CN110596199A - 一种电子鼻、气味识别方法及存储介质 - Google Patents
一种电子鼻、气味识别方法及存储介质 Download PDFInfo
- Publication number
- CN110596199A CN110596199A CN201910822865.9A CN201910822865A CN110596199A CN 110596199 A CN110596199 A CN 110596199A CN 201910822865 A CN201910822865 A CN 201910822865A CN 110596199 A CN110596199 A CN 110596199A
- Authority
- CN
- China
- Prior art keywords
- gas
- electronic nose
- detected
- airflow
- sensor array
- 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
Classifications
-
- 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
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Nonlinear Science (AREA)
- Health & Medical Sciences (AREA)
- Electrochemistry (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (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、气味识别方法及存储介质,其中,电子鼻包括:气流通道、传感器阵列及气流控制件,所述传感器阵列位于所述气流通道内,气流控制件用于将气流通道内的待检测气体吹出。基于此,本发明所提供的电子鼻可净化气流通道,防止传感器疲劳以及气流通道内残留气体对后续气体检测结果产生影响,改善了现有技术中电子鼻在长时间使用时,会由于进气管内气体混杂,导致测量结果不精确的问题。
Description
技术领域
本发明涉及气味识别装置及方法技术领域,尤其涉及的是一种电子鼻、气味识别方法及存储介质。
背景技术
电子鼻是利用气体传感器阵列的响应图案来识别气味的电子系统,它可以在几小时、几天甚至数月的时间内连续地、实时地监测特定位置的气味状况。
电子鼻主要由气味取样操作器、气体传感器阵列和信号处理系统三种功能器件组成。电子鼻识别气味的主要机理是在阵列中的每个传感器对被测气体都有不同的灵敏度,例如,一号气体可在某个传感器上产生高响应,而对其他传感器则是低响应,同样,二号气体产生高响应的传感器对一号气体则不敏感,归根结底,整个传感器阵列对不同气体的响应图案是不同的,正是这种区别,才使系统能根据传感器的响应图案来识别气味。
电子鼻的核心器件是气体传感器,气体传感器根据原理的不同,可以分为金属氧化物型、电化学型、导电聚合物型、质量型、光离子化型等很多类型。目前应用最广泛的是金属氧化物型。
如图1、图2及图3所示,现有的电子鼻通常包括电子鼻主体1,电子鼻主体1包括上盖2和下壳7,上盖2位于下壳7的上方,且下壳7的前端外表面靠近一侧位置设置有电源开关3,下壳7的前端外表面靠近另一侧位置设置有进气管4,且下壳7的后端一侧位置固定安装有加压手捏球5,下壳7的上端面靠近两侧位置水平安装有导槽8,上盖2的两侧下表面均固定安装有导轨13,上盖2通过导轨13和导槽8与下壳7水平滑动连接,对上盖2施加外力。
现有的电子鼻在长时间使用时,会由于进气管内气体混杂,导致测量结果不精确。
可见,现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种电子鼻、气味识别方法及存储介质,旨在改善现有技术中电子鼻在长时间使用时,会由于进气管内气体混杂,导致测量结果不精确的问题。
本发明的技术方案如下:
一种电子鼻,包括:气流通道及传感器阵列,所述传感器阵列位于所述气流通道内;其中,所述电子鼻还包括:气流控制件,所述气流控制件用于将气流通道内的待检测气体吹出。
在进一步地优选方案中,所述气流控制件具有吸入及排出两种状态,吸入时将待检测气体引入所述气流通道,排出时将气流通道内的待检测气体吹出。
在进一步地优选方案中,所述气流通道的壁部呈波浪形。
在进一步地优选方案中,所述传感器阵列位于气流通道的顶端壁部。
在进一步地优选方案中,所述气流控制件为风扇或气泵,且气流控制件的风量在10CFM至50CFM之间。
在进一步地优选方案中,所述气流控制件的风量为35CFM。
一种气味识别方法,其基于如上所述的电子鼻实现,包括:
利用混沌优化算法进行训练样本学习;
待检测气体进入气流通道;
传感器阵列进行待检测气体感应,并根据感应结果输出信号;
模式识别应用程序根据传感器阵列输出的信号识别气体成分;
气流控制件将气流通道内的待检测气体吹出;
传感器阵列继续感应进入气流通道的新的检测气体,直至任务结束。
在进一步地优选方案中,所述利用混沌优化算法进行训练样本学习的步骤具体包括:
利用混沌算法初始化网络权值;
读取一组训练样本;
计算网络各层的输出值;
计算各输出值之间的误差;
判断所计算的误差是否小于预设阈值,若是则继续读取下一组训练样本,直至训练样本读取结束。
在进一步地优选方案中,所述判断所计算的误差是否小于预设阈值,若是则继续读取下一组训练样本,直至训练样本读取结束的步骤还包括:若否则计算网络各层局部梯度,加入混沌非线性算子,并更新网络权值。
一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上所述的气味识别方法的步骤。
与现有技术相比,本发明提供的电子鼻,包括:气流通道、传感器阵列及气流控制件,所述传感器阵列位于所述气流通道内,气流控制件用于将气流通道内的待检测气体吹出。基于此,本发明所提供的电子鼻可净化气流通道,防止传感器疲劳以及气流通道内残留气体对后续气体检测结果产生影响,改善了现有技术中电子鼻在长时间使用时,会由于进气管内气体混杂,导致测量结果不精确的问题。
附图说明
图1是现有技术中电子鼻的结构示意图。
图2是现有技术中电子鼻所用上盖的俯视图。
图3是现有技术中电子鼻所用上盖的放大图。
图4是本发明电子鼻的结构示意图。
图5是本发明气味识别方法的原理图。
具体实施方式
本发明提供一种电子鼻、气味识别方法及存储介质,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图4所示,本发明提供了一种电子鼻,包括:气流通道100、传感器阵列200及气流控制件300,其中,气流通道100模拟人体鼻腔,即是气体的流动通道,也是传感器阵列200感应待检测气体的位置;传感器阵列200(优选传感器为气味识别传感器)用于感应待检测气体,在检测到相应的气体后,对应的传感器的电阻将发生变化,经测量电路转化成电压变化,再由ADC转化成数字信号输出,计算设备(比如计算机)内的模式识别软件处理所述数字信号后可以显示出识别结果(具体测试模式请参考图5,图5中测试1至测试N表示测试模式)。
所述气流控制件300用于将气流通道100内的待检测气体吹出,优选其设置在气流通道100的末端,模拟人体的肺部;气流控制件300的启动时机本申请不做具体限定,但可以理解的是,在进行不同组别的待检测气体识别时,检测完一组气体即可进行一次气流通道100清理,以防止该组气体与下组气体混合,降低检测精确度。
基于此,本发明所提供的电子鼻可净化气流通道100,防止传感器疲劳以及气流通道100内残留气体对后续气体检测结果产生影响,改善了现有技术中电子鼻在长时间使用时,会由于进气管内气体混杂,导致测量结果不精确的问题。
作为本发明的优选实施例,所述气流控制件300具有吸入及排出两种状态,吸入时将待检测气体引入所述气流通道100,排出时将气流通道100内的待检测气体吹出,以模拟人体呼吸的过程。以气流控制件300为风扇进行示例性说明,当风扇正转时,待检测气体进入气流通道100的速度提高;当风扇反转时,气流通道100内的气体将被吹出。
根据本发明地另一方面,所述气流通道100的壁部呈波浪形(至少底端壁部呈波浪形),模拟人体鼻腔的结构;此外,还可以将传感器阵列200设置在顶端壁部,以增加待检测气体与传感器的接触程度,如图4所示,气流顺着波浪流动,传感器设置在波峰的斜上方,则流经传感器的气体增多。
根据本发明地另一方面,所述气流控制件300为风扇或气泵,且气流控制件300的风量在10CFM至50CFM之间,优选为35CFM(CFM是一种流量单位cubic feet per minute的缩写,意为:立方英尺每分钟;1CFM=28.3185L/MIN),类似人鼻流量。但需要注意的是,流量可以根据需要随时增大或减小,配合风扇(或者气泵等具有相似功能的结构件亦可)的正转及反转,可较佳的模拟人鼻的呼吸过程。
此外,本发明还提供了一种气味识别方法,其基于如上所述的电子鼻(请参考图4)实现,包括:
利用混沌优化算法进行训练样本学习;
待检测气体进入气流通道100;
传感器阵列200进行待检测气体感应,并根据感应结果输出信号;
模式识别应用程序根据传感器阵列200输出的信号识别气体成分;
气流控制件300将气流通道100内的待检测气体吹出;
传感器阵列200继续感应进入气流通道100的新的检测气体,直至任务结束。
在进一步地优选方案中,所述利用混沌优化算法进行训练样本学习的步骤具体包括:
利用混沌算法初始化网络权值;
读取一组训练样本;
计算网络各层的输出值;
计算各输出值之间的误差;
判断所计算的误差是否小于预设阈值,若是则继续读取下一组训练样本,直至训练样本读取结束。
在进一步地优选方案中,所述判断所计算的误差是否小于预设阈值,若是则继续读取下一组训练样本,直至训练样本读取结束的步骤还包括:若否则计算网络各层局部梯度,加入混沌非线性算子,并更新网络权值。
近年来人工神经网络的迅速发展给电子鼻的模式识别带来了新的契机,由于神经网络可实现非线性映射,因而将神经网络方法引入电子鼻中,建立电子鼻神经网络模式识别系统。但神经网络学习算法如Hebb学习算法、BP算法等等,存在收敛速度慢,易陷入局部极小的缺点,BP算法的学习速度、精度和网络推广性能都较差,不能满足实际应用的需要。
在嗅觉感知中存在着混沌现象,混沌理论可用来理解脑中某些不规则的活动。由于混沌神经网络在远离平衡点处有丰富神经网络相融合,可形成一类有学习能力的系统,因此不同于仅具有梯度下降特性的常规神经网络,混沌神经网络具有远离平衡点的动力学特性,存在多种吸引子。由于混沌神经网络的自抑制效应的积累,其状态游动仅为相空间上的某种分形结构,这种特性是一种避免局部极值的有效机制。
本申请将混沌优化方法引入电子鼻的神经网模式识别系统,突破传统网络学习算法的模式,直接利用混沌变量在网络权值域空间内丰富的时空动态特性,利用动态演变导致吸引子转移,在域空间内“随机”搜索,并利用选择法控制混沌动态至完全消失,一旦混沌动态消失即转入梯度下降寻优过程,将第一阶段得到的权值小范围内按梯度下降机制进一步优化,形成一类具有很强学习能力的系统。
为了克服BP算法收敛速度慢和易陷入局部极小的缺陷,在神经网络连接权的动力学方程中引进一非线性反馈项,使网络在权空间具有混沌动力学行为。应用这种混沌算法的神经网络综合了随机性和确定性算法的优点,具有比普通神经网络更加丰富、灵活的动力学特性,更强的搜索全局最优解的能力以及更高的搜索效率。
采用混沌优化算法学习神经网络,训练迭代次数要远远少于标准BP算法和动量BP算法,从而从使神经网络快速收敛方面验证了本文提出的基于混沌优化神经网络BP算法的有效性。通过对大量训练样本的学习表明:该算法简单易行计算量小、稳定性好、收敛速度快,解决了传统神经网络学习算法难以克服的问题。
本发明还提供了一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上所述的气味识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(SyNchliNk)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种电子鼻,包括:气流通道及传感器阵列,所述传感器阵列位于所述气流通道内;其特征在于,所述电子鼻还包括:气流控制件,所述气流控制件用于将气流通道内的待检测气体吹出。
2.根据权利要求1所述的电子鼻,其特征在于,所述气流控制件具有吸入及排出两种状态,吸入时将待检测气体引入所述气流通道,排出时将气流通道内的待检测气体吹出。
3.根据权利要求2所述的电子鼻,其特征在于,所述气流通道的壁部呈波浪形。
4.根据权利要求3所述的电子鼻,其特征在于,所述传感器阵列位于气流通道的顶端壁部。
5.根据权利要求1所述的电子鼻,其特征在于,所述气流控制件为风扇或气泵,且气流控制件的风量在10CFM至50CFM之间。
6.根据权利要求5所述的电子鼻,其特征在于,所述气流控制件的风量为35CFM。
7.一种气味识别方法,其特征在于,基于如权利要求1至6中任意一项所述的电子鼻实现,包括:
利用混沌优化算法进行训练样本学习;
待检测气体进入气流通道;
传感器阵列进行待检测气体感应,并根据感应结果输出信号;
模式识别应用程序根据传感器阵列输出的信号识别气体成分;
气流控制件将气流通道内的待检测气体吹出;
传感器阵列继续感应进入气流通道的新的检测气体,直至任务结束。
8.根据权利要求7所述的气味识别方法,其特征在于,所述利用混沌优化算法进行训练样本学习的步骤具体包括:
利用混沌算法初始化网络权值;
读取一组训练样本;
计算网络各层的输出值;
计算各输出值之间的误差;
判断所计算的误差是否小于预设阈值,若是则继续读取下一组训练样本,直至训练样本读取结束。
9.根据权利要求8所述的气味识别方法,其特征在于,所述判断所计算的误差是否小于预设阈值,若是则继续读取下一组训练样本,直至训练样本读取结束的步骤还包括:若否则计算网络各层局部梯度,加入混沌非线性算子,并更新网络权值。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求7至9中任一项所述的气味识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822865.9A CN110596199A (zh) | 2019-09-02 | 2019-09-02 | 一种电子鼻、气味识别方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822865.9A CN110596199A (zh) | 2019-09-02 | 2019-09-02 | 一种电子鼻、气味识别方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110596199A true CN110596199A (zh) | 2019-12-20 |
Family
ID=68856987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910822865.9A Pending CN110596199A (zh) | 2019-09-02 | 2019-09-02 | 一种电子鼻、气味识别方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596199A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325040A (zh) * | 2021-05-28 | 2021-08-31 | 中国农业大学 | 一种感存算一体化微纳电子器件及其制备方法 |
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 |
CN116643003A (zh) * | 2023-04-25 | 2023-08-25 | 山东龙辰生物技术有限公司 | 一种便于检测电子鼻的高效气体异常报警装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877077A (zh) * | 2009-11-25 | 2010-11-03 | 天津工业大学 | 时间序列预测模型 |
CN104274927A (zh) * | 2014-11-04 | 2015-01-14 | 梅思安(中国)安全设备有限公司 | 空气呼吸器检测仪 |
CN104698037A (zh) * | 2013-12-09 | 2015-06-10 | 张书策 | 基于生物嗅觉的电子鼻 |
CN205388595U (zh) * | 2015-07-08 | 2016-07-20 | 天津大学 | 一种模拟真实人体呼吸装置 |
CN205449932U (zh) * | 2015-12-28 | 2016-08-10 | 深圳大学 | 一种可缩短恢复等待时间的电子鼻系统 |
CN205925269U (zh) * | 2016-08-11 | 2017-02-08 | 成都市开悦化纤有限公司 | 一种仿鼻腔高效空气过滤器 |
US20170046614A1 (en) * | 2015-08-11 | 2017-02-16 | Oracle International Corporation | Accelerated tr-l-bfgs algorithm for neural network |
CN108537335A (zh) * | 2017-03-06 | 2018-09-14 | 南京理工大学 | 一种自适应学习率的bp神经网络算法 |
CN109598329A (zh) * | 2018-11-09 | 2019-04-09 | 上海交通大学 | 一种基于进化混沌边缘的卷积储备池优化方法 |
CN109783988A (zh) * | 2019-03-01 | 2019-05-21 | 中国水利水电第七工程局有限公司 | 一种基于ga-bp网络的碾压混凝土压实度评价方法 |
-
2019
- 2019-09-02 CN CN201910822865.9A patent/CN110596199A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877077A (zh) * | 2009-11-25 | 2010-11-03 | 天津工业大学 | 时间序列预测模型 |
CN104698037A (zh) * | 2013-12-09 | 2015-06-10 | 张书策 | 基于生物嗅觉的电子鼻 |
CN104274927A (zh) * | 2014-11-04 | 2015-01-14 | 梅思安(中国)安全设备有限公司 | 空气呼吸器检测仪 |
CN205388595U (zh) * | 2015-07-08 | 2016-07-20 | 天津大学 | 一种模拟真实人体呼吸装置 |
US20170046614A1 (en) * | 2015-08-11 | 2017-02-16 | Oracle International Corporation | Accelerated tr-l-bfgs algorithm for neural network |
CN205449932U (zh) * | 2015-12-28 | 2016-08-10 | 深圳大学 | 一种可缩短恢复等待时间的电子鼻系统 |
CN205925269U (zh) * | 2016-08-11 | 2017-02-08 | 成都市开悦化纤有限公司 | 一种仿鼻腔高效空气过滤器 |
CN108537335A (zh) * | 2017-03-06 | 2018-09-14 | 南京理工大学 | 一种自适应学习率的bp神经网络算法 |
CN109598329A (zh) * | 2018-11-09 | 2019-04-09 | 上海交通大学 | 一种基于进化混沌边缘的卷积储备池优化方法 |
CN109783988A (zh) * | 2019-03-01 | 2019-05-21 | 中国水利水电第七工程局有限公司 | 一种基于ga-bp网络的碾压混凝土压实度评价方法 |
Non-Patent Citations (1)
Title |
---|
李洪智: "《呼吸科急症临床诊疗要点》", 31 March 2018, 吉林科学技术出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325040A (zh) * | 2021-05-28 | 2021-08-31 | 中国农业大学 | 一种感存算一体化微纳电子器件及其制备方法 |
CN113325040B (zh) * | 2021-05-28 | 2022-05-13 | 中国农业大学 | 一种感存算一体化微纳电子器件及其制备方法 |
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 |
CN116643003A (zh) * | 2023-04-25 | 2023-08-25 | 山东龙辰生物技术有限公司 | 一种便于检测电子鼻的高效气体异常报警装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596199A (zh) | 一种电子鼻、气味识别方法及存储介质 | |
CN111024898B (zh) | 一种基于CatBoost模型的车辆尾气浓度超标判别方法 | |
WO2021056914A1 (zh) | 一种目标检测模型的自动建模方法及装置 | |
CN109522221B (zh) | 一种提高模糊测试效率的方法和系统 | |
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 | |
CN113176022B (zh) | 一种分段式神经网络压力传感器压力检测方法及系统 | |
US20210073628A1 (en) | Deep neural network training method and apparatus, and computer device | |
CN106960017A (zh) | 电子书分类及其训练方法、装置和设备 | |
CN110852425A (zh) | 基于优化的神经网络的处理方法、装置和电子系统 | |
CN111400713B (zh) | 基于操作码邻接图特征的恶意软件族群分类方法 | |
CN105286869A (zh) | 肺活量测试方法及肺活量测试装置 | |
CN110795736A (zh) | 一种基于svm决策树的恶意安卓软件检测方法 | |
Fonseca et al. | Model-agnostic approaches to handling noisy labels when training sound event classifiers | |
CN111783088B (zh) | 一种恶意代码家族聚类方法、装置和计算机设备 | |
CN111024776A (zh) | 一种电子鼻、气味识别方法及存储介质 | |
CN111858275B (zh) | 一种异常媒体行为的识别方法、装置、设备及存储介质 | |
CN117150294A (zh) | 异常值检测方法、装置、电子设备及存储介质 | |
CN115346125B (zh) | 一种基于深度学习的目标检测方法 | |
CN113159203B (zh) | 歌曲标记模型训练、歌曲标记方法、电子设备及存储介质 | |
CN112859034B (zh) | 自然环境雷达回波幅度模型分类方法和装置 | |
CN112784587B (zh) | 一种基于多模型融合的文本相似性度量方法及装置 | |
CN110334244B (zh) | 一种数据处理的方法、装置及电子设备 | |
CN115273819B (zh) | 声音事件检测模型建立方法、装置及可读存储介质 | |
CN116501867B (zh) | 基于互信息的变体知识掌握度检测方法、系统和存储介质 | |
WO2022051974A1 (zh) | 应用于嵌入式平台的代码检测方法、装置、设备及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
RJ01 | Rejection of invention patent application after publication |