CN112557459A - 一种mems薄膜半导体气敏传感器阵列识别方法 - Google Patents
一种mems薄膜半导体气敏传感器阵列识别方法 Download PDFInfo
- Publication number
- CN112557459A CN112557459A CN202011401931.4A CN202011401931A CN112557459A CN 112557459 A CN112557459 A CN 112557459A CN 202011401931 A CN202011401931 A CN 202011401931A CN 112557459 A CN112557459 A CN 112557459A
- Authority
- CN
- China
- Prior art keywords
- sensor array
- principal component
- type
- film semiconductor
- substances
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000004065 semiconductor Substances 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 72
- 239000000126 substance Substances 0.000 claims abstract description 62
- 230000008859 change Effects 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000000513 principal component analysis Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 15
- 239000010409 thin film Substances 0.000 claims description 13
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 9
- 239000010408 film Substances 0.000 claims description 9
- 238000011896 sensitive detection Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 235000001759 Citrus maxima Nutrition 0.000 claims description 5
- 244000276331 Citrus maxima Species 0.000 claims description 5
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 claims description 4
- 235000018290 Musa x paradisiaca Nutrition 0.000 claims description 4
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 claims description 4
- 239000002304 perfume Substances 0.000 claims description 4
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 240000008790 Musa x paradisiaca Species 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 5
- 239000007789 gas Substances 0.000 description 56
- 238000010438 heat treatment Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 4
- 229910044991 metal oxide Inorganic materials 0.000 description 4
- 150000004706 metal oxides Chemical class 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 241000234295 Musa Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 150000001298 alcohols Chemical class 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction 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
- 238000004200 deflagration Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/128—Microapparatus
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开了一种MEMS薄膜半导体气敏传感器阵列识别方法,包括,已知物质建模:使用传感器阵列对第一类已知物质进行采样,在所述第一类已知物质的挥发气体浓度逐步上升的过程中时刻,得到n个时刻的电导率变化向量集合;对所述电导率变化向量集合进行标准化得到标准化电导率变化向量集合,对所述标准化电导率变化向量集合进行主元分析,获取第一主成分向量;对所述k类已知物质第一主成分向量进行线性判别式分析,计算得到特征变换矩阵,获得样本类,存入特征数据库中;未知物质检测:重复上述步骤,得到投影到特征空间的一个点td,计算td与所述特征数据库中的样本类均值的距离是否小于已有样本聚类的分布直径,判断更接近哪一类气体。
Description
技术领域
本发明涉及易燃物质检测技术领域,特别涉及一种MEMS薄膜半导体气敏传感器阵列识别方法。
背景技术
不同种类易燃液体的危险性有一定差异,例如汽油迅速燃烧蔓延,并且可能会发生爆燃现象,而同样体积的酒精燃烧蔓延相对较慢,危险性相对较低,并且酒精作为香水、花露水中的主要成分,会发生一些误报警现象。橘子皮、柚子皮中含有的芳香烃类物质,也属于易燃液体,但其含量较少,现实场景中也经常会遇到引起不必要的报警。
公开号CN108107086A的发明专利,公开了一种基于阵列气体传感器的气体检测方法及气体传感器,属于气体识别领域。该法包括以下步骤:实时地采集阵列气体传感器的电阻值;计算目标传感器的电阻值变化率,每采集一个新的电阻值就计算一次该气体传感器的电阻值变化率;判断目标传感器中是否有至少一个气体传感器的N个连续的电阻值变化率中的M个大于电阻值变化率阈值;若是,则判断大多数气体传感器对所述所有目标气体的灵敏度是否大于灵敏度阈值;若是,则将用于计算N个连续的电阻值变化率中的第一个电阻值变化率的最后一个电阻值采集的时间点作为气体进样点。
公开号CN107478687A的发明,公开了一种多组分气体传感器,包括电控单元,电控单元上连接有加热单元、Pt10加热器和金属氧化物敏感元件,加热单元与Pt10加热器连接,所述的金属氧化物敏感元件敷设在陶瓷加热基底上,而陶瓷加热基底与Pt10加热器贴合,且所述的金属敏感元件为多个。在这种结构中,是用Pt10作为加热器的主要部件,其作为热敏电阻可以通过其电阻值实时反馈其加热温度值,然后通过金属氧化物敏感元件检测被测气体的各种成分。
为区分易燃物质的危险程度,需要采集汽油、松香水、香蕉水等燃烧危险性大的特征数据,也需要采集酒精、橘子皮、柚子皮等危险性相对较低的特征数据,这些特征数据按物质种类添加标签,构建特征数据库。进行报警监测时,将采集到的数据提取特征后与特征数据库中的条目进行比对,判断是属于库中已知种类或者是库中未收录的种类。
发明内容
本发明实施例提供了一种MEMS薄膜半导体气敏传感器阵列识别方法。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
根据本发明实施例,提供了一种MEMS薄膜半导体气敏传感器阵列识别方法,包括,
S1:已知物质建模:使用传感器阵列对第一类已知物质进行采样,将传感器阵列放入气敏检测密闭箱内,向气敏检测密闭箱逐步注入第一类已知物质的挥发气体,使得气敏检测密闭箱内第一类已知物质的挥发气体浓度逐步上升;
S2:在步骤S1所述第一类已知物质的挥发气体浓度逐步上升的过程中的ti时刻,得到m个传感器组合成的电导率变化向量,重复上述步骤得到n个时刻的电导率变化向量集合;
S3:对所述电导率变化向量集合进行标准化得到标准化电导率变化向量集合,对所述标准化电导率变化向量集合进行主元分析,获取第一主成分向量作为单类已知物质采样的一个数据,对第一类已知物质采集x次,获得所述第一主成分向量集合;
S4:对k类已知物质重复步骤S1、S2和S3,得到k类已知物质的第一主成分向量,对所述k类已知物质第一主成分向量进行线性判别式分析,计算得到特征变换矩阵Wotp,获得样本类,存入特征数据库中;
S5:未知物质检测:重复步骤S1、S2和S3得到未知物质的n个时刻的电导率变化向量测试集合,标准化电导率变化向量测试集合,获取第一主成分测试向量;
S6:将第一主成分测试向量通过Wotp变换到特征空间,投影到特征空间的一个点td;
S7:将td与所述特征数据库中的样本类进行比较:计算td与所述特征数据库中的样本类均值的距离是否小于已有样本聚类的分布直径,判断更接近哪一类气体;
S8:如果第一主成分测试向量属于特征数据库中需要报警的类别,并超过报警阈值则发出报警。
优选的,所述采集x次,x>5。
优选的,所述k类已知物质分为危险性低物质和危险性高物质。
优选的,所述危险性低的物质包括,酒精、香水、花露水、橘子皮、柚子皮。
优选的,所述危险性高的物质包括,汽油、松香水、香蕉水。
优选的,所述征空间的一个点td对应的向量维度为特征空间维度。
优选的,所述线性判别式分析包括,设定特征库维数j,所述特征库维数j<m。
优选的,所述主元分析的累计贡献率达到85%的前几个特征值对应的特征向量为主成分。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明提供的一种MEMS薄膜半导体气敏传感器阵列识别方法,该算法应用可以构建各类易燃易爆气液体特征库;该算法应用可以识别待测目标所含组分成分含量,与各类易燃易爆气液体特征库比对,实现区分不同危险程度的物品,最大限度实现分级预警精准度,避免误报、错报及漏报。比如生活中汽油、酒精、橘子皮都会引起气敏传感器报警,但是,汽油、酒精含醇类、烷类物质多,桔子皮含有烃类成分多,如果采用本算法可以区分开,针对判别结果为汽油酒精应该加强、突出报警提示,如果是桔子皮挤压报警,可以弱化,或者不提示。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种MEMS薄膜半导体气敏传感器阵列识别方法的流程图;
图2是根据一示例性实施例示出的LDA投影聚类示意图;
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。在本文中,各实施方案可以被单独地或总地用术语“发明”来表示,这仅仅是为了方便,并且如果事实上公开了超过一个的发明,不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中,诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来,而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。本文中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的结构、产品等而言,由于其与实施例公开的部分相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
下面结合附图及实施例对本发明做进一步描述:
在MEMS薄膜半导体气敏传感器阵列识别中,大多数传感器都会随着目标气体浓度的变化产生电导率变化,呈现近似线性关系。由于MEMS传感器阵列中使用的金属氧化物和修饰材料不同,各个传感器的对同一种目标气体的响应能力是不一样的。假设传感器阵列中各传感器处气体均匀分布,通过n个时刻采样可获得气体浓度变化过程中的传感器电导率变化向量集A={A1,A2,…An},其中为ti时刻的m个传感器电导率变化向量。
如图1所示的一种MEMS薄膜半导体气敏传感器阵列识别方法,包括,
S1:已知物质建模:使用传感器阵列对第一类已知物质进行采样,将传感器阵列放入气敏检测密闭箱内,向气敏检测密闭箱逐步注入第一类已知物质的挥发气体,使得气敏检测密闭箱内第一类已知物质的挥发气体浓度逐步上升。
S2:在步骤S1所述第一类已知物质的挥发气体浓度逐步上升的过程中的ti时刻,得到m个传感器组合成的电导率变化向量,重复上述步骤得到n个时刻的电导率变化向量集合A={A1,A2,…,An};所述传感器的电导率变化为,其中ρi为ti时刻传感器的电导率。
S3:对所述电导率变化向量集合进行标准化得到标准化电导率变化向量集合B={B1,B2,…,Bn},所述标准化为,
B={B1,B2,…Bn}为n个采样点获取的传感器对目标气体浓度变化响应能力向量集合,理想情况下,集合中的向量是近乎相等的,但是现实检测中的干扰气体、测量误差、传感器非线性程度等因素会导致{B1,B2,…Bn}之间存在一定偏差。在MEMS薄膜半导体气敏传感器阵列识别中,有机物分子与半导体薄膜材料吸附机理很难实现每种气敏传感器只对特定气体产生响应,不同材料和工艺制作的半导体薄膜的响应特性会有一定区别,使用PCA方法可以获取当前主要气体成分的响应模式,并与预先采集的特征数据库进行比对,获取主要气体成分的可能类别。对于MEMS薄膜半导体气敏传感器阵列识别算法而言,通过PCA方法对标准化处理结果B={B1,B2,…Bn}进行分析,获得其中一个或少数几个贡献率较高的主成分,每一种主成分对应的特征向量与数据库中每种目标气体的特征向量进行对比,从而确定对当前测量影响较大的一种或少数几种目标气体类型。
步骤1.计算相关矩阵
计算B={B1,B2,…Bn}的相关矩阵:
步骤2.计算主成分
取累计贡献率达到85%的前几个特征值对应的特征向量为主成分。
步骤3.解释主成分
步骤4.计算主成分得分
将{B1,B2,…Bn}代入主成分特征向量形成的主成分公式中,
描述了主成分k随时间变化的规律,也即是主成分对应的目标气体浓度变化曲线。经采集标记好的特种库中的记录进行比对,确定主成分对应的物质。PCA的目标是希望降维后的数据能够保持最多的信息,但不代表数据在降维后能够被很容易地区分开,需要在PCA方法的基础上用LDA(线性判别式分析)方法完成特征数据库构建和类型判别。
LDA更注重样品在空间中的分布状态及彼此之间的距离分析,基本思想是将高维的模式样本投影到最佳鉴别矢量空间,以达到抽取分类信息和压缩特征空间维数的效果,投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离,即模式在该空间中有最佳的可分离性。因此,它是一种有效的特征抽取方法。使用这种方法能够使投影后模式样本的类间散布矩阵最大,并且同时类内散布矩阵最小。就是说,它能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离,即模式在该空间中有最佳的可分离性。
如图2所示,LDA的原理是,将带上标签的数据(点),通过投影的方法投影到维度更低的空间中,使得投影后的点形成按类别区分的情形,即相同类别的点,在投影后的空间中距离较近,不同类别的点,在投影后的空间中距离较远。LDA分析的目标是将数据点投影到一条或多条直线上,其中a是样本向量,w为直线对应的特征向量或特征向量矩阵,y为投影后的样本点。
S4:对k类已知物质重复步骤S1、S2和S3,得到k类已知物质的第一主成分向量,对所述k类已知物质第一主成分向量进行线性判别式分析,设定特征库维数j,所述特征库维数j<m,计算得到特征变换矩阵Wopt,获得样本类,存入特征数据库中;所述k类已知物质分为危险性低物质和危险性高物质,所述危险性低的物质包括,酒精、香水、花露水、橘子皮、柚子皮,所述危险性高的物质包括,汽油、松香水、香蕉水;所述LDA分析具体计算步骤如下,
步骤1.数据标准化处理
步骤2.对于每一类别,计算其m维均值向量
步骤3.构造类间散布矩阵Sb和类内散布矩阵Sw
为了更好地区分物质种类,希望类之间耦合度低,类内聚合度高,即Sb中的数值要大,Sw中的数值要小,这样分类效果才好。
步骤4.计算矩阵的特征值以及对应的特征向量
引入Fisher鉴别准则表达式:
将步骤3中的结果代入上述Fisher鉴别准则表达式:
假设矩阵表示(ui-u)在空间里几何距离的平方,因此Fisher线性鉴别式的分子即为样本在投影空间下的类间几何距离的平方和,同理可推出分母为样本在投影空间下的类内几何距离平方和,分类问题转化为找到一个低维空间使得样本投影到该空间后,类间距离平方和与类内距离平方和之比最大,即最佳分类效果。
为了找到一组最优鉴别向量构成的投影矩阵Wopt
步骤5.使用转换矩阵Wopt将待判定样本映射到新的特征子空间上
在获得一个新的待判定样本后,通过转换矩阵Wopt将其映射到特征子空间,然后与数据库中标记的聚类进行比较,判定该样本属于哪一类。
S7:将td与所述特征数据库中的样本类进行比较:计算td与所述特征数据库中的样本类均值的距离是否小于已有样本聚类的分布直径,判断更接近哪一类气体;
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的流程及结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种MEMS薄膜半导体气敏传感器阵列识别方法,其特征在于,包括,
S1:已知物质建模:使用传感器阵列对第一类已知物质进行采样,将传感器阵列放入气敏检测密闭箱内,向气敏检测密闭箱逐步注入第一类已知物质的挥发气体,使得气敏检测密闭箱内第一类已知物质的挥发气体浓度逐步上升;
S2:在步骤S1所述第一类已知物质的挥发气体浓度逐步上升的过程中的ti时刻,得到m个传感器组合成的电导率变化向量,重复上述步骤得到n个时刻的电导率变化向量集合;
S3:对所述电导率变化向量集合进行标准化得到标准化电导率变化向量集合,对所述标准化电导率变化向量集合进行主元分析,获取第一主成分向量作为单类已知物质采样的一个数据,对第一类已知物质采集x次,获得所述第一主成分向量集合;
S4:对k类已知物质重复步骤S1、S2和S3,得到k类已知物质的第一主成分向量,对所述k类已知物质第一主成分向量进行线性判别式分析,计算得到特征变换矩阵Wotp,获得样本类,存入特征数据库中;
S5:未知物质检测:重复步骤S1、S2和S3得到未知物质的n个时刻的电导率变化向量测试集合,标准化电导率变化向量测试集合,获取第一主成分测试向量;
S6:将第一主成分测试向量通过Wotp变换到特征空间,投影到特征空间的一个点td;
S7:将td与所述特征数据库中的样本类进行比较:计算td与所述特征数据库中的样本类均值的距离是否小于已有样本聚类的分布直径,判断更接近哪一类气体;
S8:如果第一主成分测试向量属于特征数据库中需要报警的类别,并超过报警阈值则发出报警。
2.根据权利要求1所述的MEMS薄膜半导体气敏传感器阵列识别方法,其特征在于,所述采集x次,x>5。
3.根据权利要求1所述的MEMS薄膜半导体气敏传感器阵列识别方法,其特征在于,所述k类已知物质分为危险性低物质和危险性高物质。
4.根据权利要求3所述的MEMS薄膜半导体气敏传感器阵列识别方法,其特征在于,所述危险性低的物质包括,酒精、香水、花露水、橘子皮、柚子皮。
5.根据权利要求3所述的MEMS薄膜半导体气敏传感器阵列识别方法,其特征在于,所述危险性高的物质包括,汽油、松香水、香蕉水。
6.根据权利要求1所述的MEMS薄膜半导体气敏传感器阵列识别方法,其特征在于,所述征空间的一个点td对应的向量维度为特征空间维度。
7.根据权利要求1所述的MEMS薄膜半导体气敏传感器阵列识别方法,其特征在于,所述线性判别式分析包括,设定特征库维数j,所述特征库维数j<m。
9.根据权利要求1所述的MEMS薄膜半导体气敏传感器阵列识别方法,其特征在于,所述主元分析的累计贡献率达到85%的前几个特征值对应的特征向量为主成分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011401931.4A CN112557459A (zh) | 2020-12-02 | 2020-12-02 | 一种mems薄膜半导体气敏传感器阵列识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011401931.4A CN112557459A (zh) | 2020-12-02 | 2020-12-02 | 一种mems薄膜半导体气敏传感器阵列识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112557459A true CN112557459A (zh) | 2021-03-26 |
Family
ID=75047933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011401931.4A Pending CN112557459A (zh) | 2020-12-02 | 2020-12-02 | 一种mems薄膜半导体气敏传感器阵列识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112557459A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778774A (zh) * | 2022-04-21 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的温室气体监测方法及相关设备 |
CN115901900A (zh) * | 2022-11-08 | 2023-04-04 | 广州市中耕信息技术有限公司 | 基于mos气敏传感器阵列的有害气体检测方法、装置及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080052010A1 (en) * | 2006-08-22 | 2008-02-28 | Kangnung National University Industry Academy Corporation Group | Method and Apparatus for Analyzing Signal Pattern of Sensor Array |
JP2010216851A (ja) * | 2009-03-13 | 2010-09-30 | Olympus Corp | 物質検出システム |
CN102590450A (zh) * | 2012-01-20 | 2012-07-18 | 中北大学 | 基于mems技术的阵列式气味检测元件 |
CN103217471A (zh) * | 2013-03-27 | 2013-07-24 | 浙江工商大学 | 基于碳纳米管微纳气敏传感器阵列的电子鼻*** |
WO2017104911A1 (ko) * | 2015-12-15 | 2017-06-22 | 단국대학교 산학협력단 | 가스 분류를 위한 결합 특징 벡터 생성 장치 및 방법 |
CN109632891A (zh) * | 2018-12-19 | 2019-04-16 | 江苏智闻智能传感科技有限公司 | 一种利用阵列气体传感器监测气体种类以及浓度的方法 |
CN110346514A (zh) * | 2019-07-09 | 2019-10-18 | 南京工程学院 | 混合气体识别方法、装置、计算机设备和存储介质 |
CN111239193A (zh) * | 2018-11-28 | 2020-06-05 | 乐金电子研发中心(上海)有限公司 | 一种基于传感器阵列的气味识别设备 |
-
2020
- 2020-12-02 CN CN202011401931.4A patent/CN112557459A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080052010A1 (en) * | 2006-08-22 | 2008-02-28 | Kangnung National University Industry Academy Corporation Group | Method and Apparatus for Analyzing Signal Pattern of Sensor Array |
JP2010216851A (ja) * | 2009-03-13 | 2010-09-30 | Olympus Corp | 物質検出システム |
CN102590450A (zh) * | 2012-01-20 | 2012-07-18 | 中北大学 | 基于mems技术的阵列式气味检测元件 |
CN103217471A (zh) * | 2013-03-27 | 2013-07-24 | 浙江工商大学 | 基于碳纳米管微纳气敏传感器阵列的电子鼻*** |
WO2017104911A1 (ko) * | 2015-12-15 | 2017-06-22 | 단국대학교 산학협력단 | 가스 분류를 위한 결합 특징 벡터 생성 장치 및 방법 |
CN111239193A (zh) * | 2018-11-28 | 2020-06-05 | 乐金电子研发中心(上海)有限公司 | 一种基于传感器阵列的气味识别设备 |
CN109632891A (zh) * | 2018-12-19 | 2019-04-16 | 江苏智闻智能传感科技有限公司 | 一种利用阵列气体传感器监测气体种类以及浓度的方法 |
CN110346514A (zh) * | 2019-07-09 | 2019-10-18 | 南京工程学院 | 混合气体识别方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
L. FERNANDEZ ET AL.: "Robustness to sensor damage of a highly redundant gas sensor array", SENSORS AND ACTUATORS B, vol. 218, 31 May 2015 (2015-05-31), pages 2 * |
L.FERNANDEZ ET AL.,: ""Robustness to sensor damage of a highly redundant gas sensor array"", 《PROCEDIA ENGINEERING》, vol. 87, pages 851 - 854 * |
韦彩虹: ""基于电子鼻***的混合气体的定性分析和量估计定量"", 《万方》, pages 18 - 27 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778774A (zh) * | 2022-04-21 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的温室气体监测方法及相关设备 |
CN115901900A (zh) * | 2022-11-08 | 2023-04-04 | 广州市中耕信息技术有限公司 | 基于mos气敏传感器阵列的有害气体检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7840359B2 (en) | Measuring and analyzing multi-dimensional sensory information for identification purposes | |
Hopke | The evolution of chemometrics | |
US6996478B2 (en) | Multiple sensing system and device | |
US7129095B2 (en) | Method and system for using a weighted response | |
Li et al. | Prediction of egg storage time and yolk index based on electronic nose combined with chemometric methods | |
Rose-Pehrsson et al. | Multi-criteria fire detection systems using a probabilistic neural network | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN112557459A (zh) | 一种mems薄膜半导体气敏传感器阵列识别方法 | |
EP3066435B1 (en) | Texture analysis of a coated surface using pivot-normalization | |
CN115828140B (zh) | 邻域互信息与随机森林相融合故障检测方法、***及应用 | |
CN116756595B (zh) | 一种导电滑环故障数据采集监测方法 | |
WO2022121055A1 (zh) | 基于代谢组学的生理预测方法、装置、计算机设备和介质 | |
KR101656253B1 (ko) | 가스 분류를 위한 결합 특징 벡터 생성 장치 및 방법 | |
Rodriguez et al. | Time dependence of the aroma pattern emitted by an encapsulated essence studied by means of electronic noses and chemometric analysis | |
CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
Chen et al. | Using weather and schedule-based pattern matching and feature-based principal component analysis for whole building fault detection—Part I development of the method | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
Amari et al. | Electronic nose for anchovy freshness monitoring based on sensor array and pattern recognition methods: principal components analysis, linear discriminant analysis and support vector machine | |
Yumang et al. | Application of electronic nose for diagnosing azotemia from urinalysis using principal component analysis | |
Chen et al. | Nonparametric multivariate Polya tree EWMA control chart for process changepoint detection | |
Lelono et al. | Quality Classification of Chili Sauce Using Electronic Nose with Principal Component Analysis | |
CN113486607B (zh) | 多传感器信息核规范变量分析的气液两相流状态监测方法 | |
KARABAGIAS | MULTIVARIATE ANALYSIS IN COMBINATION WITH SUPERVISED AND NON-SUPERVISED STATISTICAL TECHNIQUES: CHEMOMETRICS | |
Kriz et al. | Unveiling the Smell Inspector and Machine Learning Methods for Smell Recognition | |
Kang et al. | Reliability Rereasch of a MEMS Flow Sensor with Accelerated Degradation Testing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |