CN113030197B - 一种气体传感器漂移补偿方法 - Google Patents
一种气体传感器漂移补偿方法 Download PDFInfo
- Publication number
- CN113030197B CN113030197B CN202110325517.8A CN202110325517A CN113030197B CN 113030197 B CN113030197 B CN 113030197B CN 202110325517 A CN202110325517 A CN 202110325517A CN 113030197 B CN113030197 B CN 113030197B
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- drift
- bda
- sensor
- 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
Images
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
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electrochemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (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
本发明的一种气体传感器漂移补偿方法涉及气体传感器及传感器阵列漂移补偿领域,目的是为了克服现有基于神经网络的方法需要在目标域中使用大量标签数据的问题,方法具体步骤包括:步骤一、采集多组分气体样本中至少一种气体浓度所对应的传感器输出数据;步骤二、将传感器输出数据输入到基于平衡分布适应BDA模型中,进行特征提取,预测得到目标域数据的伪标签;步骤三、依据伪标签,通过K邻近KNN算法对目标域数据进行分类;步骤四、在令目标域数据的分类更精确前提下,用上一轮得到的标签更新伪标签并多次迭代;得到更新的BDA模型;其中BDA模型中的迭代次数为T;步骤五、使用更新的BDA模型对气体传感器的漂移进行补偿。
Description
技术领域
本发明涉及气体传感器及传感器阵列漂移补偿领域。
背景技术
金属氧化物半导体(MOS)传感器阵列具有体积小,成本低,生产简单以及对可燃气体和有毒气体敏感度高的优点,在环境保护和监测,食品和饮料生产,临床诊断和过程控制等领域起着至关重要的作用。MOS传感器阵列目前也是机器嗅觉系统中最常用的信息获取设备。
当混合气体进入气室时,吸附在MOS气体传感器表面的氧离子将与它们发生化学反应,这将导致MOS气体传感器的电阻急剧下降。然后应用模式识别技术来处理这些信号,以识别混合气体的成分并估计其浓度。但是,在该传感器中,漂移效果也很明显。漂移现象导致传感器的输入和输出关系发生变化。即使对于相同类型和浓度的被测气体,在前后的不同时间测得的传感器输出值也不同。当传感器漂移时,在校准阶段获得的传感器输入和输出关系将被破坏。气体分类器的结果难以准确获得。因此,有必要找到一种有效的方法来检测和补偿气体传感器的漂移。
气体传感器阵列的漂移补偿研究可以追溯到1990年代,但至今仍是一个棘手的问题。气体传感器的漂移补偿方法可以大致分为以下三类:(1)信号预处理方法,(2)成分校正方法,(3)自适应校正方法。在第一类方法中,经常使用基线处理方法和频域过滤方法。这两种方法对阵列中每个传感器的输出响应进行了补偿。但是由于漂移原因的复杂性,这些方法只能减少部分漂移引起的不利影响。在构建模型之前,成分校正方法会尝试查找和删除对漂移敏感的成分。由于现有信息不足,此类方法通常无法有效处理与初始分布有很大差异的漂移样本。实际上,成分校正方法要求研究人员经常重新校准传感器系统。对于传感器阵列可以识别的每种气体,通常需要花费几周的时间用标记气体的标准气体样品对传感器阵列的分类器网络进行再训练。但是,对分类器参数的再训练非常耗时,并且定期获取纯净的标准气体校准样品也很困难。
自适应校正方法最早在2012年通过分类器集成应用于漂移补偿。自适应校正方法通过找到原始样本域和漂移样本域之间的不变性来实现漂移补偿,常具有较高的分类精度,但也需要更多标记的漂移样本来参与模型构建。
上述用于MOS气体传感器阵列漂移补偿的自适应校正方法取得了一定的效果。但是,大多数基于神经网络的方法都需要在目标域中使用大量标签数据。此外,与联合分布适应(Joint DistributedAdaptation,JDA)方法直接认为不同数据中条件分布和边缘分布的重要性相同。
发明内容
本发明的目的是为了克服现有基于神经网络的方法需要在目标域中使用大量标签数据的问题,提供了一种气体传感器漂移补偿方法。
本发明的一种气体传感器漂移补偿方法,方法具体步骤包括:
步骤一、采集多组分气体样本中至少一种气体浓度所对应的传感器输出数据;
传感器输出数据包括无漂移数据和漂移数据,且无漂移数据标记有标签,漂移数据无标签;
步骤二、将传感器输出数据输入到基于平衡分布适应BDA模型中,进行特征提取,预测得到目标域数据的伪标签;
其中,将无漂移数据作为BDA模型的源域数据,漂移数据作为BDA模型的目标域数据;
步骤三、依据伪标签,通过K邻近KNN算法对目标域数据进行分类;
步骤四、在令目标域数据的分类更精确前提下,用上一轮得到的标签更新伪标签并多次迭代;由于参与迁移的数据是不会变的,经过往返多次迭代后,可提升分类结果准确性,得到更新的BDA模型;其中BDA模型中的迭代次数为T;
步骤五、使用更新的BDA模型对气体传感器的漂移进行补偿。
进一步地,步骤二还包括:
利用粒子群优化PSO算法对权重平衡因子μ进行优化,得到最佳的权重平衡因子μ;
最佳的权重平衡因子μ,用于实现BDA模型中源域与目标域的最小的最大平均差异MMD距离。
进一步地,步骤二具体如下:
步骤二一、向BDA模型输入无漂移数据、漂移数据、正则化参数λ和权重平衡因子μ;
步骤二二、构建MMD方程:
其中,为源域、为目标域、i为源域中的样本序数、j为目标域中的样本序数、xi第i个源域数据样本、yi表示第i个源域数据样本的目标气体标签值、xj第j个目标域数据样本、xsi第i个源域数据样本、xtj第i个目标域数据样本,c∈{1,2,…,C}为各种类别标签,n和m分别表示源域和目标域中的样本数,源域和目标域中的标签分别表示为Ds和Dt、nc=|Ds|,mc=|Dt|是Ds和Dt中的样本数;
步骤二三、构建矩阵M0和矩阵Mc:
步骤二四、通过MMD方程矩阵M0和矩阵Mc得到广义分解问题:
其中,X为输入数据矩阵,包括xs和xt,xs有标记的源域目标样本和xt未标记的目标域样本;I为单位矩阵,I∈R(n+m)×(n+m);XT;A为变换矩阵;Φ=(φ1,φ2,…,φd)为拉格朗日乘子;H为中心矩阵,H=I-(1/n)1;(M0)ij、(Mc)ij矩阵中的i行第j列样本;(c)表示矩阵Ds和矩阵Dt分别在源域和目标域中属于c类的样本;
步骤二五、求解广义分解问题,得到最优的变换矩阵A和变换矩阵的d个最小特征向量;
步骤二六、在{ATXS,ys}上训练基本分类器f;其中,AT为A矩阵的转置、XS为源域特征矩阵、ys源域气体类别标签数据值;
步骤二七、利用基本分类器f得到伪标签:
进一步地,步骤二中利用粒子群优化PSO算法对权重平衡因子μ进行优化,得到最佳的权重平衡因子μ的具体步骤如下:
步骤二(1)、设置迭代次数、粒子群的大小、粒子群的位置和速度范围;在速度空间和搜索空间中随机初始化每个粒子的初始速度和位置;其中,适应度函数被选为BDA模型;
步骤二(2)、首先随机求解每个粒子的极端值,然后从中获得全局最优解,并将该全局最优解记录为单个全局最优解;
步骤二(3)、根据下述公式,更新下一次迭代的速度Vid和位置Xid:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid=Xid+Vid
其中,w(w>0)是惯性因子,w的值表示系统的全局和局部优化功能的强度;C1和C2分别是自学习因素和小组学习因素,通常取0~4;Pid代表第i个变量的各个极值的第d维。Pgd表示全局最优解的第d维;
步骤二(3)、达到设定的迭代次数或在设定允许误差范围内时,终止迭代得到最佳的权重平衡因子μ。
进一步地,权重平衡因子μ的取值范围为0~1,正则化参数λ的取值范围为0~1000,子空间基数d的取值范围为0~1000,迭代次数T取值1~1000,伽马参数γ的取值范围为0~100。
进一步地,传感器输出数据包括电阻、电导和电压。
进一步地,步骤一还包括:
对传感器输出数据进行预处理的步骤;预处理为降噪、滤波和剔除奇异值。
进一步地,还包括:传感器输出信号的原始值进行归一化的步骤。
进一步地,的归一化方法包括向量归一化法、线性比例变换法、极差变换法、最优值为给定数值的标准化或标准样本变换法。
进一步地,步骤一还包括:对传感器输出数据的原始值进行校正的步骤。
进一步地,利用分式差分法公式对传感器输出数据的原始值进行校正:
其中,G1为传感器输出数据的原始值,G0为基线值,G为传感器输出数据的有效值。本发明的有益效果是:
提出一种基于BDA的新型漂移补偿模型,基于BDA模型的方法无需在目标域中标记数据。并且可以长期提高传感器阵列的识别精度和鲁棒性。此外,与JDA方法直接忽略两者的重要性不同,BDA方法使用权重平衡因子来评估每个分布的重要性因此,BDA算法具有较高的准确性。
附图说明
图1为本方法与不同方法的识别准确度比较曲线示意图。
具体实施方式
具体实施方式一,本实施方式的一种气体传感器漂移补偿方法中:具体包括以下步骤:
如上,一种气体传感器及传感器阵列漂移补偿方法,具体包括以下步骤:,其目的在于提升气体传感器及传感器阵列稳定性,具体包括以下步骤:
步骤一:样气经过前处理装置干燥除尘后,导入气室静置一段时间后,通过气体传感器阵列测量产生气体浓度的模拟信号,经数据采集卡将模拟量转成数字量,实现数据采集。
步骤二:对采集到的数据进行数据预处理,包括数据的降噪滤波、剔除奇异值等;为了除去基线电压带来的影响,以分式差分表示灵敏度。
其中:传感器阵列信号预处理采用特征包括但不限于传感器输出电压值、电阻值、电导值。这里以差分电压为例,分式差分法对信号进行基线校正,可以确保数据可靠。处理后传感器有效值为G,具体公式如下:
其中,化学传感器阵列的原始数据为G1,基线值为G0。
步骤三:归一化,由于每个组数据中特征指标的评估是不同的,因此为了确保结果的可靠性,有必要对原始数据进行数据归一化;数据归一化方法包括但不限于,向量归一化法,线性比例变换法,极差变换法,最优值为给定数值的标准化,标准样本变换法等方法。
步骤四:采用BDA方法对气体传感器阵列非线性漂移响应,进行特征提取;
BDA方法是基于迁移学习数据分布适应的一种特征提取方法。
迁移学习是将在源域中学习到的知识转移到目标域,以帮助目标域进行模型训练。领域和任务是转移学习的两个基本概念。
包含了五个参数。即,权重平衡因子μ,正则化参数λ和子空间基数d以及迭代次数T和伽马参数γ。权重平衡因子μ优选取值范围为0~1,正则化参数λ优选取值范围为0~1000,子空间基数d优选取值范围为0~1000,迭代次数T优选取值范围为5~100,伽马参数γ优选取值范围为0~100。
当发生漂移时,目标域Dt(有漂移)数据的特征分布不服从源域Ds(无漂移)。分类识别器的泛化能力由于漂移而降低,这导致在Dt上进行测试时,使用Ds的标记数据训练的分类器的性能下降。显然,受漂移影响的两个域之间的类别空间是相同的,即Ys=Yt。但是,这两个域的边际分布不同,P(xs)≠P(xt),条件概率分布也不同,P(ys|xs)≠P(yt|xt)。转移学习的目标是使用分类数据Ds训练分类器f:xt→yt来预测目标域Dt的标签yt∈Yt。
分布适应是最常用的转移学习方法之一。该方法的基本思想基于源域和目标域的数据概率分布不同,通过一些转换来缩小不同数据分布之间的距离。简而言之,数据边缘分布的差异意味着数据总体上并不相似。数据的条件分布不同的代表着总体数据是相似的,但是针对每个类别,它们并不是很相似。
迁移学习中需要解决的主要问题是,如何减小源域和目标域之间的分布差异。JDA认为,边际分布和条件分布同等重要且适用。
D(Ds,Dt)≈D(P(xs),P(xt))+D(P(ys|xs),P(yt|xt))
但是对于不同的情况,边缘分布和条件分布起着不同的作用。例如,当数据集不相似时,我们应主要关注边缘分布差异;当数据集的类先验差异较大时,条件分布差异需要引起更多注意。因此,根据任务为每组数据分配不同的权重是一个关键问题。实际上,大多数方法通常只关注分布对齐而忽略了这个问题,这可能会阻碍迁移学习的有效性。因此,在BDA中添加权重平衡因子μ以选择每个分布的重要性:
D(Ds,Dt)≈(1-μ)D(P(xs),P(xt))+μD(P(ys|xs),P(yt|xt))
其中μ∈[0,1]。当μ→0时,意味着源域数据和目标域数据之间存在较大差异,因此边缘分布更为支配;当μ→1时,表明两个域之间的数据集具有很高的相似性,因此条件的分布适应占据主导。当μ=0.5时,BDA退化为JDA。换句话说,权重平衡因子μ可以调整两种分布的重要性以获得良好的结果。
采用最大平均差异(MaximumMeanDiscrepancy,MMD)来最小化源域和目标域之间的边际分布P(xs),P(xt)和条件分布P(ys|xs),P(yt|xt)的距离,则有:
其中,H表示再生内核希尔伯特空间(RKHS),c∈{1,2,…,C}表示各种类别标签,n和m分别表示源域和目标域中的样本数,以及属于类别的样本源域和目标域中的c分别表示为Ds和Dt。nc=|Ds|,mc=|Dt|是Ds和Dt中的样本数。这两项分别表示源域和目标域之间的边际分布距离和条件分布距离。
利用矩阵技巧化简并加入正则化项后可得到
式(1)包含两个项,第一个项表示经由平衡因子适应的边界分布和条件分布,第二个项是正则化项。公式(1)中包含两个约束。第一个约束是保留转换矩阵(ATX)与原始矩阵内部属性的一致。第二约束将平衡因子μ限制在该范围内。其中,输入数据矩阵X由xs和xt组成。
此外,A表示变换矩阵。I表示单位矩阵I∈R(n+m)×(n+m)。H是中心矩阵,可以具体表示为H=I-(1/n)1。M0和Mc是属于MMD矩阵的矩阵,可以通过以下方式构造:
学习算法:拉格朗日乘子表示为Φ=(φ1,φ2,…,φd),则为等式的拉格朗日函数。公式(1)可以表示为以下形式:
最后,通过求解上式,我们可以同时获得最优变换矩阵A及其d个最小特征向量。μ值的估算必须根据数据分布。我们通过实验中漂移的分类精度值评估其性能。
步骤五:使用PSO算法优化参数,以获得最佳的体重平衡因子;
1.初始化:首先设置迭代次数,粒子群的大小,粒子群的位置和速度范围。在速度空间和搜索空间中随机初始化每个粒子的初始速度和位置。适应度函数被选为BDA模型。
2.初始原始最优解:首先随机求解每个粒子的极端值,然后从中获得全局最优解,并将其记录为单个全局最优解。
3.更新速度和位置:根据公式(2)和公式(3),更新下一次迭代的速度和位置。
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid) (2)
Xid=Xid+Vid (3)
其中,w(w>0)是惯性因子。w的值表示系统的全局和局部优化功能的强度。C1和C2分别是自学习因素和小组学习因素。Pid代表第i个变量的各个极值的第d维。Pgd表示全局最优解的第d维。
4.迭代终止:达到设定的迭代次数或在允许的误差范围内时。
步骤六:使用最近邻分类器算法对目标域数据进行伪标记,然后使用伪标签计算目标的条件概率分布;
K近邻算法(K-NearestNeighbor,KNN)在标记的源数据上进行训练,并在未标记的目标数据上进行测试。具体而言,在特征空间中,与样本最相似(最邻近)的K个样本中,如果大多数样本属于某个类别,则某个样本也属于该类别。KNN是对距离非常敏感的分类器。通过计算未知样本与训练集样本之间的欧几里得距离,可以找到最相似的K个样本。
步骤六:使用PSO算法优化参数,以获得最佳的体重平衡因子;
实验验证:
我们利用分类精度来验证所提出的基于BDA的传感器及传感器阵列的气体补偿方法。为了便于比较,这里采用由UCI机器学习存储库发布的公共数据集。该数据集分为10组,包含来自16个化学传感器的13910个测量值,历时36个月。数据集中收集的六种不同浓度的气体用数字1-6标记,分别对应于乙醇,乙烯,氨,乙醛,乙酸和甲苯。
本发明以目标域样本分类的准确率作为算法效果的评价标准,具体计算方法如下:
其中,f(x)是测试样品x的真实标签,而y(x)是样品x的预测标签。
发明在漂移补偿算法的优化模型中包含了五个参数。即,权重平衡因子μ,正则化参数λ和子空间基数d以及迭代次数T和伽马参数γ。子空间基数d表示用于构造变换矩阵A的大小。λ是确保优化问题定义明确的正则化参数。gamma参数定义RBF内核的标准偏差的倒数。这里我们使用一组通用的参数设置,分别为:d=100,λ=1,γ=1和T=10。
测试结果如图1所示。首先,BDA方法的总体识别精度高于比较方法。通过POS处理优化的RBF内核的BDA方法具有最高的平均识别精度,为68.92%。
其次,与最佳比较方法JDA相比,识别精度提高了4.54%。考虑到JDA只能调整权重相等(μ=0.5)的边际和条件分布。但是,BDA可以通过调整权重平衡参数μ以适应不同情况来显着提高准确性。
最后,由于漂移数据集之间存在巨大的分配差距,因此非转移学习方法NN的平均识别精度仅为56.69%。结果表明,域自适应方法的性能优于非域自适应方法。这说明了转移学习方法的有效性,而BDA在这三种方法中表现最佳。
BDA方法是最先提出的对边缘分布和条件分布进行定量估计的方法。然而,由于气体传感器漂移的随机性,在构建模型时不可能直接获得适当的权重平衡因子参数μ,从而无法在每组数据之间获得最佳结果。需要使用参数优化方法来获得每组数据上的最佳平衡因子参数。权衡因子参数μ是单个参数,因此用于参数优化的PSO算法可以实现最佳内核参数。
Claims (10)
1.一种气体传感器漂移补偿方法,其特征在于,所述方法具体步骤包括:
步骤一、采集多组分气体样本中至少一种气体浓度所对应的传感器输出数据;
所述传感器输出数据包括无漂移数据和漂移数据,且无漂移数据标记有标签,漂移数据无标签;
步骤二、将所述传感器输出数据输入到基于平衡分布适应BDA模型中,进行特征提取,预测得到目标域数据的伪标签;
其中,将无漂移数据作为BDA模型的源域数据,漂移数据作为BDA模型的目标域数据;
步骤三、依据所述伪标签,通过K邻近KNN算法对目标域数据进行分类;
步骤四、在令目标域数据的分类更精确前提下,用上一轮得到的标签更新伪标签并多次迭代;由于参与迁移的数据是不会变的,经过往返多次迭代后,可提升分类结果准确性,得到更新的BDA模型;其中BDA模型中的迭代次数为T;
步骤五、使用更新的BDA模型对气体传感器的漂移进行补偿;
步骤二具体如下:
步骤二一、向BDA模型输入无漂移数据、漂移数据、正则化参数λ和权重平衡因子μ;
步骤二二、构建MMD方程:
其中,为源域、为目标域、i为源域中的样本序数、j为目标域中的样本序数、xi表示第i个源域数据样本、yi表示第i个源域数据样本的目标气体标签值、xj第j个目标域数据样本、xsi第i个源域数据样本、xtj第i个目标域数据样本,c∈{1,2,…,C}为各种类别标签,n和m分别表示源域和目标域中的样本数,源域和目标域中的标签分别表示为Ds和Dt,nc=|Ds|,mc=|Dt|是Ds和Dt中的样本数;
步骤二三、构建矩阵M0和矩阵Mc:
步骤二四、通过MMD方程矩阵M0和矩阵Mc得到广义分解问题:
其中,X为输入数据矩阵,包括xs和xt,xs表示有标记的源域目标样本和xt未标记的目标域样本;I为单位矩阵,I∈R(n+m)×(n+m);XT为X矩阵的转置;A为变换矩阵;Φ=(φ1,φ2,…,φd)为拉格朗日乘子;H为中心矩阵,H=I-(1/n)1;(M0)ij、(Mc)ij分别为矩阵M0和矩阵Mc中的i行第j列样本;(c)表示矩阵Ds和矩阵Dt分别在源域和目标域中属于c类的样本;
步骤二五、求解广义分解问题,得到最优的变换矩阵A和所述变换矩阵的d个最小特征向量;
步骤二六、在{ATXS,ys}上训练基本分类器f;其中,AT为A矩阵的转置、XS为源域特征矩阵、ys源域气体类别标签数据值;
步骤二七、利用基本分类器f得到伪标签:
2.根据权利要求1所述的一种气体传感器漂移补偿方法,其特征在于,步骤二还包括:
利用粒子群优化PSO算法对权重平衡因子μ进行优化,得到最佳的权重平衡因子μ;
所述最佳的权重平衡因子μ,用于实现BDA模型中源域与目标域的最小的最大平均差异MMD距离。
3.根据权利要求1所述的一种气体传感器漂移补偿方法,其特征在于,步骤二中利用粒子群优化PSO算法对权重平衡因子μ进行优化,得到最佳的权重平衡因子μ的具体步骤如下:
步骤二(1)、设置迭代次数、粒子群的大小、粒子群的位置和速度范围;在速度空间和搜索空间中随机初始化每个粒子的初始速度和位置;其中,适应度函数被选为BDA模型;
步骤二(2)、首先随机求解每个粒子的极端值,然后从中获得全局最优解,并将该全局最优解记录为单个全局最优解;
步骤二(3)、根据下述公式,更新下一次迭代的速度Vid和位置Xid:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid=Xid+Vid
其中,w(w>0)是惯性因子,w的值表示系统的全局和局部优化功能的强度;C1和C2分别是自学习因素和小组学习因素,通常取0~4;Pid代表第i个变量的各个极值的第d维;Pgd表示全局最优解的第d维;
步骤二(3)、达到设定的迭代次数或在设定允许误差范围内时,终止迭代得到最佳的权重平衡因子μ。
4.根据权利要求1所述的一种气体传感器漂移补偿方法,其特征在于,
权重平衡因子μ的取值范围为0~1,正则化参数λ的取值范围为0~1000,子空间基数d的取值范围为0~1000,迭代次数T取值1~1000。
5.根据权利要求1~4其中一项所述的一种气体传感器漂移补偿方法,其特征在于,所述传感器输出数据包括电阻、电导和电压。
6.根据权利要求5所述的一种气体传感器漂移补偿方法,其特征在于,步骤一还包括:
对传感器输出数据进行预处理的步骤;所述预处理为降噪、滤波和剔除奇异值。
7.根据权利要求6所述的一种气体传感器漂移补偿方法,其特征在于,还包括:传感器输出信号的原始值进行归一化的步骤。
8.根据权利要求7所述的一种气体传感器漂移补偿方法,其特征在于,所述的归一化方法包括向量归一化法、线性比例变换法、极差变换法、最优值为给定数值的标准化或标准样本变换法。
9.根据权利要求6、7或8其中一项所述的一种气体传感器漂移补偿方法,其特征在于,步骤一还包括:对传感器输出数据的原始值进行校正的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325517.8A CN113030197B (zh) | 2021-03-26 | 2021-03-26 | 一种气体传感器漂移补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325517.8A CN113030197B (zh) | 2021-03-26 | 2021-03-26 | 一种气体传感器漂移补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113030197A CN113030197A (zh) | 2021-06-25 |
CN113030197B true CN113030197B (zh) | 2022-11-04 |
Family
ID=76474149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110325517.8A Active CN113030197B (zh) | 2021-03-26 | 2021-03-26 | 一种气体传感器漂移补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113030197B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740381B (zh) * | 2021-08-12 | 2022-08-26 | 西南大学 | 一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法 |
CN115808504B (zh) * | 2022-12-01 | 2024-06-04 | 哈尔滨工业大学 | 一种用于浓度预测的气体传感器在线漂移补偿方法 |
CN117096070B (zh) * | 2023-10-19 | 2024-01-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于领域自适应的半导体加工工艺异常检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913079A (zh) * | 2016-04-08 | 2016-08-31 | 重庆大学 | 基于目标域迁移极限学习的电子鼻异构数据识别方法 |
WO2017104911A1 (ko) * | 2015-12-15 | 2017-06-22 | 단국대학교 산학협력단 | 가스 분류를 위한 결합 특징 벡터 생성 장치 및 방법 |
CN107392155A (zh) * | 2017-07-25 | 2017-11-24 | 西安电子科技大学 | 基于多目标优化的稀疏受限玻尔兹曼机的手写体识别方法 |
WO2018060967A1 (en) * | 2016-09-29 | 2018-04-05 | Inesc Tec - Instituto De Engenharia De Sistemas E Computadores, Tecnologia E Ciência | Big data self-learning methodology for the accurate quantification and classification of spectral information under complex varlability and multi-scale interference |
CN108460415A (zh) * | 2018-02-28 | 2018-08-28 | 国信优易数据有限公司 | 伪标签生成模型训练方法及伪标签生成方法 |
CN108763201A (zh) * | 2018-05-17 | 2018-11-06 | 南京大学 | 一种基于半监督学习的开放域中文文本命名实体识别方法 |
CN109472303A (zh) * | 2018-10-30 | 2019-03-15 | 浙江工商大学 | 一种基于自编码网络决策的气体传感器漂移补偿方法 |
CN110659682A (zh) * | 2019-09-21 | 2020-01-07 | 胡燕祝 | 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法 |
CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
CN110942087A (zh) * | 2019-11-02 | 2020-03-31 | 华东理工大学 | 一种基于分离求解的矩阵型图像数据分类方法 |
CN111144458A (zh) * | 2019-12-13 | 2020-05-12 | 重庆交通大学 | 子空间嵌入特征分布对齐的不同工况下机械故障识别方法 |
CN112085148A (zh) * | 2020-09-17 | 2020-12-15 | 西安多普多信息科技有限公司 | 一种基于蚁群算法的密闭容器气体泄漏检测方法 |
CN112418395A (zh) * | 2020-11-17 | 2021-02-26 | 吉林大学 | 一种基于生成对抗网络的气体传感器阵列漂移补偿方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7460958B2 (en) * | 2004-10-07 | 2008-12-02 | E.I. Du Pont De Nemours And Company | Computer-implemented system and method for analyzing mixtures of gases |
US9106695B2 (en) * | 2012-03-14 | 2015-08-11 | Daniel Kaminsky | Method and system for user authentication using DNSSEC |
CN105891422B (zh) * | 2016-04-08 | 2017-08-25 | 重庆大学 | 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法 |
CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与系统 |
EP3874417A1 (en) * | 2018-10-29 | 2021-09-08 | HRL Laboratories, LLC | Systems and methods for few-shot transfer learning |
CN109359623B (zh) * | 2018-11-13 | 2021-05-11 | 西北工业大学 | 基于深度联合分布适配网络的高光谱图像迁移分类方法 |
CN110533193A (zh) * | 2019-08-20 | 2019-12-03 | 武汉理工大学 | 半监督场景下特征和实例联合迁移学习方法 |
CN111474297B (zh) * | 2020-03-09 | 2022-05-03 | 重庆邮电大学 | 一种仿生嗅觉系统中传感器的在线漂移补偿方法 |
CN111914708B (zh) * | 2020-07-23 | 2023-09-12 | 杭州电子科技大学 | 迁移半监督宽度学习的脑电信号分类方法 |
CN112098605A (zh) * | 2020-09-21 | 2020-12-18 | 哈尔滨工业大学 | 一种高鲁棒性化学传感器阵列软测量方法 |
-
2021
- 2021-03-26 CN CN202110325517.8A patent/CN113030197B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017104911A1 (ko) * | 2015-12-15 | 2017-06-22 | 단국대학교 산학협력단 | 가스 분류를 위한 결합 특징 벡터 생성 장치 및 방법 |
CN105913079A (zh) * | 2016-04-08 | 2016-08-31 | 重庆大学 | 基于目标域迁移极限学习的电子鼻异构数据识别方法 |
WO2018060967A1 (en) * | 2016-09-29 | 2018-04-05 | Inesc Tec - Instituto De Engenharia De Sistemas E Computadores, Tecnologia E Ciência | Big data self-learning methodology for the accurate quantification and classification of spectral information under complex varlability and multi-scale interference |
CN107392155A (zh) * | 2017-07-25 | 2017-11-24 | 西安电子科技大学 | 基于多目标优化的稀疏受限玻尔兹曼机的手写体识别方法 |
CN108460415A (zh) * | 2018-02-28 | 2018-08-28 | 国信优易数据有限公司 | 伪标签生成模型训练方法及伪标签生成方法 |
CN108763201A (zh) * | 2018-05-17 | 2018-11-06 | 南京大学 | 一种基于半监督学习的开放域中文文本命名实体识别方法 |
CN109472303A (zh) * | 2018-10-30 | 2019-03-15 | 浙江工商大学 | 一种基于自编码网络决策的气体传感器漂移补偿方法 |
CN110659682A (zh) * | 2019-09-21 | 2020-01-07 | 胡燕祝 | 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法 |
CN110942087A (zh) * | 2019-11-02 | 2020-03-31 | 华东理工大学 | 一种基于分离求解的矩阵型图像数据分类方法 |
CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
CN111144458A (zh) * | 2019-12-13 | 2020-05-12 | 重庆交通大学 | 子空间嵌入特征分布对齐的不同工况下机械故障识别方法 |
CN112085148A (zh) * | 2020-09-17 | 2020-12-15 | 西安多普多信息科技有限公司 | 一种基于蚁群算法的密闭容器气体泄漏检测方法 |
CN112418395A (zh) * | 2020-11-17 | 2021-02-26 | 吉林大学 | 一种基于生成对抗网络的气体传感器阵列漂移补偿方法 |
Non-Patent Citations (3)
Title |
---|
Balanced Distribution Adaption for Metal Oxide Semiconductor Gas Sensor Array Drift Compensation;Kai Song 等;《Sensor》;20210513;第21卷(第10期);第1-16页 * |
Gas-Sensor Drift Counteraction with Adaptive Active Learning for an Electronic Nose;Tao Liu 等;《Sensors》;20181119;第18卷(第1期);第1-14页 * |
多传感器集成氢气检测系统的知识推送故障诊断;宋凯 等;《光学精密工程》;20150615;第1742-1748页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113030197A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113030197B (zh) | 一种气体传感器漂移补偿方法 | |
Gamboa et al. | Validation of the rapid detection approach for enhancing the electronic nose systems performance, using different deep learning models and support vector machines | |
Randolph et al. | Kernel-penalized regression for analysis of microbiome data | |
Dębska et al. | Application of artificial neural network in food classification | |
CN111931815B (zh) | 基于迁移样本的跨域迁移电子鼻漂移抑制方法 | |
Zhang et al. | Efficient solutions for discreteness, drift, and disturbance (3D) in electronic olfaction | |
CN108875933B (zh) | 一种无监督稀疏参数学习的超限学习机分类方法及系统 | |
Kodogiannis et al. | Artificial odor discrimination system using electronic nose and neural networks for the identification of urinary tract infection | |
Feng et al. | Gas identification with drift counteraction for electronic noses using augmented convolutional neural network | |
Liu et al. | Extreme learning machine-based ensemble transfer learning for hyperspectral image classification | |
Wang et al. | Sensor drift compensation of E-nose systems with discriminative domain reconstruction based on an extreme learning machine | |
CN113740381B (zh) | 一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法 | |
Rehman et al. | Multi-classifier tree with transient features for drift compensation in electronic nose | |
Leon-Medina et al. | Joint distribution adaptation for drift correction in electronic nose type sensor arrays | |
CN113627084A (zh) | 基于极限学习机的电子鼻信号漂移补偿子空间对齐方法 | |
Tian et al. | Local manifold embedding cross-domain subspace learning for drift compensation of electronic nose data | |
Niebling | Identification of gases with classical pattern-recognition methods and artificial neural networks | |
CN114088890A (zh) | 基于深度bp神经网络的自适应温湿度补偿方法及系统 | |
CN109063750B (zh) | 基于cnn和svm决策融合的sar目标分类方法 | |
CN112580539A (zh) | 基于psvm-lstm的电子鼻信号长期漂移抑制方法 | |
Wang et al. | Research on air pollution gases recognition method based on lstm recurrent neural network and gas sensors array | |
Liu et al. | An active method of online drift-calibration-sample formation for an electronic nose | |
Kolehmainen | Data exploration with self-organizing maps in environmental informatics and bioinformatics | |
Vaquet et al. | Investigating intensity and transversal drift in hyperspectral imaging data | |
CN115604025B (zh) | 一种基于pli4da的网络入侵检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |