本发明属于传感器数据预测，具体涉及一种基于遗传算法优化神经网络的传感器数据预测方法。
背景技术：
1、电解质-绝缘体-半导体电容器(electrolyte-insulator-silicon capacitor，eiscap)是一种将生物化学敏感材料与半导体器件有机结合的电化学传感器。因其具有表面光滑、体积小、响应速度快、低功耗以及灵敏度高等特点，在生物化学传感器领域广泛应用。但随着测量数据量的不断增多，使用传统的测量方法不仅需要昂贵、笨重的实验室设备，如阻抗分析仪或电化学工作站等，而且测量速度较慢，耗时较长。除此之外，在使用一般插值方法拟合预测数据时会出现在数据点附近振荡的现象导致过拟合，影响插值结果的稳定性，进而影响传感器的测量精度及检测效率。
技术实现思路
1、为解决现有技术存在的技术问题，本发明提供了一种基于遗传算法优化神经网络的eiscap传感器数据预测方法，在传统的神经网络上通过遗传算法调整和优化神经网络的权值及阈值，设计了一种效率高、省时的基于ga-bp的eiscap传感器数据预测方法。
2、为实现上述目的，本发明所采用的技术方案为：一种基于ga-bp神经网络的电化学传感器数据预测方法，具体步骤如下：
3、步骤一、构建遗传算法优化的ga-bp神经网络模型；
4、步骤二、从数据拟合后的实验数据样本中提取的直流偏置电压大小作为输入特征量，以电解质-绝缘体-半导体电容器检测系统检测出的幅值大小作为输出特征量，确定幅值大小与偏置电压之间的对应关系，利用ga-bp神经网络模型对电解质-绝缘体-半导体电容器应用于ph缓冲溶液中的幅值检测数据进行数据预测，绘制幅值-偏置电压特性曲线。
5、电解质-绝缘体-半导体电容器检测系统包括电解质-绝缘体-半导体电容器、数据采集卡和幅值检测电路，基于半导体场效应，将与氮化硅薄膜有特异性点位相应的ph值转换为电信号，并将电信号输入数据采集卡中进行输出信号幅值提取，绘制幅值-偏置电压曲线。
6、ga-bp神经网络模型包括输入层、输出层、隐含层的层数、隐含层的节点数、网络权值和网络阙值，隐含层的层数q通过式(1)确定：
7、
8、隐含层的节点数q通过式(2)确定：
9、
10、其中，m为输入层节点数，n为输出层节点数，k为标准样本个数，a为1-10之间的常数。
11、隐含层的节点数根据不同的ph缓冲溶液决定，具体步骤如下：
12、获取训练样本：通过电解质-绝缘体-半导体电容器检测系统对不同的ph缓冲溶液分别进行幅值测量，测得的幅值数据作为训练集样本；
13、提取特征量：利用测得的幅值数据进行特征提取，以偏置电压大小作为输入特征量，以电解质-绝缘体-半导体电容器检测系统检测出的幅值大小作为输出特征量，以归一化后拐点电压偏移量作为缓冲液浓度的特征量；
14、练集样本：选取每个ph值缓冲液所测得的数据中固定步进的幅值测量数据作为训练集；
15、测试集样本：以固定步进的幅值测量数据作为测试集；
16、建立数据预测模型：通过ga-bp神经网络模型中的训练网络函数newff构建神经网络参数，该网络模型中的激活函数把电解质-绝缘体-半导体电容器检测系统的输出幅值大小与偏置电压间的非线性关系映射到高维特征空间，其中隐含层的激活函数为tansig函数，输出层的激活函数为purelin函数，采用训练函数trainlm函数对网络性能进行训练，最后利用遗传算法优化神经网络各神经元节点的权值及阈值，对整个网络进行训练测试学习。
17、建立数据预测模型的具体步骤如下：
18、初始化种群：随机生成一组个体，将生成的个体组成种群，种群中的每个个体代表一个潜在的解决方案，根据bp神经网络的结构确定个体长度l，每个个体包含了神经网络的所有权值和阈值；
19、阈值个数公式b为：
20、b＝q+n (3)
21、权值个数公式w为：
22、w＝m×q+q×n (4)
23、个体编码长度l为：
24、l＝b+w＝q+n+m×q+q×n (5)
25、其中，m为输入层节点数，q为隐含层节点数，n为输出层节点数；
26、确定适应度函数：计算适应度值，具体计算如式(6)所示：
27、
28、其中，t为真实值，p为预测值，k为样本数量；
29、选择操作：所采用的选择策略为轮盘赌法，其基本原理是基于个体的适应度比例进行选择的，每个个体xi被选中的概率pi为：
30、
31、其中，m为群体中所有个体适应值之和，n为种群个体数目；
32、交叉操作：将两个父代个体的部分结构加以替换重组而生成新个体；
33、变异操作：对群体中个体串的基因值作变动；
34、寻找最优解：对最优解进行解码得到最优初始权值和阈值，并对拥有最优初始权值和阈值的bp神经网络再次进行训练，得到拟合模型。
35、ga-bp神经网络中权值和阈值的更新公式如下所示：
36、连接输入层和隐含层的权重wij，更新公式为：
37、
38、其中，是更新后的权值，是原始的权值，α是学习率，δj是隐含层神经元j的误差项，xi是输入层神经元i的输出；
39、输入层和隐含层的阈值bj，更新公式为：
40、
41、其中，是更新后的阈值，是原始的阈值，α是学习率，δj是隐含层神经元j的误差项；
42、连接隐含层和输出层的权重wjk，更新公式为：
43、
44、其中，是更新后的权值，是原始的权值，α是学习率，δk是输出层神经元k的误差项，yj是隐含层神经元j的输出；
45、隐含层和输出层的阈值bk，更新公式为：
46、
47、其中，是更新后的阈值，是原始的阈值，α是学习率，δk是输出层神经元k的误差项。
48、本发明与现有技术相比，具体有益效果体现在：
49、1、本发明是利用eiscap传感器输出幅值大小与偏置电压的对应关系，绘制eiscap幅值-偏置电压特性曲线，根据该特性曲线对eiscap传感器测量数据进行拟合预测。
50、2、本发明采用ga-bp神经网络算法模型对eiscap传感器测量数据进行拟合预测，无需多次测量数据集，通过该网络模型直接对不同步进的直流偏置电压条件进行数据拟合预测，缩短实际测量时间，相较于传统插值法的测量误差小，能够进一步提高eiscap传感器的检测精度和检测效率。
51、3、本发明利用少量传感数据通过ga-bp神经网络算法训练建立数据预测模型，对eiscap传感数据进行精准的预测，采用较少的采样数据量即可获得高精度的检测结果。
52、4、本发明所建立的ga-bp神经网络模型可以对eiscap传感器输出信号幅值的工作电压点进行预测计算，进一步解决实际应用问题，且具有良好的适用性和灵活性，易于实施，有利于后续的推广和应用。
1.一种基于ga-bp神经网络的电化学传感器数据预测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于ga-bp神经网络的电化学传感器数据预测方法，其特征在于，所述电解质-绝缘体-半导体电容器检测系统包括电解质-绝缘体-半导体电容器、数据采集卡和幅值检测电路，基于半导体场效应，将与氮化硅薄膜有特异性点位相应的ph值转换为电信号，并将电信号输入数据采集卡中进行输出信号幅值提取，绘制幅值-偏置电压曲线。
3.根据权利要求2所述的一种基于ga-bp神经网络的电化学传感器数据预测方法，其特征在于，所述ga-bp神经网络模型包括输入层、输出层、隐含层的层数、隐含层的节点数、网络权值和网络阙值，隐含层的层数q通过式(1)确定：
4.根据权利要求3所述的一种基于ga-bp神经网络的电化学传感器数据预测方法，其特征在于，隐含层的节点数根据不同的ph缓冲溶液决定，具体步骤如下：
5.根据权利要求4所述的一种基于ga-bp神经网络的电化学传感器数据预测方法，其特征在于，建立数据预测模型的具体步骤如下：
6.根据权利要求3所述的一种基于ga-bp神经网络的电化学传感器数据预测方法，其特征在于，ga-bp神经网络中权值和阈值的更新公式如下所示：
