裘祖榮，陳新華，李杏華，任妮娜

光纖電容液滴分析儀及其識別算法

裘祖榮，陳新華，李杏華，任妮娜

(天津大學精密測試技術(shù)及儀器國家重點實驗室，天津 300072)

光纖電容液滴分析儀利用液滴分析技術(shù)，綜合在液體形成液滴的監(jiān)測過程中獲得的物理、化學特性參數(shù)，進行液體識別．基于液滴分析儀的功能原理，結(jié)合其現(xiàn)有的識別算法，提出了一個基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的液體識別方案，設(shè)計了3層BP神經(jīng)網(wǎng)絡(luò)分類器，完成了嵌入式系統(tǒng)功能算法的設(shè)計．對典型樣品進行了測試實驗，結(jié)果表明，對大部分液體可以進行完全識別，部分液體的識別率達96%以上，識別精度可達95%．

液滴分析；液滴指紋圖；BP神經(jīng)網(wǎng)絡(luò)；嵌入式系統(tǒng)；識別算法

隨著全球經(jīng)濟的飛速發(fā)展和人們生活水平的提高，人們對污染的控制，對飲食、醫(yī)藥和工業(yè)用液的質(zhì)量監(jiān)測都提出了更多、更高的要求，迫切需要功能更強、使用更方便的分析方法和儀器．液滴分析技術(shù)[1-5]是隨著人們對可持續(xù)發(fā)展戰(zhàn)略和保護生態(tài)環(huán)境的重視而逐步發(fā)展起來的，是用于液體綜合分析的一門高新技術(shù)．通過液滴分析技術(shù)獲得的液滴指紋圖[5-9]，在一定條件下具有確定性和唯一性，可以作為識別液體細微差別的依據(jù)，由此可以很方便地識別未知液體和鑒別液體真?zhèn)危谝旱畏治黾夹g(shù)的液滴分析儀[2-5]也因具有綜合能力強、容易用于在線測量、為理想的“綠色儀器”等特點，而有望應(yīng)用于食品、醫(yī)藥、工農(nóng)業(yè)用液、環(huán)境監(jiān)測和資源保護等涉及液體監(jiān)測的領(lǐng)域．筆者主要實現(xiàn)了系統(tǒng)目標的分類設(shè)計，使液滴分析儀有針對性的完成預定目標；嵌入式系統(tǒng)的研究，減少了儀器的“多功能化”帶來的設(shè)計上的復雜性；通過對以往識別方法的比較和總結(jié)，提出基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的識別算法，并利用典型樣品的測試實驗對算法進行了驗證．

1 光纖電容液滴分析儀的工作原理

圖1所示為光纖、電容液滴分析儀[2-5]的總體設(shè)計原理框圖．根據(jù)圖1可知，光纖、電容液滴分析儀的設(shè)計主要由精密微量供液泵，光纖、電容液滴傳感器，光纖信號和電容信號處理電路，數(shù)據(jù)的嵌入式系統(tǒng)采集和處理模塊，以及結(jié)果的液晶顯示等組成．

圖1 光纖、電容液滴分析儀總體設(shè)計原理示意Fig.1 Overall design schematic diagram of FCDA

精密微量供液泵提供流速穩(wěn)定、流量微小的液流[10]，經(jīng)過毛細管由滴頭形成形狀唯一的液滴．二極管光源發(fā)出的光線由輸入光纖導入液滴，經(jīng)液滴的折射、反射、吸收等作用，部分進入輸出光纖作為信號傳出．這部分傳出光的光強度發(fā)生變化，包含了液滴的物理、化學等綜合特性信息．傳出光信號經(jīng)過光電轉(zhuǎn)換元件變成電壓模擬量，做相應(yīng)的放大濾波處理后進入嵌入式系統(tǒng)進行A/D轉(zhuǎn)換實現(xiàn)數(shù)據(jù)的處理，識別算法的編寫以及結(jié)果的液晶顯示．同時，隨著液滴生長過程中液滴體積和形狀的變化，由滴頭和環(huán)形極板構(gòu)成的電容傳感器的電容量也隨之發(fā)生變化，通過主放大電路、帶通濾波及放大電路、真值有效值轉(zhuǎn)換電路等，得到帶有液滴體積信息的電壓模擬量，進入嵌入式系統(tǒng)進行A/D轉(zhuǎn)換實現(xiàn)數(shù)據(jù)的處理，識別算法的編寫以及結(jié)果的液晶顯示．

2 基于時間軸的液滴指紋圖特征提取

基于液滴分析技術(shù)[1-5]和液滴指紋圖[5-9]來進行液體識別，具有適用范圍廣、綜合能力強、操作簡單、使用方便等優(yōu)勢．由于液滴指紋圖是表征液體特性的綜合數(shù)據(jù)庫，如果液體在物理、化學性質(zhì)上有所改變，無論是單一或者多項特性參數(shù)的改變，那么都將在其液滴指紋圖上有所反映．因此，可以僅僅通過不同液體的液滴指紋圖之間的差異來對彼此加以區(qū)分，而不需要對眾多特性參數(shù)一一進行測量檢驗．

由液滴指紋圖得到的圖像信息包含的數(shù)據(jù)量相當大，為了有效地實現(xiàn)識別，有必要對原始數(shù)據(jù)進行變換，以得到能反應(yīng)液體本質(zhì)的特征，這就是特征的提取與選擇過程．根據(jù)一定的原則，通過變換和選擇，可以把大量的數(shù)據(jù)信息空間轉(zhuǎn)換為維數(shù)較低的特征空間，特征空間中的一個特征值即為一個特征向量．

現(xiàn)有的液滴指紋圖特征提取方法是以時間為坐標軸，將光纖、電容信號分別處理，采用單位時間內(nèi)電容信號變化量的絕對值劃分液滴生長時間和滴落時間，并以此確定液滴指紋圖的特征值，主要包括：①液體液滴總周期T；②生長時間內(nèi)光纖信號平均值Fμ；③生長時間內(nèi)電容信號平均值Cμ；④生長時間內(nèi)光纖信號波谷值Fmin；⑤生長時間內(nèi)光纖信號波峰值Fmax；⑥生長時間內(nèi)光纖信號波谷波峰差值FΔV；⑦生長時間內(nèi)電容信號波谷值Cmin；⑧生長時間內(nèi)電容信號波峰值Cmax；⑨生長時間內(nèi)電容信號波谷波峰差值CΔV．

基于時間軸的液滴指紋圖特征提取方法，利用單個或多個液體指紋圖特征值識別液體，雖然達到了儀器的便攜式要求，但其識別精度不高，而且需要建立龐大的特征值庫和閾值庫，識別程序復雜，尤其不適合于同類相似液體的識別，有待進一步改進．

3 BP神經(jīng)網(wǎng)絡(luò)技術(shù)原理

人工神經(jīng)網(wǎng)絡(luò)[11-14](artificial neural networks，ANN)通過結(jié)點間的連接來儲存信息并完成分類計算．ANN通過學習，根據(jù)訓練樣本集來調(diào)節(jié)連接的權(quán)值，找出相應(yīng)的分類曲面．ANN所具有的學習能力使其能在復雜的數(shù)據(jù)分布中提取人腦還不能直觀理解的規(guī)律．而且人工神經(jīng)網(wǎng)絡(luò)具有與人腦的高度并行性、良好的容錯性和聯(lián)想記憶功能、自適應(yīng)和自學習能力等特點，特別是以改進型BP網(wǎng)絡(luò)為代表的神經(jīng)網(wǎng)絡(luò)具有良好的自學習能力、強大的分類能力、容錯能力和魯棒性，可以實現(xiàn)輸入到輸出的非線性映射，圖2為具有1個隱含層的3層BP神經(jīng)網(wǎng)絡(luò)．

BP神經(jīng)網(wǎng)絡(luò)的工作方式，由2個階段組成：①學習期，神經(jīng)元之間的連接權(quán)值可由學習規(guī)則進行修改，以使目標函數(shù)達到最小；②工作期，連接權(quán)值不變，由網(wǎng)絡(luò)的輸入得到相應(yīng)的輸出．BP學習算法也稱誤差反向傳播算法[13]，是一類基于梯度下降法的有指導的學習算法．算法由正向信號傳播和反向信號傳播組成．正向傳播是指，輸入信號由輸入層經(jīng)隱含層再到輸出層由前向后計算各隱含層和輸出層的輸出，把網(wǎng)絡(luò)輸出與期望輸出進行相減，然后得到相應(yīng)的誤差，再進行反向傳播．反向傳播是利用梯度下降法不斷的調(diào)整網(wǎng)絡(luò)的權(quán)值，直至誤差減小到預期的要求．其數(shù)學描述可表示為

式中：jO表示所考慮層中第j個神經(jīng)元的輸出；iO表示前一層第i個神經(jīng)元的輸出；ijW表示前一層第i個神經(jīng)元到所考慮層第j個神經(jīng)元相應(yīng)的權(quán)值；jb表示所考慮層中第j個神經(jīng)元的輸出誤差．神經(jīng)網(wǎng)絡(luò)期望輸出jO可以通過調(diào)節(jié)網(wǎng)絡(luò)權(quán)值ijW來得到．

對于網(wǎng)絡(luò)實際輸出而言，誤差函數(shù)可表示為

式中：jt表示學習樣本期望輸出；jy表示網(wǎng)絡(luò)實際輸出．當滿足Eε＜時，結(jié)束學習，固定已完成學習任務(wù)的神經(jīng)網(wǎng)絡(luò)權(quán)值，該網(wǎng)絡(luò)便構(gòu)成了一個模式分類器．當學習樣本組以外的輸入模式輸入網(wǎng)絡(luò)時，根據(jù)實際進行模式識別．

圖2 具有1個隱含層的3層BP神經(jīng)網(wǎng)絡(luò)Fig.2 Three-layer BP neural network with only one hidden layer

4 基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的液體識別方案

識別是所有智能系統(tǒng)面對紛繁復雜的傳感器數(shù)據(jù)時，從中提取出有意義的信息所采取的第一關(guān)鍵的處理步驟．模式識別是一門以應(yīng)用為基礎(chǔ)的科學，目的是將對象進行分類．基于BP神經(jīng)網(wǎng)絡(luò)的液體識別問題的本質(zhì)就是一個模式識別問題，一個典型的模式識別任務(wù)包括：預處理、特征提取和選擇、分類器及相關(guān)處理，其基本構(gòu)成如圖3所示．

在液滴分析系統(tǒng)中，待識別物體即為要識別的液體，數(shù)據(jù)獲取指從液滴指紋圖中獲取特征信息，預處理為從這些特征值中選取有用的特征信息以提高識別精度．而液滴識別算法的核心任務(wù)就是對液滴指紋圖的特征提取和選擇，并設(shè)計分類器．實驗表明，要取得好的識別率，關(guān)鍵就在于特征值和分類器的匹配．因此，選擇并設(shè)計適當?shù)姆诸惼?，對于提高識別率也是相當重要的．

圖3 液體識別系統(tǒng)基本構(gòu)成Fig.3 Basic composition of liquid drop recognition system

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇包括3方面內(nèi)容：輸入和輸出層節(jié)點數(shù)的選擇，網(wǎng)絡(luò)隱含層數(shù)的選擇，以及每個隱含層節(jié)點數(shù)的選擇．經(jīng)過實驗的反復驗證，最終選定了830X××的3層BP神經(jīng)網(wǎng)絡(luò)法來進行液體的識別，即8個輸入節(jié)點、30個隱含層節(jié)點和X個輸出節(jié)點．

輸入節(jié)點數(shù)的選擇由應(yīng)用要求決定，一般等于要訓練的樣本矢量維數(shù)，可以是原始數(shù)據(jù)的維數(shù)或提取的特征的維數(shù)．本文輸入節(jié)點數(shù)選為液體的8個特征值數(shù)目，即：①液體液滴總周期T；②液體液滴生長時間1T；③生長時間內(nèi)光纖信號平均值μF；④生長時間內(nèi)電容信號平均值μC；⑤生長時間內(nèi)光纖信號波谷值minF；⑥生長時間內(nèi)光纖信號波峰值maxF；⑦生長時間內(nèi)電容信號波谷值minC；⑧生長時間內(nèi)電容信號波峰值maxC．

輸出節(jié)點數(shù)的選擇也由應(yīng)用要求決定，在分類網(wǎng)絡(luò)中取類別數(shù)，在逼近網(wǎng)絡(luò)中取要逼近的函數(shù)的輸出空間維數(shù)．本文輸出節(jié)點數(shù)X即為所要識別的液體種類數(shù)(如酒類、茶飲類、果汁類等)或每類液體的樣品數(shù)．

網(wǎng)絡(luò)的隱含層數(shù)及隱含層的節(jié)點數(shù)決定了網(wǎng)絡(luò)的規(guī)模，而網(wǎng)絡(luò)的規(guī)模與其性能密切相關(guān)，需要根據(jù)實驗和實際經(jīng)驗做出合適的選擇．已經(jīng)證明[14]僅含一個隱含層的前饋網(wǎng)絡(luò)能以任意精度逼近定義在Rn中的一個集上的任意非線性函數(shù)，實現(xiàn)任意分類問題，因此本文中采用一個3層網(wǎng)絡(luò)．隱層節(jié)點數(shù)是根據(jù)實際經(jīng)驗和參考實驗確定的30為最佳值．

網(wǎng)絡(luò)參數(shù)選擇如下：網(wǎng)絡(luò)精度取為0.01；慣性系數(shù)取為0.25；對應(yīng)的隱含層和輸出層修正權(quán)值學習率取為0.1；隱含層和輸出層的激活函數(shù)都為Sigmoid函數(shù)，機數(shù)產(chǎn)生權(quán)值矩陣．

5 樣品測試實驗及結(jié)果分析

圖4 光纖電容液滴分析儀實驗裝置Fig.4 Experimental equipment of liquid drop recognition Fig.4 system

采用如圖4所示的實驗裝置對5類不同液體進行實驗，包括：酒精類、礦泉水類、茶飲類、果汁飲料類及新型飲料類，并以不同體積分數(shù)的酒精識別為例來表述數(shù)據(jù)的處理過程，最后給出其他實例的識別結(jié)果及分析．

對不同體積分數(shù)的酒精特征值做了統(tǒng)計，表1所示為學習樣本(60組480個)各個特征值的均值．采用BP神經(jīng)網(wǎng)絡(luò)作為分類器，把樣本分成2部分，即訓練集和測試集，分別用于設(shè)計分類器和檢驗分類器．其中用60組(480個)特征值作為分類器，用剩余的437組(3 496個特征值)來檢驗分類器，得出正確識別率，進而檢驗分類器的好壞．本文規(guī)定輸出向量Y={y0,y1,y2,…,yn}，當網(wǎng)絡(luò)達到終止規(guī)則——正確識別率大于0.99或達到最大迭代次數(shù)時，停止訓練．如果網(wǎng)絡(luò)滿足要求，則利用其權(quán)值到嵌入式系統(tǒng)中進行識別使用．在嵌入式系統(tǒng)中編寫前向神經(jīng)網(wǎng)絡(luò)程序，直接使用在系統(tǒng)中訓練好的權(quán)值，實現(xiàn)神經(jīng)網(wǎng)絡(luò)的使用．這時，輸出向量定義為{1,0,0,…,0}，其中，1表示目前正在檢測的液體是其對應(yīng)位置上的液體，0表示的意思與1正好相反，達到神經(jīng)網(wǎng)絡(luò)液體識別的目的．

表1 學習樣本特征值均值Tab.1 Average eigenvalue of samples for training

本實驗另選取了5種酒精體積分數(shù)相近的飲用酒作為識別樣品，以顯示算法的性能，其識別結(jié)果如表2所示．

表2 飲用酒樣品識別結(jié)果Tab.2 Recongnition results of different kinds of wine %

由表2可以看出，在飲用酒樣品有差別的情況下，BP算法有很高的識別率，但由于道光高粱酒和杜康酒的酒精體積分數(shù)相同(45%)，成分也極為相似(純凈水、高粱及小麥等)，在這里識別率比較低，83.78%的杜康酒就被識別成為道光高粱酒．針對飲用酒樣品，選取更為合適的指紋圖特征值和增加神經(jīng)網(wǎng)絡(luò)訓練次數(shù)，可以識別成分極為相似的樣品，并獲得比表2更高的識別率．

表3 各種液體樣品識別結(jié)果Tab.3 Recongnition results of different types of liquid

其他樣品識別結(jié)果如表3所示，可以看出：各類液體樣品的識別率較高，成分差異大的不同樣品識別率可達100%，即可以進行完全識別；由于不同液體的指紋圖特征值本身的差異性，這里礦泉水類的識別率相對偏低，這一問題可以通過另選更合適的特征值的方法予以解決；可見BP神經(jīng)網(wǎng)絡(luò)很適合于液體的分類識別．

6 結(jié) 語

基于BP神經(jīng)網(wǎng)絡(luò)的液體識別算法的嵌入式系統(tǒng)實現(xiàn)，較前期的識別技術(shù)有更強的液滴識別潛力．測試實驗表明：經(jīng)過上萬次訓練后，對大部分液體可以進行完全識別，部分液體的識別率能達96%以上；在液體十分相似的情況下，可采用另選更合適的特征值的方法訓練網(wǎng)絡(luò)，以達到識別的目的，且識別精度可達95%．

［1］ Song Qing，Qiu Zurong，Zhang Guoxiong. Review of drop analysis technology for liquid property study[J]. Opto-Electronics Review，2005，13(1)：21-28.

［2］ McMillan N D，F(xiàn)inlayson O，F(xiàn)ortune F，et al. The fiber drop analyser：A new mutilanalyser analytical instrument with sugar processing and for the analysis of pure liquids[J]. Measurement Science and Technology，1992，3(8)：746-764.

［3］ McMillan N D，F(xiàn)ortune F J M，F(xiàn)inlayson O E，et al. A fiber drop analyzer：A new analytical instrument for individual，sequential，or collective measurement of the physical and chemical properties of liquids[J]. Review of Scientific Instruments，1992，63(6)：3431-3454.

［4］ Wang C H，Augousti A T，Mason J，et al. The capacitive drop tensiometer：A novel multianalysing technique for measuring the properties of liquids[J]. Measurement Science and Technology，1999，10(1)：19-24．

［5］ 裘祖榮，張國雄，王春海，等. 液滴分析技術(shù)的研究[J].天津大學學報，2001，34(5)：587-590.

Qiu Zurong，Zhang Guoxiong，Wang Chunhai，et al. Study on the technology of drop analyses[J]. Journal of Tianjin University，2001，34(5)：587-590(in Chinese).

［6］ Song Qing，Zhang Guoxiong，Qiu Zurong. Spectral drop analysis and 3D liquid drop fingerprint[J]. Instrumentation Science and Technology，2004，32(2)：153-165.

［7］ Song Qing，Qiu Zurong，Zhang Guoxiong. Volume-based fiber drop fingerprint based on optoelectronic liquid signature analyzer[J]. Journal of Optoelectronics and Advanced Material，2004，6(2)：393-398.

［8］ Song Qing，Zhang Guoxiong，Qiu Zurong. Drop growth monitoring and drop volume measurement based on image drop analysis with CCD[J]. Instrumentation Science and Technology，2003，31(1)：1-13.

［9］ McMillan N D，Davern P，Lawlor V N，et al. The instrumental engineering of a polymer fiber drop analyzer for both quantitative and qualitative analysis with special reference to fingerprinting liquids[J]. Colloids and Surfaces A，1996，114(23)：75-97.

［10］ 宋 晴，張國雄，裘祖榮，等. 用于液滴分析的程控微量供液系統(tǒng)的設(shè)計[J]. 儀器儀表學報，2004，25(6)：725-728.

Song Qing，Zhang Guoxiong，Qiu Zurong，et al. Design of program-controlled micro-flow feeding system for applications in drop analysis[J]. Chinese Journal of Scientific Instrument，2004，25(6)：725-728(in Chinese).

［11］ Goloka B S，Chittaranjan R. Predicting flux decline in crossflow membranes using artificial neural networks and genetic algorithms[J]. Journal of Membrane Science，2006，283(1/2)：147-157.

［12］ Liu Qifeng，Kim S H，Lee S. Prediction of microfiltration membrane fouling using artificial neural network models[J]. Separation and Purification Technology，2009，70(1)：96-102.

［13］ Rumelhart D E，Hinton G E，Williams R J. Learning internal representations by error propagation[J]. Parallel Distributed Processing，1986，1：318-362.

［14］ Homik K. Approximation capabilities of multilayer feed forward network[J]. Neural Networks，1997，4(2)：251-257.

Fiber Capacitance Drop Analyzer and Its Recognition Algorithm

QIU Zu-rong，CHEN Xin-hua，LI Xing-hua，REN Ni-na
(State Key Laboratory of Precision Measuring Technology and Instruments，Tianjin University，Tianjin 300072，China)

The fiber capacitance drop analyzer，using drop analysis technology，can analyze the liquid synthetically by the affections of their physical and chemical parameters obtained by monitoring the drop formation process. Based on the function and principle of fiber capacitance drop analyzer and with its present recognition algorithm considered，this paper proposes an overall implementing project by means of BP neural network technology. According to the principle of BP neural network，a three-layer BP neural network recognition method is designed，and embedded system and its analysis program are also developed. The experiments of typical samples are carried out and the results show that the majority of the samples is recognized correctly，the recognition ratio of some samples is above 96% and precision achieves 95%.

liquid drop analysis；liquid drop fingerprint；BP neural network；embedded system；recognition algorithm

TH744.4

A

0493-2137(2011)05-0445-05

2010-03-25；

2010-08-09.

裘祖榮（1958— ），男，博士，教授，qzr@tju.edu.cn．

陳新華，chxh@tju.edu.cn.