CN115618927B - 一种基于时序-图融合神经网络的气体种类识别方法 - Google Patents
一种基于时序-图融合神经网络的气体种类识别方法 Download PDFInfo
- Publication number
- CN115618927B CN115618927B CN202211439514.8A CN202211439514A CN115618927B CN 115618927 B CN115618927 B CN 115618927B CN 202211439514 A CN202211439514 A CN 202211439514A CN 115618927 B CN115618927 B CN 115618927B
- Authority
- CN
- China
- Prior art keywords
- graph
- gas
- time sequence
- output
- neural network
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明提供一种基于时序‑图融合神经网络的气体种类识别方法，包括获取待识别气体的电阻变化量数据、电阻随时间变化的时序数据；根据待识别气体的电阻变化量数据构建图结构数据；将图结构数据输入至图注意力网络中，输出图结构特征；将时序数据输入至LSTM编码器中，输出时序特征；将图结构特征和时序特征输入至神经网络中，神经网络对图结构特征和时序特征进行信息融合，输出联合特征向量；联合特征向量输入到全连接层中，以得到待测气体的分类结果。如此，将图注意力网络和LSTM编码器进行有效融合，综合考虑了待识别气体在不同气敏元件上的图结构特征和时序特征，有利于准确的检测出待识别气体的种类。
Description
技术领域
本发明涉及气体检测分析技术领域，具体涉及一种基于时序-图融合神经网络的气体种类识别方法。
背景技术
沙林（GB）、芥子气（HD）和氢氰酸（AC）是三种典型有毒气体，其半数致死浓度较低，因此，在执行化学应急救援等任务中，需对其进行快速、准确、高灵敏检测。
根据现有有毒气体检测手段的工作特点可大致分为三类：一是设备灵敏度高、准确性好的手段有红外、质谱、激光和拉曼等，但体积较大、功耗较高；二是设备灵敏度高、体积较小的手段有离子迁移谱、火焰光度法、声表面波和电化学法等，但功耗较高、准确性差；三是设备响应速度快、灵敏度高、可微型化的半导体手段。
然而，研究较多的半导体检测手段主要是金属氧化物电阻式半导体传感器，该类传感器有两点不足：一是需200℃以上高温加热，功耗较高，无法长时间续航；二是单一材料的传感器准确性较差。
此外，基于传感器获取到的数据集，其样本量较小，使用传统神经网络，如反向神经网络和卷积神经网络等方法，易出现过拟合问题，因此，降低了识别气体的准确性。
发明内容
有鉴于此，本发明要解决的问题是提供一种基于时序-图融合神经网络的气体种类识别方法。
为解决上述技术问题，本发明采用的技术方案是：
一种基于时序-图融合神经网络的气体种类识别方法，时序-图融合神经网络包括图注意力网络、LSTM编码器、神经网络和全连接层，包括：
S101、通过气体阵列传感器，获取待识别气体的电阻变化量数据、电阻随时间变化的时序数据；
S102、根据待识别气体的电阻变化量数据，利用图表示方法，构建图结构数据；其中，图结构数据由若干个节点、节点连接的边构成；
S103、将图结构数据输入至图注意力网络中，图注意力网络对图结构数据进行特征提取，输出图结构特征；
S104、将时序数据输入至LSTM编码器中，LSTM编码器对时序数据进行特征提取，输出时序特征；
S105、将图结构特征和时序特征，输入至神经网络中，神经网络对图结构特征和时序特征进行信息融合，输出联合特征向量；
S106、联合特征向量输入到全连接层中，以得到待测气体的分类结果。
在本发明中，图注意力网络包括图卷积层、图池化层和读出层：
图卷积层用于根据图结构数据，通过公式，计算图结构数据中各个节点的重要性；其中，表示节点的重要性，表示激活函数ReLU，表示增加了自连接的邻接矩阵后的拉普拉斯矩阵，表示特征矩阵，表示权重参数；
图池化层用于对各个节点的重要性进行降序排列，通过公式，从各个节点中筛选出个重要节点，更新权重参数；其中，表示返回个重要节点的函数，为索引，为节点掩码；
读出层用于根据公式，通过聚合节点特征将不同节点数的图结构数据进行统一表征，得到待识别气体的图结构特征；其中，N为节点个数，为第个节点的特征向量。
在本发明中，LSTM编码器是以LSTM网络为体系结构的编码器模型，LSTM网络包括输入门、遗忘门和输出门：
输入门、遗忘门和输出门的输入均为上一时刻的输出向量、当前时刻的输入向量和上一时刻的Cell状态；
输入门的输出计算公式为：；其中，为t时刻输入门的输出，为sigmoid激活函数，、、为权重参数，为偏差参数；
遗忘门的输出计算公式为：；其中，为t时刻遗忘门的输出，为sigmoid激活函数，、、为权重参数，为偏差参数；
输出门的输出计算公式为：；其中，为t时刻输出门的输出，为sigmoid激活函数，、、为权重参数，为偏差参数；
LSTM网络的输出计算公式为：，；其中，为t时刻LSTM网络的输出，为t时刻输出门的输出，为在t时刻的Cell状态，为t时刻遗忘门的输出，为上一时刻的Cell状态，为t时刻输入门的输出，、为权重参数，为偏差参数，为当前时刻的输入向量，为上一时刻的输出向量。
在本发明中，神经网络包括输入层、隐藏层和输出层；
输入层用于输入图结构特征和时序特征；
隐藏层用于融合图结构特征与时序特征，并映射到向量空间中；
输出层用于输出联合特征向量。
在本发明中，全连接层采用softmax逻辑回归对结果进行分类，softmax函数定义为：；
其中，表示第i个神经元的输入，n表示神经元的总数，表示第k个神经元的输出。
在本发明中，时序-图融合神经网络训练时的损失函数为：；
其中，表示第i种气体种类标签，表示时序-图融合神经网络输出的第i种气体种类的分类结果。
在本发明中，气体阵列传感器包括：感知模块、采集模块和处理模块；
感知模块与采集模块电连接，采集模块和处理模块电连接；
感知模块用于与待测气体接触，将化学信号转化为电阻信号；
采集模块用于对电阻信号进行采集、滤波放大和模数转换，转换为待处理的电阻变化量数据；
处理模块用于对待处理的电阻变化量数据进行再次滤波，获得低噪声的电阻变化量数据。
在本发明中，感知模块包括若干个气敏元件，气敏元件用于对待测气体进行检测；
采集模块包括惠斯通电桥电路、由两个运算放大器构成的滤波放大电路和模数转换器；
其中，惠斯通电桥电路与感知模块连接，惠斯通电桥电路用于采集电阻信号；
滤波放大电路与惠斯通电桥电路连接，滤波放大电路用于对电阻信号进行初步噪音滤除；
模数转换器与滤波放大电路连接，模数转换器用于将接收到的电信号转换成待处理的电阻变化量数据，并传输至处理模块中；
处理模块用于对待处理的电阻变化量数据进行再次滤波，以得到低噪声的电阻变化量数据。
在本发明中，还包括供电模块；
供电模块分别与感知模块、采集模块、处理模块连接；
供电模块用于为感知模块、采集模块、处理模块提供工作电源。
本发明具有的优点和积极效果是：
将图注意力网络和LSTM编码器进行有效融合，预测待识别气体的种类时，不止学习到了待识别气体在不同气敏元件上的图结构特征，还学习到了待识别气体在不同气敏元件上的时序特征，有利于准确的检测出待识别气体的种类。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的一种基于时序-图融合神经网络的气体种类识别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示，一种基于时序-图融合神经网络的气体种类识别方法，时序-图融合神经网络包括图注意力网络、LSTM编码器、神经网络和全连接层，包括：
S101、通过气体阵列传感器，获取待识别气体的电阻变化量数据、电阻随时间变化的时序数据；
在实际测量时，可将气体阵列传感器放置在待测气体所处的环境中，以测量出电阻变化量数据和电阻随时间变化的时序数据，如此，数据采样的方法简单、易操作，适用于更为广泛的测试环境。
S102、根据待识别气体的电阻变化量数据，利用图表示方法，构建图结构数据；其中，图结构数据由若干个节点、节点连接的边构成；
具体地，构建图结构数据的具体方法如下：
图结构数据G＝(V,E)，G表示一个图，V是图G中节点的集合，E是图G中边的集合。
其中，是节点的集合，每一个节点vt代表一个气敏元件，其中，n是气敏元件的总个数，t是节点编号；
例如，当t为1、2时，E＝(v1,v2)，则表明节点v1和节点v2之间存在一条边。
根据节点数量和各个节点连接的边，即可获得图结构数据。
S103、将图结构数据输入至图注意力网络中，图注意力网络对图结构数据进行特征提取，输出图结构特征；
S104、将时序数据输入至LSTM编码器中，LSTM编码器对时序数据进行特征提取，输出时序特征；
S105、将图结构特征和时序特征，输入至神经网络中，神经网络对图结构特征和时序特征进行信息融合，输出联合特征向量；
S106、联合特征向量输入到全连接层中，以得到待测气体的分类结果。
如此，在本发明中，将图注意力网络和LSTM编码器进行有效融合，预测待识别气体的种类时，不止学习到了待识别气体在不同气敏元件上的图结构特征，还学习到了待识别气体在不同气敏元件上的时序特征，有利于准确的检测出待识别气体的种类。
在本发明中，图注意力网络包括图卷积层、图池化层和读出层：
图卷积层用于根据图结构数据，通过公式，计算图结构数据中各个节点的重要性；其中，表示节点的重要性，表示激活函数ReLU，表示增加了自连接的邻接矩阵后的拉普拉斯矩阵，表示特征矩阵，表示权重参数；
其中，根据图结构数据，可确定出邻接矩阵A和权重参数,确定出邻接矩阵A后，即可计算出拉普拉斯矩阵，再根据，即可计算出各个节点的重要性。
图池化层用于对各个节点的重要性进行降序排列，通过公式，从各个节点中筛选出个重要节点，更新权重参数；其中，表示返回个重要节点的函数，为索引，为节点掩码；如此，通过图池化层的池化操作后，会丢弃一些重要度较低的节点，也即，舍弃掉不重要节点，保留重要节点，减小数据的处理量，有利于提高检测效率。
读出层用于根据公式，通过聚合节点特征将不同节点数的图结构数据进行统一表征，得到待识别气体的图结构特征；其中，N为节点个数，为第个节点的特征向量。
说明一点，，表示第个节点的特征向量的均值；
，表示第个节点的特征向量的最大值；
可以根据实际情况，选择公式，在此并不做具体限定，提高设计的灵活性，以满足不同场景的需求。
如此，图注意力网络会历遍图结构数据中的各个节点，使小样本量中的信息能够得到充分利用，从而获得更高的识别准确率。因此，本发明能在少样本的情况下下获得高准确率的气体分类，避免了现有技术中出现的过拟合问题。
在本发明中，LSTM编码器是以LSTM网络为体系结构的编码器模型，LSTM网络包括输入门、遗忘门和输出门：
输入门、遗忘门和输出门的输入均为上一时刻的输出向量、当前时刻的输入向量和上一时刻的Cell状态；
输入门的输出计算公式为：；其中，为t时刻输入门的输出，为sigmoid激活函数，、、为权重参数，为偏差参数；
遗忘门的输出计算公式为：；其中，为t时刻遗忘门的输出，为sigmoid激活函数，、、为权重参数，为偏差参数；
输出门的输出计算公式为：；其中，为t时刻输出门的输出，为sigmoid激活函数，、、为权重参数，为偏差参数；
LSTM网络的输出计算公式为：，；其中，为t时刻LSTM网络的输出，为t时刻输出门的输出，为在t时刻的Cell状态，为t时刻遗忘门的输出，为上一时刻的Cell状态，为t时刻输入门的输出，、为权重参数，为偏差参数，为当前时刻的输入向量，为上一时刻的输出向量。
如此，由于不同待识别气体在气体阵列传感器上的不同气敏元件上的响应可能会随着时间的变化而变化，因此，电阻随时间变化的时序数据是气体阵列传感器识别中必不可少的一个维度。基于此，在本发明中，通过设置的LSTM网络能够学习电阻数据随时间演进的时序依赖关系，以提供更可靠更高效的数据预测支撑，与现有技术相比，本发明具有准确性高、可靠性高等优点。并且，LSTM网络还解决了传统RNN模型训练过程中的梯度消失问题，更易于学习长期的依赖。
在本发明中，神经网络包括输入层、隐藏层和输出层；
输入层用于输入图结构特征和时序特征；
隐藏层用于融合图结构特征与时序特征，并映射到向量空间中；
输出层用于输出联合特征向量。
如此，在本发明中，将图注意力网络和LSTM编码器进行有效融合，预测待识别气体的种类时，不止学习到了待识别气体在不同气敏元件上的图结构特征，还学习到了待识别气体在不同气敏元件上的时序特征，有利于准确的检测出待识别气体的种类。
在本发明中，全连接层采用softmax逻辑回归对结果进行分类，softmax函数定义为：；
其中，表示第i个神经元的输入，n表示神经元的总数，表示第k个神经元的输出。
在本发明中，时序-图融合神经网络训练时的损失函数为：；
其中，表示第i种气体种类标签，表示时序-图融合神经网络输出的第i种气体种类的分类结果。
如此，在本发明中，可准确地估算时序-图融合神经网络预测结果与真实结果之间的偏差，引导时序-图融合神经网络参数快速优化，从而使时序-图融合神经网络在实际运用中，能做出准确的预测。
在本发明中，气体阵列传感器包括：感知模块、采集模块和处理模块；
感知模块与采集模块电连接，采集模块和处理模块电连接；
感知模块用于与待测气体接触，将化学信号转化为电阻信号；
采集模块用于对电阻信号进行采集、滤波放大和模数转换，转换为待处理的电阻变化量数据；
处理模块用于对待处理的电阻变化量数据进行再次滤波，获得低噪声的电阻变化量数据。
在本发明中，感知模块包括若干个气敏元件，气敏元件用于对待测气体进行检测；
需要说明的是，感知模块可包括五个气敏元件，分别为：钒掺杂二硫化钼（V-MoS2）、铌掺杂二硫化钼（Nb-MoS2）、二硒化钨（WSe2）、二硫化钼复合还原氧化石墨烯（MoS2/rGO）和二硫化锡复合还原氧化石墨烯（SnS2/rGO），这五个气敏元件阵列排布。
采集模块包括惠斯通电桥电路、由两个运算放大器构成的滤波放大电路和模数转换器；
其中，惠斯通电桥电路与感知模块连接，惠斯通电桥电路用于采集电阻信号；
滤波放大电路与惠斯通电桥电路连接，滤波放大电路用于对电阻信号进行初步噪音滤除；
模数转换器与滤波放大电路连接，模数转换器用于将接收到的电信号转换成待处理的电阻变化量数据，并传输至处理模块中；
处理模块用于对待处理的电阻变化量数据进行再次滤波，以得到低噪声的电阻变化量数据。
在本发明中，还包括供电模块；
供电模块分别与感知模块、采集模块、处理模块连接；
供电模块用于为感知模块、采集模块、处理模块提供工作电源。
以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。
Claims (5)
1.一种基于时序-图融合神经网络的气体种类识别方法，其特征在于，时序-图融合神经网络包括图注意力网络、LSTM编码器、神经网络和全连接层，包括:
S101、通过气体阵列传感器，获取待识别气体的电阻变化量数据、电阻随时间变化的时序数据；
S102、根据待识别气体的电阻变化量数据，利用图表示方法，构建图结构数据；其中，图结构数据由若干个节点、节点连接的边构成；
S103、将图结构数据输入至图注意力网络中，图注意力网络对图结构数据进行特征提取，输出图结构特征；
S104、将时序数据输入至LSTM编码器中，LSTM编码器对时序数据进行特征提取，输出时序特征；
S105、将图结构特征和时序特征，输入至神经网络中，神经网络对图结构特征和时序特征进行信息融合，输出联合特征向量；
S106、联合特征向量输入到全连接层中，以得到待测气体的分类结果；
其中图注意力网络包括图卷积层、图池化层和读出层：
图卷积层用于根据图结构数据，通过公式，计算图结构数据中各个节点的重要性；其中，表示节点的重要性，表示激活函数ReLU，表示增加了自连接的邻接矩阵后的拉普拉斯矩阵，表示特征矩阵，表示权重参数；
图池化层用于对各个节点的重要性进行降序排列，通过公式，从各个节点中筛选出个重要节点，更新权重参数；其中，表示返回个重要节点的函数，为索引，为节点掩码；
读出层用于根据公式，通过聚合节点特征将不同节点数的图结构数据进行统一表征，得到待识别气体的图结构特征；其中，N为节点个数，为第个节点的特征向量；
其中LSTM编码器是以LSTM网络为体系结构的编码器模型，LSTM网络包括输入门、遗忘门和输出门：
输入门、遗忘门和输出门的输入均为上一时刻的输出向量、当前时刻的输入向量和上一时刻的Cell状态；
输入门的输出计算公式为：；其中，为t时刻输入门的输出，为sigmoid激活函数，、、为权重参数，为偏差参数；
遗忘门的输出计算公式为：；其中，为t时刻遗忘门的输出，为sigmoid激活函数，、、为权重参数，为偏差参数；
输出门的输出计算公式为：；其中，为t时刻输出门的输出，为sigmoid激活函数，、、为权重参数，为偏差参数；
LSTM网络的输出计算公式为：，；其中，为t时刻LSTM网络的输出，为t时刻输出门的输出，为在t时刻的Cell状态，为t时刻遗忘门的输出，为上一时刻的Cell状态，为t时刻输入门的输出，、为权重参数，为偏差参数，为当前时刻的输入向量，为上一时刻的输出向量；
其中全连接层采用softmax逻辑回归对结果进行分类，softmax函数定义为：；
其中，表示第i个神经元的输入，n表示神经元的总数，表示第k个神经元的输出；
其中时序-图融合神经网络训练时的损失函数为：；
其中，表示第i种气体种类标签，表示时序-图融合神经网络输出的第i种气体种类的分类结果。
2.根据权利要求1所述的一种基于时序-图融合神经网络的气体种类识别方法，其特征在于，神经网络包括输入层、隐藏层和输出层；
输入层用于输入图结构特征和时序特征；
隐藏层用于融合图结构特征与时序特征，并映射到向量空间中；
输出层用于输出联合特征向量。
3.根据权利要求1所述的一种基于时序-图融合神经网络的气体种类识别方法，其特征在于，气体阵列传感器包括：感知模块、采集模块和处理模块；
感知模块与采集模块电连接，采集模块和处理模块电连接；
感知模块用于与待测气体接触，将化学信号转化为电阻信号；
采集模块用于对电阻信号进行采集、滤波放大和模数转换，转换为待处理的电阻变化量数据；
处理模块用于对待处理的电阻变化量数据进行再次滤波，获得低噪声的电阻变化量数据。
4.根据权利要求3所述的一种基于时序-图融合神经网络的气体种类识别方法，其特征在于，感知模块包括若干个气敏元件，气敏元件用于对待测气体进行检测；
采集模块包括惠斯通电桥电路、由两个运算放大器构成的滤波放大电路和模数转换器；
其中，惠斯通电桥电路与感知模块连接，惠斯通电桥电路用于采集电阻信号；
滤波放大电路与惠斯通电桥电路连接，滤波放大电路用于对电阻信号进行初步噪音滤除；
模数转换器与滤波放大电路连接，模数转换器用于将接收到的电信号转换成待处理的电阻变化量数据，并传输至处理模块中；
处理模块用于对待处理的电阻变化量数据进行再次滤波，以得到低噪声的电阻变化量数据。
5.根据权利要求4所述的一种基于时序-图融合神经网络的气体种类识别方法，其特征在于，还包括供电模块；
供电模块分别与感知模块、采集模块、处理模块连接；
供电模块用于为感知模块、采集模块、处理模块提供工作电源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211439514.8A CN115618927B (zh) | 2022-11-17 | 2022-11-17 | 一种基于时序-图融合神经网络的气体种类识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211439514.8A CN115618927B (zh) | 2022-11-17 | 2022-11-17 | 一种基于时序-图融合神经网络的气体种类识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115618927A CN115618927A (zh) | 2023-01-17 |
| CN115618927B true CN115618927B (zh) | 2023-04-18 |
Family
ID=84877996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211439514.8A Active CN115618927B (zh) | 2022-11-17 | 2022-11-17 | 一种基于时序-图融合神经网络的气体种类识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115618927B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116416478B (zh) * | 2023-06-06 | 2023-09-26 | 福建工程学院 | 一种基于图结构数据特征的生物信息学分类模型 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309867B (zh) * | 2019-06-21 | 2021-09-24 | 北京工商大学 | 一种基于卷积神经网络的混合气体识别方法 |
| CN111832814B (zh) * | 2020-07-01 | 2023-06-23 | 北京工商大学 | 一种基于图注意力机制的空气污染物浓度预测方法 |
| CN111950467B (zh) * | 2020-08-14 | 2021-06-25 | 清华大学 | 基于注意力机制的融合网络车道线检测方法及终端设备 |
| CN114707598A (zh) * | 2022-03-31 | 2022-07-05 | 西安交通大学 | 一种混合气体识别方法、系统、终端设备及可读存储介质 |
-
2022
- 2022-11-17 CN CN202211439514.8A patent/CN115618927B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115618927A (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Karagulian et al. | Review of the performance of low-cost sensors for air quality monitoring | |
| CN111832222B (zh) | 一种污染物浓度的预测模型训练方法、预测方法及装置 | |
| CN111443165B (zh) | 一种基于气体传感器与深度学习的气味识别方法 | |
| Garcia-Breijo et al. | A comparison study of pattern recognition algorithms implemented on a microcontroller for use in an electronic tongue for monitoring drinking waters | |
| CN115618927B (zh) | 一种基于时序-图融合神经网络的气体种类识别方法 | |
| CN102192927A (zh) | 一种基于电子鼻技术的空气质量监测系统及其监测方法 | |
| Molinara et al. | An end to end indoor air monitoring system based on machine learning and sensiplus platform | |
| CN114049525A (zh) | 气体种类和浓度识别的融合神经网络系统、装置与方法 | |
| Cheng et al. | A concentration-based drift calibration transfer learning method for gas sensor array data | |
| Ansari et al. | A novel technique of mixed gas identification based on the group method of data handling (GMDH) on time-dependent MOX gas sensor data | |
| Srivastava et al. | Spatial upscaling-based algorithm for detection and estimation of hazardous gases | |
| Illahi et al. | Electronic Nose Technology and Application: A Review | |
| Dhanekar | Smart and intelligent E‐nose for sensitive and selective chemical sensing applications | |
| Zhang et al. | Fast measurement with chemical sensors based on sliding window sampling and mixed-feature extraction | |
| Mathur et al. | High resolution air pollution mapping using wireless sensor nodes | |
| Acharyya et al. | Smart and Selective Gas Sensor System Empowered with Machine Learning over IoT Platform | |
| CN115809427B (zh) | 基于混合策略优化bp神经网络的混合气体识别方法 | |
| Cho et al. | Recognition of explosive precursors using nanowire sensor array and decision tree learning | |
| Yang et al. | Recognition algorithms in E-nose: A Review | |
| CN115479976A (zh) | 基于pnn神经网络的复合型气体传感器的气体识别方法 | |
| Chen et al. | A gas concentration estimation method based on multivariate relevance vector machine using MOS gas sensor arrays | |
| CN113960090A (zh) | 基于LSTM神经网络算法的土壤Cd元素光谱定性分析方法 | |
| CN113804833A (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 | |
| Ragila et al. | Neural network-based classification of toxic gases for a sensor array | |
| Srinonchat | Development of electronic nose and program for monitoring air pollutions and alarm in industrial area |
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 |