裘祖榮，陳新華，李杏華，任妮娜

光纖電容液滴分析儀及其識(shí)別算法

裘祖榮，陳新華，李杏華，任妮娜

(天津大學(xué)精密測(cè)試技術(shù)及儀器國(guó)家重點(diǎn)實(shí)驗(yàn)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(cè)過程中獲得的物理、化學(xué)特性參數(shù)，進(jìn)行液體識(shí)別．基于液滴分析儀的功能原理，結(jié)合其現(xiàn)有的識(shí)別算法，提出了一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的液體識(shí)別方案，設(shè)計(jì)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(jì)．對(duì)典型樣品進(jìn)行了測(cè)試實(shí)驗(yàn)，結(jié)果表明，對(duì)大部分液體可以進(jìn)行完全識(shí)別，部分液體的識(shí)別率達(dá)96%以上，識(shí)別精度可達(dá)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(shí)別算法

隨著全球經(jīng)濟(jì)的飛速發(fā)展和人們生活水平的提高，人們對(duì)污染的控制，對(duì)飲食、醫(yī)藥和工業(yè)用液的質(zhì)量監(jiān)測(cè)都提出了更多、更高的要求，迫切需要功能更強(qiáng)、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(duì)可持續(xù)發(fā)展戰(zhàn)略和保護(hù)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(shí)別液體細(xì)微差別的依據(jù)，由此可以很方便地識(shí)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(qiáng)、容易用于在線測(cè)量、為理想的“綠色儀器”等特點(diǎn)，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(cè)和資源保護(hù)等涉及液體監(jiān)測(cè)的領(lǐng)域．筆者主要實(shí)現(xiàn)了系統(tǒng)目標(biāo)的分類設(shè)計(jì)，使液滴分析儀有針對(duì)性的完成預(yù)定目標(biāo)；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(jì)上的復(fù)雜性；通過對(duì)以往識(shí)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(shí)別算法，并利用典型樣品的測(cè)試實(shí)驗(yàn)對(duì)算法進(jìn)行了驗(yàn)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(jì)原理框圖．根據(jù)圖1可知，光纖、電容液滴分析儀的設(shè)計(jì)主要由精密微量供液泵，光纖、電容液滴傳感器，光纖信號(hào)和電容信號(hào)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(jì)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(xì)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(dǎo)入液滴，經(jīng)液滴的折射、反射、吸收等作用，部分進(jìn)入輸出光纖作為信號(hào)傳出．這部分傳出光的光強(qiáng)度發(fā)生變化，包含了液滴的物理、化學(xué)等綜合特性信息．傳出光信號(hào)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(jìn)入嵌入式系統(tǒng)進(jìn)行A/D轉(zhuǎn)換實(shí)現(xiàn)數(shù)據(jù)的處理，識(shí)別算法的編寫以及結(jié)果的液晶顯示．同時(shí)，隨著液滴生長(zhǎng)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(jìn)入嵌入式系統(tǒng)進(jìn)行A/D轉(zhuǎn)換實(shí)現(xiàn)數(shù)據(jù)的處理，識(shí)別算法的編寫以及結(jié)果的液晶顯示．

2 基于時(shí)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(jìn)行液體識(shí)別，具有適用范圍廣、綜合能力強(qiáng)、操作簡(jiǎn)單、使用方便等優(yōu)勢(shì)．由于液滴指紋圖是表征液體特性的綜合數(shù)據(jù)庫(kù)，如果液體在物理、化學(xué)性質(zhì)上有所改變，無論是單一或者多項(xiàng)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(duì)彼此加以區(qū)分，而不需要對(duì)眾多特性參數(shù)一一進(jìn)行測(cè)量檢驗(yàn)．

由液滴指紋圖得到的圖像信息包含的數(shù)據(jù)量相當(dāng)大，為了有效地實(shí)現(xiàn)識(shí)別，有必要對(duì)原始數(shù)據(jù)進(jìn)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(gè)特征值即為一個(gè)特征向量．

現(xiàn)有的液滴指紋圖特征提取方法是以時(shí)間為坐標(biāo)軸，將光纖、電容信號(hào)分別處理，采用單位時(shí)間內(nèi)電容信號(hào)變化量的絕對(duì)值劃分液滴生長(zhǎng)時(shí)間和滴落時(shí)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(zhǎng)時(shí)間內(nèi)光纖信號(hào)平均值Fμ；③生長(zhǎng)時(shí)間內(nèi)電容信號(hào)平均值Cμ；④生長(zhǎng)時(shí)間內(nèi)光纖信號(hào)波谷值Fmin；⑤生長(zhǎng)時(shí)間內(nèi)光纖信號(hào)波峰值Fmax；⑥生長(zhǎng)時(shí)間內(nèi)光纖信號(hào)波谷波峰差值FΔV；⑦生長(zhǎng)時(shí)間內(nèi)電容信號(hào)波谷值Cmin；⑧生長(zhǎng)時(shí)間內(nèi)電容信號(hào)波峰值Cmax；⑨生長(zhǎng)時(shí)間內(nèi)電容信號(hào)波谷波峰差值CΔV．

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

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(diǎn)間的連接來儲(chǔ)存信息并完成分類計(jì)算．ANN通過學(xué)習(xí)，根據(jù)訓(xùn)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(xué)習(xí)能力使其能在復(fù)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(cuò)性和聯(lián)想記憶功能、自適應(yīng)和自學(xué)習(xí)能力等特點(diǎn)，特別是以改進(jìn)型BP網(wǎng)絡(luò)為代表的神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)能力、強(qiáng)大的分類能力、容錯(cuò)能力和魯棒性，可以實(shí)現(xiàn)輸入到輸出的非線性映射，圖2為具有1個(gè)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(gè)階段組成：①學(xué)習(xí)期，神經(jīng)元之間的連接權(quán)值可由學(xué)習(xí)規(guī)則進(jìn)行修改，以使目標(biāo)函數(shù)達(dá)到最?。虎诠ぷ髌?，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(xué)習(xí)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(dǎo)的學(xué)習(xí)算法．算法由正向信號(hào)傳播和反向信號(hào)傳播組成．正向傳播是指，輸入信號(hào)由輸入層經(jīng)隱含層再到輸出層由前向后計(jì)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(jìn)行相減，然后得到相應(yīng)的誤差，再進(jìn)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(yù)期的要求．其數(shù)學(xué)描述可表示為

式中：jO表示所考慮層中第j個(gè)神經(jīng)元的輸出；iO表示前一層第i個(gè)神經(jīng)元的輸出；ijW表示前一層第i個(gè)神經(jīng)元到所考慮層第j個(gè)神經(jīng)元相應(yīng)的權(quán)值；jb表示所考慮層中第j個(gè)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(duì)于網(wǎng)絡(luò)實(shí)際輸出而言，誤差函數(shù)可表示為

式中：jt表示學(xué)習(xí)樣本期望輸出；jy表示網(wǎng)絡(luò)實(shí)際輸出．當(dāng)滿足Eε＜時(shí)，結(jié)束學(xué)習(xí)，固定已完成學(xué)習(xí)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(gè)模式分類器．當(dāng)學(xué)習(xí)樣本組以外的輸入模式輸入網(wǎng)絡(luò)時(shí)，根據(jù)實(shí)際進(jìn)行模式識(shí)別．

圖2 具有1個(gè)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(shí)別方案

識(shí)別是所有智能系統(tǒng)面對(duì)紛繁復(fù)雜的傳感器數(shù)據(jù)時(shí)，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(shí)別是一門以應(yīng)用為基礎(chǔ)的科學(xué)，目的是將對(duì)象進(jìn)行分類．基于BP神經(jīng)網(wǎng)絡(luò)的液體識(shí)別問題的本質(zhì)就是一個(gè)模式識(shí)別問題，一個(gè)典型的模式識(shí)別任務(wù)包括：預(yù)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(shí)別物體即為要識(shí)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(yù)處理為從這些特征值中選取有用的特征信息以提高識(shí)別精度．而液滴識(shí)別算法的核心任務(wù)就是對(duì)液滴指紋圖的特征提取和選擇，并設(shè)計(jì)分類器．實(shí)驗(yàn)表明，要取得好的識(shí)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(jì)適當(dāng)?shù)姆诸惼?，?duì)于提高識(shí)別率也是相當(dāng)重要的．

圖3 液體識(shí)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(diǎn)數(shù)的選擇，網(wǎng)絡(luò)隱含層數(shù)的選擇，以及每個(gè)隱含層節(jié)點(diǎn)數(shù)的選擇．經(jīng)過實(shí)驗(yàn)的反復(fù)驗(yàn)證，最終選定了830X××的3層BP神經(jīng)網(wǎng)絡(luò)法來進(jìn)行液體的識(shí)別，即8個(gè)輸入節(jié)點(diǎn)、30個(gè)隱含層節(jié)點(diǎn)和X個(gè)輸出節(jié)點(diǎn)．

輸入節(jié)點(diǎn)數(shù)的選擇由應(yīng)用要求決定，一般等于要訓(xùn)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(diǎn)數(shù)選為液體的8個(gè)特征值數(shù)目，即：①液體液滴總周期T；②液體液滴生長(zhǎng)時(shí)間1T；③生長(zhǎng)時(shí)間內(nèi)光纖信號(hào)平均值μF；④生長(zhǎng)時(shí)間內(nèi)電容信號(hào)平均值μC；⑤生長(zhǎng)時(shí)間內(nèi)光纖信號(hào)波谷值minF；⑥生長(zhǎng)時(shí)間內(nèi)光纖信號(hào)波峰值maxF；⑦生長(zhǎng)時(shí)間內(nèi)電容信號(hào)波谷值minC；⑧生長(zhǎng)時(shí)間內(nèi)電容信號(hào)波峰值maxC．

輸出節(jié)點(diǎn)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(diǎn)數(shù)X即為所要識(shí)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(diǎn)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(shí)驗(yàn)和實(shí)際經(jīng)驗(yàn)做出合適的選擇．已經(jīng)證明[14]僅含一個(gè)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(gè)集上的任意非線性函數(shù)，實(shí)現(xiàn)任意分類問題，因此本文中采用一個(gè)3層網(wǎng)絡(luò)．隱層節(jié)點(diǎn)數(shù)是根據(jù)實(shí)際經(jīng)驗(yàn)和參考實(shí)驗(yàn)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(duì)應(yīng)的隱含層和輸出層修正權(quán)值學(xué)習(xí)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(jī)數(shù)產(chǎn)生權(quán)值矩陣．

5 樣品測(cè)試實(shí)驗(yàn)及結(jié)果分析

圖4 光纖電容液滴分析儀實(shí)驗(yàn)裝置Fig.4 Experimental equipment of liquid drop recognition Fig.4 system

采用如圖4所示的實(shí)驗(yàn)裝置對(duì)5類不同液體進(jìn)行實(shí)驗(yàn)，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?jǐn)?shù)的酒精識(shí)別為例來表述數(shù)據(jù)的處理過程，最后給出其他實(shí)例的識(shí)別結(jié)果及分析．

對(duì)不同體積分?jǐn)?shù)的酒精特征值做了統(tǒng)計(jì)，表1所示為學(xué)習(xí)樣本(60組480個(gè))各個(gè)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(xùn)練集和測(cè)試集，分別用于設(shè)計(jì)分類器和檢驗(yàn)分類器．其中用60組(480個(gè))特征值作為分類器，用剩余的437組(3 496個(gè)特征值)來檢驗(yàn)分類器，得出正確識(shí)別率，進(jìn)而檢驗(yàn)分類器的好壞．本文規(guī)定輸出向量Y={y0,y1,y2,…,yn}，當(dāng)網(wǎng)絡(luò)達(dá)到終止規(guī)則——正確識(shí)別率大于0.99或達(dá)到最大迭代次數(shù)時(shí)，停止訓(xùn)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(jìn)行識(shí)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(xùn)練好的權(quán)值，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的使用．這時(shí)，輸出向量定義為{1,0,0,…,0}，其中，1表示目前正在檢測(cè)的液體是其對(duì)應(yīng)位置上的液體，0表示的意思與1正好相反，達(dá)到神經(jīng)網(wǎng)絡(luò)液體識(shí)別的目的．

表1 學(xué)習(xí)樣本特征值均值Tab.1 Average eigenvalue of samples for training

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

表2 飲用酒樣品識(shí)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(shí)別率，但由于道光高粱酒和杜康酒的酒精體積分?jǐn)?shù)相同(45%)，成分也極為相似(純凈水、高粱及小麥等)，在這里識(shí)別率比較低，83.78%的杜康酒就被識(shí)別成為道光高粱酒．針對(duì)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(xùn)練次數(shù)，可以識(shí)別成分極為相似的樣品，并獲得比表2更高的識(shí)別率．

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

其他樣品識(shí)別結(jié)果如表3所示，可以看出：各類液體樣品的識(shí)別率較高，成分差異大的不同樣品識(shí)別率可達(dá)100%，即可以進(jìn)行完全識(shí)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(shí)別率相對(duì)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(shí)別．

6 結(jié) 語

基于BP神經(jīng)網(wǎng)絡(luò)的液體識(shí)別算法的嵌入式系統(tǒng)實(shí)現(xiàn)，較前期的識(shí)別技術(shù)有更強(qiáng)的液滴識(shí)別潛力．測(cè)試實(shí)驗(yàn)表明：經(jīng)過上萬次訓(xùn)練后，對(duì)大部分液體可以進(jìn)行完全識(shí)別，部分液體的識(shí)別率能達(dá)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(xùn)練網(wǎng)絡(luò)，以達(dá)到識(shí)別的目的，且識(shí)別精度可達(dá)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(guó)雄，王春海，等. 液滴分析技術(shù)的研究[J].天津大學(xué)學(xué)報(bào)，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(guó)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(jì)[J]. 儀器儀表學(xué)報(bào)，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.