水源安全模糊发光微生物传感器的研究

魏胜非，陈彩云，许德玄

（1.东北师范大学物理学院，吉林 长春 130024；2.东北师范大学城市与环境科学学院，吉林 长春 130024）

近年来，水源污染事件屡有发生，例如松花江水污染事件、盐城水污染事件、赤峰水污染事件等，这些事件直接给人们的身体健康带来了危害，严重的可危及人们的生命安全.适时地对水源进行检测已成为一个十分重要的课题.目前，对水源的急性毒物检测方法主要有化学实验室分析方法和生物检测法.化学分析方法结果精确，但耗时长、成本高，依靠此种方法进行适时检测难度较大，这也是该方法虽存在已久，但污染水源事件未能做到及时预警的主要原因［1－2］.生物检测方法对于饮用水安全检测来说不失为一种好方法，所谓生物检测就是利用水生生物——鱼、蚤、发光微生物等对水中急性毒物进行检测，特别是利用发光微生物的方法是近年来常使用的一种方法.当水中的急性毒物达到一定的浓度，会使水生生物的生物习性发生改变，从而判定水中急性毒物的含量.急性毒物含量的确定在实际检测中并不是人们所关心的量值，因为精确值的确定往往依靠化学分析，但是化学分析需要24h以上的时间，对饮用水源急性毒物的含量人们最关心的是剧毒、有毒、正常这三个状态.采用模糊微生物传感器正是能将数值量转变为符号描述，从而便于检测人员分析检测结果，快速地做出分析判断［3］.一旦判定饮用水源地急性毒物超标，立即停止取水，确保水厂内存水以及水生产输送设备不被污染，为采取进一步的措施赢取时间.

1 模糊生物传感器的结构原理与功能

1.1 模糊传感器的定义

模糊传感器是以数值测量为基础，能产生和处理与其有关的符号信息，实现被测对象信息自然语言表达的智能传感器［4］.核心部分是语言符号的产生，也就是将数值测量通过模糊集方法转换成语言符号.模糊集合的定义为：对于由一个对象组成的论域U＝｛x1，x2，…，xn｝，U 为由对象中所有的元素xi（i＝1，2，…，n）构成的集合.设从U 到［0，1］闭区间有映射μA，表示为μA：U→［0，1］，则称μA确定了U的一个模糊集合，而μA称为模糊集合A的隶属函数.映射μA将U上任意一点x映射到闭区间［0，1］上的值为μA（x），称为论域U中元素x隶属于模糊集合A的程度，简称x对A的隶属度.μA（x）的取值范围为［0，1］，其大小反映了x属于A的程度，其值接近于1时表示x属于A的程度高，其值接近于0时表示属于A的程度低［5］.

1.2 模糊生物传感器的功能

模糊传感器作为一种智能传感器，它具有学习、推理、感知、通信功能.其中学习功能是其最重要的一种功能.模糊传感器能够实现在专家指导下学习或实现无需专家指导的自组织学习，并能够针对不同的测量任务要求选择合适的测量方案［6］.

1.3 模糊生物传感器的基本结构

模糊传感器的基本结构可以分为物理结构和软件结构：物理结构包括CPU、基础测量单元、存储器、接口、通信单元，其中CPU完成的是对整个模糊传感器系统的管理和监督，它不仅包括对模糊传感器自身进行的管理，还包括接收上级系统的指令，启动或关闭模糊传感器的工作.基础测量单元是由传统的传感器敏感单元、信号调理电路以及数模转换器组成的.存储器包括存放的知识库与数据库，以及算法和学习软件.其中，通过软件实现语言符号的生成与处理.接口的作用是通过其输入专家信号，实现专家指导下的学习.软件结构包括管理模块、数值处理模块、数值／符号转换模块、概念生成模块等.

2 模糊生物传感器的语言概念产生方法

2.1 应用语义关系方法产生模糊生物传感器的语言概念

模糊传感器的作用是提供数值测量的语言描述，因此产生语言概念是模糊传感器的重要功能之一.运用语义间的语义关系产生概念是一种好方法.模糊传感器可输入多个语言描述，这些语言描述通过它们语义间的关系相联系.语义关系可归因于语言域Y上的顺序关系.该关系又同数值域上的大小关系相对应，所有概念间的这种关系由传感器自身管理.

图1 隶属函数示意图

引入一个定义：把对应于数值域中那些最具有代表性的测量点或测量范围的语言描述称之为属概念（generic concept）.因此定义属概念为“有毒”（用t1表示）和“无毒”（用t2表示），其相应的隶属函数为：对于x∈U，μR（t1，x）＝a则x∈U，μR（t2，x）＝1－a.隶属函数采用梯形，如图1所示.定义“非常”（very）模糊算子，则very（t1）表示剧毒；而very（t2）表示非常无毒.因为无毒已经可以表达水检测的需要，所以非常无毒这个新概念即可由无毒属概念包含.把x隶属于新生概念“very（t1）”的程度即隶属函数μR（very（t1），x）表示为隶属函数μR（t1，x）的函数形式，则μR（very（t1），x）＝f［μR（t1），x］，则有：若μR（t1，x）＞0.5，则有μR（very（t1），x）＜μR（t1，x）；若μR（t1，x）＜0.5，则有μR（very（t1），x）＞μR（t1，x）.在满足上述条件下，可选择函数的形式为

式中：ζ属概念隶属函数；k修正因子，（满足0＜k＜1）.

新概念如果同实际测量不符，则需要训练隶属函数［7］.

2.2 模糊生物传感器的隶属函数训练方法

模糊生物传感器对测量环境的适应性是通过专家指导下的定性学习方法实现的.将专家和模糊生物传感器对同一被测定量的语言描述的差异作为修正量，对模糊生物传感器的语言描述进行修正，实际上就是对模糊生物传感器的隶属函数进行训练，从而使其能够适应各种复杂的监测环境.由于在监测水环境时，温度、监测水化学毒性成分、pH值等因素的不确定性，使得单一的语言描述适用范围很窄.为了能够适用于复杂的水监测环境，就要采用专家指导下的定性学习.其训练方法为首先对very（t1）概念进行训练，设训练样本t∈［t0，t1］，由经验曲线计算μR（very（t1），x）和μR（t1，x）.若μR（very（t1），x）≧μR（t1，x），该语言概念very（t1）同训练样本的状态是相符，若Δ＝x01－x＜δ，δ为给定的阈值，则该隶属函数符合实际.

3 模糊生物传感器在饮用水检测中的应用

3.1 模糊化过程

在相同的浓度下，不同的急性毒物对发光微生物的影响不同.本文以苯酚为急性毒物样本建立初始隶属函数，采用青海弧菌Q 67为研究用发光微生物.青海弧菌Q 67是一种淡水微生物，同其他海洋发光微生物相比更适合于饮用水源的检测，因而本研究以其为检测急性毒物的检测媒介.经常作为急性毒物的样本为氯化汞、苯酚，它们对应的EC50不同.初始取相对发光度变化10%时为有毒，50%为剧毒.取δ为5%.则

隶属函数如上（2），（3），（4）式所示.由于以上隶属函数为初始设定，在实际的检测过程中，很可能有同实际检测结果不适应的情况，为此需要相应的调整隶属函数.

3.2 有导师学习

由于急性毒物种类繁多，且每种急性毒物的毒性划分标准不同，因而其隶属函数也就不同.为了能够适应实际检测环境对未知急性毒物进行划分，就需要模糊生物传感器能够自行调整其隶属函数，即能够进行有导师的学习.有导师学习的基本原理是通过比较导师和模糊生物传感器对同一被测量物定性描述的差别，调整模糊传感器的隶属函数，从而使模糊生物传感器的描述接近于导师的描述.针对饮用水水源地的急性毒物检测同其他的学习方法不同，有其独特的一面.因为饮用水水源地的安全直接关系到人们的身体健康，因而在学习过程中应把握标准从严的原则，而不是盲从于导师的学习.这一点是模糊生物传感器的特点，也是要求在设计其学习算法时应遵循的基本原则.例如：敌敌畏、乐果、马拉硫磷、甲基对硫磷等杀虫剂，它们的毒性划分标准不同，但是在调整隶属函数时应从严把握.

3.3 实验数据分析

以青海弧菌Q 67为发光微生物建立模糊生物传感器，该传感器由发光微生物、光电倍增管、信号放大器、导师学习系统、模糊化模块等组成.根据《GB／T1544121995水质急性毒性的测定：发光细菌法》，通过采用相对发光度或相对抑光度来表征毒物所在环境的生物毒性水平［8］.

本文采用相对发光度来测量急性毒物对发光微生物发光度的影响［9］.首先以苯酚为急性毒物测试样本，测得的不同浓度下，苯酚对青海弧菌Q 67的发光度影响结果见表1所示.

表1 苯酚对青海弧菌Q 67的发光度影响结果

由于发光微生物的发光受外界影响和本身的影响较大，因而波动性较大，这也是将模糊理论应用于生物检测的难点.5%的相对发光度变化对于发光微生物而言是可以接受的，但是对于精确检测而言是不能允许的误差.考虑到用于急性毒物检测，相对于精度而言，检测速度更为重要.因此取δ为10%.相对发光度为20%时为有毒，50%为剧毒.则相应的隶属函数调整如下：

根据以上隶属函数可以编制程序，也可以用电子线路设计相应的硬件电路.硬件电路计算速度要高于软件的运算速度.

4 结论

将模糊理论应用于生物传感器的检测技术，有效解决了生物传感器检测技术所亟待解决的从量化到语言化的问题.将其应用于水源地取水环境的快速检测，可以极大地提高水源地取水急性毒物的检测速度，特别是对边远地区的水源地取水检测有着重要意义.降低了操作人员的入门要求，从而为避免急性水源污染事件的发生提供了有效的工具.由于发光微生物的自身及环境影响波动较大，因此该方法仅适用于快速定性检测，精确的毒物含量及种类的判别还需要借助化学分析方法，所以建议将此方法同化学分析方法配合使用.

［1］魏胜非，陈彩云，许德玄.基于青海弧菌 Q 67的饮用水环境虚拟检测仪测［J］.东北师大学报：自然科学版，2010，42（2）：143－146.

［2］陈晶，魏胜非.基于ZigBeen技术的灵芝无线传感器监测网络［J］.东北师大学报：自然科学版，2011，43（1）：109－112.

［3］陈彩云，魏胜非.柴油机尾气处理中的湿度检测融合算法［J］.东北师大学报：自然科学版，2009，41（4）：82－85.

［4］刘君华.智能传感器系统［M］.西安：西安电子科技大学出版社，1999：363－376.

［5］付华，王涛，杨崔.模糊传感器在煤矿瓦斯监测中的应用［J］.传感器与微系统，2009，28（1）：115－120

［6］刘立伟，王英杰，牛彦文.模糊水分计的研究［J］，传感技术学报，2003（1）：69－73.

［7］韩国才，澈丽木格.模糊数学法在水环境质量评价中的应用［J］.南水北调与水利科技，2008，6（5）：101－104

［8］朱文杰，郑天凌，李伟民.发光细菌与环境毒性检测［M］.北京：中国轻工业出版社，2009：208－209.

［9］BULICH A A.Use of luminescent bacteria for determining toxicity in aquatic environments［G］／／ MARKING L L，AKIMERLE R.Aquatic toxicology STP667.Philadelphia，PA：American Society for Testing and Materials，1979：98－106.