CN117934963A - 一种气体传感器漂移补偿方法 - Google Patents
一种气体传感器漂移补偿方法 Download PDFInfo
- Publication number
- CN117934963A CN117934963A CN202410172049.9A CN202410172049A CN117934963A CN 117934963 A CN117934963 A CN 117934963A CN 202410172049 A CN202410172049 A CN 202410172049A CN 117934963 A CN117934963 A CN 117934963A
- Authority
- CN
- China
- Prior art keywords
- gas sensor
- layer
- drift
- data
- sampling point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 50
- 238000005070 sampling Methods 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 9
- 230000008602 contraction Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- YLOCGHYTXIINAI-XKUOMLDTSA-N (2s)-2-amino-3-(4-hydroxyphenyl)propanoic acid;(2s)-2-aminopentanedioic acid;(2s)-2-aminopropanoic acid;(2s)-2,6-diaminohexanoic acid Chemical compound C[C@H](N)C(O)=O.NCCCC[C@H](N)C(O)=O.OC(=O)[C@@H](N)CCC(O)=O.OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 YLOCGHYTXIINAI-XKUOMLDTSA-N 0.000 claims description 5
- 108010072051 Glatiramer Acetate Proteins 0.000 claims description 5
- 229940042385 glatiramer Drugs 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 57
- 210000001331 nose Anatomy 0.000 description 10
- 238000012937 correction Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 229910044991 metal oxide Inorganic materials 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 150000004706 metal oxides Chemical class 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000007436 olfactory function Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- -1 TGS series metal oxide Chemical class 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004186 food analysis Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 229940022353 herceptin Drugs 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于气体检测技术领域,具体涉及一种气体传感器漂移补偿方法,目的是去除不相关的信息并且挖掘更深层次的特征。方法具体步骤包括:对气体传感器阵列漂移数据集进行三种二维图像转换,并分别转换为灰度图,然后将三种灰度图进行融合,得到气体传感器响应的特征图像;根据漂移场景,将所述气体传感器阵列漂移数据集划分训练集和测试集;构建图像融合的残差收缩网络分类模型,并进行模型训练,利用训练好的图像融合的残差收缩网络分类模型,进行气体传感器漂移数据的分类。
Description
技术领域
本发明属于气体检测技术领域,具体涉及一种气体传感器漂移补偿方法。
背景技术
由气体传感器阵列和模式识别模型组成的电子鼻已被广泛用作不同领域的气体分析方法。电子鼻系统是传感器技术与人工智能技术的结合,通过对待测气体进行感知、分析、识别和判断,从而实现嗅觉功能的模拟,扩展嗅觉功能。由于材料科学、微电子学、人工智能信息的发展,电子鼻的发展也非常迅速,目前已应用于空气质量监测、食品分析和医学诊断等领域。然而,电子鼻系统在发展过程中仍存在很多尚待解决的问题。电子鼻系统中的气体传感器通常会由于传感器表面老化、环境变化或传感器中毒而发生漂移,造成其本身的属性发生不可逆转的改变,影响传感器的识别精度,缩减传感器寿命。特别是,金属氧化物气体传感器因为其成本低、操作简便和空间覆盖范围广而被广泛使用,但由于其易漂移性,会对传感器响应造成不规则干扰,导致测量读数不准确,使得传感器可靠性下降。数据的不稳定性和不规律性导致后续的分类或量化算法无法准确进行。因此,解决金属氧化物气体传感器的漂移问题对实现电子鼻的准确测量以及延长传感器的使用寿命具有非常重要的意义。
近年来,各种漂移补偿方法取得了丰硕的成果。气体传感器漂移补偿算法可分为三类,包括信号处理方法、定期校正方法和自适应方法。信号处理方法包括基线操作和滤波,用以补偿气体传感器响应中存在的加性漂移和乘性漂移,或者通过时频转换去除最低频率的部分来消除漂移,但是漂移信号的复杂性使得这种方法难以去除全部的漂移。定期校正方法包括分量校正和调谐方法,通过假设观察到的漂移是有方向的来去除漂移分量,但仍导致漂移补偿缺乏长期鲁棒性。
经过这些处理后,电子鼻模型的性能得到了一定程度的改善,但由于漂移数据与非漂移数据的概率分布的差异,需要使用新样本进行重新训练或重新校准。基于深度学习算法的电子鼻域自适应方法已被提出,但是由于气体传感器的易漂移性,往往难以对待测气体进行长时间的准确定性分析。并且,漂移对传感器性能产生的影响是不可逆的。因此,在来自传感器内部和外部干扰的影响下,消除传感器响应信号中隐藏的干扰特征,并提取代表性特征是非常有难度的。
发明内容
为解决当前气体传感器漂移补偿方法中缺少对干扰特征的自适应去除,并且对于特征提取,仅限于一维时序,并没有尝试其他能捕捉时间相关性的特征提取方法。将一维时间序列转化为图像,并且通过特征融合,提取不同尺度的特征信息,进而提出基于图像融合和残差收缩的气体传感器漂移补偿方法。
本发明解决上述技术问题的技术方案如下:
本发明提供了一种气体传感器漂移补偿方法,包括以下步骤:
步骤100.对气体传感器阵列漂移数据集进行二维图像转换,得到气体传感器响应的特征图像;
步骤200.根据漂移场景,将所述气体传感器阵列漂移数据集划分为训练集和测试集;
步骤300.构建图像融合的残差收缩网络分类模型,并进行模型训练,利用训练好的图像融合的残差收缩网络分类模型,进行气体传感器漂移数据的分类。
进一步地,所述步骤100包括:
使用格拉米角场、马尔可夫变迁场和递归图分别对气体传感器阵列漂移数据集中数据进行二维图像的转换,分别转换为灰度图;
将三种灰度图融合为一张彩色图,即气体传感器响应的特征图像,进而得到气体传感器响应的特征图像数据集。
进一步地,步骤100中使用格拉米角场对气体传感器阵列漂移数据集中数据进行二维图像的转换,具体包括:
使用角余弦和函数进行计算,得到格拉米角场;
X=[x1,x2,...,xn]
上式中,G表示格拉米角场;φi和φj表示归一化后数据的角余弦,是数据在极坐标系中的表示值;X表示气体传感器响应的一维时间序列,xi和xj分别表示气体传感器第i时刻和第j时刻的响应,即表示时间序列X中的第i时刻和第j时刻的采样点数据,i=1,2,…,n,j=1,2,…,n,其中n表示一个测试样本的采样点数,也就是相应一维时间序列的长度;表示对传感器响应的归一化,xMAX表示响应最大值,xMIN表示响应最小值。
进一步地,步骤100中使用马尔可夫变迁场对气体传感器阵列漂移数据集中数据进行二维图像的转换,具体包括:
沿时间轴方向以第一阶马尔可夫链的思想计算分位数箱之间的转移,构建一个Q×Q的马尔可夫转移矩阵W;
根据时间序列X的取值范围将其划分为Q个分位数箱,将每个xt(t∈{2,…,n})映射到对应的qk(k∈[1,Q])中;其中,qk表示第k个分位箱;xt表示时间序列X中的第t时刻的采样点数据;wa,b(a,b∈[1,Q])=P(xi∈qb|xi-1∈qa)代表分位箱qb中采样点跟随分位箱qa的概率,P(·)代表转移概率;
按照每个时间跨度顺序排列每个概率来扩展马尔可夫矩阵W,得到马尔可夫变迁场矩阵M;
上式中,代表采样点数据xi对应的分位箱;/>代表第i时刻的采样点数据xi对应的分位箱/>到第j时刻的采样点数据xj对应的分位箱/>之间的转移概率。
进一步地,步骤100中使用递归图对气体传感器阵列漂移数据集中数据进行二维图像的转换,具体包括:
上式中,表示递归图,其中||xi-xj||表示一维时间序列中第i时刻的采样点数据xi和第j时刻的采样点数据xj之间的距离,ε表示阈值距离,θ(·)是赫维赛德函数,/>表示xi和xj之间距离与所设定阈值ε的差值。
进一步地,所述残差收缩网络分类模型包括依次连接的卷积层、残差收缩模块、BN层、ReLU激活函数、GAP层、FC层及输出层;
其中,所述残差收缩模块包括依次连接的第一卷积模块、第二卷积模块、软阈值化处理子模块、Scale层;所述软阈值化处理子模块包括GAP层、第一全连接层、BN层和激活函数ReLU、第二全连接层、激活函数Sigmoid、第二融合层;所述GAP层将所述第二卷积模块卷积处理后的特征提取能够突出特征的采样点特征;所述第一全连接层将所述最大池化层提取的采样点特征进行全连接处理,再经BN层,激活函数ReLU学习特征的软阈值;所述第二全连接层将所述学习特征的软阈值进行全连接处理,再经激活函数Sigmoid生成系数;所述第二融合层将所述全局平均池化层提取的采样点特征和激活函数Sigmoid系数计算出的系数进行相乘;所述Scale层通过软阈值对第二卷积模块的输出进行滤波处理。
进一步地,所述Scale层利用得到的阈值对特征进行滤波。,软阈值函数表示为:
上式中,m表示输入,s表示输出,τ表示阈值。
与现有技术相比,本发明具有如下技术效果:
本发明使用格拉米角场、马尔可夫变迁场和递归图分别对气体传感器阵列漂移数据集进行二维图像的转换,分别转换为灰度图,之后被融合成一个三通道图,并作为输入传给图像融合的残差收缩网络分类模型;这种图像转换能够保留时间信息,并且是无损的;三通道图像带有气体传感器响应的统计动态,因此融合后的特征包含的信息量更大。
对于气体传感器,噪声或冗余信息的干扰会对模式识别任务产生不利影响,因此,去除不相关的信息和挖掘更深层次的特征是漂移补偿的另一个关键任务。然而,要确定每个信号的干扰量是尤为困难的。本发明针对不同样本产生的漂移,使用残差收缩网络,能够自适应的确定每个样本的干扰阈值,消除无关特征带来的不利影响。软阈值和深度学习的结合使得特征图每个通道的阈值都能自适应的确定。因此,解决了传统机器学习基于同分布假设的弊端,更好地补偿气体传感器漂移问题。在消除漂移相关信息的同时,收缩模块能够较好地捕获高分辨特征。此外,该方法具有更高的完备性,能够增强电子鼻系统气体识别算法的容错性。因此,气体传感器的漂移可以得到有效补偿,融合了信号处理与深度学习方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明的流程示意图;
图2是本发明的图像融合模块示意图;
图3是本发明的残差收缩模块示意图;
图4是本发明在短期漂移场景下,与其他方法的识别准确率对比示意图;
图5是本发明在长期漂移场景下,与其他方法的识别准确率对比示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。除非另有定义,本发明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。
在本发明的一个实施例中,参照图1-图5,提供了一种气体传感器漂移补偿方法,包括以下步骤:
步骤100.对气体传感器阵列漂移数据集进行二维图像转换,得到气体传感器响应的特征图像,从而增强特征维度的角度提取气体传感器漂移数据集的特征信息。
本发明使用UCI数据库中的Gas Sensor Array Drift Dataset at DifferentConcentrations Data Set数据集,该数据集使用了一个由16个金属氧化物半导体气体传感器组成的阵列进行实验,历时36个月,共产生13910个样本。为了生成所需的气体传感器阵列漂移数据数据集,将四种标记为TGS2620、TGS2610、TGS2602和TGS2600的16个TGS系列金属氧化物半导体气体传感器阵列放置在60ml测试腔中,测试腔连接到计算机控制的连续流动系统,使用该系统,六种待测气体可以以不同的浓度以恒定的总流量随机输送到测试腔。同时,按照收集的时间,划分为十个批次的气体传感器数据。
表1漂移数据集的基本信息
在本实施例中,使用格拉米角场、马尔可夫变迁场和递归图分别对气体传感器阵列漂移数据集进行二维图像的转换,具体包括:
X=[x1,x2,...,xn] (1)
公式(1)中X表示气体传感器响应的一维时间序列,xi和xj分别表示气体传感器第i时刻和第j时刻的响应,即表示一维时间序列X中的第i时刻和第j时刻的采样点数据;i=1,2,…,n,j=1,2,…,n,其中n表示一个测试样本的采样点数,也就是相应一维时间序列的长度。
公式(2)中表示对气体传感器响应的归一化,xMAX表示响应中的最大值,xMIN表示响应中的最小值;
公式(3)表示将归一化后的数据映射到极坐标系,φi和φj表示归一化后数据的角余弦,作为极坐标系值;
公式(4)中G表示格拉米角场矩阵,使用角余弦和函数进行计算。格拉米角场通过基于极坐标的矩阵将时间序列编码到图像中,可以保持绝对的时间相关性。
公式(5)沿时间轴方向以第一阶马尔可夫链的思想计算分位数箱之间的转移,构建一个Q×Q的马尔可夫转移矩阵W;根据一维时间序列X的取值范围将其划分为Q个分位数箱,将每个xt(t∈{2,…,n})映射到对应的qk(k∈[1,Q])中;其中,qk表示第k个分位箱;xt表示一维时间序列X中的第t时刻的采样点数据;wa,b(a,b∈[1,Q])=P(xi∈qb|xi-1∈qa)代表分位箱qb中采样点数据跟随分位箱qa的概率,P(·)代表转移概率;
公式(6)按照每个时间跨度顺序排列每个概率来扩展马尔可夫矩阵W,得到马尔可夫变迁场矩阵M;代表第i时刻的采样点数据xi对应的分位箱;/>代表第i时刻的采样点数据xi对应的分位箱/>到第j时刻的采样点数据xj对应的分位箱/>之间的转移概率。
公式(7)中,Ri,j(ε)表示递归图,递归图是一种表示从原始时间序列中提取的轨迹之间的成对距离的图像,直观地显示了动态系统的递归特性。它是分析时间序列的周期性、混沌性和非平稳性的重要方法,可以揭示时间序列的内部结构。
公式(8)中,||xi-xj||表示一维时间序列中第i时刻的采样点数据xi和第j时刻的采样点数据xj之间的距离;ε是一个阈值距离,通常利用经验知识来选取,所述ε=0.1;表示xi和xj之间距离与所设定阈值ε的差值。
公式(9)中,θ(·)是赫维赛德函数。
经过转化,原始时间序列被转换为三种图像,分别转换为灰度图,然后将三种灰度图分别定义为红绿蓝通道,融合为一张彩色图,即气体传感器响应的特征图像。至此,如图2所示,对气体传感器一维时序数据的特征提取完成。表示样本c在第m个传感器中的第h个特征。
步骤200.根据漂移场景,将气体传感器阵列漂移数据集,并划分训练集和测试集。
本实施例中,设置两种漂移场景,分别模拟短期漂移和长期漂移。
表2展示了两种漂移的设置
设置1:使用数据集中的批次1数据对模型进行训练并在其它批次数据中分别进行测试;
设置2:在批次1-9上训练模型并在其之后相邻批次上测试的分类器的准确性。
至此,训练集和测试集的数据划分完成。
步骤300.构建图像融合的残差收缩网络分类模型,并进行模型训练,利用训练好的图像融合的残差收缩网络分类模型,进行气体传感器漂移数据的分类。
残差收缩网络分类模型包括依次连接的卷积层、残差收缩模块、BN层、ReLU激活函数、GAP层、FC(Fully Connected,全连接)层及输出层。
所述卷积层(conv)具有多个卷积核。不同的卷积核进行卷积并提取多个通道的传感器数据。
所述残差收缩模块包括第一卷积模块、第二卷积模块、软阈值化处理子模块、Scale层;所述第一卷积模块接收到的卷积层(conv)的输出,经BN(批量归一化)和激活函数ReLU进行预激活,然后再经过卷积提取特征,然后将特征输出至所述第二卷积模块;所述第二卷积模块接收所述第一卷积模块卷积处理后的特征,再经BN和激活函数ReLU进行预激活,然后再经过卷积提取特征,最后将特征输出至所述软阈值化处理子模块和所述Scale层;
所述软阈值化处理子模块包括GAP(Global Average Pooling,全局平均池化)层、第一全连接层、BN和激活函数ReLU、第二全连接层、激活函数Sigmoid、第二融合层;所述GAP层将所述第二卷积模块卷积处理后的特征提取能够突出特征的采样点特征;所述第一全连接层将所述最大池化层提取的采样点特征进行FC处理,再经BN(批量归一化),激活函数ReLU学习特征的软阈值;所述第二全连接层将所述学习特征的软阈值进行FC处理,再经激活函数Sigmoid生成系数;所述第二融合层将所述全局平均池化层提取的采样点特征和激活函数Sigmoid系数计算出的系数进行相乘。
所述Scale层通过软阈值对第二卷积模块的输出进行滤波处理,所述第一融合层将Scale层输出。
第一融合层输出后依次经过BN层、ReLU激活函数、GAP层、FC层及输出层。具体包括:
BN层用于解决改变数据分布的问题,将特征归一化到一个固定的分布(均值0,标准差1),可以使特征分布更加稳定。
GAP层输出每个特征映射的平均值。
FC层在整个神经网络中起到分类器的作用,将所有通道的深层特征连接起来,将特征映射为一列。
输出层使用softmax函数得到样本类别的预测概率。
在本实施例中,构建图像融合的残差收缩网络分类模型,并进行模型训练,具体包括以下步骤:
步骤310.经过卷积层(conv),该卷积层具有多个卷积核。不同的卷积核进行卷积并提取多个通道的传感器数据,卷积过程表示如下:
其中,sh为卷积运算的第h个输出通道的特征映射,mg为输入矩阵,Nh为第h个输出通道的输入数据集,ωgh为第g个输入矩阵的第h个通道的卷积核,bh为偏置。
步骤320.输入残差收缩模块,通过软阈值化去噪,进一步提取有效特征;
GAP层对输入特征进行绝对值运算后,对每个通道特征进行压缩。然后,将其输入到一个两层全连接层中,学习不同通道的权值参数。
激活函数Sigmoid将权值缩放到[0,1]范围内,可以表示为:
上式中,z为第二全连接层的输出,l为通道数,ωl为l通道的权值。
接下来得到阈值:
τl=ωl·fGAP(|ml|) (12)
上式中,τl为第l个通道的阈值,fGAP()是全局平均池化(Global AveragePooling,GAP)函数,ml为输入矩阵。
Scale层利用得到的阈值对特征进行滤波。对各通道的特征数据分别计算阈值,实现阈值的自适应确定。软阈值函数可以表示为:
上式中,m表示输入,s表示输出,τ表示阈值。
对于气体传感器,噪声或者冗余信息的干扰会对气体传感器阵列响应的模式识别任务造成不利的影响。因此,去除无关信息并挖掘深层特征是漂移补偿的关键任务之一。
将卷积数据输入残差收缩模块,软阈值函数作为非线性层嵌入网络,自适应的确定每个样本图像的干扰阈值,消除无关特征带来的影响。采用信号处理与深度学习相结合的方法去除噪声等不重要的信息,较好地保留了气体传感器响应数据的重要特征。
步骤330.BN(Batch Normalization,批处理)用于解决改变数据分布的问题,将特征归一化到一个固定的分布(均值0,标准差1),可以使特征分布更加稳定。批处理过程表示如下:
其中,μ和δ分别为第k个输出矩阵的均值和标准差,γ和η分别为平移参数和缩放参数;m为输入,为归一化后的数据,/>为将归一化后的数据进行尺度变换和偏移。
步骤340.为了防止网络训练过程中梯度的消失,引入ReLU激活函数,使各通道的数据能够适应复杂函数f(m)的波动,定义为:
f(m)=max(0,m) (15)
步骤350.使用全局平均池化GAP,它输出每个特征映射的平均值。
步骤360.全连接层在整个神经网络中起到分类器的作用,将所有通道的深层特征连接起来,将特征映射为一列。
步骤370.输出层使用softmax函数得到样本类别的预测概率。
步骤380.交叉熵损失函数用来度量当前模型得到的概率分布和真实分布的距离。交叉熵损失函数L定义为:
其中,u为气体类别数,通过损失函数评估模型对第v种气体的预测概率与实际概率sv的差值,从而得出设置1和设置2的分类结果分别如图4、图5所示。
为了充分验证算法的有效性,选择了基于测地线核函数的支持向量机(SupportVector Machine-geodesic flow kernel,SVM-gfk)、基于径向基函数的支持向量机(Support Vector Machine-radial basis function,SVM-RBF)、基于测地线组合核函数的支持向量机(Support Vector Machine-combination geodesic flow kernel,SVM-comgfk)、基于径向基函数的极限学习机(Extreme Learning Machine-radial basisfunction,ELM-rbf)、基于径向基函数的流形正则化(Manifold Regularization-radialbasis function,ML-rbf)、基于测地线组合核函数的流形正则化(ManifoldRegularization-combination geodesic flow kernel,ML-comgfk)、正交信号校正(Orthogonal Signal Correction,OSC)和成分校正-主成分分析(Component Correction-Principal Component Analysis,CC-PCA)作为对比算法。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种气体传感器漂移补偿方法,其特征在于,包括以下步骤:
步骤100.对气体传感器阵列漂移数据集进行二维图像转换,得到气体传感器响应的特征图像;
步骤200.根据漂移场景,将所述气体传感器阵列漂移数据集划分为训练集和测试集;
步骤300.构建图像融合的残差收缩网络分类模型,并进行模型训练,利用训练好的图像融合的残差收缩网络分类模型,进行气体传感器漂移数据的分类。
2.根据权利要求1所述的一种气体传感器漂移补偿方法,其特征在于,所述步骤100包括:
使用格拉米角场、马尔可夫变迁场和递归图分别对气体传感器阵列漂移数据集中数据进行二维图像的转换,转换为灰度图;
将三种灰度图按照红绿蓝三个通道融合为一张彩色图,即气体传感器响应的特征图像,进而得到气体传感器响应的特征图像数据集。
3.根据权利要求2所述的一种气体传感器漂移补偿方法,其特征在于,步骤100中使用格拉米角场对气体传感器阵列漂移数据集中数据进行二维图像的转换,具体包括:
使用角余弦和函数进行计算,得到格拉米角场;
X=[x1,x2,...,xn]
上式中,G表示格拉米角场;φi和φj表示归一化后数据的角余弦,是数据在极坐标系中的表示值;X表示气体传感器响应的一维时间序列,xi和xj分别表示气体传感器第i时刻和第j时刻的响应,即表示时间序列X中的第i时刻和第j时刻的采样点数据,i=1,2,…,n,j=1,2,…,n,其中n表示一个测试样本的采样点数,也就是相应一维时间序列的长度;表示对传感器响应的归一化,xMAX表示响应最大值,xMIN表示响应最小值。
4.根据权利要求3所述的一种气体传感器漂移补偿方法,其特征在于,步骤100中使用马尔可夫变迁场对气体传感器阵列漂移数据集中数据进行二维图像的转换,具体包括:
沿时间轴方向以第一阶马尔可夫链的思想计算分位数箱之间的转移,构建一个Q×Q的马尔可夫转移矩阵W;
根据一维时间序列X的取值范围将其划分为Q个分位数箱,将每个xt(t∈{2,…,n})映射到对应的qk(k∈[1,Q])中;其中,qk表示第k个分位箱;xt表示时间序列X中的第t时刻的采样点数据;wa,b(a,b∈[1,Q])=P(xi∈qb|xi-1∈qa)代表分位箱qb中采样点跟随分位箱qa的概率,P(·)代表转移概率;
按照每个时间跨度顺序排列每个概率来扩展马尔可夫矩阵W,得到马尔可夫变迁场矩阵M;
上式中,代表第i时刻的采样点数据xi对应的分位箱;/>代表第i时刻的采样点数据xi对应的分位箱/>到第j时刻的采样点数据xj对应的分位箱/>之间的转移概率。
5.根据权利要求4所述的一种气体传感器漂移补偿方法,其特征在于,步骤100中使用递归图对气体传感器阵列漂移数据集中数据进行二维图像的转换,具体包括:
上式中,表示递归图,其中||xi-xj||表示时间序列中第i时刻的采样点数据xi和第j时刻的采样点数据xj之间的距离,ε表示阈值距离,θ(·)是赫维赛德函数,/>表示xi和xj之间距离与所设定阈值ε的差值。
6.根据权利要求1所述的一种气体传感器漂移补偿方法,其特征在于,所述步骤300中残差收缩网络分类模型包括依次连接的卷积层、残差收缩模块、BN层、ReLU激活函数、GAP层、FC层及输出层;
其中,所述残差收缩模块包括依次连接的第一卷积模块、第二卷积模块、软阈值化处理子模块、Scale层;所述软阈值化处理子模块包括GAP层、第一全连接层、BN层和激活函数ReLU、第二全连接层、激活函数Sigmoid、第二融合层;所述GAP层将所述第二卷积模块卷积处理后的特征提取能够突出特征的采样点特征;所述第一全连接层将所述最大池化层提取的采样点特征进行全连接处理,再经BN层,激活函数ReLU学习特征的软阈值;所述第二全连接层将所述学习特征的软阈值进行全连接处理,再经激活函数Sigmoid生成系数;所述第二融合层将所述全局平均池化层提取的采样点特征和激活函数Sigmoid系数计算出的系数进行相乘;所述Scale层通过软阈值对第二卷积模块的输出进行滤波处理。
7.根据权利要求6所述的一种气体传感器漂移补偿方法,其特征在于,所述Scale层利用软阈值函数对特征进行滤波,软阈值函数表示为:
上式中,m表示输入,s表示输出,τ表示阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410172049.9A CN117934963B (zh) | 2024-02-07 | 2024-02-07 | 一种气体传感器漂移补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410172049.9A CN117934963B (zh) | 2024-02-07 | 2024-02-07 | 一种气体传感器漂移补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117934963A true CN117934963A (zh) | 2024-04-26 |
CN117934963B CN117934963B (zh) | 2024-06-14 |
Family
ID=90750714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410172049.9A Active CN117934963B (zh) | 2024-02-07 | 2024-02-07 | 一种气体传感器漂移补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934963B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418395A (zh) * | 2020-11-17 | 2021-02-26 | 吉林大学 | 一种基于生成对抗网络的气体传感器阵列漂移补偿方法 |
CN114818774A (zh) * | 2022-03-15 | 2022-07-29 | 南京航空航天大学 | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 |
CN116559359A (zh) * | 2023-03-28 | 2023-08-08 | 哈尔滨工业大学 | 一种气体传感器漂移补偿方法 |
WO2023216583A1 (zh) * | 2022-05-13 | 2023-11-16 | 河海大学 | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 |
-
2024
- 2024-02-07 CN CN202410172049.9A patent/CN117934963B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418395A (zh) * | 2020-11-17 | 2021-02-26 | 吉林大学 | 一种基于生成对抗网络的气体传感器阵列漂移补偿方法 |
CN114818774A (zh) * | 2022-03-15 | 2022-07-29 | 南京航空航天大学 | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 |
WO2023216583A1 (zh) * | 2022-05-13 | 2023-11-16 | 河海大学 | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 |
CN116559359A (zh) * | 2023-03-28 | 2023-08-08 | 哈尔滨工业大学 | 一种气体传感器漂移补偿方法 |
Non-Patent Citations (1)
Title |
---|
王春香;李丽宏;张帝;: "基于深度信念网络的集成分类器在气体识别中的应用", 计算机工程, no. 10, 31 October 2016 (2016-10-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN117934963B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN110147781B (zh) | 基于机器学习的桥梁振动模态可视化损伤识别方法 | |
CN111860446A (zh) | 一种卫星遥测时序数据未知模式的检测系统与方法 | |
CN111239137B (zh) | 基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法 | |
CN113139594B (zh) | 一种机载图像无人机目标自适应检测方法 | |
CN111598167B (zh) | 基于图学习的小样本图像识别方法及系统 | |
CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
CN117034003A (zh) | 航空航天重大产品制造装备的全生命周期自适应故障诊断方法、系统、设备及介质 | |
CN117171696B (zh) | 一种基于物联网的传感器生产监测方法及系统 | |
CN111860447A (zh) | 一种准确识别随机相移卫星遥测时序数据模式的方法 | |
CN112990106B (zh) | 水下物体检测方法、装置、计算机设备和存储介质 | |
CN108694375B (zh) | 一种可用于多电子鼻平台的图像化白酒识别方法 | |
CN114358283A (zh) | 气体识别神经网络模型的优化方法及相关设备 | |
CN116312860B (zh) | 基于监督迁移学习的农产品可溶性固形物预测方法 | |
CN117934963B (zh) | 一种气体传感器漂移补偿方法 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
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 | |
CN114972812B (zh) | 一种基于结构相似度的非局部注意力学习方法 | |
CN117523229A (zh) | 基于空间特征对比损失的高光谱小样本分类方法和系统 | |
CN116758010B (zh) | 一种飞机蒙皮表面缺陷识别方法、系统、设备及介质 | |
CN112948203B (zh) | 一种基于大数据的电梯智能检验方法 | |
CN117091708A (zh) | 基于时间序列分析的红外探测器响应特性漂移评价方法 | |
CN116561685A (zh) | 一种基于差异性组件的时序异常检测方法 | |
CN118314435A (zh) | 基于深度学习的气体智能识别方法 | |
CN116363455A (zh) | 一种基于无监督学习的回环检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |