李德霞，黄廷磊，林 科，翟文军

(1.桂林电子科技大学电子工程与自动化学院，广西桂林 541004；2.中国科学院电子学研究所，北京 100190；3.桂林电子科技大学计算机科学与工程学院，广西桂林 541004)



基于RBF神经网络算法在重金属浓度测量中的应用

李德霞1，黄廷磊2，林 科3，翟文军1

(1.桂林电子科技大学电子工程与自动化学院，广西桂林 541004；2.中国科学院电子学研究所，北京 100190；3.桂林电子科技大学计算机科学与工程学院，广西桂林 541004)

针对在线重金属检测仪器其测量数据精度较低的问题进行研究，同时考虑电化学传感器随温度变化易产生误差，提出了采用多传感器数据融合方法，将RBF(Radial Basis Function Neural Network)算法应用到检测中。研究结果表明此方法可使重金属浓度检测系统的输出结果更加准确，实现了温度补偿，减轻了环境温度对传感器测量精度和稳定性带来的不利影响。

电化学传感器；RBF神经网络；温度补偿

0 引言

目前在线重金属浓度检测仪器其检测方法采用较多的为阳极溶出伏安法，原理是电化学传感器通过测量液体在某个确定电位电解时所产生的电流从而得到液体的浓度值，可同时测量Cu、Pb、Hg、Cd 4种金属浓度。这种传感器体积小、质量轻，灵敏度高，但其测量精度不高，且在干扰因素影响下误差会增大。一般采取的改善措施为硬件补偿，主要采用硬件电路来消除其影响，但难以做到全额补偿，又存在补偿电路调试困难、硬件漂移和精度低等缺点，不便于工程的实际应用。而软件方法却可以实现高精度的输出，软件补偿主要有数值分析法(最小二乘曲线拟合法和多段折线逼近法)和人工智能法(专家系统、神经网络、遗传算法和模糊系统)。……