CN113341079B - 一种基于电子鼻的气味识别方法、系统及报警系统 - Google Patents
一种基于电子鼻的气味识别方法、系统及报警系统 Download PDFInfo
- Publication number
- CN113341079B CN113341079B CN202110889479.9A CN202110889479A CN113341079B CN 113341079 B CN113341079 B CN 113341079B CN 202110889479 A CN202110889479 A CN 202110889479A CN 113341079 B CN113341079 B CN 113341079B
- Authority
- CN
- China
- Prior art keywords
- gas
- target
- sensor
- gases
- gas 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000007789 gas Substances 0.000 claims abstract description 524
- 230000004044 response Effects 0.000 claims abstract description 60
- 238000005070 sampling Methods 0.000 claims abstract description 52
- 238000007635 classification algorithm Methods 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 2
- 235000019645 odor Nutrition 0.000 description 55
- 230000035943 smell Effects 0.000 description 17
- 238000012360 testing method Methods 0.000 description 17
- 238000001514 detection method Methods 0.000 description 9
- 238000012216 screening Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 229910044991 metal oxide Inorganic materials 0.000 description 4
- 150000004706 metal oxides Chemical class 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000010408 film Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 229920001940 conductive polymer Polymers 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Computation (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明提供了一种基于电子鼻的气味识别方法、系统及报警系统。该气味识别方法包括:获取各个气体传感器在不同采样点的响应值数据;根据不同采样点的响应值数据判断是否有至少一个气体传感器具有起峰特征;在确定有气体传感器具有起峰特征后开始计时,每间隔预设时间段Δt判断一次其他气体传感器是否具有起峰特征;根据各个时刻下具有起峰特征的气体传感器确定对应时刻下目标气味中所必然包含或必然不包含的气体,从而从多种气体集合中确定出必然包含或必然不包含有该气体的目标气体集合;根据目标气体集合选择出一种分类算法,并按照选择出的分类算法从目标气体集合中确定出目标气体的气体种类。本发明方案可以快速准确识别出气体种类。
Description
技术领域
本发明涉及气体传感器技术领域,尤其涉及一种基于电子鼻的气味识别方法、系统及报警系统。
背景技术
用气体传感器阵列作为气体或者气味的识别的设备简称电子鼻,电子鼻目前广泛应用在各个行业的气体、气味识别和检测中。应用于电子鼻中的传感器有各种类型,但是从灵敏度和价格因素考虑,电阻型传感器尤其是金属氧化物的半导体类型传感器被使用的最为普遍。
但是对于一些特殊的行业,比如有毒有害、易燃易爆和一些军工领域,气味的响应时间是必须要考虑的一个重要因素。在这一类应用中如果不能及时对目标气体进行识别并报警,再准确的检测也无实际意义。然而,高准确度检测和快速检测通常不能同时做到,保证传感器尤其是电阻型传感器在具有较高的准确度的前提下做到快速检测是这个领域的技术瓶颈。
而电子鼻的检测准确度以及检测速度取决于应用于电子鼻的气味识别算法。通常该气味识别算法中,使用每个传感器对目标气的响应峰值大小以及响应峰值的方向作为特征值,然后使用机器学习中分类算法进行区分,也可以使用整个响应峰的形状和对气体响应后恢复的曲线作为特征值做分类计算。不过后者因为算法的效率比较低,而且需要的时间更长,所以如果不是特别需要很少被采用。对于前者使用响应峰值大小的方法,通常都是至少在传感器对目标气响应进入稳定态或者最大峰值的时候进行取值计算。对于电阻型或者电化学型气体传感器,都需要约两分钟的时间达到响应的稳定态,因此,开始取值计算的时间就很长,那么确定出目标气的时间更长。如果采用最大峰值进行计算,开始取值计算的时间就更长。
为了更快地检测出目标气体,现有技术提出可以使用气体传感器在响应峰上升或下降期使用响应曲线上升或下降的斜率作为一种特征计算值。这种技术的确缩短了特征提取需要的时间,但是它只适合于常规的厚膜型气体传感器。对于MEMS(MicroelectroMechanical Systems)结构的薄膜传感器,由于它的功耗低,体积小,可以在便携式设备中使用,在目前的应用中越来越受到重视,尤其在民用市场,它的占有率已经超过了厚膜型传感器。但是这种传感器由于它的微小体积也造成了它的热质量非常小,容易受到应用场合的气流气温大小影响,所以曲线上升或下降斜率的方法会受到环境因素的很大干扰,在响应峰上升或下降期使用响应曲线上升或下降的斜率不适合直接用来作为特征值。
发明内容
本发明的一个目的是要提供一种能够保证电子鼻具有较高准确度的前提下做到快速识别的气味识别方法。
本发明的一个进一步的目的在于如何进一步缩小识别出气味的时间。
本发明的一个进一步的目的在于如何简化复杂的气味识别过程,使其能够做到即便使用现有技术中的分类算法也可以精确快速识别出目标气味的气体种类。
特别地,本发明提供了一种基于电子鼻的气味识别方法,包括如下步骤:
获取电子鼻中各个气体传感器在不同采样点的响应值数据;
根据不同采样点的所述响应值数据判断是否有至少一个气体传感器具有用于表示对目标气味中的某一种或某几种气体开始响应的起峰特征;
在确定有气体传感器具有所述起峰特征后开始计时,并每间隔预设时间段Δt判断一次其他气体传感器是否具有起峰特征,从而确定出t0、t0+Δt、...、t0+nΔt时刻的所有具有所述起峰特征的气体传感器,其中,t0表示确定有气体传感器具有所述起峰特征的时刻,n为正整数,且n≥0,且t0+nΔt时刻为响应进入所述稳定态之前的时刻;
根据t0、t0+Δt、...、t0+nΔt时刻下具有所述起峰特征的所述气体传感器确定对应时刻下所述目标气味中所必然包含或必然不包含的气体,从而从多种气体集合中确定出必然包含或必然不包含有该气体的目标气体集合;
根据所述目标气体集合从多种分类算法中选择出一种分类算法,并按照选择出的所述分类算法从所述目标气体集合中确定出目标气体的气体种类。
可选地,所述根据不同采样点的所述响应值数据判断是否有至少一个气体传感器具有用于表示对目标气味中的某一种或某几种气体开始响应的起峰特征,包括如下步骤:
获取每个气体传感器中n+m+1个采样点的响应值;
从n+m+1个采样点中取连续的n个采样点进行一次标准差计算,再每次向后移动一个采样点再取连续的n个采样点进行一次标准差计算,从而使得每个气体传感器获得m个标准差σ1、σ2、...、σm;
将每个所述气体传感器的所述m个标准差σ1、σ2、...、σm分别与该气体传感器对应的预设阈值σ0进行比较;
在某一个或某几个气体传感器的所述标准差σ1、σ2、...、σm大于或等于对应的所述预设阈值σ0时,确定该一个或多个气体传感器具有所述起峰特征。
可选地,所述将每个所述气体传感器的所述m个标准差σ1、σ2、...、σm分别与该气体传感器对应的预设阈值σ0进行比较的步骤中,所述预设阈值σ0按照如下步骤获得:
在不通入所述目标气体的情况下,获取每个所述气体传感器中p+q+1个采样点的响应值;
从p+q+1个采样点中取连续的q个采样点进行一次标准差计算,再每次向后移动一个采样点再取连续的q个采样点进行一次标准差计算,从而使得每个气体传感器获得p个标准差σ1、σ2、...、σp;计算所述p个标准差σ1、σ2、...、σp的标准差平均值Pσ,并计算对所述p个标准差σ1、σ2、...、σp进行一次标准差计算,获得二次标准差σ’;
按照以下公式σ0=Pσ+a*σ’确定出每个所述气体传感器对应的所述预设阈值σ0,其中,a为常数,且1≤a≤3。
可选地,所述电子鼻中所有气体传感器的采样点的时间间隔相同。
可选地,所述根据t0、t0+Δt、...、t0+nΔt时刻下所述气体传感器的所述起峰特征确定对应时刻下所述目标气味中所必然包含或必然不包含的气体,从而从多种气体集合中确定出必然包含或必然不包含有该气体的目标气体集合的步骤中,当n=0时,包括如下步骤:
判断t0时刻下具有所述起峰特征的所有气体传感器是否有至少一个气体传感器集,每个所述气体传感器集包括至少一个第一气体传感器,每个所述气体传感器集设置成能够确定出所述目标气味中必然包含或必然不包含某一种或某几种气体;
在确定有所述至少一个气体传感器集后,根据每个所述气体传感器集将所述目标气味划分为必然包含或必然不包含某一种或某几种气体的第一气体集合和包含其他气体的第二气体集合,所述第一气体集合和所述第二气体集合的总和是所述目标气味中所有可能的气体集合,所述第一气体集合表示包含所述第一气体传感器确定的气体的所有可能集合;
将所述第一气体集合作为所述目标气体集合。
可选地,在确定有所述至少一个气体传感器集后,根据每个所述气体传感器集将所述目标气味划分为必然包含或必然不包含某一种或某几种气体的第一气体集合和包含其他气体的第二气体集合,包括如下步骤:
在确定有气体传感器集A1, A2, …, As后,根据Ai确定所述目标气味中必然包含或必然不包含某一种或某几种气体,从而将所述目标气味划分为必然包含或必然不包含某一种或某几种气体的Gi气体集合和非Gi气体集合,使i=1,2,…,s依次执行该步骤,从而将所述目标气味划分为必然包含或必然不包含某一种或某几种气体的G1,G2,…, Gs气体集合,以及非G1,非G2,…, 非Gs气体集合;
根据所有气体传感器集A1, A2, …, As确定出的G1,G2,…, Gs气体集合以及非G2,…, 非Gs气体集合确定出所述目标气体集合。
可选地,所述根据t0、t0+Δt、...、t0+nΔt时刻下所述气体传感器的所述起峰特征确定对应时刻下所述目标气味中所必然包含或必然不包含的气体,从而从多种气体集合中确定出必然包含或必然不包含有该气体的目标气体集合的步骤中,当n≥1时,包括:
步骤1)、判断t0时刻下具有所述起峰特征的所有气体传感器是否有至少一个气体传感器集,每个所述气体传感器集包括至少一个第二体传感器,每个所述气体传感器集设置成能够确定出所述目标气味中必然包含或必然不包含某一种或某几种气体;
步骤2)、在确定有至少一个所述气体传感器集后,根据每个所述气体传感器集将所述目标气味划分为必然包含或必然不包含某一种或某几种气体的第三气体集合和第四气体集合,所述第三气体集合和所述第四气体集合的总和是所述目标气味中所有可能的气体集合,所述第三气体集合表示包含所述第二气体传感器确定的气体的所有可能集合;
步骤3)、判断t0+iΔt0时刻下具有所述起峰特征的所有气体传感器是否有与所述第二气体传感器不同的至少一个目标气体传感器,每个所述目标气体传感器设置成能够确定出所述目标气味中必然包含或必然不包含某一种或某几种气体,且所述目标气体传感器确定的必然包含或必然不包含的气体与所述第二气体传感器确定的不同,其中,1≤i≤n;
步骤4)、在确定有所述目标气体传感器后,根据每个所述目标气体传感器将t0+(i-1)Δt0时刻划分出的气体集合划分为必然包含或必然不包含某一种或某几种气体第一气体子集合和第二气体子集合,所述第一气体子集合和所述第二气体子集合的总和是t0+(i-1)Δt0时刻划分出的气体集合中所有可能集合;
步骤5)、重复执行步骤3)和步骤4)直至i=n,从而确定出i=n时划分出的最小子集合中;
步骤6)、将所述最小子集合作为所述目标气体集合。
可选地,所述根据所述目标气体集合从多种分类算法中选择出一种分类算法,并按照选择出的所述分类算法从所述目标气体集合中确定出目标气体的气体种类中,所述根据所述目标气体集合从多种分类算法中选择出一种分类算法为:
在t0+nΔt时刻确定出所述目标气体集合时,根据所述目标气体集合中所必然包含或必然不包含的气体的种类从多种分类算法中选择出对应的分类算法。
特别地,本发明还提供了一种基于电子鼻的气味识别系统,包括控制装置,所述控制装置包括存储器和处理器,所述存储器内存储有控制程序,所述控制程序被所述处理器执行时用于实现根据前述的基于电子鼻的气味识别方法。
特别地,本发明还提供了一种报警系统,所述报警系统包括前述的基于电子鼻的气味识别系统和报警器;
所述报警器与所述气味识别系统连接,用于在所述气味识别系统识别出目标气味的气体种类时进行报警。
根据本发明实施例的方案,通过首先利用不同气体传感器对目标气味的响应的先后、快慢来对具有多种气体集合的目标气味进行筛选,从而从多种气体集合中筛选出子集合(即目标气体集合),最后再根据目标气体集合选择出对应的分类算法,从而按照选择出的分类算法确定目标气体的气体种类。由于在响应曲线还未进入稳定态,且刚具有起峰特征时就开始进行计算,由此极大缩短了气体识别的时间。并且通过前期筛选,使得具有很多可能性的气体集合变成可能性减少较多的气体集合,后期可以使用简单的分类算法就可以计算确定出目标气体的种类,而简单的分类算法又减小了计算误差,减小了由于复杂计算而导致发生错误识别的概率,间接提高了气体识别的准确率。
进一步地,通过利用标准差来判断传感器是否具有起峰特征,计算方法简单且可以及时捕捉到气体传感器的起峰特征,进而进行分类判断。并且数值没有方向性(即没有正负之分),计算更为简便。此外,使得n≥1可以进一步缩小气体识别的范围,进一步减小气体计算的时间,从而可以进一步缩小气体识别的时间。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1示出了现有技术中的气体传感器的响应曲线;
图2示出了根据本发明的一个实施例的基于电子鼻的气味识别方法的示意性流程图;
图3示出了图2所示根据不同采样点的所述响应值数据判断是否有至少一个气体传感器具有起峰特征的示意性流程图;
图4示出了根据本发明一个实施例的气体传感器的响应曲线;
图5示出了根据本发明一个实施例的预设阈值σ0的确定方法的示意性流程图。
具体实施方式
图1示出了现有技术中的气体传感器的响应曲线。如图1所示,在气体传感器领域,通常情况下,利用分类算法对目标气味进行识别分类时是取响应最大值或稳定态时的响应值作为计算点。稳定态一般指响应曲线上在响应最大值(最大峰值)80~90%之间的位置。但是利用响应最大值或稳定态时的响应值作为计算点,通常达到稳定态的时间较长,尤其是对于金属氧化物类型的传感器,从基线位置到稳定态位置所需的时间至少需要两分钟,而达到响应最大值的时间则更长,也就是说,开始计算的时间点已经是至少两分钟了,那么识别出目标气体种类的时间需要更久。但是在某些特殊领域,气体传感器能够两分钟之后才能检测出目标气味显然时间过于久了,即便准确检测出了目标气体,可能由于检测时间过长而未能及时报警导致重大人员及财产等损失。
为了及时检测出目标气味的目标气体种类,本发明提出了一种基于电子鼻的气味识别方法。图2示出了根据本发明的一个实施例的基于电子鼻的气味识别方法的示意性流程图。如图2所示,该气味识别方法包括:
步骤S100,获取电子鼻中各个气体传感器在不同采样点的响应值数据;
步骤S200,根据不同采样点的响应值数据判断是否有至少一个气体传感器具有用于表示对目标气味中的某一种或某几种气体开始响应的起峰特征;
步骤S300,在确定有气体传感器具有起峰特征后开始计时,并每间隔预设时间段Δt判断一次其他气体传感器是否具有起峰特征,从而确定出t0、t0+Δt、...、t0+nΔt时刻的所有具有起峰特征的气体传感器,其中,t0表示确定有气体传感器具有起峰特征的时刻,n为正整数,且n≥0,且t0+nΔt时刻为响应进入稳定态之前的时刻;
步骤S400,根据t0、t0+Δt、...、t0+nΔt时刻下具有起峰特征的气体传感器确定对应时刻下目标气味中所必然包含或必然不包含的气体,从而从多种气体集合中确定出必然包含或必然不包含有该气体的目标气体集合;
步骤S500,根据目标气体集合从多种分类算法中选择出一种分类算法,并按照选择出的分类算法从目标气体集合中确定出目标气体的气体种类。
根据本发明实施例的方案,通过首先利用不同气体传感器对目标气味的响应的先后、快慢来对具有多种气体集合的目标气味进行筛选,从而从多种气体集合中筛选出子集合(即目标气体集合),最后再根据目标气体集合选择出对应的分类算法,从而按照选择出的分类算法确定目标气体的气体种类。由于在响应曲线还未进入稳定态,且刚具有起峰特征时就开始进行计算,由此极大缩短了气体识别的时间。并且通过前期筛选,使得具有很多可能性的气体集合变成可能性减少较多的气体集合,后期可以使用简单的分类算法就可以计算确定出目标气体的种类,而简单的分类算法又减小了计算误差,减小了由于复杂计算而导致发生错误识别的概率,间接提高了气体识别的准确率。
相应地,本发明实施例还提供了一种基于电子鼻的气味识别系统,包括控制装置,控制装置包括存储器和处理器,存储器内存储有控制程序,控制程序被处理器执行时用于实现根据前述的基于电子鼻的气味识别方法。
相应地,本发明实施例还提供了一种报警系统,包括前述的基于电子鼻的气味识别系统和报警器。报警器与气味识别系统连接,用于在气味识别系统识别出目标气味的气体种类时进行报警。
以下结合具体实施例进行详细阐述:
实施例一:
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。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。本发明实施例的电子鼻中的气体传感器的类型不受限,可以根据实际需要进行选择。
在步骤S100中,各个气体传感器在环境气氛中均每隔一定时间采集一次数据,采集的数据随时间发生变化,由此可以绘制出响应值随时间变化的响应曲线。不同时间采集的数据对应不同的采样点。在气体识别过程中,电子鼻中的所有气体传感器均处于工作状态。在一个实施例中,电子鼻中所有气体传感器的采样点的时间间隔相同。
如图3所示,该步骤S200包括:
步骤S210,获取每个气体传感器中n+m+1个采样点的响应值;
步骤S220,从n+m+1个采样点中取连续的n个采样点进行一次标准差计算,再每次向后移动一个采样点再取连续的n个采样点进行一次标准差计算,从而使得每个气体传感器获得m个标准差σ1、σ2、...、σm;
步骤S230,将每个气体传感器的m个标准差σ1、σ2、...、σm分别与该气体传感器对应的预设阈值σ0进行比较;
步骤S240,在某一个或某几个气体传感器的标准差σ1、σ2、...、σm大于或等于对应的预设阈值σ0时,确定该一个或多个气体传感器具有起峰特征。
在步骤S220中,对每个气体传感器均计算获得其中多个标准差。每个标准差是对某几个采样点进行计算。图4示出了根据本发明一个实施例的气体传感器的响应曲线,其中,横坐标为时间,纵坐标为响应值,曲线上的每个圆点表示一个采样点。该相邻两个采样点之间的时间差例如可以为3s,可以取相邻五个采样点的数据计算获得标准差。标准差(Standard Deviation),是离均差平方的算术平均数(即:方差)的算术平方根,用σ表示。标准差也被称为标准偏差,或者实验标准差,在概率统计中最常使用作为统计分布程度上的测量依据。该标准差的概念是公知常识,因此此处不再赘述其计算方法。
例如,一共有n+m+1个采样点,可以将第j个采样点记为Cj,那么标准差σ1是取C1至Cn的响应值进行计算获得的,标准差σ2是取C2至Cn+1的响应值进行计算获得的,标准差σ3是取C3至Cn+2的响应值进行计算获得的,…,标准差σj是取Cj至Cn+j-1的响应值进行计算获得的,…,标准差σm是取Cm至Cn+m-1的响应值进行计算获得的,在图4所示的实施例中,n=5。
在步骤S230中,每个传感器对不同气体响应的预设阈值σ0均可能不同。该预设阈值σ0的具体取值是经过有监督机器学习训练获得。每个传感器对某一种气体响应的预设阈值σ0是按照如图5所示的方法获得,包括:
步骤S221,在不通入目标气体的情况下,获取每个气体传感器中p+q+1个采样点的响应值;
步骤S222,从p+q+1个采样点中取连续的q个采样点进行一次标准差计算,再每次向后移动一个采样点再取连续的q个采样点进行一次标准差计算,从而使得每个气体传感器获得p个标准差σ1、σ2、...、σp;计算p个标准差σ1、σ2、...、σp的标准差平均值Pσ,并计算对p个标准差σ1、σ2、...、σp进行一次标准差计算,获得二次标准差σ’;
步骤S223,按照以下公式σ0=Pσ+a*σ’确定出每个气体传感器对应的预设阈值σ0,其中,a为常数,且1≤a≤3。
该步骤S222和步骤S223中,可以理解的是,从一开始就取q个连续的采样点做一次标准差的计算,然后每次向后移动一个点再取q个连续的点做一次标准差计算。这样在起峰之前每个传感器通道可以有至少p个标准差数据。如果对很多测试样本都做这样的计算,可以得到很多个标准差的数据。对每个传感器通道的理论上无限多个这样计算得到的标准差数据再计算一个平均值,理论上代表这个传感器在基线阶段的随机波动的大小,即传感器在这个波动范围内都是正常的基线,没有起峰。因为起峰是一个标准差肯定会大于这个随机波动的值,所以只看这个标准差的上限,而且谱峰分析理论的规矩是信噪比必须要达到2-3才是有效的响应值。那么将这些标准差的数据再做一次标准差的计算,物理意义上即代表基线波动的标准差,将前面收集的标准差平均值加上a倍的标准差集的标准差,就是a倍的信噪比。
通过利用标准差来判断传感器是否具有起峰特征,计算方法简单且可以及时捕捉到气体传感器的起峰特征,进而进行分类判断。并且数值没有方向性(即没有正负之分),计算更为简便。
该步骤S400中,n=0,包括如下步骤:
A. 判断t0时刻下具有起峰特征的所有气体传感器是否有至少一个气体传感器集,每个气体传感器集包括至少一个第一气体传感器,每个气体传感器集设置成能够确定出目标气味中必然包含或必然不包含某一种或某几种气体;
B. 在确定有至少一个气体传感器集后,根据每个气体传感器集将目标气味划分为必然包含或必然不包含某一种或某几种气体的第一气体集合和包含其他气体的第二气体集合,第一气体集合和第二气体集合的总和是目标气味中所有可能的气体集合,第一气体集合表示包含所述第一气体传感器确定的气体的所有可能集合;
C. 将第一气体集合作为目标气体集合。
该步骤B包括如下步骤:
在确定有气体传感器集A1, A2, …, As后,根据Ai确定目标气味中必然包含或必然不包含某一种或某几种气体,从而将目标气味划分为必然包含或必然不包含某一种或某几种气体的Gi气体集合和非Gi气体集合,使i=1,2,…,s依次执行该步骤,从而将目标气味划分为必然包含或必然不包含某一种或某几种气体的G1,G2,…, Gs气体集合,以及非G1,非G2,…, 非Gs气体集合;
根据所有气体传感器集A1, A2, …, As确定出的G1,G2,…, Gs气体集合以及非G2,…, 非Gs气体集合确定出目标气体集合。
该步骤A至C中,例如,发现凡是带有X气体的传感器测试中,具有起峰特征的传感器有传感器S1(不一定是一个传感器)和其他传感器,而对于不含X气体的测试有其他传感器而没有传感器S1。并且,还发现凡是带有Y气体的传感器测试中,具有起峰特征的传感器有传感器S2(不一定是一个传感器)和其他传感器,而对于不含Y气体的测试有其他传感器而没有传感器S2。并且,还发现凡是带有Z气体的传感器测试中,具有起峰特征的传感器有传感器S3(不一定是一个传感器)和其他传感器,而对于不含Z气体的测试有其他传感器而没有传感器S3。假设,目标气味中可能包含的气体有X、Y、Z、M和N气体。其中,X、Y、Z、M和N均为某一种气体的代号,不特定表示某一种具体的气体。
那么可以得到一个特征提取的方法:在起峰后t0时刻的起峰识别中含有传感器S1的就是含有X的气体组合,传感器S1在这个时间没有起峰的就是不含X气体的气体组合。这样就可以先把多组分的气体简化成含有A气的集合不含A气的集合。在起峰后t0时刻的起峰识别中含有传感器S2的就是含有Y的气体组合,传感器S2在这个时刻没有起峰的就是不含Y气体的气体组合。这样就可以先把多组分的气体简化成含有Y气的集合不含Y气的集合。在起峰后t0时刻的起峰识别中含有传感器S3的就是含有Z的气体组合,传感器S3在这个时刻没有起峰的就是不含Z气体的气体组合。这样就可以先把多组分的气体简化成含有Z气的集合不含Z气的集合。若在起峰后t0时刻,传感器S1、传感器S2和传感器S3均有起峰特征,则确定目标气体集合为含有X、Y和Z的气体集合,该目标气体集合包括元素{X、Y、Z}、元素{X、Y、Z、M}、元素{X、Y、Z、N}、元素{X、Y、Z、M、N}。
该步骤S500中,分类算法例如可以是现有技术中的分类算法,该分类算法例如可以是KNN(K-Nearest Neighbor)、PCA(Principal Component Analysis)、ANN(ArtificialNeural Network)、SVM(Support Vector Machine)等现有算法,此处不再赘述。在利用分类算法进行分类计算时,是在t0+nΔt时刻确定出目标气体集合时进行计算的。也就是说,在利用分类算法进行分类计算时,已经对目标气味进行了筛选,分类计算时是对筛选之后的小范围内的气体种类进行分类。如此,可以使用现有技术中的分类算法对气体种类进行分类,否则,需要另外设计分类算法,且另外设计的分类算法非常复杂,计算过程花费时间很长。
根据本发明实施例的方案,通过对目标气味首先进行筛选,缩小集合中的元素,从而可以简化复杂的气味识别过程,使其能够使用现有技术中的分类算法进行准确快速地识别目标气味中的气体种类,可以轻易做到在到达响应稳定态之前就确定出目标气味中的气体种类,与现有技术中只有在稳定态之后才能确定出目标气味中的气体种类相比,检测出结果的时间极大提前。
实施例二:
该实施例二与实施例一的区别仅在于步骤S400的区别。该步骤S400中,n≥1,包括:
步骤1)、判断t0时刻下具有所述起峰特征的所有气体传感器是否有至少一个气体传感器集,每个所述气体传感器集包括至少一个第二气体传感器,每个所述气体传感器集设置成能够确定出所述目标气味中必然包含或必然不包含某一种或某几种气体;
步骤2)、在确定有至少一个所述气体传感器集后,根据每个所述气体传感器集将所述目标气味划分为必然包含或必然不包含某一种或某几种气体的第三气体集合和第四气体集合,所述第三气体集合和所述第四气体集合的总和是所述目标气味中所有可能的气体集合,所述第三气体集合表示包含所述第二气体传感器确定的气体的所有可能集合;
步骤3)、判断t0+iΔt0时刻下具有所述起峰特征的所有气体传感器是否有与所述第二气体传感器不同的至少一个目标气体传感器,每个所述目标气体传感器设置成能够确定出所述目标气味中必然包含或必然不包含某一种或某几种气体,且所述目标气体传感器确定的必然包含或必然不包含的气体与所述第二气体传感器确定的不同,其中,1≤i≤n;
步骤4)、在确定有所述目标气体传感器后,根据每个所述目标气体传感器将t0+(i-1)Δt0时刻划分出的气体集合划分为必然包含或必然不包含某一种或某几种气体第一气体子集合和第二气体子集合,所述第一气体子集合和所述第二气体子集合的总和是t0+(i-1)Δt0时刻划分出的气体集合中所有可能集合;
步骤5)、重复执行步骤3)和步骤4)直至i=n,从而确定出i=n时划分出的最小子集合中;
步骤6)、将最小子集合作为目标气体集合。
在上述步骤1)至步骤6)中,例如,发现凡是带有X气体的传感器测试中,具有起峰特征的传感器有传感器S1(不一定是一个传感器)和其他传感器,而对于不含X气体的测试有其他传感器而没有传感器S1。并且,还发现凡是带有Y气体的传感器测试中,具有起峰特征的传感器有传感器S2(不一定是一个传感器)和其他传感器,而对于不含Y气体的测试有其他传感器而没有传感器S2。并且,还发现凡是带有Z气体的传感器测试中,具有起峰特征的传感器有传感器S3(不一定是一个传感器)和其他传感器,而对于不含Z气体的测试有其他传感器而没有传感器S3。并且,还发现凡是带有U气体的传感器测试中,具有起峰特征的传感器有传感器S4(不一定是一个传感器)和其他传感器,而对于不含U气体的测试有其他传感器而没有传感器S4。并且,还发现凡是带有Q气体的传感器测试中,具有起峰特征的传感器有传感器S5(不一定是一个传感器)和其他传感器,而对于不含Q气体的测试有其他传感器而没有传感器S5。
假设,目标气味中可能包含的气体有X、Y、Z、M、W、U和Q气体。其中,X、Y、Z、M、W、U和Q均为某一种气体的代号,不特定表示某一种具体的气体。
那么可以得到一个特征提取的方法:在起峰后t0时刻的起峰识别中含有传感器S1的就是含有X的气体组合,传感器S1在这个时间没有起峰的就是不含X气体的气体组合。这样就可以先把多组分的气体简化成含有A气的集合或不含A气的集合。在起峰后t0时刻的起峰识别中含有传感器S2的就是含有Y的气体组合,传感器S2在这个时刻没有起峰的就是不含Y气体的气体组合。这样就可以先把多组分的气体简化成含有Y气的集合或不含Y气的集合。在起峰后t0时刻的起峰识别中含有传感器S3的就是含有Z的气体组合,传感器S3在这个时刻没有起峰的就是不含Z气体的气体组合。这样就可以先把多组分的气体简化成含有Z气的集合或不含Z气的集合。若在起峰后t0时刻,传感器S1、传感器S2和传感器S3均有起峰特征,则确定可以将可能的气体集合缩小为含有X、Y和Z的气体集合B,该气体集合B包括元素{X、Y、Z}、元素{X、Y、Z、M}、元素{X、Y、Z、W}、元素{X、Y、Z、U}、元素{X、Y、Z、Q}、元素{X、Y、Z、M、W}、元素{X、Y、Z、M、U}、元素{X、Y、Z、M、Q}、元素{X、Y、Z、W、U}、元素{X、Y、Z、W、Q}、元素{X、Y、Z、U、Q}、元素{X、Y、Z、M、W、U}、元素{X、Y、Z、M、W、Q}、元素{X、Y、Z、M、U、Q}、元素{X、Y、Z、M、U、Q}、元素{X、Y、Z、W、U、Q}和元素{X、Y、Z、M、W、U、Q}。
在起峰后2t0时刻的起峰识别中含有传感器S4的就是含有U的气体组合,传感器S4在这个时间没有起峰的就是不含U气体的气体组合。这样就可以先把气体集合再简化成含有U气的集合或不含U气的集合。若在起峰后2t0时刻,传感器S4有起峰特征,则确定可以将气体集合B缩小为含有U气的气体集合C,该气体集合C包括元素{X、Y、Z、U}、元素{X、Y、Z、M、U}、元素{X、Y、Z、W、U}、元素{X、Y、Z、U、Q}、元素{X、Y、Z、M、W、U}、元素{X、Y、Z、M、U、Q}、元素{X、Y、Z、M、U、Q}、元素{X、Y、Z、W、U、Q}和元素{X、Y、Z、M、W、U、Q}。
在起峰后3t0时刻的起峰识别中含有传感器S5的就是含有Q的气体组合,传感器S5在这个时间没有起峰的就是不含Q气体的气体组合。这样就可以先把气体集合再简化成含有Q气的集合或不含Q气的集合。若在起峰后3t0时刻,传感器S5有起峰特征,则确定可以将气体集合C缩小为含有Q气的气体集合D,该气体集合D包括元素{X、Y、Z、U、Q}、元素{X、Y、Z、M、U、Q}、元素{X、Y、Z、M、U、Q}、元素{X、Y、Z、W、U、Q}和元素{X、Y、Z、M、W、U、Q}。假设n=2,则执行完该步骤就获得最小子集合,该最小子集合即为该气体集合D。
可以看出,在该实施例中,在没有进行筛选时,目标气味的气体集合中包含非常多种可能性,筛选之后,目标气味的气体组合变为五种可能性,因此,这对于对后序分类算法的复杂度要求大幅度下降,使得利用现有技术中的分类算法成为可能。可以理解的是,在目标气味中的气体种类更多时,其集合中的元素更多。
该实施例中步骤1)至步骤6)仅为一个具体实施例,本发明方案并不限于该实施例。
本发明实施例中,使得n≥1可以进一步缩小气体识别的范围,进一步减小气体计算的时间,从而可以进一步缩小气体识别的时间。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (9)
1.一种基于电子鼻的气味识别方法,其特征在于,包括如下步骤:
获取电子鼻中各个气体传感器在不同采样点的响应值数据;
根据不同采样点的所述响应值数据判断是否有至少一个气体传感器具有用于表示对目标气味中的某一种或某几种气体开始响应的起峰特征;
在确定有气体传感器具有所述起峰特征后开始计时,并每间隔预设时间段Δt判断一次其他气体传感器是否具有起峰特征,从而确定出t0、t0+Δt、...、t0+nΔt时刻的所有具有所述起峰特征的气体传感器,其中,t0表示确定有气体传感器具有所述起峰特征的时刻,n为正整数,且n≥0,且t0+nΔt时刻为响应进入稳定态之前的时刻;
根据t0、t0+Δt、...、t0+nΔt时刻下具有所述起峰特征的所述气体传感器确定对应时刻下所述目标气味中所必然包含或必然不包含的气体,从而从多种气体集合中确定出必然包含或必然不包含有该气体的目标气体集合;
根据所述目标气体集合从多种分类算法中选择出一种分类算法,并按照选择出的所述分类算法从所述目标气体集合中确定出目标气体的气体种类;
所述根据不同采样点的所述响应值数据判断是否有至少一个气体传感器具有用于表示对目标气味中的某一种或某几种气体开始响应的起峰特征,包括如下步骤:
获取每个气体传感器中n+m+1个采样点的响应值;
从n+m+1个采样点中取连续的n个采样点进行一次标准差计算,再每次向后移动一个采样点再取连续的n个采样点进行一次标准差计算,从而使得每个气体传感器获得m个标准差σ1、σ2、...、σm;
将每个所述气体传感器的所述m个标准差σ1、σ2、...、σm分别与该气体传感器对应的预设阈值σ0进行比较;
在某一个或某几个气体传感器的所述标准差σ1、σ2、...、σm大于或等于对应的所述预设阈值σ0时,确定该一个或多个气体传感器具有所述起峰特征。
2.根据权利要求1所述的气味识别方法,其特征在于,所述将每个所述气体传感器的所述m个标准差σ1、σ2、...、σm分别与该气体传感器对应的预设阈值σ0进行比较的步骤中,所述预设阈值σ0按照如下步骤获得:
在不通入所述目标气体的情况下,获取每个所述气体传感器中p+q+1个采样点的响应值;
从p+q+1个采样点中取连续的q个采样点进行一次标准差计算,再每次向后移动一个采样点再取连续的q个采样点进行一次标准差计算,从而使得每个气体传感器获得p个标准差σ1、σ2、...、σp;计算所述p个标准差σ1、σ2、...、σp的标准差平均值Pσ,并计算对所述p个标准差σ1、σ2、...、σp进行一次标准差计算,获得二次标准差σ’;
按照以下公式σ0=Pσ+a*σ’确定出每个所述气体传感器对应的所述预设阈值σ0,其中,a为常数,且1≤a≤3。
3.根据权利要求1-2中任一项所述的气味识别方法,其特征在于,所述电子鼻中所有气体传感器的采样点的时间间隔相同。
4.根据权利要求1-2中任一项所述的气味识别方法,其特征在于,所述根据t0、t0+Δt、...、t0+nΔt时刻下所述气体传感器的所述起峰特征确定对应时刻下所述目标气味中所必然包含或必然不包含的气体,从而从多种气体集合中确定出必然包含或必然不包含有该气体的目标气体集合的步骤中,当n=0时,包括如下步骤:
判断t0时刻下具有所述起峰特征的所有气体传感器是否有至少一个气体传感器集,每个所述气体传感器集包括至少一个第一气体传感器,每个所述气体传感器集设置成能够确定出所述目标气味中必然包含或必然不包含某一种或某几种气体;
在确定有所述至少一个气体传感器集后,根据每个所述气体传感器集将所述目标气味划分为必然包含或必然不包含某一种或某几种气体的第一气体集合和包含其他气体的第二气体集合,所述第一气体集合和所述第二气体集合的总和是所述目标气味中所有可能的气体集合,所述第一气体集合表示包含所述第一气体传感器确定的气体的所有可能集合;
将所述第一气体集合作为所述目标气体集合。
5.根据权利要求4所述的气味识别方法,其特征在于,在确定有所述至少一个气体传感器集后,根据每个所述气体传感器集将所述目标气味划分为必然包含或必然不包含某一种或某几种气体的第一气体集合和包含其他气体的第二气体集合,包括如下步骤:
在确定有气体传感器集A1, A2, …, As后,根据Ai确定所述目标气味中必然包含或必然不包含某一种或某几种气体,从而将所述目标气味划分为必然包含或必然不包含某一种或某几种气体的Gi气体集合和非Gi气体集合,使i=1,2,…,s依次执行该步骤,从而将所述目标气味划分为必然包含或必然不包含某一种或某几种气体的G1,G2,…, Gs气体集合,以及非G1,非G2,…, 非Gs气体集合;
根据所有气体传感器集A1, A2, …, As确定出的G1,G2,…, Gs气体集合以及非G2,…,非Gs气体集合确定出所述目标气体集合。
6.根据权利要求1-2中任一项所述的气味识别方法,其特征在于,所述根据t0、t0+Δt、...、t0+nΔt时刻下所述气体传感器的所述起峰特征确定对应时刻下所述目标气味中所必然包含或必然不包含的气体,从而从多种气体集合中确定出必然包含或必然不包含有该气体的目标气体集合的步骤中,当n≥1时,包括:
步骤1)、判断t0时刻下具有所述起峰特征的所有气体传感器是否有至少一个气体传感器集,每个所述气体传感器集包括至少一个第二气体传感器,每个所述气体传感器集设置成能够确定出所述目标气味中必然包含或必然不包含某一种或某几种气体;
步骤2)、在确定有至少一个所述气体传感器集后,根据每个所述气体传感器集将所述目标气味划分为必然包含或必然不包含某一种或某几种气体的第三气体集合和第四气体集合,所述第三气体集合和所述第四气体集合的总和是所述目标气味中所有可能的气体集合,所述第三气体集合表示包含所述第二气体传感器确定的气体的所有可能集合;
步骤3)、判断t0+iΔt0时刻下具有所述起峰特征的所有气体传感器是否有与所述第二气体传感器不同的至少一个目标气体传感器,每个所述目标气体传感器设置成能够确定出所述目标气味中必然包含或必然不包含某一种或某几种气体,且所述目标气体传感器确定的必然包含或必然不包含的气体与所述第二气体传感器确定的不同,其中,1≤i≤n;
步骤4)、在确定有所述目标气体传感器后,根据每个所述目标气体传感器将t0+(i-1)Δt0时刻划分出的气体集合划分为必然包含或必然不包含某一种或某几种气体第一气体子集合和第二气体子集合,所述第一气体子集合和所述第二气体子集合的总和是t0+(i-1)Δt0时刻划分出的气体集合中所有可能集合;
步骤5)、重复执行步骤3)和步骤4)直至i=n,从而确定出i=n时划分出的最小子集合中;
步骤6)、将所述最小子集合作为所述目标气体集合。
7.根据权利要求1-2中任一项所述的气味识别方法,其特征在于,所述根据所述目标气体集合从多种分类算法中选择出一种分类算法,并按照选择出的所述分类算法从所述目标气体集合中确定出目标气体的气体种类中,所述根据所述目标气体集合从多种分类算法中选择出一种分类算法为:
在t0+nΔt时刻确定出所述目标气体集合时,根据所述目标气体集合中所必然包含或必然不包含的气体的种类从多种分类算法中选择出对应的分类算法。
8.一种基于电子鼻的气味识别系统,其特征在于,包括控制装置,所述控制装置包括存储器和处理器,所述存储器内存储有控制程序,所述控制程序被所述处理器执行时用于实现根据权利要求1-7中任一项所述的基于电子鼻的气味识别方法。
9.一种报警系统,其特征在于,包括权利要求8所述的基于电子鼻的气味识别系统和报警器;
所述报警器与所述气味识别系统连接,用于在所述气味识别系统识别出目标气味的气体种类时进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110889479.9A CN113341079B (zh) | 2021-08-04 | 2021-08-04 | 一种基于电子鼻的气味识别方法、系统及报警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110889479.9A CN113341079B (zh) | 2021-08-04 | 2021-08-04 | 一种基于电子鼻的气味识别方法、系统及报警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113341079A CN113341079A (zh) | 2021-09-03 |
CN113341079B true CN113341079B (zh) | 2022-01-07 |
Family
ID=77480541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110889479.9A Active CN113341079B (zh) | 2021-08-04 | 2021-08-04 | 一种基于电子鼻的气味识别方法、系统及报警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341079B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024063636A1 (en) | 2022-09-21 | 2024-03-28 | Sime Darby Plantation Intellectual Property Sdn Bhd | Method for monitoring odours in soybean oil refinery plants |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782233B (zh) * | 2020-12-30 | 2023-05-09 | 江苏智闻智能传感科技有限公司 | 一种基于阵列气体传感器的气体识别方法 |
CN112782255B (zh) * | 2020-12-31 | 2023-11-28 | 江苏智闻智能传感科技有限公司 | 一种基于阵列气体传感器的气体识别方法 |
-
2021
- 2021-08-04 CN CN202110889479.9A patent/CN113341079B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113341079A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101852074B1 (ko) | 가스 분류를 위한 전자코 시스템 및 방법 | |
CN110912867B (zh) | 工业控制系统的入侵检测方法、装置、设备和存储介质 | |
CN109632891B (zh) | 一种利用阵列气体传感器监测气体种类以及浓度的方法 | |
CN108107086B (zh) | 一种基于阵列气体传感器的气体检测方法及气体传感器 | |
EP3361459B1 (en) | Method, apparatus and system for passive infrared sensor framework | |
CN113341079B (zh) | 一种基于电子鼻的气味识别方法、系统及报警系统 | |
KR20200130657A (ko) | 가스 감지 디바이스 및 가스 감지 디바이스를 동작시키는 방법 | |
KR20210116278A (ko) | 가스 감지 디바이스 및 가스 감지 디바이스를 작동시키기 위한 방법 | |
CN108460397A (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
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 | |
CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
CN116453438A (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
CN113836240B (zh) | 时序数据分类方法、装置、终端设备及存储介质 | |
US11971397B2 (en) | Gas sensing device for sensing one or more gases in a mixture of gases | |
CN112782233B (zh) | 一种基于阵列气体传感器的气体识别方法 | |
EP3623804B1 (en) | Method of operating gas sensors and corresponding device, sensor and program product | |
KR100581673B1 (ko) | 데이터 분류방법 | |
JP4775100B2 (ja) | 信号識別装置 | |
CN114422450A (zh) | 基于多源网络流量数据的网络流量分析方法和装置 | |
CN112308153A (zh) | 一种烟火检测方法和装置 | |
CN117407707A (zh) | 气味识别模型训练方法和装置 | |
CN116049640B (zh) | 一种用于液液非均相反应热行为判别的概率映射识别方法 | |
CN116759014B (zh) | 基于随机森林的气体种类及浓度预测方法、系统及装置 | |
CN115237739B (zh) | 板卡运行环境的分析方法、装置、设备及可读存储介质 | |
JPS6223350B2 (zh) |
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 |