Signalverarbeitung für chemische Sensoren mit neuronalen Netzen

Die Signalverarbeitung mit neuronalen Netzen dient dazu, zusammen mit einem Sensorarray die bei chemischen Sensoren unvermeidlichen Querempfindlichkeiten zu unterdrücken. Im Gegensatz zu klassischen Verfahren sind die neuronalen Netze an die verschiedensten Anwendungen anpassungsfähiger, benötigen aber eine große Anzahl an Kalibrierdaten. An einigen Beispielen wird erläutert, wie neuronale Netze die einzelnen Stoffe von Mischungen klassifizieren und quantifizieren können. So kann bereits mit zwei Halbleitergassensoren CO in einem zweikomponentigen Gasgemisch mit guter Genauigkeit identifiziert werden. Durch die Hinzunahme weiterer Informationen (redundante Sensoren, zeitaufgelöste Signale) kann sowohl die Ansprechzeit verkürzt werden wie auch die Qualität der Signalverarbeitung signifikant gesteigert werden. Beispiel sind schnelle Netze zur Klassifikation von NO2 und CO oder zur Berechnung anderer Gasgemische. Wie die Qualität eines Einzelsensors erheblich gesteigert werden kann, zeigt der Einsatz von Oberflächenwellenbauelementen zur Klassifikation von Fluiden in einem Fließinjektionsanlysensystem. Zusammenfassend kann man sagen, daß neuronale Netze ganz allgemein zur Klassifikation und zur Messung einzelner Stoffe verwendet werden können. Die Verwendung neuronaler Netze erfordert jedoch Erfahrung, Sorgfalt und einen nicht unerheblichen Kalibrieraufwand.