JP2011169830A - 匂い識別方法 - Google Patents
匂い識別方法 Download PDFInfo
- Publication number
- JP2011169830A JP2011169830A JP2010035391A JP2010035391A JP2011169830A JP 2011169830 A JP2011169830 A JP 2011169830A JP 2010035391 A JP2010035391 A JP 2010035391A JP 2010035391 A JP2010035391 A JP 2010035391A JP 2011169830 A JP2011169830 A JP 2011169830A
- Authority
- JP
- Japan
- Prior art keywords
- odor
- max
- reg
- sensor
- sample
- 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 33
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000010606 normalization Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000006073 displacement reaction Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 abstract description 4
- 238000003909 pattern recognition Methods 0.000 abstract 1
- 235000019645 odor Nutrition 0.000 description 126
- 239000007789 gas Substances 0.000 description 11
- 238000005070 sampling Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 239000012159 carrier gas Substances 0.000 description 6
- 230000000630 rising effect Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 241000533293 Sesbania emerus Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 244000269722 Thea sinensis Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 229920006254 polymer film Polymers 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
【解決手段】複数のセンサからの各検出信号の最大変位量に基づき最大値ベクトル(ΔVmax d,s)を算出する最大値ベクトル算出工程と、匂いサンプルごとの最大値ベクトル(ΔVmax d,s)のノルム‖ΔVmax d‖、及び同一種で濃度が異なる匂いサンプルについてのノルム‖ΔVmax d‖の平均値<‖ΔVmax d‖>とを算出し、式(1)によって最大値ベクトルのノルムを1にし、前記平均値を掛けることにより濃度情報を含めた正規化を行い濃度正規化特徴量(ΔVreg d,s)とする濃度正規化特徴量算出工程と、取得した濃度正規化特徴量(ΔVreg d,s)に基づき匂い識別のパターン認識の演算処理を行う識別工程とにより匂い識別を行う。ΔVreg d,s={(ΔVmax d,s)/‖ΔVmax d‖}・<‖ΔVmax d‖>・・・(1)
【選択図】図7
Description
そのため、官能検査に変わって、匂いを客観的に評価するための匂い検出用化学センサを用いた検出方法が実用されている(特許文献1参照)。
匂い成分を半導体センサや振動子センサで検出する測定系には、センサが配置されたセル内に匂いサンプルを閉じ込めて測定する静止測定系と、匂いサンプルをセル内に一定流量で流しながら測定するフロー測定系とがある。静止測定系は一定濃度のもとで測定するため再現性が高い測定が可能になるが厳密な測定条件の設定が必要となり、また、測定時間も長くなる。そのため、簡便かつ短時間で測定できるフロー測定系が実用的には適している。
また、特徴量の決め方だけではなく、同じ匂い物質であっても異なる濃度で計測した場合は、センサごとで全く異なる時間変化を示すようになる(後述する図4参照)。したがって匂い識別を行う場合に、濃度に影響されない特徴量を用いて計測することが望ましい。
すなわち、第一の発明である匂い識別方法は、匂いに対する特性が異なる複数の匂いセンサ(s)を容器内に設置するとともに、採取した匂いサンプル(d)を一定流量で前記容器内に供給することにより前記匂いセンサ群による匂い測定を所定時間以上行い、前記匂い測定を同一種の匂いサンプルについての異なる濃度の匂いサンプルについても行い、各センサおよび各濃度について得た検出信号群に基づいて匂いサンプルの匂いを識別する匂い識別方法であって、匂いサンプルを流す前の基準信号値と匂いサンプルを流した後の最大信号値との差分である最大変位量を算出し、各検出信号の最大変位量に基づいて最大値ベクトル(ΔVmax d,s)を算出する最大値ベクトル算出工程と、匂いサンプルごとの前記最大値ベクトル(ΔVmax d,s)のノルム‖ΔVmax d‖、および、同一種で濃度が異なる匂いサンプルについてのノルム‖ΔVmax d‖の平均値<‖ΔVmax d‖>とを算出し、式(1)によって最大値ベクトルのノルムを1にした上で前記平均値を掛けることにより濃度情報を含めた正規化を行って濃度正規化特徴量(ΔVreg d,s)とする濃度正規化特徴量算出工程と、取得した濃度正規化特徴量(ΔVreg d,s)に基づいて匂い識別の演算処理を行う識別工程とからなる。
ΔVreg d,s={(ΔVmax d,s)/‖ΔVmax d‖}・<‖ΔVmax d‖> ・・・(1)
ここで、‖ΔVmax d‖はノルム、<‖ΔVmax d‖> はノルム平均値であり式(2)(3)で定義される値である。
‖ΔVmax d‖=√(Σs(ΔVmax d,s)2) ・・・(2)
<‖ΔVmax d‖>=(Σd(‖ΔVmax d‖))/d ・・・(3)
Cd,s={(ΔVreg d,s)/‖ΔVreg s‖ ・・・(4)
ここで、
‖ΔVreg s‖=√(Σd(ΔVreg d,s)2) ・・・(5)
匂い識別に用いる特徴量として、各匂いセンサの検出信号の最大変位量に基づいて最大値ベクトルを算出し、最大値ベクトルのノルムを1にした後、匂いサンプルごとのノルム平均値を掛けることにより濃度を考慮した正規化を行うようにした濃度正規化特徴量を採用したことにより、濃度のばらつきを低減することができるようになり、濃度に影響されにくい特徴量を用いた匂い識別の演算処理を実現することができる。
さらに、上記濃度正規化特徴量に代えて、濃度正規化特徴量(ΔVreg d,s)に対し、匂いセンサごとの最大値ベクトルのノルム‖ΔVreg s‖を算出し、匂いセンサごとの最大値ベクトルを1にすることにより各センサの反応の大きさ情報を含めた正規化を行うようにしたセンサ別正規化特徴量を採用したことにより、反応の小さいセンサからの信号であっても匂い識別に反映させることができるようになる。
本発明で用いるフロー測定系について説明する。図1は匂いサンプルから測定データを採取するフロー測定系の一例を示す図である。
測定系10は、主に、キャリアガス(乾燥空気、N2など)を充填したガスボンベ11と、パーミエータ12と、異なる14種類の匂いセンサS(S1〜S14)が設置されたサンプリングボックス13とを流路接続するようにして構成される。なお、本実施形態では14個の異なる半導体センサを匂いセンサとして用いているが、センサSの個数は測定対象により増減すればよく、また、半導体センサに代えて水晶振動子センサ等を用いてもよい。
流路R1には、圧力調整弁14、圧力系15が配置され、第一流路R2には流量計16、ニードル弁17が取り付けられる。第二流路R3には圧力調整弁21、圧力計22、ニードル弁23、流量計24、匂いサンプルを接続するチューブホルダ25が取り付けられ、チューブホルダ25の下流側にサンプリングボックス13が接続されている。チューブホルダ25は、温度を一定にするために恒温水槽26内に設置してある。
このようにフロー測定を行うことにより、簡便かつ短時間で測定できるようになる。
既述のように、図2は、上記測定系10を用いてコーヒ豆の匂いについて測定したときの14種類の匂いセンサSでの測定結果の一例である。図3は図2における信号の立ち上がり部分を拡大し、基準点を揃えたときの測定結果を示す図である。
匂いガスが検出されていない期間は、キャリアガスにより基準値になっているが、匂いガスがサンプリングボックス13に到達すると急激に立ち上がる。そして信号がピークになった後、次第に減衰していく。これは採取されていた匂いサンプルが減少し、次第に枯れてくるためである。
このうち、「採取した全データ」や「立ち上がり部分の傾き」を特徴量とすると、匂いの濃度やサンプリングボックスへの流入速度に依存して変化してしまう。「ある時点のデータ」を特徴量としても、どの時点を選択するかにより変化する。
そこで、他の3つのデータよりはロバスト性のある「最大値(基準値からの最大変位)」を、以後の演算に用いることにする。
図4の3つの測定データは、同一種のコーヒ豆であって、濃度が異なる匂いについて測定したときの測定結果である。これによれば、濃度が異なると、同一種類の匂いであっても全く異なる時間変化をしていることになる。
したがって、匂い識別の特徴量として、濃度に不変の特徴量を選択することが、匂い識別の信頼性を高める上で重要になる。
そこで、以下に説明する演算を用いて、濃度変化による影響が小さい特徴量を別途に定めることとした。
コーヒ豆の匂いを14種の匂いセンサで複数回(ここでは35回)測定し、各センサの測定結果(すなわち最大値)を成分とする匂いベクトル(最大値ベクトル)を取得する。測定は、それぞれ濃度が異なる同一種のコーヒ豆の匂いを計測する。
図5は、得られた35個の匂いベクトルを、その濃度(平均値)が小さい順に横軸方向に並べて示した図であり、縦軸は各センサの出力値である。
このデータから、各センサは、濃度変化によって出力信号値がほぼ指数関数的に変化することが予測される。そこで、これらの測定データを対数プロットした結果、ほぼ直線的に変化することが判明した。このことは、対数プロット上の差分を算出することで、濃度に依存しない一定値が得られることになる。
したがって、演算上で差分を算出することに対応するように、ある濃度の測定ごとの匂いベクトル(最大値ベクトル)を、そのノルムが1となるように正規化し、さらに濃度を考慮した調整を行うようにする演算を行い、「濃度正規化特徴量(ΔVreg d,s)」として定義した。具体的には、以下の式(1)(2)(3)で示す演算を行うようにした。この濃度正規化特徴量(ΔVreg d,s)は、濃度に影響されにくい特徴量として、後述する匂い識別の演算の入力量として利用することができる。
センサS(S1〜S14)で濃度dの匂いサンプルを測定したとする。このとき得られた匂いベクトル(最大値ベクトル)を成分で表記し、{ΔVmax d,s}とする。
匂いベクトル{ΔVmax d,s}のノルム‖ΔVmax d‖は、式(2)で与えられる。
また、同一の匂いで濃度が異なる匂いベクトル(最大値ベクトル)の平均値<‖ΔVmax d‖> は式(3)で与えられる。
このとき、濃度正規化特徴量(ΔVreg d,s)を、式(1)を用いて算出する。
ΔVreg d,s={(ΔVmax d,s)/‖ΔVmax d‖}・<‖ΔVmax d‖> ・・・(1)
ここで、
‖ΔVmax d‖=√(Σs(ΔVmax d,s)2) ・・・(2)
<‖ΔVmax d‖>=(Σd(‖ΔVmax d‖))/d ・・・(3)
ところで、図3,図4でみられるように、14個のセンサには出力値が他に比べて大きいものや小さいものがあり、濃度正規化特徴量(ΔVreg d,s)を、そのまま特徴量として利用すると、信号が小さいセンサは識別に十分反映されなくなる。
そこで、濃度正規化特徴量(ΔVreg d,s)に対し、大きい特徴量は縮小し、小さい特徴量は拡大するため、匂いセンサごとに、濃度の異なる匂いベクトル(最大値ベクトル)のノルム‖ΔVreg s‖を算出し、匂いセンサごとの匂いベクトル(最大値ベクトル)を1にすることにより、各センサの反応の大きさ情報を含めた正規化を行って「センサ別正規化特徴量(Cd,s)」と定義した。具体的には、式(4)(5)で示す演算を行うようにした。
センサS(S1〜S14)で濃度dの匂いサンプルを測定したとする。このとき得られた濃度正規化特徴量(ΔVreg d,s)匂いベクトル(最大値ベクトル)を成分で表記し、{ΔVmax d,s}とする。
匂いベクトル{ΔVmax d,s}のノルム‖ΔVmax d‖は、式(2)で与えられる。
Cd,s={(ΔVreg d,s)/‖ΔVreg s‖ ・・・(4)
ここで、
‖ΔVreg s‖=√(Σd(ΔVreg d,s)2) ・・・(5)
匂いサンプルの識別を行うために、ここではパターン認識手法を用いて識別を行う。パターン識別手法には、ニューラルネットワークを用いる方法、多変量解析を用いる方法などいろいろとり得るが、上述した濃度正規化特徴量(ΔVreg d,s)、あるいは、センサ別正規化特徴量(Cd,s)を特徴量として入力することができる演算手法であれば特に限定されない。
これらの更新を繰り返すことで、出力ykが教師信号dkに近づいていく。
実際に、10種類のコーヒおよび茶を、BP法により学習し、識別を行った。ここでは、匂いセンサを22個にして入力層ユニットの数を22個とした。そして、式(1)で求めた濃度正規化特徴量(ΔVreg d,s)の値を入力として与えるようにした。なお、中間層ユニットの数を10個、出力層の数を10個とし、学習係数は0.05とした。結合係数の初期値は乱数で与え、学習は誤差が5×10−2以下になるまで繰り返した。
それぞれの試料ごとに10回の計測を行い、4個を学習用データ、残りの6個を識別用データとして使用した。学習用データをランダムに選び出し、3000回繰り返した。
算出結果を図7に示す。全体として91%の精度で識別することができた。
11 ガスボンベ
12 パーミエータ
13 サンプリングボックス
S 匂いセンサ
Claims (2)
- 匂いに対する特性が異なる複数の匂いセンサ(s)を容器内に設置するとともに、採取した匂いサンプル(d)を一定流量で前記容器内に供給することにより前記匂いセンサ群による匂い測定を所定時間以上行い、前記匂い測定を同一種の匂いサンプルについての異なる濃度の匂いサンプルについても行い、各センサおよび各濃度について得た検出信号群に基づいて匂いサンプルの匂いを識別する匂い識別方法であって、
匂いサンプルを流す前の基準信号値と匂いサンプルを流した後の最大信号値との差分である最大変位量を算出し、各検出信号の最大変位量に基づいて最大値ベクトル(ΔVmax d,s)を算出する最大値ベクトル算出工程と、
匂いサンプルごとの前記最大値ベクトル(ΔVmax d,s)のノルム‖ΔVmax d‖、および、同一種で濃度が異なる匂いサンプルについてのノルム‖ΔVmax d‖の平均値<‖ΔVmax d‖>を算出し、式(1)によって最大値ベクトルのノルムを1にした上で前記平均値を掛けることにより濃度情報を含めた正規化を行って濃度正規化特徴量(ΔVreg d,s)とする濃度正規化特徴量算出工程と、
取得した濃度正規化特徴量(ΔVreg d,s)に基づいて匂い識別の演算処理を行う識別工程とからなる匂い識別方法。
ΔVreg d,s={(ΔVmax d,s)/‖ΔVmax d‖}・<‖ΔVmax d‖> ・・・(1)
ここで、
‖ΔVmax d‖=√(Σs(ΔVmax d,s)2) ・・・(2)
<‖ΔVmax d‖>=(Σd(‖ΔVmax d‖))/d ・・・(3)
- 匂いに対する特性が異なる複数の匂いセンサ(s)を容器内に設置するとともに、採取した匂いサンプル(d)を一定流量で前記容器内に供給することにより前記匂いセンサ群による匂い測定を所定時間以上行い、前記匂い測定を同一種の匂いサンプルについての異なる濃度の匂いサンプルについても行い、各センサおよび各濃度について得た検出信号群に基づいて匂いサンプルの匂いを識別する匂い識別方法であって、
匂いサンプルを流す前の基準信号値と匂いサンプルを流した後の最大信号値との差分である最大変位量を算出し、各検出信号の最大変位量に基づいて最大値ベクトル(ΔVmax d,s)を算出する最大値ベクトル算出工程と、
匂いサンプルごとの前記最大値ベクトル(ΔVmax d,s)のノルム‖ΔVmax d‖、および、同一種で濃度が異なる匂いサンプルについてのノルム‖ΔVmax d‖の平均値<‖ΔVmax d‖>を算出し、式(1)によって最大値ベクトルのノルムを1にした上で前記平均値を掛けることにより濃度情報を含めた正規化を行って濃度正規化特徴量(ΔVreg d,s)とする濃度正規化特徴量算出工程と、
前記濃度正規化特徴量(ΔVreg d,s)に対し、匂いセンサごとの最大値ベクトルのノルム‖ΔVreg s‖を算出し、式(4)によって匂いセンサごとの最大値ベクトルを1にすることにより各センサの反応の大きさ情報を含めた正規化を行ってセンサ別正規化特徴量(Cd,s)とするセンサ別正規化特徴量算出工程と、
取得したセンサ別正規化特徴量(Cd,s)に基づいて匂い識別の演算処理を行う識別工程とからなる匂い識別方法。
ΔVreg d,s={(ΔVmax d,s)/‖ΔVmax d‖}・<‖ΔVmax d‖> ・・・(1)
ここで、
‖ΔVmax d‖=√(Σs(ΔVmax d,s)2) ・・・(2)
<‖ΔVmax d‖>=(Σd(‖ΔVmax d‖))/d ・・・(3)
Cd,s={(ΔVreg d,s)/‖ΔVreg s‖ ・・・(4)
ここで、
‖ΔVreg s‖=√(Σd(ΔVreg d,s)2) ・・・(5)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010035391A JP5403621B2 (ja) | 2010-02-19 | 2010-02-19 | 匂い識別方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010035391A JP5403621B2 (ja) | 2010-02-19 | 2010-02-19 | 匂い識別方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011169830A true JP2011169830A (ja) | 2011-09-01 |
JP5403621B2 JP5403621B2 (ja) | 2014-01-29 |
Family
ID=44684095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010035391A Expired - Fee Related JP5403621B2 (ja) | 2010-02-19 | 2010-02-19 | 匂い識別方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5403621B2 (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308650A (zh) * | 2012-03-15 | 2013-09-18 | 森斯瑞股份公司 | 气味和/或气体识别系统 |
US20160216244A1 (en) * | 2013-09-12 | 2016-07-28 | Yeda Research And Development Co. Ltd. | Method and electronic nose for comparing odors |
CN106249593A (zh) * | 2016-08-24 | 2016-12-21 | 贵州铜仁和泰茶业有限公司 | 一种揉捻机控制系统 |
US9772317B2 (en) | 2012-07-26 | 2017-09-26 | Sensirion Ag | Method for operating a portable electronic device |
WO2020116490A1 (ja) * | 2018-12-05 | 2020-06-11 | 株式会社レボーン | 情報処理装置、情報処理方法、学習済みモデルの生成方法及びプログラム |
WO2020203709A1 (ja) * | 2019-03-29 | 2020-10-08 | 太陽誘電株式会社 | 判定システム、情報処理装置、サーバ、プログラムおよび判定方法 |
US11062794B2 (en) | 2011-09-07 | 2021-07-13 | Yeda Research And Development Co. Ltd. | Olfactory signature and odorant mixture having the same |
WO2021153566A1 (ja) * | 2020-01-30 | 2021-08-05 | 太陽誘電株式会社 | 匂い判定装置、匂い判定方法、および匂い判定システム |
WO2022191173A1 (ja) * | 2021-03-12 | 2022-09-15 | パナソニックIpマネジメント株式会社 | ガス識別方法及びガス識別システム |
WO2023037999A1 (ja) * | 2021-09-07 | 2023-03-16 | パナソニックIpマネジメント株式会社 | ガス分析方法及びガス分析システム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0510904A (ja) * | 1991-07-05 | 1993-01-19 | Nohmi Bosai Ltd | ニオイ識別装置 |
JPH06160317A (ja) * | 1992-11-20 | 1994-06-07 | Nok Corp | ガス識別方法とガス識別装置 |
JPH07168799A (ja) * | 1993-09-22 | 1995-07-04 | Fuji Electric Co Ltd | ニューラルネットワークの学習装置 |
JP2000346776A (ja) * | 1999-06-03 | 2000-12-15 | Nippon Telegr & Teleph Corp <Ntt> | ガス分析方法およびガス分析装置およびガス分析プログラムを記録した記録媒体ならびにガス分析用データを記録した記録媒体 |
JP2007218704A (ja) * | 2006-02-15 | 2007-08-30 | Futaba Electronics:Kk | 匂い弁別方法と匂い測定方法と匂い弁別プログラムと匂い測定プログラムと匂い弁別装置と匂い測定装置 |
-
2010
- 2010-02-19 JP JP2010035391A patent/JP5403621B2/ja not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0510904A (ja) * | 1991-07-05 | 1993-01-19 | Nohmi Bosai Ltd | ニオイ識別装置 |
JPH06160317A (ja) * | 1992-11-20 | 1994-06-07 | Nok Corp | ガス識別方法とガス識別装置 |
JPH07168799A (ja) * | 1993-09-22 | 1995-07-04 | Fuji Electric Co Ltd | ニューラルネットワークの学習装置 |
JP2000346776A (ja) * | 1999-06-03 | 2000-12-15 | Nippon Telegr & Teleph Corp <Ntt> | ガス分析方法およびガス分析装置およびガス分析プログラムを記録した記録媒体ならびにガス分析用データを記録した記録媒体 |
JP2007218704A (ja) * | 2006-02-15 | 2007-08-30 | Futaba Electronics:Kk | 匂い弁別方法と匂い測定方法と匂い弁別プログラムと匂い測定プログラムと匂い弁別装置と匂い測定装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11062794B2 (en) | 2011-09-07 | 2021-07-13 | Yeda Research And Development Co. Ltd. | Olfactory signature and odorant mixture having the same |
CN103308650B (zh) * | 2012-03-15 | 2017-03-01 | 盛思锐股份公司 | 气味和/或气体识别系统 |
CN103308650A (zh) * | 2012-03-15 | 2013-09-18 | 森斯瑞股份公司 | 气味和/或气体识别系统 |
US9772317B2 (en) | 2012-07-26 | 2017-09-26 | Sensirion Ag | Method for operating a portable electronic device |
US20160216244A1 (en) * | 2013-09-12 | 2016-07-28 | Yeda Research And Development Co. Ltd. | Method and electronic nose for comparing odors |
CN106249593A (zh) * | 2016-08-24 | 2016-12-21 | 贵州铜仁和泰茶业有限公司 | 一种揉捻机控制系统 |
WO2020116490A1 (ja) * | 2018-12-05 | 2020-06-11 | 株式会社レボーン | 情報処理装置、情報処理方法、学習済みモデルの生成方法及びプログラム |
WO2020203709A1 (ja) * | 2019-03-29 | 2020-10-08 | 太陽誘電株式会社 | 判定システム、情報処理装置、サーバ、プログラムおよび判定方法 |
JP2020165924A (ja) * | 2019-03-29 | 2020-10-08 | 太陽誘電株式会社 | 判定システム、情報処理装置、サーバ、プログラムおよび判定方法 |
JP7343290B2 (ja) | 2019-03-29 | 2023-09-12 | 太陽誘電株式会社 | 判定システム、情報処理装置、サーバ、プログラムおよび判定方法 |
WO2021153566A1 (ja) * | 2020-01-30 | 2021-08-05 | 太陽誘電株式会社 | 匂い判定装置、匂い判定方法、および匂い判定システム |
WO2022191173A1 (ja) * | 2021-03-12 | 2022-09-15 | パナソニックIpマネジメント株式会社 | ガス識別方法及びガス識別システム |
WO2023037999A1 (ja) * | 2021-09-07 | 2023-03-16 | パナソニックIpマネジメント株式会社 | ガス分析方法及びガス分析システム |
Also Published As
Publication number | Publication date |
---|---|
JP5403621B2 (ja) | 2014-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5403621B2 (ja) | 匂い識別方法 | |
AU2016286280B2 (en) | Combined method for detecting anomalies in a water distribution system | |
Kermani et al. | Performance of the Levenberg–Marquardt neural network training method in electronic nose applications | |
Schoups et al. | Model complexity control for hydrologic prediction | |
Sabilla et al. | Estimating gas concentration using artificial neural network for electronic nose | |
Cho et al. | Wireless electronic nose system for real-time quantitative analysis of gas mixtures using micro-gas sensor array and neuro-fuzzy network | |
Colli et al. | Measurement accuracy of weighing and tipping-bucket rainfall intensity gauges under dynamic laboratory testing | |
Ahmadou et al. | Reduction of drift impact in gas sensor response to improve quantitative odor analysis | |
JP2020052740A (ja) | 異常検知装置、異常検知方法及びプログラム | |
JP7063389B2 (ja) | 処理装置、処理方法、およびプログラム | |
Abudu et al. | Modeling of daily pan evaporation using partial least squares regression | |
CN106295686A (zh) | 参数优化支持向量机的茶叶香气分类方法 | |
Aires et al. | Neural network uncertainty assessment using Bayesian statistics: A remote sensing application | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
Diamantopoulou | Assessing a reliable modeling approach of features of trees through neural network models for sustainable forests | |
Kusumoputro et al. | Fuzzy-neuro LVQ and its comparison with fuzzy algorithm LVQ in artificial odor discrimination system | |
CN111914474B (zh) | 一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法 | |
CN115809427B (zh) | 基于混合策略优化bp神经网络的混合气体识别方法 | |
Verhoest et al. | A Takagi–Sugeno fuzzy rule-based model for soil moisture retrieval from SAR under soil roughness uncertainty | |
CN110516890A (zh) | 一种基于灰色组合模型的农作物产量监控系统 | |
KR20240018460A (ko) | 예측 불확실성을 평가하기 위한 앙상블 신경망 장치를 트레이닝하기 위한 시스템 | |
Bamelis et al. | Measuring the conductance of eggshells using the acoustic resonance technique and optical transmission spectra | |
JP7056747B2 (ja) | 情報処理装置、処理装置、情報処理方法、処理方法、決定方法、およびプログラム | |
JP2018087722A (ja) | 化学センサ測定による試料識別方法、試料識別装置、及び入力パラメータ推定方法 | |
US20230118020A1 (en) | Data generation apparatus, data generation method, and recording medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130208 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20130208 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20130208 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130725 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130730 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130919 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20131015 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20131023 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5403621 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |