CN115015472A - 一种基于域自适应的极限学习机传感器漂移数据重构方法 - Google Patents
一种基于域自适应的极限学习机传感器漂移数据重构方法 Download PDFInfo
- Publication number
- CN115015472A CN115015472A CN202210182123.6A CN202210182123A CN115015472A CN 115015472 A CN115015472 A CN 115015472A CN 202210182123 A CN202210182123 A CN 202210182123A CN 115015472 A CN115015472 A CN 115015472A
- Authority
- CN
- China
- Prior art keywords
- data
- domain
- learning
- target
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 3
- 101150093857 Ccn4 gene Proteins 0.000 claims description 6
- 101150081978 ELM1 gene Proteins 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 238000013507 mapping Methods 0.000 abstract description 4
- 230000014759 maintenance of location Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 210000001331 nose Anatomy 0.000 description 12
- 230000004044 response Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008786 sensory perception of smell Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 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
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Combustion & Propulsion (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于域自适应的极限学习机传感器漂移数据重构方法，该方法先设计一个子空间学习策略，该策略能够自适应对输入的数据做出不同的学习行为。若数据来自源域数据集，建立ELM特征学习映射，保证输出目标数据域输入目标数据之间的差值最小，进而保证源域样本类别信息基本保留，而无需降维处理；若数据来自目标域数据集，建立ELM特征学习映射，使用无参数MMD作为差异度量函数，保证映射后的源域数据与目标域数据尽可能相似。最后将重构后的目标域数据与源域数据分别作为自适应ELM分类器的测试数据集与训练数据集，最后得出训练模型的分类预测精度。本发明的优点在于利用ELM训练速度快、且不需要更新，学习过程只需要计算输出权值等优点，实现对域数据的快速重构，解决传感器漂移/偏移问题，进而提高电子鼻系统的预测精度。
Description
技术领域
一种基于域自适应的极限学习机传感器漂移数据重构方法。
背景技术
电子鼻，又称人工嗅觉仿生系统，是一种具有智能信号处理和模式识别单元的交叉敏感气体传感器阵列，在环境监测、医疗诊断、食品工程等领域具有广泛的应用前景。然而，由于传感器漂移和多设备间信号偏移的存在，已经限制了电子鼻大规模的应用。
传感器漂移是气体传感器定量特性的缓慢变化，其值本应该保持恒定不变。但是，由于传感器都存在老化和中毒的可能，且系统和环境变化之间的差异，比如温度、湿度等，都将引起测量的数据偏离真实的气体物理值。对于一个单一的电子鼻系统，传感器的响应将在同一气体环境下的较长时间(一年或者更长)内发生较大的变化(时变漂移)。因此，在模型迁移过程中，使用传感器漂移之前收集的数据集训练的模式识别系统性能将大大降低。为确保模式识别系统的预测性能，则需要频繁的重新校准。然而，电子鼻的重新校准是费时费力的，所以频繁的校准并不是一种可取的办法。
同一时间段多个同类型电子鼻设备之间的输出差异被称为信号偏移，这是由于相同仪器的重现性较弱造成的。气体传感器的制造技术和多个系统之间的不可控差异，当多个相同的电子鼻设备在相同的气体环境下运行时，电子鼻系统的响应是不同的。当多个配置相同的电子鼻系统来检测和识别气体时，由于信号偏移的影响，当使用一个设备(主设备)上训练的模型直接预测来自另一个设备(从设备)的数据时，模型预测精度会有所下降。因此，利用每个设备收集的气体样本来建立一个预测模型通常是不切实际的，尤其是在样本收集的成本很高的情况下。故在仪器之间的校准是有必要的。
在实际应用中，由于传感器漂移/偏移的不可预测性和不确定性，使得电子鼻的普及更加举步维艰。解决传感器漂移/偏移问题也成为众多研究者关注的热点问题。该问题的解决势必会带来巨大的间接经济效应。电子鼻具有便携性、检测精度高、灵敏性等特点，也将促使电子鼻越来越受到人们的欢迎。
发明内容
本发明提出了一种基于域自适应的极限学习机传感器漂移数据重构方法，实现对传感数据的重构。该方法可以有区别地处理来自两个不同域的数据，其关键在于学习一个域不变空间来最小化源域和目标域之间的分布差异。
本发明提供如下技术方案，包括如下步骤：
步骤1：设计一个子空间学习策略；
步骤2：建立ELM1模型，通过学习最佳输出权值β*来保留有用类别信息；
步骤3：建立ELM2模型，通过学习最佳输出权值β*降低不同域之间的重构差异；
步骤4：建立自适应ELM分类器，验证重构数据的分布一致性和域可迁移性。
在步骤1设计子空间学习策略，以数据为输入，并根据数据域实现不同的学习行为：若数据为源域执行步骤2；若数据为目标域执行步骤3。
在步骤2中建立ELM1特征学习模型，根据最小二乘法原理，将输出目标数据与输入目标数据的差值定义为信息损失函数，从而使得源域样本类别信息基本保持固定，而无需降维。换而言之，通过步骤2建立的学习模型，能够最大可能的保留源域的判别信息，且重构后的数据不扭曲。
在步骤3建立ELM2特征学习模型，使用无参数MMD作为差异度量函数，保证源域重构后的数据与目标域重构后的数据尽可能相似。
在步骤4建立自适应ELM分类器，使用源域重构的数据作为模型训练数据集，目标域数据作为模型测试数据集，进而验证重构方法的可行性。
本发明的现实意义，本方法充分使用了ELM训练速度快，网络简单，且不需要更新，学习过程只需要计算输出权值等优点，大大提高了算法的计算效率。且该方法是无监督的学习方法，避免了需要访问感兴趣领域的数据标签，这是一个费力且昂贵的过程，更接近实际应用场景。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为传感器数据重构方法发明流程图。
具体实施方式
下面将结合附图，对本发明的实施例进行详细的描述。
本发明提供了一种基于域自适应的极限学习机传感器漂移数据重构方法，如图1所示该方法包括以下步骤：
步骤1：设计子空间学习策略，输入不同的数据及参数；
步骤2：建立ELM1模型，通过学习最佳输出权值β*来保留有用类别信息；
步骤3：建立ELM2模型，通过学习最佳输出权值β*降低不同域之间的重构差异；
步骤4：建立自适应ELM分类器，验证重构数据的分布一致性和域的可迁移性。
在步骤1中设计子空间学习策略，数据作为输入，该策略可以根据不同数据域实现不同的学习行为：若数据来自源域，则将执行步骤2；若数据来自目标域，则将执行步骤3；
在步骤2中建立ELM1学习模型，根据最小二乘法原理，使得重构后的源域数据与重构前的源域数据差值最小，即重构后误差最小。通过这种方式，可以保持源域数据尽可能保持不变，解决了源域信息保留问题。其源域信息损失定义如公式(1)所示：
其中f(·)指的是一个极限学习机的学习映射过程。
在步骤3中建立ELM2学习模型，分别对源域数据和目标域数据进行重构，然后使用非参数MMD作为差异度量函数，重构分布差异如公式(2)所示：
CD(f(XS),f(XT))＝MMD2(f(XS),f(XT)) (2)
综合公式(1)与公式(2)，可以得出模型目标函数，目标函数如公式3所示：
因为f(·)是一个极限学习机的学习过程，旨在找到隐藏层的输出权值β*，故模型目标函数可重写，如公式4所示：
在步骤4中，建立ELM分类器模型，使用重构后的源域数据作为该模型的训练数据集，重构后的目标域数据作为测试数据集。自适应极限学习机分类器的基本思想如公式(5)所示：
通过将约束项代入目标函数，可以将上述优化问题转化为非约束形式，上述公式可重写，如公式(6)所示：
其中H表示隐藏层的输出矩阵。
表示F范数的操作符。
在实验中，采用了来自UCSD的多个电子鼻系统采集的数据，目的是研究DR-ELM在具有相同配置的多个电子鼻设备之间的传感器漂移抑制能力。旨在通过一个电子鼻装置采集的样本训练良好的模型能够有效适应另一个电子鼻装置的测试。数据集是在相同的试验方案测试了5个化学检测单元的响应，最终的数据由分布在5个感应单元上的640个不同的测量值组成。
采用了两种实验设置，分别为：
1)单元1作为训练主单元，其他单元作为测试从单元；
2)单元5作为测试主单元，其他单元作为从单元进行测试。
根据预测结果，计算出不同设置下的模型分类精度，计算分类预测精度公式如公式(7)所示：
其中ntrue为ELM分类器预测正确的测试样本数，Ntotal表示总的测试样本数。
根据上述预测公式计算出训练模型在不同从单元的分类预测精度，然后通过与最新的数据重构方法进行对比，可以发现本发明不仅能提高数据的分布一致性，也提升域之间的可迁移性。
Claims (5)
1.一种基于域自适应的极限学习机传感器漂移数据重构方法，其特征在于，包括以下步骤：
步骤1：设计一个子空间学习策略；
步骤2：建立ELM1模型，通过学习最佳输出权值β*来保留有用类别信息；
步骤3：建立ELM2模型，通过学习最佳输出权值β*降低不同域之间的重构差异；
步骤4：计建立自适应ELM分类器，验证重构数据的分布一致性和域可迁移性。
2.如权利要求1所述的一种基于域自适应的极限学习机传感器漂移数据重构方法，其特征在于：在步骤1设计子空间学习策略，以数据为输入，并根据数据域实现不同的学习行为：若数据为源域执行步骤2；若数据为目标域执行步骤3。
3.如权利要求1所述的一种基于域自适应的极限学习机传感器漂移数据重构方法，其特征在于：在步骤2中建立ELM1特征学习模型，根据最小二乘法原理，将输出目标数据与输入目标数据的差值定义为信息损失函数，从而使得源域样本类别信息基本保持固定，而无需降维。换而言之，通过步骤2建立的学习模型，能够最大可能的保留源域的判别信息，且重构后的数据不扭曲。
4.如权利要求1所述的一种基于域自适应的极限学习机传感器漂移数据重构方法，其特征在于：在步骤3建立ELM2特征学习模型，使用无参数MMD作为差异度量函数，保证源域重构后的数据与目标域重构后的数据尽可能相似。
5.如权利要求1所述的一种基于域自适应的极限学习机传感器漂移数据重构方法，其特征在于：在步骤4建立自适应ELM分类器，使用源域重构的数据作为模型训练数据集，目标域数据作为模型测试数据集，进而验证重构方法的可行性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210182123.6A CN115015472A (zh) | 2022-02-25 | 2022-02-25 | 一种基于域自适应的极限学习机传感器漂移数据重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210182123.6A CN115015472A (zh) | 2022-02-25 | 2022-02-25 | 一种基于域自适应的极限学习机传感器漂移数据重构方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115015472A true CN115015472A (zh) | 2022-09-06 |
Family
ID=83068113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210182123.6A Pending CN115015472A (zh) | 2022-02-25 | 2022-02-25 | 一种基于域自适应的极限学习机传感器漂移数据重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115015472A (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105891422A (zh) * | 2016-04-08 | 2016-08-24 | 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 |
| CN105929113A (zh) * | 2016-04-20 | 2016-09-07 | 重庆大学 | 一种带子空间投影的电子鼻信号误差自适应学习方法 |
| CN106803124A (zh) * | 2017-01-21 | 2017-06-06 | 中国海洋大学 | 基于流形正则和范数正则的领域迁移极限学习机方法 |
| AU2016203810B1 (en) * | 2016-06-08 | 2017-12-21 | ETEL Limited | A transformer and method of manufacture |
| US10169864B1 (en) * | 2015-08-27 | 2019-01-01 | Carl Zeiss Meditec, Inc. | Methods and systems to detect and classify retinal structures in interferometric imaging data |
| CN109669009A (zh) * | 2019-01-10 | 2019-04-23 | 重庆邮电大学 | 基于域校正的域自适应极限学习机电子鼻漂移抑制方法 |
| CN110222785A (zh) * | 2019-06-13 | 2019-09-10 | 重庆大学 | 用于气体传感器漂移校正的自适应置信度主动学习方法 |
| CN111103325A (zh) * | 2019-12-19 | 2020-05-05 | 南京益得冠电子科技有限公司 | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 |
| CN111931815A (zh) * | 2020-07-08 | 2020-11-13 | 西南大学 | 基于迁移样本的跨域迁移电子鼻漂移抑制方法 |
| CN112541526A (zh) * | 2020-11-25 | 2021-03-23 | 重庆邮电大学 | 一种基于pso-abc-elm的电子鼻气体浓度预测方法 |
| 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 |
| CN112883626A (zh) * | 2021-01-15 | 2021-06-01 | 重庆邮电大学 | 一种基于psoabc-lstm的电子鼻混合气体浓度预测方法 |
| CN113627084A (zh) * | 2021-08-06 | 2021-11-09 | 西南大学 | 基于极限学习机的电子鼻信号漂移补偿子空间对齐方法 |
| CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
| CN113740381A (zh) * | 2021-08-12 | 2021-12-03 | 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 |
| CN114925762A (zh) * | 2022-05-13 | 2022-08-19 | 哈尔滨工业大学 | 一种基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法 |
-
2022
- 2022-02-25 CN CN202210182123.6A patent/CN115015472A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10169864B1 (en) * | 2015-08-27 | 2019-01-01 | Carl Zeiss Meditec, Inc. | Methods and systems to detect and classify retinal structures in interferometric imaging data |
| CN105891422A (zh) * | 2016-04-08 | 2016-08-24 | 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 |
| CN105929113A (zh) * | 2016-04-20 | 2016-09-07 | 重庆大学 | 一种带子空间投影的电子鼻信号误差自适应学习方法 |
| AU2016203810B1 (en) * | 2016-06-08 | 2017-12-21 | ETEL Limited | A transformer and method of manufacture |
| CN106803124A (zh) * | 2017-01-21 | 2017-06-06 | 中国海洋大学 | 基于流形正则和范数正则的领域迁移极限学习机方法 |
| CN109669009A (zh) * | 2019-01-10 | 2019-04-23 | 重庆邮电大学 | 基于域校正的域自适应极限学习机电子鼻漂移抑制方法 |
| CN110222785A (zh) * | 2019-06-13 | 2019-09-10 | 重庆大学 | 用于气体传感器漂移校正的自适应置信度主动学习方法 |
| 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 |
| CN111103325A (zh) * | 2019-12-19 | 2020-05-05 | 南京益得冠电子科技有限公司 | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 |
| CN111931815A (zh) * | 2020-07-08 | 2020-11-13 | 西南大学 | 基于迁移样本的跨域迁移电子鼻漂移抑制方法 |
| CN112541526A (zh) * | 2020-11-25 | 2021-03-23 | 重庆邮电大学 | 一种基于pso-abc-elm的电子鼻气体浓度预测方法 |
| CN112883626A (zh) * | 2021-01-15 | 2021-06-01 | 重庆邮电大学 | 一种基于psoabc-lstm的电子鼻混合气体浓度预测方法 |
| CN113627084A (zh) * | 2021-08-06 | 2021-11-09 | 西南大学 | 基于极限学习机的电子鼻信号漂移补偿子空间对齐方法 |
| CN113740381A (zh) * | 2021-08-12 | 2021-12-03 | 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 |
| CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
| CN114925762A (zh) * | 2022-05-13 | 2022-08-19 | 哈尔滨工业大学 | 一种基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法 |
Non-Patent Citations (4)
| Title |
|---|
| LI Q* 等: "Research on electronic nose drift suppression algorithm based on classifier integration and active learning", 《ICCSN 2021》, pages 277 - 282 * |
| 曲健;陈红岩;刘文贞;李志彬;张兵;应亚宏;: "基于改进网格搜索法的支持向量机在气体定量分析中的应用", 传感技术学报, no. 05, pages 166 - 170 * |
| 曾柯伟: "电子鼻系统传感器漂移补偿算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 3, pages 1140 - 79 * |
| 王洁 等: "基于改进型极限学习机的电子鼻气体浓度检测", 《电子技术应用》, vol. 47, no. 10, pages 63 - 67 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Yan et al. | Calibration transfer and drift compensation of e-noses via coupled task learning | |
| CN111103325B (zh) | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 | |
| CN114548368B (zh) | 一种基于多层核超限学习机的锂电池温度场预测模型的建模方法以及预测方法 | |
| CN111414977A (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
| CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
| US11906533B2 (en) | Chemical sensing system | |
| CN112462001B (zh) | 一种基于条件生成对抗网络进行数据增广的气体传感器阵列模型校准方法 | |
| CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
| CN114578011A (zh) | 一种基于多传感器多源数据融合的水质监测方法 | |
| Wang et al. | Research on air pollution gases recognition method based on lstm recurrent neural network and gas sensors array | |
| CN113361194B (zh) | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 | |
| CN112580539A (zh) | 基于psvm-lstm的电子鼻信号长期漂移抑制方法 | |
| CN115015472A (zh) | 一种基于域自适应的极限学习机传感器漂移数据重构方法 | |
| CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
| CN116842323A (zh) | 一种供水管线运行数据异常检测方法 | |
| CN113804833B (zh) | 基于凸集投影和极限学习机的电子鼻漂移通用校准方法 | |
| CN113988311B (zh) | 质量变量的预测方法、装置、终端及存储介质 | |
| Wang et al. | Application of back propagation neural networks and random forest algorithms in material research of hydrogels | |
| Wang | A new variable selection method for soft sensor based on deep learning | |
| Qin et al. | A new approach to analyzing gas mixtures | |
| Jakubiec et al. | Error model application in neural reconstruction of nonlinear sensor input signal | |
| Chen et al. | NEURAL NETWORK BASED SENSOR DYNAMIC SYSTEM COMPENSATION ALGORITHM AND DSP IMPLEMENTATION. | |
| CN111537565B (zh) | 化学传感器定量检测结果预测模型形成方法及检测方法 | |
| Wang et al. | Nonlinear correction of pressure sensor based on depth neural network |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220906 |
|
| WD01 | Invention patent application deemed withdrawn after publication |