面波力敏传感器 | |
CN104768113B (zh) | 一种用于液体多参数传感的乐甫波器件结构及检测方法 | |
CN105223269B (zh) | 用于乐甫波液体多参数传感的人工神经网络结构和方法 | |
Yuan et al. | Absolute measurement of ultrasonic non-linearity parameter at contact interface | |
Mamishev | Interdigital dielectrometry sensor design and parameter estimation algorithms for non-destructive materials evaluation | |
Maity et al. | Analysis of spring softening effect on the collapse voltage of capacitive MEMS ultrasonic transducers | |
Guo et al. | A theoretical study of the VOC sensor based on polymer-coated diaphragm embedded with FBAR | |
CN105738470B (zh) | 一种声表面波气体传感器 | |
Hao et al. | Acoustic sources localization for composite pate using arrival time and BP neural network | |
CN104902416B (zh) | 一种多叉指并联型乐甫波器件结构及其批量液体检测方法 | |
Maity et al. | An improved analytical and finite element method model of nanoelectromechanical system based micromachined ultrasonic transducers | |
Guo et al. | Influence of external swelling stress on the frequency characteristics of a volatile organic compound (VOC) sensor based on a polymer-coated film bulk acoustic resonator (FBAR) | |
Zhou | [Retracted] Construction and Simulation of Online English Reading Model in Wireless Surface Acoustic Wave Sensor Environment Optimized by Particle Swarm Optimization | |
Wang et al. | Investigation and analysis of the influence of excitation signal on radiation characteristics of capacitive micromachined ultrasonic transducer | |
Rocha-Gaso et al. | Mass sensitivity evaluation of a Love wave sensor using the 3D finite element method | |
Jesus et al. | Evaluation of an equivalent circuit model for simulation of surface acoustic wave sensors | |
Yu et al. | The inverse of material properties of functionally graded pipes using the dispersion of guided waves and an artificial neural network | |
Liu et al. | Dependence of the Lamb wave viscosity sensor on the liquid morphology | |
Amiri et al. | Design and simulation of a flat cap mushroom shape microelectromechanical systems piezoelectric transducer with the application as hydrophone | |
CN107941485A (zh) | 一种船舶典型结构内损耗因子快速测试方法 | |
Frew et al. | VHDL-AMS behavioural modelling of a CMUT element | |
Önen | Dispersion and Sensitivity Analysis of Quasi‐Scholte Wave Liquid Sensing by Analytical Methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |