CN117076932B - 高灵敏度电容变化检测方法、系统、电子设备和存储介质 - Google Patents
高灵敏度电容变化检测方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117076932B CN117076932B CN202311326254.8A CN202311326254A CN117076932B CN 117076932 B CN117076932 B CN 117076932B CN 202311326254 A CN202311326254 A CN 202311326254A CN 117076932 B CN117076932 B CN 117076932B
- Authority
- CN
- China
- Prior art keywords
- data
- test
- capacitance change
- oscillation
- difference
- 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
- 230000008859 change Effects 0.000 title claims abstract description 342
- 238000001514 detection method Methods 0.000 title claims abstract description 124
- 230000010355 oscillation Effects 0.000 claims abstract description 440
- 238000012360 testing method Methods 0.000 claims abstract description 298
- 238000012937 correction Methods 0.000 claims abstract description 140
- 239000003990 capacitor Substances 0.000 claims abstract description 98
- 238000005259 measurement Methods 0.000 claims abstract description 68
- 238000010801 machine learning Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000007613 environmental effect Effects 0.000 claims abstract description 35
- 230000003068 static effect Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 12
- 238000009960 carding Methods 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 239000003571 electronic cigarette Substances 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- -1 water vapor content/saturated water vapor Chemical class 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24F—SMOKERS' REQUISITES; MATCH BOXES; SIMULATED SMOKING DEVICES
- A24F40/00—Electrically operated smoking devices; Component parts thereof; Manufacture thereof; Maintenance or testing thereof; Charging means specially adapted therefor
- A24F40/80—Testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/12—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means
- G01D5/14—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage
- G01D5/24—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage by varying capacitance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及电容检测技术领域,本发明公开了高灵敏度电容变化检测方法、系统、电子设备和存储介质,包括获取测试数据集合1以及测试数据集合2;训练出用于进行基准值补偿校正的第一机器学习模型;以及训练出用于进行计数值补偿校正的第二机器学习模型;采集待测电容的环境参数数据以及振荡信号,进行基准值补偿校正,获取基准值补偿校正后的实测振荡脉冲数;将基准值补偿校正后的实测振荡脉冲数作为校正基准值;进行计数值补偿校正,获取计数值补偿校正后的实测振荡脉冲数;将计数值补偿校正后的实测振荡脉冲数作为校正计数值;确定误差区间△,基于误差区间△、校正基准值和校正计数值进行分析,确定待测电容的变化状态。
Description
技术领域
本发明涉及电容检测技术领域,更具体地说,本发明涉及高灵敏度电容变化检测方法、系统、电子设备和存储介质。
背景技术
在电子烟领域,电容式传感器常被作为感应器件安装于电子烟的吸嘴内部,用于感知用户的吸烟动作并配合控制芯片模拟传统香烟的吸食;尽管电容式传感器具有许多优点,但现有电容检测方法(如图3所示)通常是对待测电容变化的绝对差值进行判断,采用振荡器将待测电容变化转化为具有一定频率的振荡信号,并用计数器在一定时间内对振荡信号进行计数,与待测电容未发生变化时的基准计数值进行对比,从而判断待测电容是否发生变化,该种方式对环境干扰的敏感性强,在复杂场景下极易导致误检测或降低传感器的准确性和稳定性;且无法分辨出除电容变化与否之外的其他变化状态,使得被应用对象(如电子烟等)的实际体验感不高;因此,如何对电容式传感器的电容变化进行有效检测就成为了当下研究热点。
目前,现有的电容变化检测方法或系统虽易于实现,但检测手段较为简单,例如授权公告号为CN110780125B的中国专利公开了一种电容式传感器电容变化检测方法及电路,再例如申请公开号为CN115509396A的中国专利公开了电容检测方法及电容检测装置,上述方法虽能实现电容变化的检测,但经发明人对上述方法以及现有技术进行研究和实际应用发现,上述方法以及现有技术至少存在以下部分缺陷:
(1)缺乏对外界因素影响与检测数据之间关系的挖掘,无法针对外界因素影响对电容式传感器的基准值进行有效的校准或补偿,导致电容变化的检测易产生误差,进而使得被应用对象(如电子烟)产生误操作或异常操作等现象;
(2)无法针对外界因素影响对电容式传感器的计数值进行有效的校准或补偿,且无法提高比较数据(即本文误差区间)准确度,进而难以保证电容式传感器在恶劣环境下的高灵敏度。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供高灵敏度电容变化检测方法、系统、电子设备和存储介质。
为实现上述目的,本发明提供如下技术方案:
高灵敏度电容变化检测方法,所述方法包括:
获取未施加电容变化时的测试数据集合1,以及获取施加电容变化时的测试数据集合2;所述测试数据集合1和测试数据集合2均包括环境参数数据和振荡脉冲差,所述环境参数包括温度和湿度;
将未施加电容变化时的测试数据集合1作为第一样本集,基于所述第一样本集训练出用于进行基准值补偿校正的第一机器学习模型;
将施加电容变化时的测试数据集合2作为第二样本集,基于所述第二样本集训练出用于进行计数值补偿校正的第二机器学习模型;
采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第一机器学习模型对实测振荡脉冲数进行基准值补偿校正,以获取基准值补偿校正后的实测振荡脉冲数;将基准值补偿校正后的实测振荡脉冲数作为校正基准值;
采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第二机器学习模型对实测振荡脉冲数进行计数值补偿校正,以获取计数值补偿校正后的实测振荡脉冲数;将计数值补偿校正后的实测振荡脉冲数作为校正计数值;
确定误差区间△,基于误差区间△、校正基准值和校正计数值进行分析,确定待测电容的变化状态。
进一步地,获取未施加电容变化时的测试数据集合1,以及获取施加电容变化时的测试数据集合2,包括:
将测试电容放置于第一动态变化测试环境,以及将参考电容放置于第二静态标准测试环境;
获取第二静态标准测试环境中的温度参数数据和湿度参数数据,将第二静态标准测试环境中的温度参数数据作为温度标准数据,以及将第二静态标准测试环境中的湿度参数数据作为湿度标准数据,并获取参考电容的标准振荡信号;
当未施加电容变化时,分别对第一动态变化测试环境中温度数据和湿度数据进行动态调节,记录调节时测试电容的测试振荡信号,并基于测试振荡信号和标准振荡信号进行分析处理,得到测试数据集合1;
当施加电容变化时,分别对第一动态变化测试环境中温度数据和湿度数据进行动态调节,记录调节时测试电容的测试振荡信号,并基于测试振荡信号和标准振荡信号进行分析处理,得到测试数据集合2。
进一步地,所述测试数据集合1的生成过程,包括:
S131A:将第一动态变化测试环境中温度数据设置为固定量,采集第j%湿度数据下的测试振荡信号;
S132A:按照预设时间跨度提取测试振荡信号中的振荡脉冲数,以及提取标准振荡信号中的振荡脉冲数;
S133A:计算测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值,将测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值标记为未施加电容变化下的振荡脉冲差;
S134A:将第一动态变化测试环境中温度数据与温度标准数据的差值作为未施加电容变化下的温差数据,以及将第j%湿度数据与湿度标准数据的差值作为未施加电容变化下的湿差数据;
S135A:将未施加电容变化下的温差数据、未施加电容变化下的湿差数据、未施加电容变化下的振荡脉冲差作为第一检测数据K,并令j=j+m,j、m为大于零的正整数集;
S136A:重复上述步骤S131A~S135A,直至j+m=Q停止循环,则得到检测数据集一,所述检测数据集一包括第一检测数据K、第二检测数据K、……和第R检测数据K,R、Q为大于零的正整数集。
进一步地,所述测试数据集合1的生成过程,还包括:
S131B:将第一动态变化测试环境中湿度数据设置为固定量,采集第i温度数据下的测试电容的测试振荡信号;
S132B:按照预设时间跨度提取测试振荡信号中的振荡脉冲数,以及提取标准振荡信号中的振荡脉冲数;
S133B:计算测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值,将测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值标记为未施加电容变化下的振荡脉冲差;
S134B:将第一动态变化测试环境中湿度数据与湿度标准数据的差值作为未施加电容变化下的湿差数据,以及将第i温度数据与温度标准数据的差值作为未施加电容变化下的温差数据;
S135B:将未施加电容变化下的温差数据、未施加电容变化下的湿差数据和未施加电容变化下的振荡脉冲差作为第一检测数据G,并令i=i+n,i、n为大于零的正整数集;
S136B:重复上述步骤S131B~S135B,直至i+n=T停止循环,则得到检测数据集二,所述检测数据集二包括第一检测数据G、第二检测数据G、……和第W检测数据G,W、T为大于零的正整数集。
进一步地,所述测试数据集合1的生成过程,还包括:将检测数据集一和检测数据集二进行融合,得到测试数据集合1。
进一步地,获取施加电容变化时的测试数据集合2,包括:
S141:当施加电容变化时,采集第x温度数据和第y%湿度数据下测试电容的测试振荡信号;
S142:将第x温度数据和第y%湿度数据下的测试电容的测试振荡信号与标准振荡信号中的振荡脉冲数进行差值分析,得到施加电容变化下的振荡脉冲差;
S143:将第x温度数据与温度标准数据的差值作为施加电容变化下的温差数据;以及将第y%湿度数据与湿度标准数据的差值作为施加电容变化下的湿差数据;
S144:将施加电容变化下的温差数据、施加电容变化下的湿差数据和施加电容变化下的振荡脉冲差作为第一检测数据P,并令x=x+a,y=y+b,x、a、y、b为大于零的正整数集;
S145:重复上述步骤S141~S144,直至x+a=U,y+b=Z停止循环,则得到测试数据集合2,所述测试数据集合2包括第一检测数据P、第二检测数据P、……和第L检测数据P,U、Z、L为大于零的正整数集。
进一步地,基于所述第一样本集训练出用于进行基准值补偿校正的第一机器学习模型,包括:
将第一样本集划分为70%的基准值训练集和30%的基准值测试集;构建第一分类器,将基准值训练集中的未施加电容变化下的温差数据和未施加电容变化下的湿差数据作为第一分类器的输入数据,将未施加电容变化下的振荡脉冲差作为第一分类器的输出数据,基于输入数据和输出数据对第一分类器进行训练,得到第一初始分类器,利用基准值测试集对所述第一初始分类器进行测试,以输出大于等于预设基准值测试准确度的第一初始分类器作为用于进行基准值补偿校正的第一机器学习模型。
进一步地,基于所述第二样本集训练出用于进行计数值补偿校正的第二机器学习模型,包括:
将第二样本集划分为70%的计数值训练集和30%的计数值测试集;构建第二分类器,将计数值训练集中的施加电容变化下的温差数据和施加电容变化下的湿差数据作为第二分类器的输入数据,将施加电容变化下的振荡脉冲差作为第二分类器的输出数据,基于输入数据和输出数据对第二分类器进行训练,得到第二初始分类器,利用计数值测试集对所述第二初始分类器进行测试,以输出大于等于预设计数值测试准确度的第二初始分类器作为用于进行计数值补偿校正的第二机器学习模型。
进一步地,确定误差区间△,包括:
提取施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差;
按照时间序列对施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差进行排序梳理;
对排序梳理后施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差进行公式化计算,以确定误差区间△,其计算公式为:;式中:/>为误差区间△,/>为第h组施加电容变化的振荡脉冲差,/>第h组未施加电容变化的振荡脉冲差,/>为总组数。
进一步地,基于误差区间△、校正基准值和校正计数值进行分析,包括:
将校正基准值与校正计数值的差值作为判断差值;
若判断差值大于误差区间△,则判断待测电容发生电容递增变化;
若判断差值小于误差区间△,则判断待测电容发生电容递减变化;
若判断差值等于误差区间△,则判断待测电容未发生变化。
高灵敏度电容变化检测系统,包括:
数据获取模块,用于获取未施加电容变化时的测试数据集合1,以及获取施加电容变化时的测试数据集合2;所述测试数据集合1和测试数据集合2均包括环境参数数据和振荡脉冲差,所述环境参数包括温度和湿度;
第一训练模块,用于将未施加电容变化时的测试数据集合1作为第一样本集,基于所述第一样本集训练出用于进行基准值补偿校正的第一机器学习模型;
第二训练模块,用于将施加电容变化时的测试数据集合2作为第二样本集,基于所述第二样本集训练出用于进行计数值补偿校正的第二机器学习模型;
第一处理模块,用于采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第一机器学习模型对实测振荡脉冲数进行基准值补偿校正,以获取基准值补偿校正后的实测振荡脉冲数;将基准值补偿校正后的实测振荡脉冲数作为校正基准值;
第二处理模块,用于采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第二机器学习模型对实测振荡脉冲数进行计数值补偿校正,以获取计数值补偿校正后的实测振荡脉冲数;将计数值补偿校正后的实测振荡脉冲数作为校正计数值;
变化分析确定模块,用于确定误差区间△,基于误差区间△、校正基准值和校正计数值进行分析,确定待测电容的变化状态。
一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述高灵敏度电容变化检测方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述高灵敏度电容变化检测方法。
相比于现有技术,本发明的有益效果在于:
本申请公开了一种高灵敏度电容变化检测方法、系统、电子设备和存储介质,首先获取测试数据集合1以及测试数据集合2;然后训练出用于进行基准值补偿校正的第一机器学习模型;接着训练出用于进行计数值补偿校正的第二机器学习模型;之后采集待测电容的环境参数数据以及振荡信号,进行基准值补偿校正,获取基准值补偿校正后的实测振荡脉冲数;将基准值补偿校正后的实测振荡脉冲数作为校正基准值;然后进行计数值补偿校正,获取计数值补偿校正后的实测振荡脉冲数;将计数值补偿校正后的实测振荡脉冲数作为校正计数值;最后确定误差区间△,基于误差区间△、校正基准值和校正计数值进行分析,确定待测电容的变化状态;通过上述步骤,本发明通过智能处理手段进行数据挖掘,能够针对外界因素影响对电容式传感器进行有效的参数校准或补偿,从而有利于避免或降低电容变化检测产生误差,进而能够有效避免被应用对象(如电子烟)产生误操作或异常操作等现象的发生;此外,除对基准值和计数值进行校正外,通过对数据挖掘后的振荡脉冲差进行进一步分析,并基于其确定误差区间,从而本发明能够进一步提高电容式传感器检测的精确性,进而有利于保证电容式传感器在恶劣环境下的高灵敏度。
附图说明
图1为本发明实施例提供的高灵敏度电容变化检测方法的流程示意图;
图2为本发明实施例提供的高灵敏度电容变化检测系统的结构示意图;
图3为现有技术中的一种电容检测方法原理示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
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。
实施例1
请参阅图2所示,本实施例公开提供了高灵敏度电容变化检测系统,包括:
数据获取模块210,用于获取未施加电容变化时的测试数据集合1,以及获取施加电容变化时的测试数据集合2;所述测试数据集合1和测试数据集合2均包括环境参数数据和振荡脉冲差,所述环境参数包括温度和湿度;
具体的,获取未施加电容变化时的测试数据集合1,以及获取施加电容变化时的测试数据集合2,包括:
S11:将测试电容放置于第一动态变化测试环境,以及将参考电容放置于第二静态标准测试环境;
需要说明的是:所述测试电容与参考电容除所处环境不一样外,其他属性数据均相同,所述属性数据包括但不限于电容的规格、型号和检测原理等等;还需要说明的是:所述第一动态变化测试环境和第二静态标准测试环境除温度和湿度存在不一样外,其他任何信息或条件均一致;
S12:获取第二静态标准测试环境中的温度参数数据和湿度参数数据,将第二静态标准测试环境中的温度参数数据作为温度标准数据,以及将第二静态标准测试环境中的湿度参数数据作为湿度标准数据,并获取参考电容的标准振荡信号;
S13:当未施加电容变化时,分别对第一动态变化测试环境中温度数据和湿度数据进行动态调节,记录调节时测试电容的测试振荡信号,并基于测试振荡信号和标准振荡信号进行分析处理,得到测试数据集合1;
具体的,所述测试数据集合1的生成过程,包括:
S131A:将第一动态变化测试环境中温度数据设置为固定量,采集第j%湿度数据下的测试振荡信号;
需要说明的是:固定量是指将某一数据数值设置为固定不变,例如:将温度数据设置为固定量,若温度数据为V摄氏度,V为正整数,则在对湿度数据进行调节的过程中,温度数据则一直恒定为V摄氏度,同样地,对于下文的湿度数据也是如此,在此不再过多赘述;
S132A:按照预设时间跨度提取测试振荡信号中的振荡脉冲数,以及提取标准振荡信号中的振荡脉冲数;
应当了解的是:振荡脉冲是指振荡信号的脉冲,其基于振荡电路或振荡器并利用计数器或频率计采集得到,通过将计数器或频率计的输入端与振荡电路或振荡器输出端进行连接,以接收得到振荡信号的脉冲;
S133A:计算测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值,将测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值标记为未施加电容变化下的振荡脉冲差;
S134A:将第一动态变化测试环境中温度数据与温度标准数据的差值作为未施加电容变化下的温差数据,以及将第j%湿度数据与湿度标准数据的差值作为未施加电容变化下的湿差数据;
S135A:将未施加电容变化下的温差数据、未施加电容变化下的湿差数据、未施加电容变化下的振荡脉冲差作为第一检测数据K,并令j=j+m,j、m为大于零的正整数集;
S136A:重复上述步骤S131A~S135A,直至j+m=Q停止循环,则得到检测数据集一,所述检测数据集一包括第一检测数据K、第二检测数据K、……和第R检测数据K,R、Q为大于零的正整数集;
具体的,所述测试数据集合1的生成过程,还包括:
S131B:将第一动态变化测试环境中湿度数据设置为固定量,采集第i温度数据下的测试电容的测试振荡信号;
S132B:按照预设时间跨度提取测试振荡信号中的振荡脉冲数,以及提取标准振荡信号中的振荡脉冲数;
S133B:计算测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值,将测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值标记为未施加电容变化下的振荡脉冲差;
S134B:将第一动态变化测试环境中湿度数据与湿度标准数据的差值作为未施加电容变化下的湿差数据,以及将第i温度数据与温度标准数据的差值作为未施加电容变化下的温差数据;
S135B:将未施加电容变化下的温差数据、未施加电容变化下的湿差数据和未施加电容变化下的振荡脉冲差作为第一检测数据G,并令i=i+n,i、n为大于零的正整数集;
S136B:重复上述步骤S131B~S135B,直至i+n=T停止循环,则得到检测数据集二,所述检测数据集二包括第一检测数据G、第二检测数据G、……和第W检测数据G,W、T为大于零的正整数集;
具体的,所述测试数据集合1的生成过程,还包括:将检测数据集一和检测数据集二进行融合,得到测试数据集合1;
S14:当施加电容变化时,分别对第一动态变化测试环境中温度数据和湿度数据进行动态调节,记录调节时测试电容的测试振荡信号,并基于测试振荡信号和标准振荡信号进行分析处理,得到测试数据集合2;
具体的,获取施加电容变化时的测试数据集合2,包括:
S141:当施加电容变化时,采集第x温度数据和第y%湿度数据下测试电容的测试振荡信号;
S142:将第x温度数据和第y%湿度数据下的测试电容的测试振荡信号与标准振荡信号中的振荡脉冲数进行差值分析,得到施加电容变化下的振荡脉冲差;
应当了解的是:温度数据的单位为摄氏度(℃),第x温度数据即为x摄氏度,同样地,湿度数据的单位为百分比(%),相对湿度(RH)=(实际水蒸气含量/饱和水蒸气含量)×100%,第y%湿度数据即为y%相对湿度;
需要说明的是:将第x温度数据和第y%湿度数据下的测试电容的测试振荡信号与标准振荡信号中的振荡脉冲数进行差值分析,包括:提取第x温度数据和第y%湿度数据下测试振荡信号中的振荡脉冲数,计算第x温度数据和第y%湿度数据下测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值,将第x温度数据和第y%湿度数据下测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值作为施加电容变化下的振荡脉冲差;
S143:将第x温度数据与温度标准数据的差值作为施加电容变化下的温差数据;以及将第y%湿度数据与湿度标准数据的差值作为施加电容变化下的湿差数据;
S144:将施加电容变化下的温差数据、施加电容变化下的湿差数据和施加电容变化下的振荡脉冲差作为第一检测数据P,并令x=x+a,y=y+b,x、a、y、b为大于零的正整数集;
S145:重复上述步骤S141~S144,直至x+a=U,y+b=Z停止循环,则得到测试数据集合2,所述测试数据集合2包括第一检测数据P、第二检测数据P、……和第L检测数据P,U、Z、L为大于零的正整数集;
第一训练模块220,用于将未施加电容变化时的测试数据集合1作为第一样本集,基于所述第一样本集训练出用于进行基准值补偿校正的第一机器学习模型;
具体的,基于所述第一样本集训练出用于进行基准值补偿校正的第一机器学习模型,包括:
将第一样本集划分为70%的基准值训练集和30%的基准值测试集;构建第一分类器,将基准值训练集中的未施加电容变化下的温差数据和未施加电容变化下的湿差数据作为第一分类器的输入数据,将未施加电容变化下的振荡脉冲差作为第一分类器的输出数据,基于输入数据和输出数据对第一分类器进行训练,得到第一初始分类器,利用基准值测试集对所述第一初始分类器进行测试,以输出大于等于预设基准值测试准确度的第一初始分类器作为用于进行基准值补偿校正的第一机器学习模型;
需要说明的是:所述第一分类器具体为逻辑回归、决策树、随机森林、朴素贝叶斯或神经网络中的一种;
第二训练模块230,用于将施加电容变化时的测试数据集合2作为第二样本集,基于所述第二样本集训练出用于进行计数值补偿校正的第二机器学习模型;
具体的,基于所述第二样本集训练出用于进行计数值补偿校正的第二机器学习模型,包括:
将第二样本集划分为70%的计数值训练集和30%的计数值测试集;构建第二分类器,将计数值训练集中的施加电容变化下的温差数据和施加电容变化下的湿差数据作为第二分类器的输入数据,将施加电容变化下的振荡脉冲差作为第二分类器的输出数据,基于输入数据和输出数据对第二分类器进行训练,得到第二初始分类器,利用计数值测试集对所述第二初始分类器进行测试,以输出大于等于预设计数值测试准确度的第二初始分类器作为用于进行计数值补偿校正的第二机器学习模型;
需要说明的是:同上述第一分类器,所述第二分类器也可为逻辑回归、决策树、随机森林、朴素贝叶斯或神经网络中的一种;
第一处理模块240,用于采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第一机器学习模型对实测振荡脉冲数进行基准值补偿校正,以获取基准值补偿校正后的实测振荡脉冲数;将基准值补偿校正后的实测振荡脉冲数作为校正基准值;
应当了解的是:该步骤中的实测振荡脉冲数应当为未施加电容变化时待测电容的振荡信号;
需要说明的是:基于第一机器学习模型对实测振荡脉冲数进行基准值补偿校正的逻辑为:将待测电容的环境参数数据输入第一机器学习模型后通过第一机器学习模型分析,会得到未施加电容变化下的振荡脉冲差,然后将实测振荡脉冲数与未施加电容变化下的振荡脉冲差进行累加或累减计算,则得到校正基准值;进一步需要说明的是:累加或累减计算根据未施加电容变化下的振荡脉冲差的正负情况进行确定,进一步解释就是,若未施加电容变化下的振荡脉冲差为正数,则将实测振荡脉冲数与未施加电容变化下的振荡脉冲差进行累加,相反,若未施加电容变化下的振荡脉冲差为负数,则将实测振荡脉冲数与未施加电容变化下的振荡脉冲差进行累减;
第二处理模块250,用于采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第二机器学习模型对实测振荡脉冲数进行计数值补偿校正,以获取计数值补偿校正后的实测振荡脉冲数;将计数值补偿校正后的实测振荡脉冲数作为校正计数值;
应当了解的是:该步骤中的实测振荡脉冲数应当为施加电容变化时待测电容的振荡信号;
需要说明的是:基于第二机器学习模型对实测振荡脉冲数进行计数值补偿校正的逻辑为:将待测电容的环境参数数据输入第二机器学习模型后通过第二机器学习模型分析,会得到施加电容变化下的振荡脉冲差,然后将实测振荡脉冲数与施加电容变化下的振荡脉冲差进行累加或累减计算,则得到校正计数值;进一步需要说明的是:累加或累减计算根据施加电容变化下的振荡脉冲差的正负情况进行确定,进一步解释就是,若施加电容变化下的振荡脉冲差为正数,则将实测振荡脉冲数与施加电容变化下的振荡脉冲差进行累加,相反,若施加电容变化下的振荡脉冲差为负数,则将实测振荡脉冲数与施加电容变化下的振荡脉冲差进行累减;
变化分析确定模块260,用于确定误差区间△,基于误差区间△、校正基准值和校正计数值进行分析,确定待测电容的变化状态;
具体的,确定误差区间△,包括:
提取施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差;
按照时间序列对施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差进行排序梳理;
需要说明的是:按照时间序列对施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差进行排序梳理的逻辑为:将第一时间序列的施加电容变化的振荡脉冲差与第一时间序列的未施加电容变化的振荡脉冲差进行一一对应,得到一组对应的施加电容变化的振荡脉冲差和未施加电容变化的振荡脉冲差,同上述,根据时间序列依次梳理,则得到若干组对应的施加电容变化的振荡脉冲差和未施加电容变化的振荡脉冲差;
对排序梳理后施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差进行公式化计算,以确定误差区间△,其计算公式为:;式中:/>为误差区间△,/>为第h组施加电容变化的振荡脉冲差,/>第h组未施加电容变化的振荡脉冲差,/>为总组数;
具体的,基于误差区间△、校正基准值和校正计数值进行分析,包括:
将校正基准值与校正计数值的差值作为判断差值;
若判断差值大于误差区间△,则判断待测电容发生电容递增变化;
若判断差值小于误差区间△,则判断待测电容发生电容递减变化;
若判断差值等于误差区间△,则判断待测电容未发生变化。
实施例2
请参阅图1所示,本实施例公开提供了高灵敏度电容变化检测方法,所述方法包括:
步骤1:获取未施加电容变化时的测试数据集合1,以及获取施加电容变化时的测试数据集合2;所述测试数据集合1和测试数据集合2均包括环境参数数据和振荡脉冲差,所述环境参数包括温度和湿度;
具体的,获取未施加电容变化时的测试数据集合1,以及获取施加电容变化时的测试数据集合2,包括:
S11:将测试电容放置于第一动态变化测试环境,以及将参考电容放置于第二静态标准测试环境;
需要说明的是:所述测试电容与参考电容除所处环境不一样外,其他属性数据均相同,所述属性数据包括但不限于电容的规格、型号和检测原理等等;还需要说明的是:所述第一动态变化测试环境和第二静态标准测试环境除温度和湿度存在不一样外,其他任何信息或条件均一致;
S12:获取第二静态标准测试环境中的温度参数数据和湿度参数数据,将第二静态标准测试环境中的温度参数数据作为温度标准数据,以及将第二静态标准测试环境中的湿度参数数据作为湿度标准数据,并获取参考电容的标准振荡信号;
S13:当未施加电容变化时,分别对第一动态变化测试环境中温度数据和湿度数据进行动态调节,记录调节时测试电容的测试振荡信号,并基于测试振荡信号和标准振荡信号进行分析处理,得到测试数据集合1;
具体的,所述测试数据集合1的生成过程,包括:
S131A:将第一动态变化测试环境中温度数据设置为固定量,采集第j%湿度数据下的测试振荡信号;
需要说明的是:固定量是指将某一数据数值设置为固定不变,例如:将温度数据设置为固定量,若温度数据为V摄氏度,则在对湿度数据进行调节的过程中,温度数据则一直恒定为V摄氏度,同样地,对于下文的湿度数据也是如此,在此不再过多赘述;
S132A:按照预设时间跨度提取测试振荡信号中的振荡脉冲数,以及提取标准振荡信号中的振荡脉冲数;
应当了解的是:振荡脉冲是指振荡信号的脉冲,其基于振荡电路或振荡器并利用计数器或频率计采集得到,通过将计数器或频率计的输入端与振荡电路或振荡器输出端进行连接,以接收得到振荡信号的脉冲;
S133A:计算测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值,将测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值标记为未施加电容变化下的振荡脉冲差;
S134A:将第一动态变化测试环境中温度数据与温度标准数据的差值作为未施加电容变化下的温差数据,以及将第j%湿度数据与湿度标准数据的差值作为未施加电容变化下的湿差数据;
S135A:将未施加电容变化下的温差数据、未施加电容变化下的湿差数据、未施加电容变化下的振荡脉冲差作为第一检测数据K,并令j=j+m,j、m为大于零的正整数集;
S136A:重复上述步骤S131A~S135A,直至j+m=Q停止循环,则得到检测数据集一,所述检测数据集一包括第一检测数据K、第二检测数据K、……和第R检测数据K,R、Q为大于零的正整数集;
具体的,所述测试数据集合1的生成过程,还包括:
S131B:将第一动态变化测试环境中湿度数据设置为固定量,采集第i温度数据下的测试电容的测试振荡信号;
S132B:按照预设时间跨度提取测试振荡信号中的振荡脉冲数,以及提取标准振荡信号中的振荡脉冲数;
S133B:计算测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值,将测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值标记为未施加电容变化下的振荡脉冲差;
S134B:将第一动态变化测试环境中湿度数据与湿度标准数据的差值作为未施加电容变化下的湿差数据,以及将第i温度数据与温度标准数据的差值作为未施加电容变化下的温差数据;
S135B:将未施加电容变化下的温差数据、未施加电容变化下的湿差数据和未施加电容变化下的振荡脉冲差作为第一检测数据G,并令i=i+n,i、n为大于零的正整数集;
S136B:重复上述步骤S131B~S135B,直至i+n=T停止循环,则得到检测数据集二,所述检测数据集二包括第一检测数据G、第二检测数据G、……和第W检测数据G,W、T为大于零的正整数集;
具体的,所述测试数据集合1的生成过程,还包括:将检测数据集一和检测数据集二进行融合,得到测试数据集合1;
S14:当施加电容变化时,分别对第一动态变化测试环境中温度数据和湿度数据进行动态调节,记录调节时测试电容的测试振荡信号,并基于测试振荡信号和标准振荡信号进行分析处理,得到测试数据集合2;
具体的,获取施加电容变化时的测试数据集合2,包括:
S141:当施加电容变化时,采集第x温度数据和第y%湿度数据下测试电容的测试振荡信号;
S142:将第x温度数据和第y%湿度数据下的测试电容的测试振荡信号与标准振荡信号中的振荡脉冲数进行差值分析,得到施加电容变化下的振荡脉冲差;
应当了解的是:温度数据的单位为摄氏度(℃),第x温度数据即为x摄氏度,同样地,湿度数据的单位为百分比(%),相对湿度(RH)=(实际水蒸气含量/饱和水蒸气含量)×100%,第y%湿度数据即为y%相对湿度;
需要说明的是:将第x温度数据和第y%湿度数据下的测试电容的测试振荡信号与标准振荡信号中的振荡脉冲数进行差值分析,包括:提取第x温度数据和第y%湿度数据下测试振荡信号中的振荡脉冲数,计算第x温度数据和第y%湿度数据下测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值,将第x温度数据和第y%湿度数据下测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值作为施加电容变化下的振荡脉冲差;
S143:将第x温度数据与温度标准数据的差值作为施加电容变化下的温差数据;以及将第y%湿度数据与湿度标准数据的差值作为施加电容变化下的湿差数据;
S144:将施加电容变化下的温差数据、施加电容变化下的湿差数据和施加电容变化下的振荡脉冲差作为第一检测数据P,并令x=x+a,y=y+b,x、a、y、b为大于零的正整数集;
S145:重复上述步骤S141~S144,直至x+a=U,y+b=Z停止循环,则得到测试数据集合2,所述测试数据集合2包括第一检测数据P、第二检测数据P、……和第L检测数据P,U、Z、L为大于零的正整数集;
步骤2:将未施加电容变化时的测试数据集合1作为第一样本集,基于所述第一样本集训练出用于进行基准值补偿校正的第一机器学习模型;
具体的,基于所述第一样本集训练出用于进行基准值补偿校正的第一机器学习模型,包括:
将第一样本集划分为70%的基准值训练集和30%的基准值测试集;构建第一分类器,将基准值训练集中的未施加电容变化下的温差数据和未施加电容变化下的湿差数据作为第一分类器的输入数据,将未施加电容变化下的振荡脉冲差作为第一分类器的输出数据,基于输入数据和输出数据对第一分类器进行训练,得到第一初始分类器,利用基准值测试集对所述第一初始分类器进行测试,以输出大于等于预设基准值测试准确度的第一初始分类器作为用于进行基准值补偿校正的第一机器学习模型;
需要说明的是:所述第一分类器具体为逻辑回归、决策树、随机森林、朴素贝叶斯或神经网络中的一种;
步骤3:将施加电容变化时的测试数据集合2作为第二样本集,基于所述第二样本集训练出用于进行计数值补偿校正的第二机器学习模型;
具体的,基于所述第二样本集训练出用于进行计数值补偿校正的第二机器学习模型,包括:
将第二样本集划分为70%的计数值训练集和30%的计数值测试集;构建第二分类器,将计数值训练集中的施加电容变化下的温差数据和施加电容变化下的湿差数据作为第二分类器的输入数据,将施加电容变化下的振荡脉冲差作为第二分类器的输出数据,基于输入数据和输出数据对第二分类器进行训练,得到第二初始分类器,利用计数值测试集对所述第二初始分类器进行测试,以输出大于等于预设计数值测试准确度的第二初始分类器作为用于进行计数值补偿校正的第二机器学习模型;
需要说明的是:同上述第一分类器,所述第二分类器也可为逻辑回归、决策树、随机森林、朴素贝叶斯或神经网络中的一种;
步骤4:采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第一机器学习模型对实测振荡脉冲数进行基准值补偿校正,以获取基准值补偿校正后的实测振荡脉冲数;将基准值补偿校正后的实测振荡脉冲数作为校正基准值;
应当了解的是:该步骤中的实测振荡脉冲数应当为未施加电容变化时待测电容的振荡信号;
需要说明的是:基于第一机器学习模型对实测振荡脉冲数进行基准值补偿校正的逻辑为:将待测电容的环境参数数据输入第一机器学习模型后通过第一机器学习模型分析,会得到未施加电容变化下的振荡脉冲差,然后将实测振荡脉冲数与未施加电容变化下的振荡脉冲差进行累加或累减计算,则得到校正基准值;进一步需要说明的是:累加或累减计算根据未施加电容变化下的振荡脉冲差的正负情况进行确定,进一步解释就是,若未施加电容变化下的振荡脉冲差为正数,则将实测振荡脉冲数与未施加电容变化下的振荡脉冲差进行累加,相反,若未施加电容变化下的振荡脉冲差为负数,则将实测振荡脉冲数与未施加电容变化下的振荡脉冲差进行累减;
步骤5:采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第二机器学习模型对实测振荡脉冲数进行计数值补偿校正,以获取计数值补偿校正后的实测振荡脉冲数;将计数值补偿校正后的实测振荡脉冲数作为校正计数值;
应当了解的是:该步骤中的实测振荡脉冲数应当为施加电容变化时待测电容的振荡信号;
需要说明的是:基于第二机器学习模型对实测振荡脉冲数进行计数值补偿校正的逻辑为:将待测电容的环境参数数据输入第二机器学习模型后通过第二机器学习模型分析,会得到施加电容变化下的振荡脉冲差,然后将实测振荡脉冲数与施加电容变化下的振荡脉冲差进行累加或累减计算,则得到校正计数值;进一步需要说明的是:累加或累减计算根据施加电容变化下的振荡脉冲差的正负情况进行确定,进一步解释就是,若施加电容变化下的振荡脉冲差为正数,则将实测振荡脉冲数与施加电容变化下的振荡脉冲差进行累加,相反,若施加电容变化下的振荡脉冲差为负数,则将实测振荡脉冲数与施加电容变化下的振荡脉冲差进行累减;
步骤6:确定误差区间△,基于误差区间△、校正基准值和校正计数值进行分析,确定待测电容的变化状态;
具体的,确定误差区间△,包括:
提取施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差;
按照时间序列对施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差进行排序梳理;
需要说明的是:按照时间序列对施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差进行排序梳理的逻辑为:将第一时间序列的施加电容变化的振荡脉冲差与第一时间序列的未施加电容变化的振荡脉冲差进行一一对应,得到一组对应的施加电容变化的振荡脉冲差和未施加电容变化的振荡脉冲差,同上述,根据时间序列依次梳理,则得到若干组对应的施加电容变化的振荡脉冲差和未施加电容变化的振荡脉冲差;
对排序梳理后施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差进行公式化计算,以确定误差区间△,其计算公式为:;式中:/>为误差区间△,/>为第h组施加电容变化的振荡脉冲差,/>第h组未施加电容变化的振荡脉冲差,/>为总组数;
具体的,基于误差区间△、校正基准值和校正计数值进行分析,包括:
将校正基准值与校正计数值的差值作为判断差值;
若判断差值大于误差区间△,则判断待测电容发生电容递增变化;
若判断差值小于误差区间△,则判断待测电容发生电容递减变化;
若判断差值等于误差区间△,则判断待测电容未发生变化。
实施例3
请参阅图4所示,本实施例公开提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述高灵敏度电容变化检测方法。
由于本实施例所介绍的电子设备为实施本申请实施例中高灵敏度电容变化检测方法所采用的电子设备,故而基于本申请实施例中所介绍的高灵敏度电容变化检测方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中高灵敏度电容变化检测方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例4
本实施例公开提供了一种计算机可读存储介质,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述高灵敏度电容变化检测方法。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.高灵敏度电容变化检测方法,其特征在于,所述方法包括:
获取未施加电容变化时的测试数据集合1,以及获取施加电容变化时的测试数据集合2;所述测试数据集合1和测试数据集合2均包括环境参数数据和振荡脉冲差,所述环境参数包括温度和湿度;
其中,获取未施加电容变化时的测试数据集合1,以及获取施加电容变化时的测试数据集合2,包括:
将测试电容放置于第一动态变化测试环境,以及将参考电容放置于第二静态标准测试环境;
获取第二静态标准测试环境中的温度参数数据和湿度参数数据,将第二静态标准测试环境中的温度参数数据作为温度标准数据,以及将第二静态标准测试环境中的湿度参数数据作为湿度标准数据,并获取参考电容的标准振荡信号;
当未施加电容变化时,分别对第一动态变化测试环境中温度数据和湿度数据进行动态调节,记录调节时测试电容的测试振荡信号,并基于测试振荡信号和标准振荡信号进行分析处理,得到测试数据集合1;
所述测试数据集合1的生成过程,包括:
S131A:将第一动态变化测试环境中温度数据设置为固定量,采集第j%湿度数据下的测试振荡信号;
S132A:按照预设时间跨度提取测试振荡信号中的振荡脉冲数,以及提取标准振荡信号中的振荡脉冲数;
S133A:计算测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值,将测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值标记为未施加电容变化下的振荡脉冲差;
S134A:将第一动态变化测试环境中温度数据与温度标准数据的差值作为未施加电容变化下的温差数据,以及将第j%湿度数据与湿度标准数据的差值作为未施加电容变化下的湿差数据;
S135A:将未施加电容变化下的温差数据、未施加电容变化下的湿差数据、未施加电容变化下的振荡脉冲差作为第一检测数据K,并令j=j+m,j、m为大于零的正整数集;
S136A:重复上述步骤S131A~S135A,直至j+m=Q停止循环,则得到检测数据集一,所述检测数据集一包括第一检测数据K、第二检测数据K、……和第R检测数据K,R、Q为大于零的正整数集;
当施加电容变化时,分别对第一动态变化测试环境中温度数据和湿度数据进行动态调节,记录调节时测试电容的测试振荡信号,并基于测试振荡信号和标准振荡信号进行分析处理,得到测试数据集合2;
所述获取施加电容变化时的测试数据集合2,包括:
S141:当施加电容变化时,采集第x温度数据和第y%湿度数据下测试电容的测试振荡信号;
S142:将第x温度数据和第y%湿度数据下的测试电容的测试振荡信号与标准振荡信号中的振荡脉冲数进行差值分析,得到施加电容变化下的振荡脉冲差;
S143:将第x温度数据与温度标准数据的差值作为施加电容变化下的温差数据;以及将第y%湿度数据与湿度标准数据的差值作为施加电容变化下的湿差数据;
S144:将施加电容变化下的温差数据、施加电容变化下的湿差数据和施加电容变化下的振荡脉冲差作为第一检测数据P,并令x=x+a,y=y+b,x、a、y、b为大于零的正整数集;
S145:重复上述步骤S141~S144,直至x+a=U,y+b=Z停止循环,则得到测试数据集合2,所述测试数据集合2包括第一检测数据P、第二检测数据P、……和第L检测数据P,U、Z、L为大于零的正整数集;
将未施加电容变化时的测试数据集合1作为第一样本集,基于所述第一样本集训练出用于进行基准值补偿校正的第一机器学习模型;
其中,基于所述第一样本集训练出用于进行基准值补偿校正的第一机器学习模型,包括:
将第一样本集划分为70%的基准值训练集和30%的基准值测试集;构建第一分类器,将基准值训练集中的未施加电容变化下的温差数据和未施加电容变化下的湿差数据作为第一分类器的输入数据,将未施加电容变化下的振荡脉冲差作为第一分类器的输出数据,基于输入数据和输出数据对第一分类器进行训练,得到第一初始分类器,利用基准值测试集对所述第一初始分类器进行测试,以输出大于等于预设基准值测试准确度的第一初始分类器作为用于进行基准值补偿校正的第一机器学习模型;
将施加电容变化时的测试数据集合2作为第二样本集,基于所述第二样本集训练出用于进行计数值补偿校正的第二机器学习模型;
其中,基于所述第二样本集训练出用于进行计数值补偿校正的第二机器学习模型,包括:
将第二样本集划分为70%的计数值训练集和30%的计数值测试集;构建第二分类器,将计数值训练集中的施加电容变化下的温差数据和施加电容变化下的湿差数据作为第二分类器的输入数据,将施加电容变化下的振荡脉冲差作为第二分类器的输出数据,基于输入数据和输出数据对第二分类器进行训练,得到第二初始分类器,利用计数值测试集对所述第二初始分类器进行测试,以输出大于等于预设计数值测试准确度的第二初始分类器作为用于进行计数值补偿校正的第二机器学习模型;
采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第一机器学习模型对实测振荡脉冲数进行基准值补偿校正,以获取基准值补偿校正后的实测振荡脉冲数;将基准值补偿校正后的实测振荡脉冲数作为校正基准值;
采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第二机器学习模型对实测振荡脉冲数进行计数值补偿校正,以获取计数值补偿校正后的实测振荡脉冲数;将计数值补偿校正后的实测振荡脉冲数作为校正计数值;
确定误差区间△,基于误差区间△、校正基准值和校正计数值进行分析,确定待测电容的变化状态。
2.根据权利要求1所述的高灵敏度电容变化检测方法,其特征在于,所述测试数据集合1的生成过程,还包括:
S131B:将第一动态变化测试环境中湿度数据设置为固定量,采集第i温度数据下的测试电容的测试振荡信号;
S132B:按照预设时间跨度提取测试振荡信号中的振荡脉冲数,以及提取标准振荡信号中的振荡脉冲数;
S133B:计算测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值,将测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值标记为未施加电容变化下的振荡脉冲差;
S134B:将第一动态变化测试环境中湿度数据与湿度标准数据的差值作为未施加电容变化下的湿差数据,以及将第i温度数据与温度标准数据的差值作为未施加电容变化下的温差数据;
S135B:将未施加电容变化下的温差数据、未施加电容变化下的湿差数据和未施加电容变化下的振荡脉冲差作为第一检测数据G,并令i=i+n,i、n为大于零的正整数集;
S136B:重复上述步骤S131B~S135B,直至i+n=T停止循环,则得到检测数据集二,所述检测数据集二包括第一检测数据G、第二检测数据G、……和第W检测数据G,W、T为大于零的正整数集。
3.根据权利要求2所述的高灵敏度电容变化检测方法,其特征在于,所述测试数据集合1的生成过程,还包括:将检测数据集一和检测数据集二进行融合,得到测试数据集合1。
4.根据权利要求3所述的高灵敏度电容变化检测方法,其特征在于,确定误差区间△,包括:
提取施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差;
按照时间序列对施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差进行排序梳理;
对排序梳理后施加电容变化下的振荡脉冲差和未施加电容变化下的振荡脉冲差进行公式化计算,以确定误差区间△,其计算公式为:;式中:/>为误差区间△,/>为第h组施加电容变化的振荡脉冲差,/>第h组未施加电容变化的振荡脉冲差,/>为总组数。
5.根据权利要求4所述的高灵敏度电容变化检测方法,其特征在于,基于误差区间△、校正基准值和校正计数值进行分析,包括:
将校正基准值与校正计数值的差值作为判断差值;
若判断差值大于误差区间△,则判断待测电容发生电容递增变化;
若判断差值小于误差区间△,则判断待测电容发生电容递减变化;
若判断差值等于误差区间△,则判断待测电容未发生变化。
6.高灵敏度电容变化检测系统,其特征在于,包括:
数据获取模块,用于获取未施加电容变化时的测试数据集合1,以及获取施加电容变化时的测试数据集合2;所述测试数据集合1和测试数据集合2均包括环境参数数据和振荡脉冲差,所述环境参数包括温度和湿度;
其中,获取未施加电容变化时的测试数据集合1,以及获取施加电容变化时的测试数据集合2,包括:
将测试电容放置于第一动态变化测试环境,以及将参考电容放置于第二静态标准测试环境;
获取第二静态标准测试环境中的温度参数数据和湿度参数数据,将第二静态标准测试环境中的温度参数数据作为温度标准数据,以及将第二静态标准测试环境中的湿度参数数据作为湿度标准数据,并获取参考电容的标准振荡信号;
当未施加电容变化时,分别对第一动态变化测试环境中温度数据和湿度数据进行动态调节,记录调节时测试电容的测试振荡信号,并基于测试振荡信号和标准振荡信号进行分析处理,得到测试数据集合1;
所述测试数据集合1的生成过程,包括:
S131A:将第一动态变化测试环境中温度数据设置为固定量,采集第j%湿度数据下的测试振荡信号;
S132A:按照预设时间跨度提取测试振荡信号中的振荡脉冲数,以及提取标准振荡信号中的振荡脉冲数;
S133A:计算测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值,将测试振荡信号中的振荡脉冲数与标准振荡信号中的振荡脉冲数的差值标记为未施加电容变化下的振荡脉冲差;
S134A:将第一动态变化测试环境中温度数据与温度标准数据的差值作为未施加电容变化下的温差数据,以及将第j%湿度数据与湿度标准数据的差值作为未施加电容变化下的湿差数据;
S135A:将未施加电容变化下的温差数据、未施加电容变化下的湿差数据、未施加电容变化下的振荡脉冲差作为第一检测数据K,并令j=j+m,j、m为大于零的正整数集;
S136A:重复上述步骤S131A~S135A,直至j+m=Q停止循环,则得到检测数据集一,所述检测数据集一包括第一检测数据K、第二检测数据K、……和第R检测数据K,R、Q为大于零的正整数集;
当施加电容变化时,分别对第一动态变化测试环境中温度数据和湿度数据进行动态调节,记录调节时测试电容的测试振荡信号,并基于测试振荡信号和标准振荡信号进行分析处理,得到测试数据集合2;
所述获取施加电容变化时的测试数据集合2,包括:
S141:当施加电容变化时,采集第x温度数据和第y%湿度数据下测试电容的测试振荡信号;
S142:将第x温度数据和第y%湿度数据下的测试电容的测试振荡信号与标准振荡信号中的振荡脉冲数进行差值分析,得到施加电容变化下的振荡脉冲差;
S143:将第x温度数据与温度标准数据的差值作为施加电容变化下的温差数据;以及将第y%湿度数据与湿度标准数据的差值作为施加电容变化下的湿差数据;
S144:将施加电容变化下的温差数据、施加电容变化下的湿差数据和施加电容变化下的振荡脉冲差作为第一检测数据P,并令x=x+a,y=y+b,x、a、y、b为大于零的正整数集;
S145:重复上述步骤S141~S144,直至x+a=U,y+b=Z停止循环,则得到测试数据集合2,所述测试数据集合2包括第一检测数据P、第二检测数据P、……和第L检测数据P,U、Z、L为大于零的正整数集;
第一训练模块,用于将未施加电容变化时的测试数据集合1作为第一样本集,基于所述第一样本集训练出用于进行基准值补偿校正的第一机器学习模型;
其中,基于所述第一样本集训练出用于进行基准值补偿校正的第一机器学习模型,包括:
将第一样本集划分为70%的基准值训练集和30%的基准值测试集;构建第一分类器,将基准值训练集中的未施加电容变化下的温差数据和未施加电容变化下的湿差数据作为第一分类器的输入数据,将未施加电容变化下的振荡脉冲差作为第一分类器的输出数据,基于输入数据和输出数据对第一分类器进行训练,得到第一初始分类器,利用基准值测试集对所述第一初始分类器进行测试,以输出大于等于预设基准值测试准确度的第一初始分类器作为用于进行基准值补偿校正的第一机器学习模型;
第二训练模块,用于将施加电容变化时的测试数据集合2作为第二样本集,基于所述第二样本集训练出用于进行计数值补偿校正的第二机器学习模型;
其中,基于所述第二样本集训练出用于进行计数值补偿校正的第二机器学习模型,包括:
将第二样本集划分为70%的计数值训练集和30%的计数值测试集;构建第二分类器,将计数值训练集中的施加电容变化下的温差数据和施加电容变化下的湿差数据作为第二分类器的输入数据,将施加电容变化下的振荡脉冲差作为第二分类器的输出数据,基于输入数据和输出数据对第二分类器进行训练,得到第二初始分类器,利用计数值测试集对所述第二初始分类器进行测试,以输出大于等于预设计数值测试准确度的第二初始分类器作为用于进行计数值补偿校正的第二机器学习模型;
第一处理模块,用于采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第一机器学习模型对实测振荡脉冲数进行基准值补偿校正,以获取基准值补偿校正后的实测振荡脉冲数;将基准值补偿校正后的实测振荡脉冲数作为校正基准值;
第二处理模块,用于采集待测电容的环境参数数据以及振荡信号,提取待测电容的振荡信号中的实测振荡脉冲数,基于第二机器学习模型对实测振荡脉冲数进行计数值补偿校正,以获取计数值补偿校正后的实测振荡脉冲数;将计数值补偿校正后的实测振荡脉冲数作为校正计数值;
变化分析确定模块,用于确定误差区间△,基于误差区间△、校正基准值和校正计数值进行分析,确定待测电容的变化状态。
7.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述高灵敏度电容变化检测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任一项所述高灵敏度电容变化检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311326254.8A CN117076932B (zh) | 2023-10-13 | 2023-10-13 | 高灵敏度电容变化检测方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311326254.8A CN117076932B (zh) | 2023-10-13 | 2023-10-13 | 高灵敏度电容变化检测方法、系统、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117076932A CN117076932A (zh) | 2023-11-17 |
CN117076932B true CN117076932B (zh) | 2024-01-26 |
Family
ID=88704606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311326254.8A Active CN117076932B (zh) | 2023-10-13 | 2023-10-13 | 高灵敏度电容变化检测方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076932B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0520352A2 (en) * | 1991-06-22 | 1992-12-30 | Toyoda Koki Kabushiki Kaisha | Capacitive sensing device |
CN1132962A (zh) * | 1994-11-04 | 1996-10-09 | 阿苏拉布股份有限公司 | 高稳定度频率发生器 |
JPH11258090A (ja) * | 1998-03-11 | 1999-09-24 | Omron Corp | 静電容量型センサ装置 |
CN101490566A (zh) * | 2006-07-20 | 2009-07-22 | 爱迪半导体株式会社 | 用于通过使用多个时分频率来检测电容的方法和设备 |
CN101625251A (zh) * | 2009-07-31 | 2010-01-13 | 佛山市中协电器有限公司 | 一种电容感应式液位传感器 |
CN101640537A (zh) * | 2008-07-31 | 2010-02-03 | 索尼株式会社 | 锁相环电路、读写装置及电子装置 |
CN102096057A (zh) * | 2010-11-16 | 2011-06-15 | 北京航天测控技术开发公司 | 一种电容测量电路的校准方法及装置 |
JP2014197746A (ja) * | 2013-03-29 | 2014-10-16 | 日本電波工業株式会社 | 水晶発振器 |
WO2020102204A1 (en) * | 2018-11-12 | 2020-05-22 | Massachusetts Institute Of Technology | Large-scale artificial neural-network accelerators based on coherent detection and optical data fan-out |
CN111198626A (zh) * | 2018-11-16 | 2020-05-26 | 珠海格力电器股份有限公司 | 电容式触摸按键的基准值校正方法、装置及存储介质 |
KR20200092456A (ko) * | 2019-01-07 | 2020-08-04 | 한림대학교 산학협력단 | 딥러닝 기반의 터치센서 측정 오류 보정 장치 및 방법 |
CN111488083A (zh) * | 2019-01-25 | 2020-08-04 | 瑞昱半导体股份有限公司 | 具有自校准功能的电容式触摸检测装置 |
US11239877B1 (en) * | 2020-11-24 | 2022-02-01 | At&T Intellectual Property I, L.P. | Local oscillator synchronization for coherent phased-array system |
CN114113801A (zh) * | 2022-01-24 | 2022-03-01 | 上海艾为微电子技术有限公司 | 电容检测方法及电容检测装置 |
CN114217705A (zh) * | 2021-11-09 | 2022-03-22 | 深圳市芯生半导体有限公司 | 触摸检测电路及检测方法 |
CN114548417A (zh) * | 2020-11-27 | 2022-05-27 | 中国科学院山西煤炭化学研究所 | 基于数据校正的机器学习模型训练方法及系统 |
CN115494307A (zh) * | 2022-09-15 | 2022-12-20 | 苏州四方杰芯电子科技有限公司 | 一种高灵敏度电容变化检测方法 |
CN115509396A (zh) * | 2022-10-26 | 2022-12-23 | 上海艾为电子技术股份有限公司 | 电容检测方法及电容检测装置 |
CN115549645A (zh) * | 2022-10-14 | 2022-12-30 | 成都爱旗科技有限公司 | 一种基于机器学习的时钟校准方法、系统及设备 |
CN115580283A (zh) * | 2022-11-09 | 2023-01-06 | 深圳市美矽微半导体有限公司 | 一种具有触摸感应结构的控制芯片 |
CN115639410A (zh) * | 2022-10-26 | 2023-01-24 | 上海艾为电子技术股份有限公司 | 电容检测方法及电容检测装置 |
CN116678489A (zh) * | 2023-08-03 | 2023-09-01 | 深圳市力准传感技术有限公司 | 力传感器的质量控制方法、系统、设备及介质 |
-
2023
- 2023-10-13 CN CN202311326254.8A patent/CN117076932B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0520352A2 (en) * | 1991-06-22 | 1992-12-30 | Toyoda Koki Kabushiki Kaisha | Capacitive sensing device |
CN1132962A (zh) * | 1994-11-04 | 1996-10-09 | 阿苏拉布股份有限公司 | 高稳定度频率发生器 |
JPH11258090A (ja) * | 1998-03-11 | 1999-09-24 | Omron Corp | 静電容量型センサ装置 |
CN101490566A (zh) * | 2006-07-20 | 2009-07-22 | 爱迪半导体株式会社 | 用于通过使用多个时分频率来检测电容的方法和设备 |
CN101640537A (zh) * | 2008-07-31 | 2010-02-03 | 索尼株式会社 | 锁相环电路、读写装置及电子装置 |
CN101625251A (zh) * | 2009-07-31 | 2010-01-13 | 佛山市中协电器有限公司 | 一种电容感应式液位传感器 |
CN102096057A (zh) * | 2010-11-16 | 2011-06-15 | 北京航天测控技术开发公司 | 一种电容测量电路的校准方法及装置 |
JP2014197746A (ja) * | 2013-03-29 | 2014-10-16 | 日本電波工業株式会社 | 水晶発振器 |
WO2020102204A1 (en) * | 2018-11-12 | 2020-05-22 | Massachusetts Institute Of Technology | Large-scale artificial neural-network accelerators based on coherent detection and optical data fan-out |
CN111198626A (zh) * | 2018-11-16 | 2020-05-26 | 珠海格力电器股份有限公司 | 电容式触摸按键的基准值校正方法、装置及存储介质 |
KR20200092456A (ko) * | 2019-01-07 | 2020-08-04 | 한림대학교 산학협력단 | 딥러닝 기반의 터치센서 측정 오류 보정 장치 및 방법 |
CN111488083A (zh) * | 2019-01-25 | 2020-08-04 | 瑞昱半导体股份有限公司 | 具有自校准功能的电容式触摸检测装置 |
US11239877B1 (en) * | 2020-11-24 | 2022-02-01 | At&T Intellectual Property I, L.P. | Local oscillator synchronization for coherent phased-array system |
CN114548417A (zh) * | 2020-11-27 | 2022-05-27 | 中国科学院山西煤炭化学研究所 | 基于数据校正的机器学习模型训练方法及系统 |
CN114217705A (zh) * | 2021-11-09 | 2022-03-22 | 深圳市芯生半导体有限公司 | 触摸检测电路及检测方法 |
CN114113801A (zh) * | 2022-01-24 | 2022-03-01 | 上海艾为微电子技术有限公司 | 电容检测方法及电容检测装置 |
CN115494307A (zh) * | 2022-09-15 | 2022-12-20 | 苏州四方杰芯电子科技有限公司 | 一种高灵敏度电容变化检测方法 |
CN115549645A (zh) * | 2022-10-14 | 2022-12-30 | 成都爱旗科技有限公司 | 一种基于机器学习的时钟校准方法、系统及设备 |
CN115509396A (zh) * | 2022-10-26 | 2022-12-23 | 上海艾为电子技术股份有限公司 | 电容检测方法及电容检测装置 |
CN115639410A (zh) * | 2022-10-26 | 2023-01-24 | 上海艾为电子技术股份有限公司 | 电容检测方法及电容检测装置 |
CN115580283A (zh) * | 2022-11-09 | 2023-01-06 | 深圳市美矽微半导体有限公司 | 一种具有触摸感应结构的控制芯片 |
CN116678489A (zh) * | 2023-08-03 | 2023-09-01 | 深圳市力准传感技术有限公司 | 力传感器的质量控制方法、系统、设备及介质 |
Non-Patent Citations (2)
Title |
---|
APD optimal bias voltage compensation method based on machine learning;Cao Y等;《ISA transactions》;第97卷;230-240 * |
Multi-sensor information fusion based on machine learning for real applications in human activity recognition: State-of-the-art and research challenges;Qiu S等;《 Information Fusion》;第80卷;241-265 * |
Also Published As
Publication number | Publication date |
---|---|
CN117076932A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109631973B (zh) | 一种传感器的自动校准方法和系统 | |
CN105302383B (zh) | 一种电容触摸传感器抗干扰的方法和设备 | |
CN109558295A (zh) | 一种性能指标异常检测方法及装置 | |
CN116678489B (zh) | 力传感器的质量控制方法、系统、设备及介质 | |
CN111611294B (zh) | 星敏感器数据异常检测方法 | |
CN117407661B (zh) | 一种用于设备状态检测的数据增强方法 | |
JP5425027B2 (ja) | ランダムノイズ信号の検出及びフィルタリング方法 | |
CN108571997A (zh) | 一种检测探头稳定接触被测点的方法和装置 | |
CN116985183A (zh) | 一种近红外光谱分析仪质量监测管理方法及系统 | |
CN117076932B (zh) | 高灵敏度电容变化检测方法、系统、电子设备和存储介质 | |
CN107092772B (zh) | 一种传感器特征曲线的确定方法及其装置 | |
CN106500803A (zh) | 一种在线保证蒸汽流量计准确的装置及其方法 | |
CN117332205A (zh) | 压电阻抗温度补偿高精度自动优化方法及装置 | |
CN116660781B (zh) | 一种户外用大功率双向快充移动电源测试系统 | |
JPWO2020162425A1 (ja) | 解析装置、解析方法、およびプログラム | |
KR102246210B1 (ko) | 환경 센서 데이터 검증 모니터링 방법 및 장치 | |
CN116507887A (zh) | 用于校准测量装置的方法 | |
US20190028261A1 (en) | Method for adjusting time stamps during the acquisition of sensor data | |
CN117110649B (zh) | 一种运动数据的质量增强方法、装置和系统 | |
RU2787309C1 (ru) | Способ идентификации мультисинусоидальных цифровых сигналов | |
CN111811561B (zh) | 一种光纤传感器解调装置本底噪声的测量方法 | |
CN106291752B (zh) | 地震仪系统延迟测试方法 | |
CN113822329B (zh) | 一种水电机组主轴摆度信号处理方法及装置 | |
CN117647694B (zh) | 一种适用于智能手表加工过程的质量检测方法 | |
US20230288394A1 (en) | Crop condition monitoring system and crop condition monitoring method using the same |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 406-07, Xinke Building, No. 209 Pubin Road, Jiangbei New District, Nanjing City, Jiangsu Province, 210000 Patentee after: Yuanyu Electronic Technology (Nanjing) Co.,Ltd. Country or region after: China Address before: Room 1103, Building A, Tengfei Building, No. 88 Jiangmiao Road, Yanchuangyuan, Jiangbei New District, Nanjing, Jiangsu Province, 210000 Patentee before: Yuanyu Semiconductor Nanjing Co.,Ltd. Country or region before: China |