KR0132477B1 - Pattern conception method and device of array gas sensor - Google Patents
Pattern conception method and device of array gas sensorInfo
- Publication number
- KR0132477B1 KR0132477B1 KR1019940034366A KR19940034366A KR0132477B1 KR 0132477 B1 KR0132477 B1 KR 0132477B1 KR 1019940034366 A KR1019940034366 A KR 1019940034366A KR 19940034366 A KR19940034366 A KR 19940034366A KR 0132477 B1 KR0132477 B1 KR 0132477B1
- Authority
- KR
- South Korea
- Prior art keywords
- category
- data
- sensor
- gas
- probability
- Prior art date
Links
Abstract
본 발명은 센서신호의 편차에 의한 신호처리상의 어려움과 판별속도를 개선할 수 있도록 한 어레이 가스센서의 패턴인식방법 및 장치에 관한 것이다.The present invention relates to a pattern recognition method and apparatus for an array gas sensor, which can improve the difficulty in signal processing and the discrimination speed due to the deviation of the sensor signal.
본 발명은 측정과 동시에 판별이 가능하도록 하며 학습되지 않았거나 미지의 대상가스에 대해서는 기존 카테고리 이외의 별도의 카테고리로 분류함으로써 판별오차를 줄일 수 있도록 하고자 카테고리 데이타를 초기화하며, 입력신호를 읽어 각 카테고리에 포함될 확률을 구하며, 상기 확률이 모두 기준치 이하이면 새로운 카테고리를 형성하며, 상기 확률이 하나라도 기준치 이상이면 가장 높은 확률을 가진 카테고리로 입력 데이타를 분류하며, 상기에서 구해진 분류된 데이타를 포함한 해당 카테고리의 변동계수를 구하며, 변동계수가 기준치 이상이면 새로운 카테고리를 형성하며, 변동계수가 기준치 이하이면 해당 카테고리의 분산을 구하며, 분산이 표준분산보다 크면 새로운 카테고리를 형성하며, 분산이 표준분산보다 작으면 해당 카테고리로 분류를 하며, 모든 데이타에 대해 다른 카테고리에 포함될 확률을 구해 표시한 후 데이타를 재편성함으로써 판별속도를 개선하며, 판별오차를 줄일 수 있도록 한 것이다.The present invention initializes category data so as to reduce the discrimination error by classifying the measurement and discriminating the untrained or unknown target gas into a separate category other than the existing category. If the probability is below the reference value, a new category is formed. If the probability is higher than the reference value, the input data is classified into the category having the highest probability, and the corresponding category including the classified data obtained above is obtained. If the coefficient of variation is above the threshold, a new category is formed.If the coefficient of variation is below the threshold, a new category is obtained. If the variance is larger than the standard variance, a new category is formed. In that category The flow, and it will determine which improves the speed determined by the reformation display data after the probability that the different categories of all the data, to reduce the determined error.
Description
제1도는 일반적인 다층 네트워크의 구성도.1 is a block diagram of a general multilayer network.
제2도는 본 발명의 하드웨어 블럭 구성도.2 is a hardware block diagram of the present invention.
제3도는 본 발명의 동작 플로우 챠트.3 is an operational flowchart of the present invention.
＊도면의 주요부분에 대한 부호의 설명＊ Explanation of symbols for main parts of drawing
10 : 어레이 가스센서부 20 : 아날로그 디지털 변환기10: array gas sensor unit 20: analog to digital converter
30 : 가스판별부 40 : 표시부30: gas discriminating part 40: display part
본 발명은 어레이 가스센서의 패턴인식방법 및 장치에 관한 것으로서, 더욱 상세하게는 센서신호의 편차(Drift)에 의한 신호처리상의 어려움과 판별속도를 개선할 수 있도록 한 어레이 가스센서의 패턴인식방법 및 장치에 관한 것이다.The present invention relates to a pattern recognition method and apparatus for an array gas sensor, and more particularly, to a pattern recognition method for an array gas sensor to improve the difficulty in signal processing and a discrimination speed due to a deviation of a sensor signal. Relates to a device.
일반적으로 가스센서는 가스의 유무에 따라서 센서의 저항이나 또는 센서에 걸리는 전압값이 바뀌는 것을 이용하여 가스를 검출하는 소자로서, 특정 가스에만 반응하는 완벽한 가스센서는 존재하지 않으며 다른 가스에도 조금씩은 반응을 하게 된다.In general, a gas sensor is a device that detects gas by changing the resistance of the sensor or the voltage value applied to the sensor according to the presence or absence of gas.There is no perfect gas sensor that reacts only to a specific gas. Will be
즉, 하나의 가스센서로서 가스농도나 종류를 완벽하게 구별하는 것은 특히 화학센서와 같은 가스센서는 습도나 온도와 같은 중위환경에 민감하기 때문에 센서신호의 드리프트(drift)현상을 배제하기가 어렵다.That is, it is difficult to exclude the drift phenomenon of the sensor signal because the gas sensor, such as a chemical sensor, is completely sensitive to a median environment such as humidity or temperature.
따라서 여러 가지 가스 감지소자는 어레이를 구성하고 그 어레이신호르 패턴화에 가스를 인식하는 것이 바람직하다.Therefore, it is preferable that various gas sensing elements form an array and recognize the gas in patterning the array signal.
종래의 가스판별시스템은 크게 어레이 가스센서와 센서신호의 적절한 신호처리를 위한 신호처리 알고리즘 및 인식결과를 표시하는 표시부로 구성되어 있으며, 이러한 가스판별시스템에서 상당히 중요한 부분을 신호처리 알고리즘 기술이 차지하고 있고 이는 시스템 성능의 큰 척도가 된다.The conventional gas discrimination system consists of an array gas sensor and a signal processing algorithm for proper signal processing of the sensor signal and a display unit for displaying the recognition result. The signal processing algorithm technology occupies a significant part of the gas discrimination system. This is a great measure of system performance.
그리고 종래 가스판별시스템의 신호처리 알고리즘으로 사용되는 분석방법으로는 수리통계적 방법과 뉴럴 네트워크 방법 등이 있다.The analysis method used as a signal processing algorithm of the conventional gas discrimination system includes a mathematical statistical method and a neural network method.
상기 수리통계적 방법에는 주성분분석과 판별분석법이 주로 사용되며, 뉴럴 네트워크 방법으로는 역전달(Back Propagation)방법 등이 주로 이용되고 있다.Principal component analysis and discriminant analysis are mainly used for the mathematical statistics method, and back propagation method is mainly used as a neural network method.
그리고 주성분분석이나 판별분석법보다는 뉴럴 네트워크를 이용하는 역전달법이 판별능력이 뛰어나며, 상기 역전달법의 학습 알고니즘은 제1도에 도시한 바와 같이 입력층, 중간층, 출력층으로 구성되는 다층 네트워크를 예로들어 설명할 수 있으며, 제1도에서 다층 결합 및 피이드백 결합은 없는 것으로 한다.In addition, the reverse transfer method using neural networks is superior to the principal component analysis or discriminant analysis method, and the learning algorithm of the reverse transfer method is a multi-layer network composed of an input layer, an intermediate layer, and an output layer as shown in FIG. For example, the multilayer bond and the feedback bond may be omitted.
한편, 입력패턴에 대하여 뉴론은 모든 앞층의 뉴론에서 부터의 신호를 시냅스(Synape) 하중으로 가중치를 포함시켜 (1)식과 같이 내부상태 netpj를 얻고, 비선형 함수f(x)를 작용시켜 (2)식과 같이 뉴론출력 ypj를 얻는다.On the other hand, for the input pattern, the neuron includes weights from all the neurons in the front layer as the synaptic load to obtain the internal state netpj as shown in Equation (1), and operates the nonlinear function f (x) (2). Get the neuron output ypj as
여기서, 상기 f(x)가 단조증가함수라면 통상 시그모이드(Sigmoid)함수 f(x)Here, if f (x) is a monotonically increasing function, a sigmoid function f (x)
상기 (1)-(3)식을 이용해서 입력층에서 순방향으로 네트워크 각층의 뉴론출력을 계산한 후, 2승오차의 총합 EpCalculate the neuron output of each network layer in the forward direction from the input layer using the equations (1)-(3), and then sum the two-order error Ep.
여기서, 상기는 입력신호에 대하여 출력층 뉴론에 요구되는 출력이다.Where Is the output required for the output layer neuron for the input signal.
그리고 최초에 출력층의 학습신호를And initially the learning signal at the output layer To
식으로 하여 중간층-출력층의 가중계수를 변경량Change the weighting factor of the intermediate-output layer
여기서, 상기 ξ는 경험적으로 결정되는 정수이다.Here, ξ is an integer determined empirically.
그리고 중간층의 학습신호라 하면 이를 (7)식처럼 표시할 수 있다.And the learning signal of the middle layer This can be expressed as (7).
그리고 입력-중간층의 가중계수는 (7)식에서 얻어진를 사용하여 (6)식에 따라 변경되며, 이러한 일련의 계산을 반복하여 학습을 행한다.And the weighting coefficient of the input-middle layer is obtained from equation (7). It changes according to (6) using and it repeats a series of these calculations and performs a learning.
그러나 현재까지 사용되고 있는 판별법이나 역전달법은 실제 사용상 다음과 같은 문제점을 가지고 있다.However, the discriminant method and the reverse transfer method currently used have the following problems in practical use.
첫째, 카타고리 사이의 임의의 경계선을 긋는 것이 가능하지만 역으로 공간내를 경계선으로 나누는 것 이외에는 불가능하다. 여기서, 학습점으로부터 벗어나 점이라도 역전달법 및 판별분석법 모두 반드시 어딘가의 카테고리에 분류되어 버린다.First, it is possible to draw an arbitrary boundary line between categories, but conversely, it is impossible to divide it into a boundary line. Here, both the forward transfer method and the discriminant analysis method always fall into a category even if the point deviates from the learning point.
둘째, 역전달법의 경우 한번 학습이 완료되어버리면 적은 적응학습등으로 함수의 특성을 가지는 것도 가능하지만 초기의 학습에 긴 시간을 필요로 한다.Second, in the case of the reverse transfer method, once the learning is completed, it is possible to have the characteristics of the function with little adaptive learning, but the initial learning requires a long time.
셋째, 역전달법의 경우 시그모이드 함수의 활성영역에 대하여 입력되는 벡터의 크기가 적당하지 않으면 학습에 실패한다.Third, in the case of the reverse transfer method, the learning fails if the size of the input vector for the active region of the sigmoid function is not appropriate.
넷째, 학습과정에 많은 시간이 소요되고 학습에 의해 가중계수가 정해져도 메모리가 많이 필요로 되기 때문에 칩화하기가 곤란하다.Fourth, it is difficult to chip because the learning process takes a lot of time and requires a lot of memory even if the weighting coefficient is determined by learning.
본발명은 상기와 같은 문제점을 해결하기 위한 것으로, 본 발명의 목적은 측정과 동시에 판별이 가능하도록 하며 학습되지 않았거나 미지의 대상가스에 대해서는 기존 카테고리 이외의 별도의 카테고리로 분류함으로써 판별오차를 줄일 수 있도록 한 어레이 가스센서의 패턴인식방법 및 장치를 제공함에 있다.The present invention is to solve the above problems, the object of the present invention is to be able to determine at the same time as the measurement and to reduce the discrimination error by classifying into a separate category other than the existing category for the unlearned or unknown target gas To provide a pattern recognition method and apparatus of an array gas sensor.
이러한 목적을 달성하기 위한 본 발명의 특징은 입력패턴을 학습을 통해 미리 지정한 복수개의 카테고리중 하나로 분류하여 인식하는 패턴인식방법에 있어서, 카테고리 데이타를 초기화하는 제1단계와, 입력신호를 읽어 각 카테고리에 포함될 확률을 구하는 제2단계와, 상기 확률이 모두 기준치 이하이면 새로운 카테고리를 형성하는 제3단계와, 상기 확률이 하나라도 기준치 이상이면 가장 높은 확률을 가진 카테고리로 입력 데이타를 분류하는 제4단계와, 상기 제4단계에서 분류된 데이타를 포함한 해당 카테고리의 변동계수를 구하는 제5단계와, 변동계수가 기준치 이상이면 새로운 카테고리를 형성하는 제6단계와, 변동계수가 기준치 이하이면 해당 카테고리의 분산을 구하는 제7단계와, 분산이 표준분산보다 크면 새로운 카테고리를 형성하는 제8단계와, 분산이 표준분산보다 작으면 해당 카테고리로 분류를 하는 제9단계와, 모든 데이타에 대해 다른 카테고리에 포함될 확률을 구해 표시한 후 데이타를 재편성하는 제10단계로 이루어지는 어레이 가스센서의 패턴인식방법에 있다.A feature of the present invention for achieving the above object is a pattern recognition method for classifying an input pattern into one of a plurality of predetermined categories through learning, the first step of initializing category data, and reading the input signal to each category. A second step of obtaining a probability to be included in the second step; a third step of forming a new category if all of the probabilities are lower than the reference value; and a fourth step of classifying the input data into a category having the highest probability if any one of the probabilities is higher than the reference value. And a fifth step of obtaining a coefficient of variation of the category including the data classified in the fourth step; a sixth step of forming a new category if the coefficient of variation is greater than or equal to the reference value; The seventh step of finding the equation, and if the variance is greater than the standard And a pattern recognition method of the array gas sensor comprising a ninth step of classifying the category into a corresponding category if the variance is smaller than the standard variance, and a tenth step of reorganizing the data after obtaining and displaying the probability of being included in another category for all data. Is in.
본 발명의 다른 특징은 어레이 가스센서수단으로 복수의 가스를 감지하며, 아날로그 디지탈 변환수단으로 상기 어레이 가스센서수단의 출력신호를 디지탈신호로 변환하며, 가스판별수단이 상기 아날로그 디지탈 변환수단에 의해 디지탈로 변환된 센서의 출력신호를 처리하여 가스의 종류를 판별하며, 표시수단으로 상기 가스판별수단에 의해 판별된 가스의 종류를 표시하도록 구성되는 어레이 가스센서의 패턴인식장치에 있다.Another feature of the present invention is to detect a plurality of gases by the array gas sensor means, converts the output signal of the array gas sensor means to a digital signal by analog digital conversion means, the gas discrimination means is digital by the analog digital conversion means. And a pattern recognition device of an array gas sensor configured to process an output signal of a sensor converted into a to determine a kind of gas, and to display a kind of gas determined by the gas discriminating means as a display means.
이하, 본 발명의 바람직한 일실시예를 첨부도면을 참조로 하여 상세히 설명한다.Hereinafter, with reference to the accompanying drawings, a preferred embodiment of the present invention will be described in detail.
제2도는 본 발명을 수행하기 위한 하드웨어 블럭도로써, 복수의 가스를 감지하기 위한 어레이 가스센서부(10)와 상기 가스센서부(10)의 센서신호를 디지탈신호로 변환하는 아날로그 디지탈변환기(20)와, 상기 아날로그 디지탈 변환기(20)에 의해 디지탈로 변환된 센서의 출력신호를 처리하여 가스의 종류를 판별하는 가스판별부(30)와, 상기 가스판별부(30)에 의해 판별된 가스의 종류를 표시하는 표시부(40)로 구성된다.2 is a hardware block diagram for implementing the present invention, the array gas sensor unit 10 for sensing a plurality of gases and the analog digital converter 20 for converting the sensor signal of the gas sensor unit 10 into a digital signal ), And a gas discrimination unit 30 for processing the output signal of the sensor converted into digital by the analog digital converter 20 to determine the type of gas, and a gas discrimination unit of the gas discriminated by the gas discrimination unit 30. It is comprised by the display part 40 which displays a kind.
상기와 같은 시스템에서 수행되는 본 발명은 우선, 입력패턴이 기존 카테고리에 각각 몇%의 확률로 포함될 것인가를 표시하고 가장 확률이 높은 카테고리에 분류한다.According to the present invention performed in the above system, first, the probability of the input pattern being included in the existing category is indicated in each category and classified into the most probable category.
그리고 모든 카테고리에 포함되지 않는 경우에는 그 패턴을 미지가스로 판단하여 새로운 카테고리를 형성하며, 초기값을 갖지 않는 프로그램으로 한다.If it is not included in all categories, the pattern is determined as unknown gas to form a new category, and the program does not have an initial value.
또한, 외부 가중계수는 각각 의미를 가지는 것으로 하며, 수는 임의로 할 수 있다(보통1-2개).In addition, the external weighting coefficients have meanings, respectively, and the number can be arbitrarily used (usually 1-2).
그리고 역전달법이 갖고 있는 임의의 비선형함수를 실현하며, 멀리 뚝 떨러진 카테고리에도 대응 가능한 이점등을 방치하는 특징을 갖는다.In addition, it realizes an arbitrary nonlinear function possessed by the reverse transfer method, and has the advantage of neglecting an advantage that can be applied even to a category that is far away.
또한, 본 발명은 하나의 카테고리에 하나의 뉴론을 배정하고 있다. 데이타는 변동이 존재하기나름이므로 완전히 한점으로 모이지 않는다.In addition, the present invention assigns one neuron to one category. The data do not gather completely to one point because there are variations.
여기서, 각 카테고리에 정규분포를 가정하는 것에 의해 폭을 가지게 하여 하나의 뉴론은 입력벡터가 그 카테고리에 포함되는 확률을 출력하는 것으로 한다.In this case, it is assumed that each neuron has a width by assuming a normal distribution, and one neuron outputs a probability that an input vector is included in the category.
그리고 모든 카테고리에 포함되는 확률이 기준치 이하인 경우에는 새로운 카테고리에 포함되는 것으로 판단해서 새로운 카테고리를 형성한다. 그리고 이 기준치(Threshold)는 대상샘플에 대해서 어디까지의 범위로 하면 좋을까라는 검사측의 요구에 의해 변하는 것이 가능하다.If the probability included in all categories is less than or equal to the reference value, it is determined to be included in the new category to form a new category. And this threshold can be changed by the inspection side's request | requirement of what range should it be with respect to a target sample.
이외에도, 카테고리 변동과 분산의 체크에 의해 새카테고리 형성을 행하고 데이타의 분포에 유연하게 대응할 수 있도록 한다. 분산의 크기에 의해 카테고리 체크가 가능한 것은 카테고리 형성시에 정규분포를 가정하고 있는 장점인 것이다.In addition, a new category can be formed by checking the category variation and variance, and it is possible to flexibly respond to the distribution of data. The possibility of category checking by the size of variance is an advantage of assuming a normal distribution at the time of category formation.
또한 분산도 어디까지의 범위를 인정할 것인가라고 하는 것을 지정할 목적으로 외부 입력정수 폭(Width)을 설계하고 있다.In addition, the external input constant width is designed to specify the range of dispersion.
그리고 데이타의 분산은 센서의 능력에 의존된 값이고 분산이 작을수록 센서의 신뢰성은 높아진다. 이러한 분산을 인식시에 사용하는 것에 의해 하드의 성능을 고려한 소프트가 가능하다. 또한, 테이타 재편성을 부가하는 것에 의해 오판별을 줄이도록 한다.The variance of the data is dependent on the sensor's ability, and the smaller the variance, the higher the sensor's reliability. By using such a dispersion at the time of recognition, the software which considered hard performance is possible. Also, by adding data reorganization, misjudgment can be reduced.
상기와 같은 본 발명에서의 학습방법은 다음과 같다.The learning method in the present invention as described above is as follows.
카테고리는 정규분포로 가정되어 있기 때문에 본 발명에서의 학습이라고 하는 것은 각 카테고리에 포함되는 벡터의 평균과 변동계수를 구하는 조작을 의미한다.Since categories are assumed to be normal distributions, learning in the present invention means an operation for obtaining the average and coefficient of variation of the vectors included in each category.
교사없는 학습이라도 이 계산방법은 동일하다.This learning method is the same even for teacherless learning.
여기서, x : 입력벡터(세서신호), ci : 카테고리 i, mi : 카테고리 i의 평균, Nc : 카테고리수, Ni : 카테고리 i의 데이타수, cv : 변동계수이다.Here, x is an input vector (signal signal), ci is category i, mi is the mean of category i, Nc is the number of categories, Ni is the number of data in category i, and cv is the coefficient of variation.
그리고 본 발명에서의 인식방법은 다음과 같다.And the recognition method in the present invention is as follows.
모든 뉴론에 대해서 입력 벡터가 포함되는 확률을 개산하여 가장 확률이 높은 것에 입력벡터가 포함되는 것으로 한다. 확률계산에서는 (11)식을 사용하고 최대확률은 항상 1이 되도록 한다.The probability that an input vector is included in all the neurons is estimated, and an input vector is included in the highest probability. In probability calculation, we use (11) and make sure that the maximum probability is always 1.
여기서 Xj : 입력벡터의 센서 j의 출력,: 카테고리 i의 센서 j의 평균,: 센서 j의 샘플에 대한 표준편차, Oi : 카테고리 i에 속하는 확률이며, 상기 π는 j만큼 다음의 값을 곱함을 의미한다.Where Xj is the output of sensor j of the input vector, = Average of sensor j in category i, : Standard deviation for a sample of sensor j, Oi: probability belonging to category i, and π means to multiply the next value by j.
또한, 입력벡터가 포함된다고 판단된 카테고리는 그 데이타도 포함해서 새로운 평균과 변동계수의 계산을 새로 한다.In addition, the category determined to include the input vector includes new data and new calculation of the mean and coefficient of variation.
이러한 것에 의해 데이타수가 많은 카테고리일수록 신뢰성이 증가하고, 경시변화등에도 대응가능하도록 한다.This increases the reliability of the category with more data and makes it possible to cope with changes over time.
상기와 같은 본 발명을 제3도의 플로우 챠트와 함께 살펴보면 다음과 같다.Looking at the present invention as described above with the flow chart of FIG.
우선, 데이터, 평균, 카테고리내의 데이타수를 초기화한다. 그리고 폭(Width), 기준치(Threshold), 표준편차(σ) 등을 포함하는 (11)식의 초기화된 값을 읽어 들인다(S1)(S2).First, the data, average, and number of data in the category are initialized. Then, the initialized value of equation (11) including width, threshold, standard deviation σ, and the like is read (S1) (S2).
그리고 샘플에 대한 어레이 가스 센서신호를 받아들여 그 샘플의 각 카테고리에 대한 확률을 구하여 기존 카테고리에 분류가능한가를 판단한다(S3)(S4).Then, the array gas sensor signal for the sample is received to determine the probability of each category of the sample to determine whether it can be classified into the existing category (S3) (S4).
상기 단계(S4)에서의 판단결과 기존 분류된 카테고리가 없는 경우 새로운 카테고리를 형성하고(S5) 기존 분류된 카테고리가 있는 경우 그 카테고리에 분류한 후, 카테고리에서 벗어나 데이타가 있는가 즉, 카테고리를 의심할 여지가 있는가를 판단한다(S6).As a result of the determination in step S4, if there is no existing classified category, a new category is formed (S5). If there is an existing classified category, it is classified into the category, and there is data out of the category. It is determined whether there is room (S6).
상기 단계(S6)에서의 판단결과 기존 카테고리에 의심이 있으면 그 카테고리에서 빼내어 새 카테고리를 개설한다(S7).If there is a suspicion in the existing category as a result of the determination in step S6, a new category is opened by removing it from the category (S7).
그리고 의심이 없는 경우 기존 분류된 카테고리의 분산을 구하여 정해진 카테고리의 분산이 표준분산보다 큰가를 판단한다(S8)If there is no doubt, it is determined whether the variance of the predetermined category is larger than the standard variance by obtaining the variance of the existing classified category (S8).
만일, 정해진 카테고리의 분산이 표준분산보다 큰 경우에는 새로운 카테고리를 만들고(S9), 작은 경우에는 존재하는 카테고리로 분류한다(S10).If the variance of the predetermined category is larger than the standard variance, a new category is created (S9), and if it is small, it is classified into an existing category (S10).
그리고 데이타가 가장 큰 확률의 카테고리에 분류되었는가를 재편성하여 지금 있는 카테고리에 분류된 데이타의 다른 카테고리에의 가능성도 표시한 후, 다음 데이타에 대하여 상기 과정을 수행한다(S11)(S12).After reorganizing whether the data is classified into the category of the highest probability and displaying the possibility of other categories of the data classified in the current category, the process is performed on the next data (S11) (S12).
이상에서 살펴본 바와 같이 본 발명은 단시간에 인식이 가능하므로 측정과 동시에 판별이 가능하며, 어떤 크기의 어레이 가스 센세신호가 입력되어도 대응 가능하며, 학습되지 않았거나 미지의 대상가스에 대해서는 기존 카테고리 이외의 별도의 카테고리로 분류하므로서 판별 속도를 개선하고 판별 오차를 줄일 수 있을 뿐만 아니라 알고리즘 자체가 시스템 구성시 메모리를 많이 차지하지 않기 때문에 칩화가 용이하다.As described above, the present invention can be recognized at a short time since the present invention can be recognized in a short time, and even if an array gas sensor signal of any size is input, it can be coped with, and for the target gas that has not been learned or is unknown, other than the existing category. By classifying into a separate category, not only can the discrimination speed be improved and the discrimination error can be reduced, but also the chip is easy because the algorithm itself does not occupy much memory in the system configuration.
Claims (5)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1019940034366A KR0132477B1 (en) | 1994-12-15 | 1994-12-15 | Pattern conception method and device of array gas sensor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1019940034366A KR0132477B1 (en) | 1994-12-15 | 1994-12-15 | Pattern conception method and device of array gas sensor |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR960027399A KR960027399A (en) | 1996-07-22 |
| KR0132477B1 true KR0132477B1 (en) | 1998-04-25 |
Family
ID=19401628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1019940034366A KR0132477B1 (en) | 1994-12-15 | 1994-12-15 | Pattern conception method and device of array gas sensor |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR0132477B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100670003B1 (en) | 2004-12-28 | 2007-01-19 | 삼성전자주식회사 | The apparatus for detecting the homogeneous region in the image using the adaptive threshold value |
-
1994
- 1994-12-15 KR KR1019940034366A patent/KR0132477B1/en not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| KR960027399A (en) | 1996-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0554083B1 (en) | Neural network learning system | |
| Samaniego et al. | Supervised classification of remotely sensed imagery using a modified $ k $-NN technique | |
| US5335291A (en) | Method and apparatus for pattern mapping system with self-reliability check | |
| US5373452A (en) | Intangible sensor and method for making same | |
| CN111126575A (en) | Gas sensor array mixed gas detection method and device based on machine learning | |
| JPH05189401A (en) | Method and apparatus for data classification | |
| CN115618296A (en) | Dam monitoring time sequence data anomaly detection method based on graph attention network | |
| Baier et al. | Detecting concept drift with neural network model uncertainty | |
| US20030204368A1 (en) | Adaptive sequential detection network | |
| CN111046961A (en) | Fault classification method based on bidirectional long-and-short-term memory unit and capsule network | |
| CN113269647A (en) | Graph-based transaction abnormity associated user detection method | |
| JP6892606B2 (en) | Positioning device, position identification method and computer program | |
| Waegeman et al. | On the scalability of ordered multi-class ROC analysis | |
| Liu et al. | Handling concept drift in global time series forecasting | |
| Scott et al. | Regression level set estimation via cost-sensitive classification | |
| KR0132477B1 (en) | Pattern conception method and device of array gas sensor | |
| Ghazali et al. | An application of Jordan Pi-sigma neural network for the prediction of temperature time series signal | |
| CN112015894B (en) | Text single class classification method and system based on deep learning | |
| Hu et al. | Predicting intrusions with local linear models | |
| Kalinin | Application of neuro-fuzzy inference to detect network scanning | |
| CN111797979A (en) | Vibration transmission system based on LSTM model | |
| Kachman et al. | Novel uncertainty framework for deep learning ensembles | |
| Torgo | Predictive Analytics | |
| Ng et al. | Quantitative study on effect of center selection to RBFNN classification performance | |
| JP2701311B2 (en) | Character recognition device with recognition dictionary creation function |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20060911 Year of fee payment: 10 |
|
| LAPS | Lapse due to unpaid annual fee |