【正文】 ，可直接接TTL/CMOS電平的MCS51型單片機的串行發(fā)送端TXD；,可直接接TTL/CMOS電平的MCS51型單片機的串行接受端RXD；，可直接接PC機的RS232串口接受端RXD；,可直接接PC機的RS232串口發(fā)送端TXD。硬件原理圖如圖211所示。圖211 通信接口電路串口通信的硬件連接采用三線制連接串口，就是說和PC的9針串口只連接其中的3根線：第5腳的GND、第2腳的RXD、第3腳的TXD。這是最簡單的連接方法，但是對本題來說已經(jīng)足夠了，MAX232的第11腳和單片機的11號引腳連接，第12腳和單片機的10腳連接，第15腳和單片機的20腳連接。MAX232的第14腳和PC機串口的2號引腳連接，第13腳和PC機串口的3號引腳連接，第15腳和PC機串口的5號引腳連接。本課題氣體傳感器陣列對不同氣體進行檢測，期望可通過對氣味數(shù)據(jù)的處理將他們鑒別出來，但傳感器多測量的信號與氣體之間沒有直接的對應(yīng)關(guān)系，因此需要通過模式識別算法進行處理。常用的模式識別算法有：（1）k近鄰法：k近鄰法是根據(jù)距離最近的K個樣例類型來推測該樣例類型的方法；（2）聚類分析：聚類分析指將物理或抽象對象的集合分組成為由類似的對象組成的多個類的分析過程；（3）判別分析：判別分析又稱“分辨法”，是在分類確定的條件下，根據(jù)某一研究對象的各種特征值判別其類型歸屬問題的一種多變量統(tǒng)計分析方法；（4）主成分分析：將多個變量通過線性變換以選出較少個數(shù)重要變量的一種多元統(tǒng)計分析方法，稱主分量分析等等。在本課題中我們將采用學習向量量化。（PCA）PCA又稱為主成分分析，是在電子鼻領(lǐng)域應(yīng)用最多的算法之一。設(shè)有n個樣本，m個變量，則原始測量數(shù)據(jù)的矩陣向量為將原始數(shù)據(jù)標準化，得到標準化的測量值：式中為變量測量值的樣本平均值；為變量測量值的樣本標準差。將標準化的測量值組成對應(yīng)的新矩陣向量，并求其協(xié)方差矩陣，然后求協(xié)方差矩陣的特征值，按大小順序排列得，對應(yīng)的特征向量為。所求特征向量按順序分別稱為第1,2,3,4…m主成分。各主成分的貢獻率按下式進行計算：取前個主成分方向上的得分： 主成分分析的實質(zhì)就是尋找在最小均方意義下最能夠代表原始數(shù)據(jù)的投影方法，如圖所示。主成分分析方法易于理解，便于實現(xiàn)，通常取原始數(shù)據(jù)在前2個或前3個主成分上的投影進行繪圖，為保證繪圖的可靠性，要求前2個或前3個主成分的累計貢獻率在80%以上。（LVQ）學習向量量化(LVQ)神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的訓練競爭層的方法。學習向量量化網(wǎng)絡(luò)能夠?qū)θ我廨斎胂蛄窟M行分類，不管它們是不是線性可分，這點比感知器神經(jīng)網(wǎng)絡(luò)要優(yōu)越得多。[17]，網(wǎng)絡(luò)由3層神經(jīng)元組成,即輸入層、。該網(wǎng)絡(luò)在輸入層與競爭層之間為完全連接,而在競爭層與線性輸出層之間為部分連接,每個輸出神經(jīng)元與競爭神經(jīng)元的不同組相連接,競爭層和線性輸出神經(jīng)元之間的連接權(quán)值固定l。輸入層和競爭神經(jīng)元間的連接權(quán)值建立為參考矢量的分量(對每個競爭神經(jīng)元指定一個參考矢量)。在網(wǎng)絡(luò)訓練過程中，這些權(quán)值被修改。競爭神經(jīng)元和線性輸出神經(jīng)元都具有二進制輸出值。當某個輸入模式被送至網(wǎng)絡(luò)時,參考矢量最接近輸入模式的競爭神經(jīng)元因獲得激發(fā)而贏得競爭, 因而允許它產(chǎn)生一個“1”,其他競爭神經(jīng)元都被迫產(chǎn)生“0”。與包括獲勝神經(jīng)元的競爭神經(jīng)元組相連接的輸出神經(jīng)元也發(fā)出“1”，而其他輸出神經(jīng)元均發(fā)出“0”。 產(chǎn)生“1”的輸出神經(jīng)元給出輸入模式的類,每個輸出神經(jīng)元被表示為不同的類[18]。LVQ網(wǎng)絡(luò)根據(jù)輸入向量和權(quán)值向量的最小歐氏距離選取獲勝神經(jīng)元，并且采用勝者為王的競爭機制，令該神經(jīng)元的輸出為1，其他神經(jīng)元的輸出為0。LVQ 神經(jīng)網(wǎng)絡(luò)的學習算法如下[19]:(1)產(chǎn)生隨機數(shù)設(shè)定輸入層和隱藏層之間的權(quán)值初始值。(2)將輸入向量 X = [x1, x2, , xn]T送入輸入層。(3)根據(jù)歐式距離d= 計算隱藏層與輸入向量的距離. (4)選擇與權(quán)值向量的距離最小的神經(jīng)元。(5)更新連接權(quán)值. 如果勝出神經(jīng)元和預先指定的分類一致, 稱為正確分類權(quán)值的調(diào)整按wi(t+ 1)=wi(t)+(t)(xwi(t))更新；如果勝出神經(jīng)元和預先指定的分類不一致，稱為不正確分類，權(quán)值的調(diào)整按wi(t +1)=wi( t) (t)(x wi(t))更新。其中t為迭代次數(shù)，(t)為學習步長。(6)判斷是否滿足預先設(shè)定的最大迭代次數(shù)，滿足則算法結(jié)束，否則返回(2)，進入下一輪的學習 網(wǎng)絡(luò)特點競爭層神經(jīng)網(wǎng)絡(luò)可以自動學習對輸入向量模式分類，但是競爭層進行的分類只取決于輸入向量之間的距離，當兩個輸入向量非常接近時，競爭層就可能將它們歸為一類。在競爭層的設(shè)計中沒有這樣的機制，即嚴格地判斷任意兩個輸入向量是屬于同一類還是屬于不同類。而對于LVQ網(wǎng)絡(luò)用戶指定目標分類結(jié)果，網(wǎng)絡(luò)可以通過監(jiān)督學習完成對輸入向量模式的準確分類。與其他模式識別和映射方式相比，LVQ神經(jīng)網(wǎng)絡(luò)優(yōu)點在于網(wǎng)絡(luò)結(jié)構(gòu)簡單，只通過內(nèi)部簡單的相互作用就可以完成十分復雜的分類處理，也容易將設(shè)計域中的各種繁雜分散的設(shè)計條件收斂到結(jié)論上來。而且它不需要對輸入向量進行歸一化，正交化處理，只需要直接計算輸入向量與競爭層之間的距離，從而實現(xiàn)模式識別，因而簡單易行[20]。4. 課程設(shè)計總結(jié)本課題研究的是基于SnO2氣體傳感器的納米電子鼻傳感器檢測系統(tǒng)，設(shè)計已基本達到了預期的效果，可以采集到不同氣體（H2S、氨氣和鹵素氣體）的數(shù)據(jù)，并通過LVQ對電子鼻氣味數(shù)據(jù)進行分析，能夠簡單的區(qū)別不同氣體，給以后生產(chǎn)生活帶來了諸多便利。但是整個系統(tǒng)還存在一定的誤差和不足之處，首先，該課題所涉及到的傳感器原理復雜，一時難以完全搞懂，其次，硬件方面電路不夠完善，我設(shè)計的電路過于簡單，雖然能夠采集到信號，但是精度以及速度方面都還有待改進和提高，在以后的研究中我會更加虛心的學習，期待找到更好的電路設(shè)計。在軟件方面, 程序編寫帶來很大困難，使得很難得到更精確的數(shù)據(jù)。這也是在本次設(shè)計一個非常大的遺憾。由于時間有限，本次課題的模式識別算法我們采用的是學習向量量化LVQ(Learning Vector Quantization)，但是還有概率神經(jīng)網(wǎng)絡(luò)（PNN）法，小波神經(jīng)網(wǎng)絡(luò)（WNN）等方法，在以后的學習中我會嘗試采用其他的模式識別算法。在以后的日子當中，我會繼續(xù)努力爭取能夠做出一個比較完善的納米電子鼻傳感器檢測系統(tǒng)，最終能夠投入市場。（1）．Creed Huddleston著，張鼎 ，2009（2）．松井邦彥 . 北京：科學出版社，2005（3）．. 北京：機械工業(yè)出版社，2012（4）．劉愛華、：人民郵電出版社，2010 （5）.：化學工業(yè)出版社，2011 （6）.楊建華，侯 宏，王 [J].傳感器技術(shù)，2003 (7). 王 磊，曲建嶺，[J].測控技術(shù)，1999 (8).高大啟，[J]. (9).[J].傳感器世界,1996 (10).段明秀,何迎生. 基于 LVQ神經(jīng)網(wǎng)絡(luò)的手寫字母識別. 吉首大學學報( 自然科學版). 2010年3月第31卷第2期第 21 頁