CN105651939B - 电子鼻系统中基于凸集投影的浓度检测精度校正方法 - Google Patents
电子鼻系统中基于凸集投影的浓度检测精度校正方法 Download PDFInfo
- Publication number
- CN105651939B CN105651939B CN201511004217.0A CN201511004217A CN105651939B CN 105651939 B CN105651939 B CN 105651939B CN 201511004217 A CN201511004217 A CN 201511004217A CN 105651939 B CN105651939 B CN 105651939B
- Authority
- CN
- China
- Prior art keywords
- gas
- sensor
- mtd
- concentration
- mrow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0006—Calibrating gas analysers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开了一种电子鼻系统中基于凸集投影的浓度检测精度校正方法，通过在电子鼻终端传感器阵列中设置一个高精度标准气体传感器，并将传感器阵列检测信号传输至服务器进行类别判断和浓度计算得到浓度检测结果，以所述高精度标准气体传感器对标准气体的浓度检测结果和温湿度为参照，利用凸集投影的方法调整各个待校正气体传感器的响应信号，修正气体浓度计算网络的输入值，使待校正气体传感器所测标准气体浓度值接近高精度标准气体传感器所测标准气体浓度值，以确定传感器校正系数，达到校正其它待测气体浓度检测结果的目的。其效果是：提升了电子鼻对所测气体浓度的检测精度，有效地解决电子鼻传感器差异及长期漂移问题。
Description
技术领域
本发明涉及电子鼻气体检测技术领域，具体涉及一种电子鼻系统中基于凸集投影的浓度检测精度校正方法。
背景技术
在电子鼻系统常见的气敏传感器类型中，金属氧化物半导体型传感器由于灵敏度较高、响应速度快、成本低廉以及电路简单等优点，应用相当广泛和普遍。然而，漂移问题则是金属氧化物半导体型传感器使用过程中不可忽视且难以避免的问题。根据传感器漂移所表现出来的特征，漂移可被分为两类，即短期漂移和长期漂移。其中，短期漂移指的是传感器响应信号随温湿度、气压等环境因素的变化而发生波动。这种波动的变化周期较短，一般表现在几个小时到几天内，因而称为短期漂移。长期漂移则是指传感器响应模式在较长使用时间范围内产生的一种缓慢的波动和变化。具体而言，是指传感器阵列的响应图谱相对同一分析对象随时间所产生的变化。目前已经有大量针对传感器漂移问题的研究。
基于金属氧化物半导体传感器阵列的电子鼻技术，在实际的推广应用中因传感器阵列个体间的差异问题较严重，从而阻碍了技术成果的转化，也是便携式电子鼻大批量生产与开发中的一个极待解决的瓶颈问题。传感器阵列信号差异问题是由传感器的离散性造成的，比如，当两个完全相同的传感器被置于相同的环境时，其输出响应却不同，从而会导致相同的电 子鼻系统却有着差别很大的预测结果。因此，关于传感器阵列信号偏差校正方面的研究也显得极为重要。
在基于金属氧化物半导体传感器阵列的电子鼻进行实际的浓度测量中，传感器自身的漂移问题和传感器阵列个体间的差异问题也是影响电子鼻对气体浓度检测精度的关键性因素。而通过研究信号处理算法，对传感器漂移带来的影响进行补偿或者抑制，对传感器个体间的信号差异进行校正也是目前提升电子鼻对气体浓度检测精度的主要方法。
发明内容
本申请所提出的是一种提升电子鼻系统中气体浓度检测精度的方法。主要通过解决基于金属氧化物半导体传感器阵列的电子鼻实际应用中存在的传感器漂移问题和传感器阵列个体间的差异问题来提升电子鼻对所测气体浓度的检测精度。
为解决上述技术问题，本发明所采用的具体技术方案如下：
一种电子鼻系统中基于凸集投影的浓度检测精度校正方法，其关键在于包括以下步骤：
S1：将服务器与多个电子鼻终端构成电子鼻系统，并在电子鼻终端的传感器阵列中设置一个标准气体传感器，则每个电子鼻终端获取的传感器信号包括一路标准气体传感器信号、一路温度信号、一路湿度信号以及n路待校正的气体传感器信号，且该电子鼻终端将上述各种信号传送至所述服务器中；
S2：在所述服务器中设置气体类别判定网络以及不同气体的气体浓度检测网络，并按照预范围和间隔设定不同的温湿度组合点(T,H)的n维校正 系数向量ATH；
S3：设置校正系数向量ATH初始值为通过标准气体依次遍历不同的温湿度组合点(T,H)进行训练，设标准气体传感器所检测出的浓度为D，待校正的气体传感器信号通过校正系数向量ATH校正后由标准气体浓度检测网络检测所得的浓度为Z，则根据Z与D之间的误差利用凸集投影方法改变校正系数向量ATH,直至校正系数向量ATH变化量为0；
S4：直接利用多路待校正的气体传感器信号进行气体浓度测试，通过气体类别判定网络检测气体类别，并以当前实测温湿度点最近的温湿度组合点(T,H)的校正系数向量ATH来调整各个待校正气体传感器的响应信号，通过相应气体类别的气体浓度检测网络检测该气体浓度；
步骤S3中所述的凸集投影方法具体如下：
S31：按照计算相对误差绝对值δ；
S32：按照改变校正系数向量ATH，其中δ0为预设阈值， i＝1～n，ωi,j表示标准气体浓度检测网络输入层中第i路待校正的气体传感器信号与隐含层中第j个隐含层节点之间的权值，m表示隐含层的节点数，ωmax表示ωi,i＝1～n之间的最大值。
作为进一步描述，所述电子鼻终端中还设置有微处理器、A/D转换模块、 通信模块、存储模块、供电模块，所述传感器阵列将检测到的气体信息转化为电信号后输入到所述A/D转换模块，所述A/D转换模块将模拟信号转换为数字信号后输入到所述微处理器，所述一路温度信号和一路湿度信号采用温湿度传感器获取，所述通信模块用于实现电子鼻终端与服务器之间的信息传输，所述供电模块为所述电子鼻终端供电，所述存储模块用于存储所述电子鼻终端的数据信息。
结合具体应用场景，设定甲醛为标准气体，苯、甲苯、一氧化碳、二氧化氮和氨气为待测气体，标准气体传感器为高精度电化学型甲醛传感器，待校正的气体传感器信号为TGS2602响应信号、TGS2620响应信号、TGS2201-A路输出信号和TGS2201-B路输出信号。
为了实现气体类别判断以及气体浓度检测，所述服务器中的气体类别判定网络采用Fisher线性判别法与人工神经网络/支持向量机相结合的混合模式识别网络，不同气体的气体浓度检测网络为智能算法优化的人工神经网络。
作为优选，不同气体的气体浓度检测网络的输入值均经过了归一化处理，因此各个待校正气体传感器的响应信号通过校正系数向量ATH调整后通过修正使其处于(0,1)之间。
本发明的有益效果为：以设置的标准气体传感器对标准气体的检测结果为参照，利用凸集投影法校正传感器响应信号，校正标准气体及其它待测气体的浓度检测结果，可有效地解决电子鼻终端板间差异及长期漂移问题，提升电子鼻对所测气体浓度的检测精度。
附图说明
图1为本发明的方法步骤流程图；
图2为为本发明的气体类别判定网络模型框图；
图3本发明的气体浓度检测网络模型框图；
图4为利用人工神经网络模型构成的气体浓度检测网络；
图5为具体实施例中TGS2602响应信号校正效果图；
图6为具体实施例中TGS2620响应信号校正效果图；
图7为具体实施例中TGS2201-A路输出信号校正效果图；
图8为具体实施例中TGS2201-B路输出信号校正效果图。
具体实施方式
本申请实施例通过在所述电子鼻终端传感器阵列中设置一个高精度标准气体传感器，并将传感器阵列检测信号传输至服务器进行类别判断和浓度计算得到浓度检测结果，以所述高精度标准气体传感器对标准气体的浓度检测结果和温湿度为参照，利用凸集投影的方法调整各个待校正气体传感器的响应信号，修正气体浓度计算网络的输入值，使待校正气体传感器所测标准气体浓度值接近高精度标准气体传感器所测标准气体浓度值，以确定传感器校正系数，达到校正其它待测气体浓度检测结果的目的。
为了更好的理解上述校正方法，下面将结合附图以及具体的实施方式，对上述校正方法进行详细的说明。
实施例：
本实施例中电子鼻需要检测的气体种类包含甲醛、苯、甲苯、一氧化碳、二氧化氮和氨气，设定甲醛为标准气体，苯、甲苯、一氧化碳、二氧化氮和氨气为待测气体，标准气体传感器为高精度电化学型甲醛传感器， 待校正的气体传感器信号为TGS2602响应信号、TGS2620响应信号、TGS2201-A路输出信号和TGS2201-B路输出信号。
电子鼻终端中还设置有微处理器、A/D转换模块、通信模块、存储模块、供电模块，所述传感器阵列将检测到的气体信息转化为电信号后输入到所述A/D转换模块，所述A/D转换模块将模拟信号转换为数字信号后输入到所述微处理器，所述一路温度信号和一路湿度信号采用温湿度传感器获取，所述通信模块用于实现电子鼻终端与服务器之间的信息传输，所述供电模块为所述电子鼻终端供电，所述存储模块用于存储所述电子鼻终端的数据信息。
基于上述设计，一种电子鼻系统中基于凸集投影的浓度检测精度校正方法，如图1所示：
S1：将服务器与多个电子鼻终端构成电子鼻系统，并在电子鼻终端的传感器阵列中设置一个标准气体传感器，则每个电子鼻终端获取的传感器信号包括一路标准气体传感器信号、一路温度信号、一路湿度信号以及4路待校正的气体传感器信号，且该电子鼻终端将上述各种信号传送至所述服务器中，本例中采用GPRS方式实现电子鼻终端与服务器之间的数据传输；
S2：在所述服务器中设置气体类别判定网络以及不同气体的气体浓度检测网络，并按照预范围和间隔设定不同的温湿度组合点(T,H)的n维校正系数向量ATH；
如图2所示，本例中的气体类别判定网络采用Fisher线性判别法与人工神经网络/支持向量机相结合的混合模式识别网络，该网络的输入值为归 一化后的温度、湿度和四个待校正传感器(TGS2602、TGS2620、TGS2201A/B)的响应值，用于对所测气体进行分类识别。
如图3、图4所示，不同气体的气体浓度检测网络采用智能算法优化的人工神经网络，由于人工神经网络算法本身容易陷入局部最优的缺点，相应的优化算法需要被设计，因此，我们采用智能优化算法优化人工神经网络，以获得更高的预测精度，该网络的输入值为归一化后的温度、湿度和四路待校正传感器(TGS2602、TGS2620、TGS2201A/B)的响应值。
S3：设置校正系数向量ATH初始值为(通常为0)，通过标准气体依次遍历不同的温湿度组合点(T,H)进行训练，设标准气体传感器所检测出的浓度为D，待校正的气体传感器信号通过校正系数向量ATH校正后由标准气体浓度检测网络检测所得的浓度为Z，则根据Z与D之间的误差利用凸集投影方法改变校正系数向量ATH,直至校正系数向量ATH变化量为0；
S4：直接利用多路待校正的气体传感器信号进行气体浓度测试，通过气体类别判定网络检测气体类别，并以当前实测温湿度点最近的温湿度组合点(T,H)的校正系数向量ATH来调整各个待校正气体传感器的响应信号，通过相应气体类别的气体浓度检测网络检测该气体浓度；
步骤S3中所述的凸集投影方法具体如下：
S31：按照计算相对误差绝对值δ；
S32：按照改变校正系数向量ATH，其中 δ0为预设阈值，本例设置δ0小于5％， i＝1～n，ωi,j表示标准气体浓度检测网络输入层中第i路待校正的气体传感器信号与隐含层中第j个隐含层节点之间的权值，m表示隐含层的节点数，ωmax表示ωi,i＝1～n之间的最大值。
本例中设定则针对第i路待校正的传感器信号而言，yi＝xi+ai,i＝1,...,4，xi为校正前的传感器原始响应，yi为校正后的传感器响应，ai即为校正系数向量ATH中相应位置的校正系数值，
由于不同气体的气体浓度检测网络的输入值均经过了归一化处理，因此各个待校正气体传感器的响应信号通过校正系数向量ATH调整后通过修正使其处于(0,1)之间。
进一步地，在训练过程中本实施例设置的温度存储方式设置为：从0℃至40℃每间隔2℃设置一个温度存储点，即温度共设置21个存储点；湿度存储方式设置为：从相对湿度40％至90％每间隔5％设置一个湿度存储点，即湿度共设置11个存储点。故温湿度组合存储点个数为231个，传感器校正系数存储区共设置231个校正系数向量ATH。
接下来通过实验测试验证本发明的技术效果，实验过程中，从0℃至40℃每间隔8℃设置一个温度遍历点，即温度共设置6个遍历点；湿度遍历方式设置为：从相对湿度40％至90％每间隔25％设置一个湿度遍历点，即湿 度共设置3个遍历点，总共得到温湿度组合遍历点个数为18个。
具体的实施过程为：调整恒温恒湿实验箱的温度和湿度，向箱体中连续分4次打入甲醛气体，通过传感器阵列采集每次打气传感器对甲醛气体的响应信号，并获取高精度电化学型甲醛传感器的检测结果。将温度调整为0℃,8℃,16℃,24℃,32℃以及40℃,相对湿度调整为40％，65％以及90％，在每组温湿度组合下分别进行测试。
图5、图6、图7、图8分别给出了在甲醛检测环境下，本发明对四路待校正传感器(TGS2602、TGS2620、TGS2201-A、TGS2201-B)响应信号的校正效果。从结果中可以看出，校正后的传感器响应值曲线与主板传感器响应值(标准传感器响应值)曲线拟合度较好，本发明能够对待校正传感器响应信号做到实时准确的在线校正。
本申请的上述实施例中，通过设计一种电子鼻系统中基于凸集投影的浓度检测精度校正方法，通过设置一个高精度电化学型甲醛传感器，以高精度标准气体传感器对标准气体的浓度检测结果和温湿度为参照，利用凸集投影的方法调整各个待校正气体传感器的响应信号，修正气体浓度计算网络的输入值，使待校正气体传感器所测标准气体浓度值接近高精度标准气体传感器所测标准气体浓度值。
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。
Claims (5)
1.电子鼻系统中基于凸集投影的浓度检测精度校正方法，其特征在于包括以下步骤：
S1：将服务器与多个电子鼻终端构成电子鼻系统，并在电子鼻终端的传感器阵列中设置一个标准气体传感器，则每个电子鼻终端获取的传感器信号包括一路标准气体传感器信号、一路温度信号、一路湿度信号以及n路待校正的气体传感器信号，且该电子鼻终端将上述各种信号传送至所述服务器中；
S2：在所述服务器中设置气体类别判定网络以及不同气体的气体浓度检测网络，并按照预范围和间隔设定不同的温湿度组合点(T,H)的n维校正系数向量ATH；
S3：设置校正系数向量ATH初始值为通过标准气体依次遍历不同的温湿度组合点(T,H)进行训练，设标准气体传感器所检测出的浓度为D，待校正的气体传感器信号通过校正系数向量ATH校正后由标准气体浓度检测网络检测所得的浓度为Z，则根据Z与D之间的误差利用凸集投影方法改变校正系数向量ATH,直至校正系数向量ATH变化量为0；
S4：直接利用多路待校正的气体传感器信号进行气体浓度测试，通过气体类别判定网络检测气体类别，并以当前实测温湿度点最近的温湿度组合点(T,H)的校正系数向量ATH来调整各个待校正气体传感器的响应信号，通过相应气体类别的气体浓度检测网络检测该气体浓度；
步骤S3中所述的凸集投影方法具体如下：
S31：按照计算相对误差绝对值δ；
S32：按照
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>T</mi>
<mi>H</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>T</mi>
<mi>H</mi>
</mrow>
</msub>
<mo>+</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>&delta;</mi>
<mo>&le;</mo>
<msub>
<mi>&delta;</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mi>D</mi>
<mo>-</mo>
<mi>Z</mi>
</mrow>
<mi>D</mi>
</mfrac>
<mi>&lambda;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>&delta;</mi>
<mo>></mo>
<msub>
<mi>&delta;</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
改变校正系数向量ATH，其中δ0为预设阈
值，
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&lambda;</mi>
<mi>n</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
i＝1～n，ωi,j表示标准气体浓度检测网络输入层中
第i路待校正的气体传感器信号与隐含层中第j个隐含层节点之间的权值，m表示隐含层的
节点数，ωmax表示ωi,i＝1～n之间的最大值。
2.根据权利要求1所述的电子鼻系统中基于凸集投影的浓度检测精度校正方法，其特征在于：所述电子鼻终端中还设置有微处理器、A/D转换模块、通信模块、存储模块、供电模块，所述传感器阵列将检测到的气体信息转化为电信号后输入到所述A/D转换模块，所述A/D转换模块将模拟信号转换为数字信号后输入到所述微处理器，所述一路温度信号和一路湿度信号采用温湿度传感器获取，所述通信模块用于实现电子鼻终端与服务器之间的信息传输，所述供电模块为所述电子鼻终端供电，所述存储模块用于存储所述电子鼻终端的数据信息。
3.根据权利要求1或2所述的电子鼻系统中基于凸集投影的浓度检测精度校正方法，其特征在于：设定甲醛为标准气体，苯、甲苯、一氧化碳、二氧化氮和氨气为待测气体，标准气体传感器为高精度电化学型甲醛传感器，待校正的气体传感器信号为TGS2602响应信号、TGS2620响应信号、TGS2201-A路输出信号和TGS2201-B路输出信号。
4.根据权利要求3所述的电子鼻系统中基于凸集投影的浓度检测精度校正方法，其特征在于：所述服务器中的气体类别判定网络采用Fisher线性判别法与人工神经网络/支持向量机相结合的混合模式识别网络，不同气体的气体浓度检测网络为智能算法优化的人工神经网络。
5.根据权利要求3所述的电子鼻系统中基于凸集投影的浓度检测精度校正方法，其特征在于：不同气体的气体浓度检测网络的输入值均经过了归一化处理，因此各个待校正气体传感器的响应信号通过校正系数向量ATH调整后通过修正使其处于(0,1)之间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511004217.0A CN105651939B (zh) | 2015-12-29 | 2015-12-29 | 电子鼻系统中基于凸集投影的浓度检测精度校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511004217.0A CN105651939B (zh) | 2015-12-29 | 2015-12-29 | 电子鼻系统中基于凸集投影的浓度检测精度校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105651939A CN105651939A (zh) | 2016-06-08 |
| CN105651939B true CN105651939B (zh) | 2017-11-07 |
Family
ID=56478093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511004217.0A Active CN105651939B (zh) | 2015-12-29 | 2015-12-29 | 电子鼻系统中基于凸集投影的浓度检测精度校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105651939B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106405007B (zh) * | 2016-08-30 | 2018-10-26 | 河北先河环保科技股份有限公司 | 气体传感器、颗粒物传感器的新校准方法 |
| CN106680441A (zh) * | 2016-11-29 | 2017-05-17 | 北京无线电计量测试研究所 | 一种便携式肉质检测器、系统和方法 |
| CN106483257B (zh) * | 2016-12-02 | 2019-10-08 | 山东工商学院 | 一种电子鼻标定测试系统及方法 |
| FR3063543B1 (fr) * | 2017-03-03 | 2022-01-28 | Commissariat Energie Atomique | Procede de calibration d'un nez electronique. |
| CN108627548A (zh) * | 2017-03-17 | 2018-10-09 | 上海实验动物研究中心 | 动物实验室的环境监测系统及方法 |
| CN108572001A (zh) * | 2017-03-17 | 2018-09-25 | 上海仪器仪表研究所 | 动物实验室的便携式环境监测装置及方法 |
| CN107085018A (zh) * | 2017-04-27 | 2017-08-22 | 浙江清华长三角研究院 | 一种用于voc及恶臭类气体检测的电子鼻系统 |
| DE102018102034A1 (de) * | 2018-01-30 | 2019-08-01 | Tdk Electronics Ag | Verfahren zum Testen mehrerer Sensorvorrichtungen, Platte zur Verwendung in dem Verfahren und durch das Verfahren hergestellte Sensorkomponente |
| CN112816616A (zh) * | 2019-11-18 | 2021-05-18 | 重庆邮电大学 | 一种基于盲领域自适应的电子鼻漂移补偿方法 |
| CN110926519A (zh) * | 2019-12-26 | 2020-03-27 | 重庆卓开科技有限公司 | 一种传感器多方校验系统与方法 |
| CN110887943B (zh) * | 2019-12-27 | 2022-07-08 | 中国科学院合肥物质科学研究院 | 一种氧气浓度传感器响应速度提升方法 |
| CN111126575B (zh) * | 2020-01-09 | 2023-11-03 | 同济大学 | 基于机器学习的气体传感器阵列混合气体检测方法及装置 |
| CN113804833B (zh) * | 2021-09-17 | 2022-04-29 | 重庆大学 | 基于凸集投影和极限学习机的电子鼻漂移通用校准方法 |
| CN114994262B (zh) * | 2022-07-15 | 2022-11-18 | 启思半导体(杭州)有限责任公司 | 数据采集方法、气味检测方法、数据存储系统及装置 |
| CN116087427A (zh) * | 2023-02-08 | 2023-05-09 | 吉林大学 | 一种车载电子鼻酒驾检测装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030093682A (ko) * | 2002-06-05 | 2003-12-11 | (주)엠아이스트림 | 자동차용 휘발유에 포함된 환경유해 가스 및 이물질탐지와 판별을 위한 소형 전자코시스템 및 방법 |
| CN100367028C (zh) * | 2003-10-21 | 2008-02-06 | 中国科学院电子学研究所 | 用于酒气检测的传感器阵列信号处理方法 |
| US20060191319A1 (en) * | 2004-12-17 | 2006-08-31 | Kurup Pradeep U | Electronic nose for chemical sensing |
| CN101286232A (zh) * | 2008-05-30 | 2008-10-15 | 中国科学院上海技术物理研究所 | 一种高精度亚像元图像的配准方法 |
| KR101563729B1 (ko) * | 2008-10-10 | 2015-10-27 | 삼성전자주식회사 | 고해상도 영상을 생성하기 위한 영상 처리 장치 및 방법 |
| CN102192927B (zh) * | 2010-11-05 | 2012-09-26 | 重庆大学 | 一种基于电子鼻技术的空气质量监测系统及其监测方法 |
-
2015
- 2015-12-29 CN CN201511004217.0A patent/CN105651939B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105651939A (zh) | 2016-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105651939B (zh) | 电子鼻系统中基于凸集投影的浓度检测精度校正方法 | |
| CN102192927B (zh) | 一种基于电子鼻技术的空气质量监测系统及其监测方法 | |
| CN106405007B (zh) | 气体传感器、颗粒物传感器的新校准方法 | |
| CN105913079B (zh) | 基于目标域迁移极限学习的电子鼻异构数据识别方法 | |
| CN102959361B (zh) | 用于确定可移动物体的精细位置值的方法和设备 | |
| US20040207367A1 (en) | Internal condition detection system for a charge accumulating device | |
| CN108614071A (zh) | 分布式室外大气质量监测精度校正系统及参数更新方法 | |
| CN102759430B (zh) | 基于bp神经网络的谐振筒压力传感器高精度校试方法 | |
| CN101763096A (zh) | 自动标定检验系统及其标定检验方法 | |
| CN114088890B (zh) | 基于深度bp神经网络的自适应温湿度补偿方法及系统 | |
| CN109191846A (zh) | 一种交通出行流量预测方法 | |
| CN106970124A (zh) | 一种基于移动终端的用于生化检测的nfc标签传感器系统及其应用 | |
| CN106295708B (zh) | 一种基于Fisher分类器组的连续型数据预处理方法 | |
| CN110514788A (zh) | 一种气体传感器的标定方法、装置、设备和存储介质 | |
| CN108152246A (zh) | 基于移动终端的无线智能光谱检测系统 | |
| CN105424147A (zh) | 基于粮堆高度与底面压强关系的粮仓重量检测方法及装置 | |
| CN111948273A (zh) | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 | |
| CN113640712B (zh) | 一种舰船垂向感应磁场垂向分量的预测方法 | |
| CN112462005B (zh) | 温度补偿方法及相关产品 | |
| CN109829479A (zh) | 一种用于传感器的分类器模型信息自动更新系统及传感器更换方法 | |
| Xu et al. | Temperature and humidity compensation for MOS gas sensor based on random forests | |
| CN105938133A (zh) | 一种无线气体传感器在线校准方法及系统 | |
| Bowen | Research on nonlinear calibration of mine catalytic-combustion-based combustible-gas sensor based on RBF neural network | |
| CN105352571A (zh) | 一种基于指数关系估计的粮仓重量检测方法及装置 | |
| CN103838764B (zh) | 一种搜索结果相关性评测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20180611 Address after: 400044 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee after: Chongqing University Address before: 400044 No. 174 Sha Jie street, Shapingba District, Chongqing Co-patentee before: Chongqing Guren Science & Technology Co., Ltd. Patentee before: Chongqing University |