CN108562697A - 一种室内有害气体监测装置 - Google Patents
一种室内有害气体监测装置 Download PDFInfo
- Publication number
- CN108562697A CN108562697A CN201810290624.XA CN201810290624A CN108562697A CN 108562697 A CN108562697 A CN 108562697A CN 201810290624 A CN201810290624 A CN 201810290624A CN 108562697 A CN108562697 A CN 108562697A
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- rbm
- gas
- data
- 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.)
- Pending
Links
- 238000012806 monitoring device Methods 0.000 title claims abstract description 15
- 239000007789 gas Substances 0.000 claims abstract description 167
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 230000000505 pernicious effect Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims description 69
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 38
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical compound CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 claims description 37
- 230000001537 neural effect Effects 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 32
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 18
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Substances [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 11
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 229910052697 platinum Inorganic materials 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 229930040373 Paraformaldehyde Natural products 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000007084 catalytic combustion reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 125000002485 formyl group Chemical class [H]C(*)=O 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 229920002866 paraformaldehyde Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000008096 xylene Substances 0.000 description 1
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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
- G01N33/0065—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means using more than one threshold
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- 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
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种室内有害气体监测装置，该装置包括气体传感器阵列、数据采集模块和监测模块；所述气体传感器阵列用于检测多种有害气体，所述气体传感器阵列包括多个传感器；所述数据采集模块与所述气体传感器阵列的输出端连接，用于采集各个传感器获取的检测数据；所述监测模块与所述数据采集模块连接，用于将所述数据采集模块采集到的检测数据输入到基于深度置信网络算法的监测模型中，得到室内有害气体的浓度数据。本发明的室内有害气体监测装置，可以实现对室内有害气体的高精度监测。
Description
技术领域
本发明涉及有害气体监测技术领域，更具体地，涉及一种室内有害气体监测装置。
背景技术
随着人们对健康问题的日益重视，室内环境污染成为居民越来越关注的问题。造成室内环境污染的原因有很多种，其中由室内装饰材料和家具所造成的污染气体占很大比例。室内装饰用的油漆、涂料、胶合板、刨花板等均含有甲醛、甲苯、二甲苯等多种有害物质，这些有害气体一旦进入居室，将会引发包括呼吸道、消化道、视力、神经内科等多种疾病。另外，这些有害气体在室内的释放期也比较长。同时，家具是我们生活中的必需品，也是室内装饰的重要组成部分，环保性差的家居对居民的人身安全也存在一定的隐患。
因此，为了保障居民的健康和安全，除了居民自身在装修时使用环保性高的装饰材料和家具外，在室内安装有害气体气体监测装置也是极其有必要的。
发明内容
本发明的一个目的是提供一种高精度的室内有害气体监测装置。
根据本发明的第一方面，提供了一种室内有害气体监测装置，包括气体传感器阵列、数据采集模块和监测模块；其中，所述气体传感器阵列用于检测多种有害气体，所述气体传感器阵列包括多个传感器；所述数据采集模块与所述气体传感器阵列的输出端连接，用于采集各个传感器获取的检测数据；所述监测模块与所述数据采集模块连接，用于将所述数据采集模块采集到的检测数据输入到基于深度置信网络算法的监测模型中，得到室内有害气体的浓度数据。
优选的，所述多个传感器包括甲醛传感器、甲苯传感器、二甲苯传感器和三用途气体传感器，所述三用途气体传感器用于同时检测甲醛、甲苯和二甲苯三种有害气体。
进一步的，所述数据采集模块包括模数转换电路和滤波电路，所述模数转换电路的输入端与所述气体传感器阵列的输出端连接，所述模数转换电路的输出端与所述滤波电路的输入端连接，所述滤波电路的输出端与所述监测模块连接。
优选的，所述多个传感器中包括至少一个MOS气敏传感器；所述装置还包括温度检测模块和温度调节模块；其中，所述温度检测模块用于检测所述MOS气敏传感器的工作温度并将温度检测结果输出到温度调节模块；所述温度调节模块用于根据所述温度检测结果调节所述MOS气敏传感器的工作温度。
进一步的，所述监测模型包括N层受限波尔兹曼机(RBM)网络和设置在N层受限波尔兹曼机(RBM)网络的下层的反向传播神经(BP)网络，所述N≥2。
进一步的，所述监测模型是通过使用样本数据对深度置信网络进行训练获得，所述深度置信网络包括N层受限波尔兹曼机(RBM)网络和设置在N层受限波尔兹曼机(RBM)网络的下层的反向传播神经(BP)网络，所述N≥2；
其中，所述训练过程包括以下步骤：
获取多组样本数据，其中，每一组样本数据都包括通过所述气体传感器阵列对室内有害气体进行检测得到的检测数据以及室内有害气体的真实浓度数据；
对所述深度置信网络的参数进行初始化赋值；
利用所述样本数据对所述深度置信网络进行训练以得到所述监测模型。
进一步的，所述对深度置信网络的参数进行初始化赋值，包括：
设置最上层受限波尔兹曼机(RBM)网络的可视层的节点个数为所述气体传感器阵列中的传感器的个数；
设置反向传播神经(BP)网络的输出层的节点个数为所述气体传感器阵列可检测的有害气体的种类数；
设置所述深度置信网络的其它各层的节点个数为同一数值；
设置各层受限波尔兹曼机(RBM)网络的可视层偏置、隐藏层偏置、可视层和隐藏层的连接权重为随机极小值；
设置反向传播神经(BP)网络的输入层偏置、输出层偏置、输入层和输出层的连接权重为随机值；以及，
设置所述深度置信网络的学习速率、训练精度和训练次数。
进一步的，所述利用样本数据对所述深度置信网络进行训练以得到所述监测模型，包括以下步骤：
步骤S1：使用所述样本数据中的所述检测数据对N层受限波尔兹曼机(RBM)网络进行逐层的无监督训练，以调整各层受限波尔兹曼机(RBM)网络的可视层偏置、隐藏层偏置以及可视层和隐藏层的连接权重；
步骤S2：使用所述样本数据中的所述真实浓度数据作为监督，由反向传播神经(BP)网络对深度置信网络进行调整。
进一步的，所述步骤S1包括：
将所述检测数据输入到最上层受限波尔兹曼机(RBM)网络的可视层节点，对最上层受限波尔兹曼机(RBM)网络进行无监督训练，得到最上层受限波尔兹曼机(RBM)网络的隐藏层和可视层的最优映射；
以上一层受限波尔兹曼机(RBM)网络的隐藏层作为当前层受限波尔兹曼机(RBM)网络的可视层，对当前层受限波尔兹曼机(RBM)网络进行无监督训练，得到当前层受限波尔兹曼机(RBM)网络的隐藏层和可视层之间的最优映射。
进一步的，所述步骤S2包括：
步骤S21、以最下层的受限波尔兹曼机(RBM)网络的隐藏层作为反向传播神经(BP)网络的输入层，由反向传播神经(BP)网络进行有害气体浓度预测；
步骤S22、计算反向传播神经(BP)网络的输出层输出的预测浓度数据与所述真实浓度数据的误差；
步骤S23、由反向传播神经(BP)网络将所述误差自下而上反向传回至每层受限波尔兹曼机(RBM)网络，调整各层受限波尔兹曼机(RBM)网络的可视层偏置、隐藏层偏置以及可视层和隐藏层的连接权重使得所述误差趋向变小；
重复执行步骤S21-S23，直至反向传播神经(BP)网络输出层输出的预测浓度数据与真实浓度数据的误差缩小到所述训练精度内。
根据本发明公开的一个实施例，使用具有多传感器单元的传感器阵列来检测有害气体并且使用基于深度置信网络算法的监测模型来确定室内有害气体的浓度，能够实现对室内有害气体的高精度监测。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是本发明的实施例的室内有害气体监测装置的结构框图。
图2是本发明的另一实施例的室内有害气体监测装置的结构框图。
图3是本发明实施例的建立监测模型过程的示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1所示为本发明的室内有害气体监测装置的一个实施例。
本发明实施例的室内有害气体监测装置包括气体传感器阵列11、数据采集模块12和监测模块13。
气体传感器阵列11可以用于检测多种有害气体，气体传感器阵列11包括多个传感器，每个传感器至少可以检测一种有害气体。
在本发明的一个实施例中，气体传感器阵列11包括甲醛传感器、甲苯传感器、二甲苯传感器和三用途气体传感器。三用途气体传感器用于同时检测甲醛、甲苯和二甲苯三种有害气体，也就是说，三用途气体传感器对甲醛、甲苯和二甲苯三种有害气体均有响应，三用途气体传感器输出的检测信号体现甲醛、甲苯和二甲苯三种有害气体的总浓度。由于气体传感器阵列11包括甲醛传感器、甲苯传感器、二甲苯传感器和三用途气体传感器，因此气体传感器阵列11为四输出，即气体传感器阵列11在同一时间可以输出4组检测信号，包括甲醛传感器输出的室内甲醛浓度检测信号，甲苯传感器输出的室内甲苯浓度检测信号，二甲苯传感器输出的室内二甲苯浓度检测信号，以及三用途气体传感器输出的室内甲醛、甲苯和二甲苯三种有害气体的总浓度检测信号。
应注意的是，在其它实施例中，气体传感器阵列11中还可以包括用于检测其他有害气体的传感器，例如用于检测一氧化碳、甲烷等有害气体的传感器。
在本发明的实施例中，传感器例如可以是半导体气体传感器、电化学气体传感器、催化燃烧式气体传感器、热导式气体传感器、红外线气体传感器、固体电解质气体传感器、MOS气敏传感器(金属氧化物半导体气敏传感器)。在本发明的实施例中，所述多个传感器中包括至少一个MOS气敏传感器。
数据采集模块12与气体传感器阵列11的输出端连接，被设置为用于采集气体传感器阵列11的各个传感器的检测数据。
在本发明的实施例中，数据采集模块12包括模数转换电路和滤波电路，所述模数转换电路的输入端与所述气体传感器阵列的输出端连接，所述模数转换电路的输出端与所述滤波电路的输入端连接，所述滤波电路的输出端与所述监测模块连接模数转换电路和滤波电路。气体传感器阵列11输出的原始检测信号为模拟值，所述模数转换电路被设置为用于将气体传感器阵列11输出的模拟信号转换为数字信号，然后经由滤波电路进行滤波处理后再提供给监测模块13。
监测模块13被设置为将数据采集模块12采集到的检测数据输入到基于深度置信网络算法的监测模型中，得到室内有害气体的浓度数据。该监测模块13可以通过微处理器实现上述功能。
在本发明的实施例中，所述监测模型包括N层受限波尔兹曼机(RBM)网络和设置在N层受限波尔兹曼机(RBM)网络的下层的反向传播神经(BP)网络，所述N≥2。也就是说，深度置信网络(Deep Belief Nets，DBN)由N层受限玻尔兹曼机网络(Restricted BoltzmannMachine，RBM)和设置在N层受限波尔兹曼的下层的反向传播网络(Back-Propagation，BP)组成，所述N≥2，N为自然数。
传感器输出的原始检测信号通常为电阻值，对于不同浓度的气体其输出不同的电阻值，监测模块13需要根据该电阻值换算出浓度值。虽然各传感器是用于专门检测某种或某几种气体，但是其他的气体对其也会有一定程度的影响，因此传感器阵列11的各传感器之间，特别是MOS气敏传感器之间普遍存在交叉敏感特性，导致检测结果不够精确。为了消除抑制交叉干扰，获取高精度的有害气体浓度值，监测模块13将数据采集模块12输出的检测数据输入到基于深度置信网络算法的监测模型中，由监测模型计算出各种有害气体的浓度值。
深度置信网络算法的监测模型是预先使用样本数据对深度置信网络进行训练获得，因此，监测模型能够自动提取输入的每个传感器的检测数据的特征，即该传感器对相应有害气体和其他气体响应的特征，避免了人工提取特征向量带来的误差。
此外，由于气体传感器阵列11包括甲醛传感器、甲苯传感器、二甲苯传感器和三用途气体传感器，因此监测模型为4输入3输出的网络拓扑结构，4输入为4个传感器的检测数据，3输出为甲醛、甲苯、二甲苯的浓度数据，能够进一步提高对室内的甲醛、甲苯、二甲苯的检测精度。
图2所示为本发明另一实施例的室内有害气体监测装置的结构框图。与图1所示的实施例相比，根据图2所示的实施例，该室内有害气体监测装置还包括温度检测模块14、温度调节模块15和输出模块16。
在不同的工作温度下，MOS气敏传感器的响应存在很大区别，通常来说，MOS气敏传感器一般需要较高的工作温度才能获取优异的响应；所以需要对MOS气敏传感器的工作温度进行控制，保证MOS气敏传感器在最佳工作温度下工作。
温度检测模块14被设置为用于检测气体传感器阵列11中的MOS气敏传感器的工作温度。上述温度检测模块14可以通过铂电阻测温电路实现检测MOS气敏传感器的工作温度的功能，铂电阻的阻值会随着温度上升而匀速增长。
温度调节模块15被设置为用于根据温度检测模块14输出的温度检测结果调节气体传感器阵列11中的MOS气敏传感器的工作温度。该温度调节模块15例如可以包括PID控制模块和铂电阻加热电路，所述PID控制模块用于控制铂电阻加热电路以调节MOS气敏传感器的工作温度，PID控制模块可以设置为微处理器、PID控制器等。
所述PID控制模块是这样实现对MOS气敏传感器的工作温度的控制：
首先在PID控制模块中设置MOS气敏传感器的最佳工作温度；
温度检测模块14检测MOS气敏传感器的实时工作温度并传输到PID控制模块；
PID控制模块将实时工作温度与最佳工作温度进行比较：若实时工作温度未达到最佳工作温度，则PID控制模块控制铂电阻加热电路对MOS气敏传感器进行加热，直至温度检测模块14检测的MOS气敏传感器的实时工作温度基本达到最佳工作温度。如果MOS气敏传感器的实时工作温度超过最佳工作温度，则PID控制模块控制铂电阻加热电路停止加热。
输出模块16例如可以包括声光报警模块、显示模块和无线通信模块。
所述声光报警模块用于根据监测模块13输出的室内有害气体的浓度数据发出声光报警信号，例如，当某种有害气体的浓度达到设定的浓度阈值时，声光报警模块发出报警声并且报警灯闪烁。在本发明的实施例中，该声光报警模块包括微处理器、存储器和声光报警装置；国家规定有各种有害气体的检测标准值，声光报警模块的存储器中存储有这些检测标准值；微处理器首先将监测模块13输出的有害气体的浓度数据与该种有害气体的检测标准值进行对比，若任何一种有害气体的浓度高于其检测标准值，则产生报警信息传输到声光报警装置，由声光报警装置进行报警。
所述显示模块用于显示室内有害气体的浓度数据。在本发明的实施例中，显示模块例如可以是液晶显示屏、触摸显示屏等。
室内有害气体监测装置通过无线通信模块与外部电子设备进行无线通信，例如可以与手机、便携式电脑、平板电脑、掌上电脑等无线通信，以方便用户远距离知悉本装置所处室内的有害气体信息。
下面以前述的气体传感器阵列11包括甲醛传感器、甲苯传感器、二甲苯传感器和三用途气体传感器，深度置信网络包括3层受限波尔兹曼机(RBM)网络和设置在3层受限波尔兹曼机(RBM)网络的下层的反向传播神经(BP)网，且深度置信网络为4输入3输出的网络拓扑结构，说明监测模型的训练过程。
参考图3所示为本发明实施例的使用样本数据对深度置信网络进行训练获得述监测模型的示意图，深度置信网络包括3层受限波尔兹曼机(RBM)网络和设置在3层受限波尔兹曼机(RBM)网络的下层的反向传播神经(BP)网。每层受限波尔兹曼机(RBM)网络包括一个可视层V和一个隐藏层H，第一层(也就是最上层)受限波尔兹曼机(RBM)网络包括可视层V0和隐藏层H0，第二层(也就是中间层)受限波尔兹曼机(RBM)网络包括可视层V1和隐藏层H1，第三层(也就是最下层)受限波尔兹曼机(RBM)网络包括可视层V2和隐藏层H2，反向传播神经(BP)网包括输入层V3和输出层H3。
训练过程包括以下步骤：
101、获取多组样本数据。每一组样本数据都包括通过气体传感器阵列对室内有害气体进行检测得到的检测数据以及室内有害气体的真实浓度数据。
在本实施例中，任一组检测数据包括7个数据，分别为气体传感器阵列的4个传感器的检测数据、室内甲醛的真实浓度数据、室内甲苯的真实浓度数据、以及室内二甲苯的真实浓度数据。在用于测试的室内环境中，人工释放甲醛、甲苯、二甲苯有害气体，根据释放的气体剂量和室内空间大小，计算出各种有害气体的真实浓度数据。使用气体传感器阵列11对室内有害气体进行检测，由数据采集模块12输出4个传感器的检测数据。
102、对所述深度置信网络的参数进行初始化赋值。
(1)设置最上层受限波尔兹曼机(RBM)网络的可视层的节点个数为所述气体传感器阵列中的传感器的个数。在本实施例中，气体传感器阵列中具有4个传感器，因此最上层受限波尔兹曼机(RBM)网络的可视层的节点为4个。
(2)设置反向传播神经(BP)网络的输出层的节点个数为所述气体传感器阵列可检测的有害气体的种类数。在本实施例中，气体传感器阵列可检测的有害气体包括甲醛、甲苯、二甲苯三种，因此反向传播神经(BP)网络的输出层的节点个数为3个。
(3)设置深度置信网络的其它各层的节点个数为同一数值。本领域技术人员可以依经验，根据气体传感器阵列中的传感器的个数和气体传感器阵列可检测的有害气体的种类数为深度置信网络的其它各层设置合适的节点数量。在本实施例中，设置深度置信网络的其它各层的节点个数均为7个。
(4)设置各层受限波尔兹曼机(RBM)网络的可视层偏置a、隐藏层偏置b、可视层和隐藏层的连接权重w为随机极小值。
w＝0.1×randn(n,m)
a＝0.1×randn(1,n)
b＝0.1×randn(1,m)
其中，n为受限波尔兹曼机(RBM)网络的可视层节点个数，m为受限波尔兹曼机(RBM)网络的隐藏层节点个数，randn是产生标准正态分布的随机矩阵的函数。
(5)设置反向传播神经(BP)网络的输入层偏置、输出层偏置、输入层和输出层的连接权重为随机值。
(6)设置所述深度置信网络的学习速率、训练精度和训练次数。在本实施例中，学习速率η取0.5，训练精度ε取[10-6,10-10]之间的数值，训练次数t取1000。
103、利用所述样本数据对所述深度置信网络进行训练以得到所述监测模型。训练过程包括步骤S1和步骤S2。
步骤S1：使用样本数据中的检测数据对受限波尔兹曼机(RBM)网络进行逐层的无监督训练，以调整各层受限波尔兹曼机(RBM)网络的可视层偏置a、隐藏层偏置b、可视层和隐藏层的连接权重w。步骤S1包括步骤S11-S13三个步骤。
S11、将样本数据中的检测数据分别输入到第一层受限波尔兹曼机(RBM)网络的可视层节点，对第一层受限波尔兹曼机(RBM)网络进行无监督训练，得到第一层受限波尔兹曼机(RBM)网络的隐藏层和可视层的最优映射。具体来说：
利用全部组的样本数据，甲醛传感器的全部检测数据构成一维的第一检测数据矩阵U1，甲苯传感器的全部检测数据构成一维的第二检测数据矩阵U2，二甲苯传感器的全部检测数据构成一维的第三检测数据矩阵U3，三用途气体传感器的全部检测数据构成一维的第四检测数据矩阵U4。将U1，U2，U3和U4对应输入到第一层受限波尔兹曼机(RBM)网络的4个可视层节点，对第一层受限波尔兹曼机(RBM)网络进行无监督训练，得到第一层受限波尔兹曼机(RBM)网络的隐藏层和可视层的最优映射。
第一层受限波尔兹曼机(RBM)网络的可视层V0具有4个节点，隐藏层H0具有7个节点。用i表示可视层V0的第i个节点，1≤i≤n，n为可视层V0的节点的个数，也就是n＝4。用j表示隐藏层H0的第j个节点，1≤j≤m，m为隐藏层H0的节点的个数，也就是m＝7。第一层受限波尔兹曼机(RBM)网络的可视层V0的各节点值vi为：v1＝U1，v2＝U2，v3＝U3，v4＝U4。步骤S11包括步骤S111-S113。
S111、用第一层受限波尔兹曼机(RBM)网络的可视层V0构建第一层受限波尔兹曼机(RBM)网络的隐藏层H0。具体来说：根据第一层受限波尔兹曼机(RBM)网络的可视层V0的节点值vi，计算第一层受限波尔兹曼机(RBM)网络的隐藏层H0的第j个节点被选中的概率P(hj＝1)，P(hj＝1)即为隐藏层H0的第j个节点的节点值。
其中，hj＝1表示隐藏层H0的第j个节点被选中；bj表示隐藏层H0的第j个节点的偏置，已经被初始化为随机极小值；wij为可视层V0的第i个节点和隐藏层H0的第j个节点之间的连接权重，已经被初始化为随机极小值；σ为sigmoid函数，且
S112、用第一层受限波尔兹曼机(RBM)网络的隐藏层H0重构第一层受限波尔兹曼机(RBM)网络的可视层V0。具体来说：计算第一层受限波尔兹曼机(RBM)网络的可视层V0的第i个节点被选中的概率P(vi＝1)，P(vi＝1)即为重构以后的可视层V0的第i个节点的节点值。
其中，vi＝1表示可视层V0的第i个节点被选中；ai表示可视层V0的第i个节点的偏置，已经被初始化为随机极小值；wji为隐藏层H0的第j个节点和可视层V0的第i个节点之间的连接权重，已经被初始化为随机极小值。
S113、计算第一层受限波尔兹曼机(RBM)网络的最优参数，得到第一层受限波尔兹曼机(RBM)网络的隐藏层H0和可视层V0之间的最优映射。如何计算受限波尔兹曼机(RBM)网络的最优参数，得到隐藏层和可视层之间的最优映射属于本领域已知技术，在此只做简要说明，步骤S113包括步骤S1131-S1133。
第一层受限波尔兹曼机(RBM)网络的参数为θ(a，b，w)，包括可视层偏置a、隐藏层偏置b、可视层和隐藏层的连接权重w。
S1131、计算可视层V0的特征向量v和隐藏层H0的特征向量h的联合概率分布，联合概率分布函数为：
S1132、根据联合概率分布计算可视层V0的边缘概率分布，边缘概率分布函数为：
其中，E(v,h；θ)为能量函数，Z(θ)为配分函数。
能量函数E(v,h；θ)的计算公式如下：
配分函数Z(θ)的计算公式如下：
S1133、由可视层V0的边缘概率分布，求解最优的参数θ(a，b，w)。由于受限波尔兹曼机(RBM)网络的各节点是相互独立的，可以将θ的寻优过程转化为求最大似然函数L(θ)的最值问题。
边缘概率分布的对数似然函数为：
上述步骤S111-S113只写明了利用样本数据中的检测数据对第一受限波尔兹曼机(RBM)网络进行一次训练的过程，一共需要对第一层受限波尔兹曼机(RBM)网络进行t次训练以不断优化第一层受限波尔兹曼机(RBM)网络的可视层偏置a、隐藏层偏置b、可视层和隐藏层的连接权重w，也就是重复步骤S111-S113，直至完成t次训练。
在对第一层受限波尔兹曼机进行训练时，可以采用梯度法来加快训练速度，利用参数更新公式来进行参数更新，参数更新公式为：
其中，t为训练次数，η为学习速率，在本发明的实施例中t＝1000，η＝0.5。
随着参数沿着梯度方向不断更新，会找到似然函数的最大值，也就是能获得出第一层受限波尔兹曼机(RBM)网络的最优的参数θ(a，b，w)，即可实现第一层受限波尔兹曼机(RBM)网络自身可视层V0与隐藏层H0之间的最优映射。
S12、第一层受限波尔兹曼机(RBM)网络的训练结束后，以第一层受限波尔兹曼机(RBM)网络的隐藏层作为第二层受限波尔兹曼机(RBM)网络的可视层，对第二层受限波尔兹曼机(RBM)网络进行无监督训练，得到第二层受限波尔兹曼机(RBM)网络的隐藏层和可视层之间的最优映射。第一层受限波尔兹曼机(RBM)网络的隐藏层作为第二层受限波尔兹曼机(RBM)网络的可视层是指：第一层受限波尔兹曼机(RBM)网络的隐藏层的各节点值，即为第二层受限波尔兹曼机(RBM)网络的可视层的各节点值。
第二层受限波尔兹曼机(RBM)网络的训练过程类似于第二层受限波尔兹曼机(RBM)网络的训练过程，这里不再赘述。
S13、第二层受限波尔兹曼机(RBM)网络的训练结束后，以第二层受限波尔兹曼机(RBM)网络的隐藏层作为第三层受限波尔兹曼机(RBM)网络的可视层，对第三层受限波尔兹曼机(RBM)网络进行无监督训练，得到第三层受限波尔兹曼机(RBM)网络的隐藏层和可视层之间的最优映射。第二层受限波尔兹曼机(RBM)网络的隐藏层作为第三层受限波尔兹曼机(RBM)网络的可视层是指：第二层受限波尔兹曼机(RBM)网络的隐藏层的各节点值，即为第三层受限波尔兹曼机(RBM)网络的可视层的各节点值。
第三层受限波尔兹曼机(RBM)网络的训练过程同样类似于第一层受限波尔兹曼机(RBM)网络的训练过程，这里不再赘述。
步骤S2：第三层(也就是最下层)受限波尔兹曼机(RBM)网络的训练结束后，使用样本数据中的真实浓度数据作为监督，由反向传播神经(BP)网络对深度置信网络进行调整。
步骤S21、以最下层的受限波尔兹曼机(RBM)网络的隐藏层作为反向传播神经(BP)网络的输入层，由反向传播神经(BP)网络进行有害气体浓度预测。
步骤S22、计算反向传播神经(BP)网络的输出层输出的预测浓度数据与所述真实浓度数据的误差。
步骤S23、由反向传播神经(BP)网络将所述误差自下而上反向传回至每层受限波尔兹曼机(RBM)网络，调整各层受限波尔兹曼机(RBM)网络的可视层偏置、隐藏层偏置以及可视层和隐藏层的连接权重使得所述误差趋向变小。
重复执行步骤S21-S23，直至反向传播神经(BP)网络输出层输出的预测浓度数据与真实浓度数据的误差缩小到所述训练精度内。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。但本领域技术人员应当清楚的是，上述各实施例可以根据需要单独使用或者相互结合使用。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可是不是物理上分开的。
另外，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种室内有害气体监测装置，其特征在于，包括气体传感器阵列、数据采集模块和监测模块；
所述气体传感器阵列用于检测多种有害气体，所述气体传感器阵列包括多个传感器；
所述数据采集模块与所述气体传感器阵列的输出端连接，用于采集各个传感器获取的检测数据；
所述监测模块与所述数据采集模块连接，用于将所述数据采集模块采集到的检测数据输入到基于深度置信网络算法的监测模型中，得到室内有害气体的浓度数据。
2.根据权利要求1所述的装置，其特征在于，所述多个传感器包括甲醛传感器、甲苯传感器、二甲苯传感器和三用途气体传感器，所述三用途气体传感器用于同时检测甲醛、甲苯和二甲苯三种有害气体。
3.根据权利要求1所述的装置，其特征在于，所述数据采集模块包括模数转换电路和滤波电路，所述模数转换电路的输入端与所述气体传感器阵列的输出端连接，所述模数转换电路的输出端与所述滤波电路的输入端连接，所述滤波电路的输出端与所述监测模块连接。
4.根据权利要求1或2所述的装置，其特征在于，所述多个传感器中包括至少一个MOS气敏传感器；所述装置还包括温度检测模块和温度调节模块；
所述温度检测模块用于检测所述MOS气敏传感器的工作温度并将温度检测结果输出到温度调节模块；
所述温度调节模块用于根据所述温度检测结果调节所述MOS气敏传感器的工作温度。
5.根据权利要求1-4任一项所述的装置，其特征在于，所述监测模型包括N层受限波尔兹曼机(RBM)网络和设置在N层受限波尔兹曼机(RBM)网络的下层的反向传播神经(BP)网络，所述N≥2。
6.根据权利要求1-4任一项所述的装置，其特征在于，所述监测模型是通过使用样本数据对深度置信网络进行训练获得，所述深度置信网络包括N层受限波尔兹曼机(RBM)网络和设置在N层受限波尔兹曼机(RBM)网络的下层的反向传播神经(BP)网络，所述N≥2；
所述训练过程包括以下步骤：
获取多组样本数据，其中，每一组样本数据都包括通过所述气体传感器阵列对室内有害气体进行检测得到的检测数据以及室内有害气体的真实浓度数据；
对所述深度置信网络的参数进行初始化赋值；
利用所述样本数据对所述深度置信网络进行训练以得到所述监测模型。
7.根据权利要求6所述的装置，其特征在于，所述对深度置信网络的参数进行初始化赋值，包括：
设置最上层受限波尔兹曼机(RBM)网络的可视层的节点个数为所述气体传感器阵列中的传感器的个数；
设置反向传播神经(BP)网络的输出层的节点个数为所述气体传感器阵列可检测的有害气体的种类数；
设置所述深度置信网络的其它各层的节点个数为同一数值；
设置各层受限波尔兹曼机(RBM)网络的可视层偏置、隐藏层偏置、可视层和隐藏层的连接权重为随机极小值；
设置反向传播神经(BP)网络的输入层偏置、输出层偏置、输入层和输出层的连接权重为随机值；以及，
设置所述深度置信网络的学习速率、训练精度和训练次数。
8.根据权利要求7所述的装置，其特征在于，所述利用样本数据对所述深度置信网络进行训练以得到所述监测模型，包括以下步骤：
步骤S1：使用所述样本数据中的所述检测数据对N层受限波尔兹曼机(RBM)网络进行逐层的无监督训练，以调整各层受限波尔兹曼机(RBM)网络的可视层偏置、隐藏层偏置以及可视层和隐藏层的连接权重；
步骤S2：使用所述样本数据中的所述真实浓度数据作为监督，由反向传播神经(BP)网络对深度置信网络进行调整。
9.根据权利要求8所述的装置，其特征在于，所述步骤S1包括：
将所述检测数据输入到最上层受限波尔兹曼机(RBM)网络的可视层节点，对最上层受限波尔兹曼机(RBM)网络进行无监督训练，得到最上层受限波尔兹曼机(RBM)网络的隐藏层和可视层的最优映射；
以上一层受限波尔兹曼机(RBM)网络的隐藏层作为当前层受限波尔兹曼机(RBM)网络的可视层，对当前层受限波尔兹曼机(RBM)网络进行无监督训练，得到当前层受限波尔兹曼机(RBM)网络的隐藏层和可视层之间的最优映射。
10.根据权利要求8所述的装置，其特征在于，所述步骤S2包括：
步骤S21、以最下层的受限波尔兹曼机(RBM)网络的隐藏层作为反向传播神经(BP)网络的输入层，由反向传播神经(BP)网络进行有害气体浓度预测；
步骤S22、计算反向传播神经(BP)网络的输出层输出的预测浓度数据与所述真实浓度数据的误差；
步骤S23、由反向传播神经(BP)网络将所述误差自下而上反向传回至每层受限波尔兹曼机(RBM)网络，调整各层受限波尔兹曼机(RBM)网络的可视层偏置、隐藏层偏置以及可视层和隐藏层的连接权重使得所述误差趋向变小；
重复执行步骤S21-S23，直至反向传播神经(BP)网络输出层输出的预测浓度数据与真实浓度数据的误差缩小到所述训练精度内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810290624.XA CN108562697A (zh) | 2018-03-30 | 2018-03-30 | 一种室内有害气体监测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810290624.XA CN108562697A (zh) | 2018-03-30 | 2018-03-30 | 一种室内有害气体监测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108562697A true CN108562697A (zh) | 2018-09-21 |
Family
ID=63533774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810290624.XA Pending CN108562697A (zh) | 2018-03-30 | 2018-03-30 | 一种室内有害气体监测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108562697A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080976A (zh) * | 2019-12-24 | 2020-04-28 | 北京优航机电技术有限公司 | 一种温度变化场景下实时监测天然气泄漏的方法及装置 |
| CN112165166A (zh) * | 2020-09-25 | 2021-01-01 | 国网山东省电力公司淄博供电公司 | 基于磁传动的LoRa智能配电室 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201741249U (zh) * | 2010-04-29 | 2011-02-09 | 浙江吉利汽车研究院有限公司 | 一种车内空气质量语音提醒装置 |
| CN201765209U (zh) * | 2010-07-07 | 2011-03-16 | 帖涛 | 车内空气检测装置 |
| JP2015064250A (ja) * | 2013-09-24 | 2015-04-09 | エスペック株式会社 | 環境試験装置 |
| GB2520251A (en) * | 2013-11-12 | 2015-05-20 | Emma Newton | Hand held device for the detection of trace gases |
| KR101561651B1 (ko) * | 2014-05-23 | 2015-11-02 | 서강대학교산학협력단 | 딥 빌리프 네트워크를 이용한 음성기반 호불호 검출방법 및 장치, 그를 기록한 기록매체 |
| US20150316498A1 (en) * | 2004-04-02 | 2015-11-05 | Silicon Laboratories Inc. | Integrated CMOS Porous Sensor |
| KR20160097656A (ko) * | 2015-02-09 | 2016-08-18 | 한국과학기술원 | 몰리브데넘다이설파이드 채널과 싸이올 리간드 혼성을 이용한 케미레지스터 가스센서 및 제작방법 |
| CN106093135A (zh) * | 2016-06-02 | 2016-11-09 | 中国石油大学(华东) | 一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置 |
| CN205749273U (zh) * | 2016-07-06 | 2016-11-30 | 马鸣谦 | 一种室内有害气体浓度测量装置 |
| CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
| CN106440206A (zh) * | 2016-09-28 | 2017-02-22 | 美的集团武汉制冷设备有限公司 | 空气净化器控制方法及装置 |
| CN206131326U (zh) * | 2016-08-31 | 2017-04-26 | 山东耘威医疗科技有限公司 | 一种病理空气质控系统 |
| CN107238677A (zh) * | 2016-03-28 | 2017-10-10 | 四川航达机电技术开发服务中心 | 汽车喷漆加工房空气质量检测系统 |
| CN107497289A (zh) * | 2017-05-11 | 2017-12-22 | 惠安爱馨机电设备科技有限公司 | 一种室内空气质量检测治理装置及其方法 |
| CN107677709A (zh) * | 2015-11-13 | 2018-02-09 | 大连民族大学 | 具有SnO2气敏材料制备步骤的可控湿度的半导体气敏元件的测试方法 |
-
2018
- 2018-03-30 CN CN201810290624.XA patent/CN108562697A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150316498A1 (en) * | 2004-04-02 | 2015-11-05 | Silicon Laboratories Inc. | Integrated CMOS Porous Sensor |
| CN201741249U (zh) * | 2010-04-29 | 2011-02-09 | 浙江吉利汽车研究院有限公司 | 一种车内空气质量语音提醒装置 |
| CN201765209U (zh) * | 2010-07-07 | 2011-03-16 | 帖涛 | 车内空气检测装置 |
| JP2015064250A (ja) * | 2013-09-24 | 2015-04-09 | エスペック株式会社 | 環境試験装置 |
| GB2520251A (en) * | 2013-11-12 | 2015-05-20 | Emma Newton | Hand held device for the detection of trace gases |
| KR101561651B1 (ko) * | 2014-05-23 | 2015-11-02 | 서강대학교산학협력단 | 딥 빌리프 네트워크를 이용한 음성기반 호불호 검출방법 및 장치, 그를 기록한 기록매체 |
| KR20160097656A (ko) * | 2015-02-09 | 2016-08-18 | 한국과학기술원 | 몰리브데넘다이설파이드 채널과 싸이올 리간드 혼성을 이용한 케미레지스터 가스센서 및 제작방법 |
| CN107677709A (zh) * | 2015-11-13 | 2018-02-09 | 大连民族大学 | 具有SnO2气敏材料制备步骤的可控湿度的半导体气敏元件的测试方法 |
| CN107238677A (zh) * | 2016-03-28 | 2017-10-10 | 四川航达机电技术开发服务中心 | 汽车喷漆加工房空气质量检测系统 |
| CN106093135A (zh) * | 2016-06-02 | 2016-11-09 | 中国石油大学(华东) | 一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置 |
| CN205749273U (zh) * | 2016-07-06 | 2016-11-30 | 马鸣谦 | 一种室内有害气体浓度测量装置 |
| CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
| CN206131326U (zh) * | 2016-08-31 | 2017-04-26 | 山东耘威医疗科技有限公司 | 一种病理空气质控系统 |
| CN106440206A (zh) * | 2016-09-28 | 2017-02-22 | 美的集团武汉制冷设备有限公司 | 空气净化器控制方法及装置 |
| CN107497289A (zh) * | 2017-05-11 | 2017-12-22 | 惠安爱馨机电设备科技有限公司 | 一种室内空气质量检测治理装置及其方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080976A (zh) * | 2019-12-24 | 2020-04-28 | 北京优航机电技术有限公司 | 一种温度变化场景下实时监测天然气泄漏的方法及装置 |
| CN112165166A (zh) * | 2020-09-25 | 2021-01-01 | 国网山东省电力公司淄博供电公司 | 基于磁传动的LoRa智能配电室 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rueda et al. | A comprehensive review of approaches to building occupancy detection | |
| EP3892980A1 (en) | Information processing apparatus, information processing method, learned model generation method, and program | |
| Omatu et al. | Multi-agent technology to perform odor classification | |
| CN104792674A (zh) | 一种颗粒浓度测量方法 | |
| CN108562697A (zh) | 一种室内有害气体监测装置 | |
| Sunil et al. | Optimal selection of SAW sensors for E-Nose applications | |
| Kadir et al. | Wheat yield prediction: Artificial neural network based approach | |
| CN105809249A (zh) | 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 | |
| Liang et al. | Improving the robustness of prediction model by transfer learning for interference suppression of electronic nose | |
| Preis et al. | Hydraulic uncertainty inclusion in water distribution systems contamination source identification | |
| Sonawani et al. | Air quality measurement, prediction and warning using transfer learning based IOT system for ambient assisted living | |
| Mumyakmaz et al. | An E-Nose-based indoor air quality monitoring system: prediction of combustible and toxic gas concentrations | |
| CN106685946B (zh) | 一种物联网感知层入侵检测系统 | |
| US20210272429A1 (en) | Artificial intelligence based motion detection | |
| CN107036716A (zh) | 一种自校准红外热电堆温度传感器及自校准方法 | |
| Ficici et al. | Optimization of the preheater cyclone separators used in the cement industry | |
| Ragila et al. | Neural network-based classification of toxic gases for a sensor array | |
| Sharma et al. | Parameter optimization of a gas sensing chamber for the detection of Volatile Organic Compounds using Finite Element Method | |
| Jasinski et al. | An electronic nose for quantitative determination of gas concentrations | |
| CN109444360B (zh) | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 | |
| Yang et al. | SSD model selection method based on machine learning algorithm | |
| Adak et al. | Development of smart gas sensor system to classify binary gas mixtures | |
| Marković et al. | IoT based occupancy detection system with data stream processing and artificial neural networks | |
| Lai et al. | Pigeons: A novel GUI software for analysing and parsing high density heterologous oligonucleotide microarray probe level data | |
| Tanatavikorn et al. | Improving Data Reliability for Process Monitoring with Fuzzy Outlier Detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200609 Address after: 261061 building 10, Geer phase II Industrial Park, No. 102, Ronghua Road, Ronghua community, Xincheng street, high tech Zone, Weifang City, Shandong Province Applicant after: Weifang goer Microelectronics Co.,Ltd. Address before: 261031 Dongfang Road, Weifang high tech Development Zone, Shandong, China, No. 268 Applicant before: GOERTEK Inc. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180921 |
|
| RJ01 | Rejection of invention patent application after publication |