KR20200130657A - 가스 감지 디바이스 및 가스 감지 디바이스를 동작시키는 방법 - Google Patents
가스 감지 디바이스 및 가스 감지 디바이스를 동작시키는 방법 Download PDFInfo
- Publication number
- KR20200130657A KR20200130657A KR1020200054491A KR20200054491A KR20200130657A KR 20200130657 A KR20200130657 A KR 20200130657A KR 1020200054491 A KR1020200054491 A KR 1020200054491A KR 20200054491 A KR20200054491 A KR 20200054491A KR 20200130657 A KR20200130657 A KR 20200130657A
- Authority
- KR
- South Korea
- Prior art keywords
- samples
- feature
- gas
- block
- time
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 33
- 239000007789 gas Substances 0.000 claims abstract description 274
- 230000006870 function Effects 0.000 claims abstract description 203
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 70
- 230000014509 gene expression Effects 0.000 claims abstract description 64
- 238000000605 extraction Methods 0.000 claims abstract description 50
- 238000010438 heat treatment Methods 0.000 claims abstract description 18
- 239000000203 mixture Substances 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 67
- 238000004364 calculation method Methods 0.000 claims description 49
- 238000001514 detection method Methods 0.000 claims description 28
- 238000011084 recovery Methods 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 21
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 9
- 238000001179 sorption measurement Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 238000007306 functionalization reaction Methods 0.000 description 4
- 229910021389 graphene Inorganic materials 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- NUJOXMJBOLGQSY-UHFFFAOYSA-N manganese dioxide Chemical compound O=[Mn]=O NUJOXMJBOLGQSY-UHFFFAOYSA-N 0.000 description 4
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 101710084218 Master replication protein Proteins 0.000 description 3
- 101000708578 Milk vetch dwarf virus (isolate N) Para-Rep C3 Proteins 0.000 description 3
- 101710112083 Para-Rep C1 Proteins 0.000 description 3
- 101710112078 Para-Rep C2 Proteins 0.000 description 3
- 102100022881 Rab proteins geranylgeranyltransferase component A 1 Human genes 0.000 description 3
- 102100022880 Rab proteins geranylgeranyltransferase component A 2 Human genes 0.000 description 3
- 101710119887 Trans-acting factor B Proteins 0.000 description 3
- 101710119961 Trans-acting factor C Proteins 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 101100042610 Arabidopsis thaliana SIGB gene Proteins 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003795 desorption Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 101100421503 Arabidopsis thaliana SIGA gene Proteins 0.000 description 1
- 101100042613 Arabidopsis thaliana SIGC gene Proteins 0.000 description 1
- 101001069710 Homo sapiens Serine protease 23 Proteins 0.000 description 1
- 101100294408 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) MOT2 gene Proteins 0.000 description 1
- 102100033835 Serine protease 23 Human genes 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002800 charge carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 101150117326 sigA gene Proteins 0.000 description 1
- 238000002336 sorption--desorption measurement Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/122—Circuits particularly adapted therefor, e.g. linearising circuits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/122—Circuits particularly adapted therefor, e.g. linearising circuits
- G01N27/123—Circuits particularly adapted therefor, e.g. linearising circuits for controlling the temperature
- G01N27/124—Circuits particularly adapted therefor, e.g. linearising circuits for controlling the temperature varying the temperature, e.g. in a cyclic manner
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0006—Calibrating gas analysers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0011—Sample conditioning
- G01N33/0016—Sample conditioning by regulating a physical variable, e.g. pressure or temperature
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
가스들의 혼합물에서 하나 이상의 가스들을 감지하기 위한 가스 감지 디바이스가 제공된다. 가스 감지 디바이스는: 하나 이상의 화학 저항성 가스 센서들; 가스 센서들 각각을 가열하기 위한 하나 이상의 가열 요소들; 신호 샘플들을 수신하도록 그리고 수신된 신호 샘플들에 대한 표현들을 생성하도록 구성되는 정보 추출 블록; 및 표현들을 수신하도록 구성되는 의사결정 블록을 포함하고, 여기서 의사결정 블록은, 가중 블록 및 트레이닝된 모델 기반 알고리즘 스테이지를 포함하고, 여기서 가중 블록은 표현들 중 하나의 표현의 피처 샘플들을 수신하도록 그리고 표현들 각각에 대해, 가중된 피처 샘플들을 포함하는 가중된 표현을 계산하기 위해, 각각의 표현의 피처 샘플들 각각에 하나 이상의 시변 가중 함수들을 적용하도록 구성되고, 여기서 알고리즘 스테이지는 입력 레이어 및 출력 레이어를 포함하고, 여기서 의사결정 블록은 알고리즘 스테이지에 대한 하나 이상의 트레이닝된 모델들을 포함하고, 여기서 가스 센서들 각각에 대한 가중된 표현들은 알고리즘 스테이지의 입력 레이어에 입력되고, 여기서 의사결정 블록은 가스 센서들 각각에 대해 가스 센서들 각각에 대한 감지 결과들을 생성하고, 가스 센서들 각각에 대한 감지 결과들은 알고리즘 스테이지에서 하나 이상의 트레이닝된 모델들 중 적어도 하나를 사용함으로써 생성되어 가스 센서들 각각에 대한 감지 결과들이 가스 센서들 각각의 가중된 표현들에 의존하도록 한다.
Description
실시예들은 가스들의 혼합물에서 하나 이상의 가스들을 감지하기 위한 가스 감지 디바이스에 관한 것이다. 추가의 실시예들은 그러한 가스 감지 디바이스를 동작시키는 방법에 관한 것이다. 더 구체적으로는, 본 개시내용은 화학 저항성 가스 센서(chemo-resistive gas sensor)들의 사용을 통한 가스 농도들의 추정을 다룬다.
[1, 2]에 설명된 화학 센서 알고리즘들은 센서 기능성의 증명을 위한 단순한 모델로 제한되거나, 또는 지리적으로 분산된 센서 시스템들에 기초한다.
다른 기존 간행물들은 지리적으로 분산된 센서 시스템들로부터 획득된 대량의 데이터에 기초하는 복잡한 패턴 분석 모델들을 설명한다[3, 4, 5].
가스들의 혼합물에서 하나 이상의 가스들을 감지하기 위한 가스 감지 디바이스가 제공된다. 가스 감지 디바이스는:
하나 이상의 화학 저항성 가스 센서들 - 여기서 가스 센서들 각각은 가스들의 혼합물에서 하나 이상의 가스들 중 하나의 가스의 농도에 대응하는 신호 샘플들을 생성하도록 구성되고, 여기서 하나 이상의 가스 센서들은 리커버리 페이즈(recovery phase)들에서 그리고 감지 페이즈들에서 교호로 동작되고, 여기서 가스 센서들 각각의 신호 샘플들 중 적어도 일부는 감지 페이즈들 동안 생성됨 -;
리커버리 페이즈들 동안에는 하나 이상의 제1 온도 프로파일들에 따라 그리고 감지 페이즈들 동안에는 하나 이상의 제2 온도 프로파일들에 따라 가스 센서들을 가열하기 위한 하나 이상의 가열 요소들 - 여기서 가스 센서들 각각에 대해, 각각의 제1 온도 프로파일의 최대 온도가 각각의 제2 온도 프로파일의 최대 온도보다 더 높음 -;
신호 샘플들을 수신하도록 그리고 각각의 가스 센서의 수신된 신호 샘플들의 복수의 피처(feature)들에 기초하여 가스 센서들 각각에 대한 수신된 신호 샘플들에 대한 표현들을 생성하도록 구성되는 정보 추출 블록 - 여기서 피처들 각각은, 시간이 지남에 따른, 각각의 가스 센서의 수신된 신호 샘플들의 동적 특성들의 변화에 관련되고, 여기서 표현들 각각은 복수의 피처 샘플들을 포함하고, 여기서 피처 샘플들 각각은 각각의 가스 센서의 피처들 중 하나 이상에 기초함 -; 및
표현들을 수신하도록 구성되는 의사결정 블록(decision making block)
을 포함하고, 여기서 의사결정 블록은, 가중 블록(weighting block) 및 트레이닝된 모델 기반 알고리즘 스테이지(trained model based algorithm stage)를 포함하고, 여기서 가중 블록은 표현들 중 하나의 표현의 피처 샘플들을 수신하도록 그리고 표현들 각각에 대해, 가중된 피처 샘플들을 포함하는 가중된 표현을 계산하기 위해, 각각의 표현의 피처 샘플들 각각에 하나 이상의 시변 가중 함수(time-variant weighting function)들을 적용하도록 구성되고, 여기서 알고리즘 스테이지는 입력 레이어(input layer) 및 출력 레이어를 포함하고, 여기서 의사결정 블록은 알고리즘 스테이지에 대한 하나 이상의 트레이닝된 모델들을 포함하고, 여기서 가스 센서들 각각에 대한 가중된 표현들은 알고리즘 스테이지의 입력 레이어에 입력되고, 여기서 의사결정 블록은 알고리즘 스테이지의 출력 레이어의 출력 값들에 기초하여 가스 센서들 각각에 대해 감지 결과들을 생성하고, 여기서 가스 센서들 각각에 대한 출력 값들은 알고리즘 스테이지에서 하나 이상의 트레이닝된 모델들 중 적어도 하나를 사용함으로써 생성되어 가스 센서들 각각에 대한 출력 값들이 가스 센서들 각각의 가중된 표현들에 의존하도록 한다.
하나 이상의 화학 저항성 가스 센서들은 환원된 그래핀 가스 센서들일 수도 있고, 여기서 베이스 재료는 특정 화학물질들로, 예를 들어, 백금(Pt), 또는 이산화 망간(MnO2)으로 기능화되어, 가스 센서들 각각이 특정 가스에, 예를 들어, 이산화 질소(NO2), 오존(O3) 또는 일산화 탄소(CO)에 민감해지도록 한다. 그렇게 함으로써, 그래핀 시트들과 흡착된 가스 피분석물들 사이의 상호작용이 가스들의 혼합물에 따라 재료의 전자 구조에 영향을 줘서, 변경된 전하 운반체 농도 및 변경된 전기 전도도를 발생시킨다.
멀티-가스 감지의 경우에, 상이한 선택성을 갖는 복수의 화학 저항성 가스 센서들을 포함하는 멀티-가스 센서 어레이가 사용될 수도 있다. 다양한 가스 분자들에 대한 상이한 감도로 인해, 가스 센서들의 저항들이 이질적인 패턴들로 변경되어, 그것이 하나의 단일 센서 어레이로 복잡한 가스 혼합물들을 분석하는 것을 가능하게 한다.
신호 샘플은 시간-이산 신호 값(time-discrete signal value)들로 이루어지는 시퀀스이고, 여기서 신호 값들은 가스 센서들 중 하나에 의해 출력된다.
가스 센서들 각각은 하나 이상의 가열 요소들에 의해 가열될 수도 있다. 하나 이상의 가열 요소들 각각은 리커버리 페이즈들 동안에는 제1 온도 프로파일에 따라 그리고 감지 페이즈들 동안에는 제2 온도 프로파일에 따라 제어되고, 여기서 제1 온도 프로파일의 최대 온도가 제2 온도 프로파일의 최대 온도보다 더 높다.
예를 들어, 하나 이상의 가열 요소들의 온도는 가스 센서들의 리커버리 페이즈들 동안의 제1 온도와 가스 센서들의 감지 페이즈들 동안의 제2 온도 사이에서 펄싱될 수도 있고, 여기서 제1 온도는 제2 온도보다 더 높다. 제1 온도는, 예를 들어, 300℃로 설정될 수도 있는 반면, 제2 온도는, 예를 들어, 200℃로 설정될 수도 있다.
온도 변조는 모든 센서들에 대해 동일할 수 있다.
감지 결과들의 반복성 및 안정성을 개선시키기 위해, 보다 낮은 온도들에서, 즉, 제1 온도 프로파일로부터 제2 온도 프로파일로 전환한 후의 감지 페이즈에서, 가스 센서들의 응답들의 부분만이 단지 고려되어 신호 샘플들을 생성할 수도 있다. 그러나, 보다 높은 온도들에서, 즉, 제2 온도 프로파일로부터 제1 온도 프로파일로 전환한 후의 리커버리 페이즈에서, 신호 샘플들을 생성하는 것도 또한 가능하다.
정보 추출 블록은 신호 샘플들을 표현들로 변환하도록 구성되고, 여기서 표현들은 신호 샘플들의 동적 특성들에 기초한다. 이를 위해, 가스 센서들의 응답들의 펄싱 성질이 활용되고, 가스 센서들의 동적 진화에 의존하는 특성들이 추출된다.
의사결정 블록은 동작 페이즈들 동안 표현들을 수신하고, 여기서 의사결정 블록은 가중 블록 및 트레이닝된 모델 기반 알고리즘 스테이지를 포함한다.
가중 블록은 표현들 중 하나의 표현의 피처 샘플들을 수신하도록 그리고 표현들 각각에 대해, 가중된 피처 샘플들을 포함하는 가중된 표현을 계산하기 위해, 각각의 표현의 피처 샘플들 각각에 하나 이상의 시변 가중 함수들을 적용하도록 구성된다.
가중 함수는, 높은 정도의 유용한 정보를 포함하는, 피처 샘플들의 그러한 부분들을 강조하는 것, 그리고 낮은 정도의 유용한 정보를 포함하는, 피처 샘플들의 그러한 부분들을 감쇠시키는 것을 가능하게 한다. 특히, 가중 함수는, 어떠한 정보도 포함하지 않거나 또는 중복 정보를 포함하는, 피처 샘플들의 부분들을 억제하는 것을 가능하게 한다. 높은 정도의 유용한 정보를 포함하는, 피처 샘플들의 이들 부분들에 의존하면, 가스 측정들의 보다 높은 정확도를 유발한다.
더욱이, 가중 함수는 또한, 예를 들어, 가중 함수를 일시적으로 제로로 설정함으로써, 낮은 정도의 유용한 정보를 포함하는, 피처 샘플들의 그러한 부분들을 완전히 폐기할 수도 있다. 그렇게 함으로써, 측정들의 정확도를 감소시키는 일 없이 총 데이터량이 감소될 수도 있다.
적합한 가중 함수가 실험들에 의해 또는 인공 지능을 사용함으로써 발견될 수도 있다. 가중 함수는 디바이스의 동작 페이즈 전에 의사결정 블록에서 결정 및 저장될 수도 있다. 다른 실시예들에서, 가중 함수는 동작 페이즈 동안 의사결정 블록에 의해 계산될 수도 있다.
트레이닝된 모델 기반 알고리즘 스테이지는, 머신 학습이 가능한 처리 스테이지이다. 머신 학습은, 트레이닝된 모델 기반 알고리즘 스테이지의 실제 출력 값들을, 트레이닝된 모델 기반 알고리즘 스테이지의 정의된 입력들에 대한 트레이닝된 모델 기반 알고리즘 스테이지의 원하는 출력 값들과 비교함으로써, 트레이닝된 모델들이 발전되는 사전 동작 트레이닝 페이즈(preoperational training phase)에서 수행된다. 트레이닝된 모델들은 미리 정의된 구조를 가지며, 여기서 미리 정의된 구조의 파라미터화가 트레이닝 페이즈 동안 수행된다. 트레이닝된 모델들은, 트레이닝 페이즈가 완료된 후의 학습된 내용을 포함한다. 감지 결과들을 생성하기 위한 동작 페이즈에서, 트레이닝 페이즈로부터의 트레이닝된 모델들 중 하나 이상이 정보 추출 블록으로부터의 표현들을 처리하는 데 사용된다.
트레이닝 페이즈에서, 복수의 트레이닝된 모델들이 확립되고 그 후에 의사결정 블록에 저장될 수 있다. 트레이닝된 모델들은 구조들 및/또는 파라미터들이 상이할 수도 있다. 페이즈의 동작 동안 특정 사용 사례에 따라 가장 적절한 트레이닝된 모델이 선택될 수도 있다.
알고리즘 스테이지는 입력 레이어 및 출력 레이어를 포함하고, 여기서 의사결정 블록은 알고리즘 스테이지에 대한 하나 이상의 트레이닝된 모델들을 포함하고, 여기서 가스 센서들 각각에 대한 가중된 표현들은 알고리즘 스테이지의 입력 레이어에 입력되고, 여기서 의사결정 블록은 알고리즘 스테이지의 출력 레이어의 출력 값들에 기초하여 가스 센서들 각각에 대해 감지 결과들을 생성하고, 여기서 가스 센서들 각각에 대한 출력 값들은 알고리즘 스테이지에서 하나 이상의 트레이닝된 모델들 중 적어도 하나를 사용함으로써 생성되어 가스 센서들 각각에 대한 출력 값들이 가스 센서들 각각의 가중된 표현들에 의존하도록 한다.
의사결정 블록은, 가스 센서들에 의해 검출되는 가스 농도들의 분류 또는 가스 센서들에 의해 검출되는 가스 농도들의 연속 측정에 대한 의사결정을 제공한다. 첫 번째의 경우에, 분류 알고리즘으로서 트레이닝되는 트레이닝된 모델이 사용되고, 감지 결과들은 "높음(high)" 또는 "낮음(low)"과 같은 영숫자 용어들이다. 후자의 경우에, 회귀 알고리즘으로서 트레이닝되는 트레이닝된 모델이 사용되고 감지 결과들은 "4 체적%(% by volume)"와 같은 물리량들이다.
본 개시내용에 따른 가스 감지 디바이스는 화학 저항성 가스 센서들의 본질적인 불안정성을 해결한다. 그것은 교정 부정확성들, 드리프트들 및 다른 유사한 영향들에 신뢰성있게 그리고 넓은 동작 범위에 걸쳐 대처할 수 있는 강건한 알고리즘들 및 검출 메커니즘들을 사용한다.
제안된 가스 감지 디바이스는, 다수의 애플리케이션들 및 사용 사례들(실외, 실내, 건강 체크 등)에 대해 다용도이고 폭넓게 적용가능하며 스마트 휴대용 디바이스에 임베딩될 수 있는 멀티-가스 흡착 센서들에 대한 엔드 투 엔드 솔루션(end to end solution)을 제공한다. 구체적으로는, 연속 센서 판독들에 대해 작동하고 센서 응답들에서 과도 정보(transient information)를 사용하며 낮은 복잡성 및 제한된 메모리 요건들을 나타내는 알고리즘이 사용된다.
가스 감지 디바이스는, 예를 들어, 센서 응답들에서 교차 감도들을 야기하고 있는 가스 혼합물들이 존재하는 실세계 시나리오들을 반영할 수 있다. 더욱이, 가스 감지 디바이스는 안정된 응답 레벨에 도달하는 데 짧은 시간만이 단지 걸린다.
가스 감지 디바이스의 재료 비용들이 낮고, 그것은 (모바일 폰과 같은) 대량 제조된 소비자 전자 제품들 내에 임베딩될 정도로 충분히 강건하고 경제적이면서, 복잡한 실세계 시나리오들에서 양호한 연속 예측 성능을 제공하고, 이에 따라 제한되고 노이즈 있는 세트들의 데이터의 가용성, 불완전한 초기 교정, 다양한 농도들의 피분석물들을 갖는 가스 혼합물들, 모델링 에러들 등과 관련된 도전과제들을 다루게 될 실제적 메커니즘들을 사용한다.
특히, 가스 감지 디바이스는 공기질 모니터링을 위해 사용될 수도 있다.
본 개시내용의 실시예들에 따르면, 정보 추출 블록은 복수의 피처 추출 스테이지들을 포함하고, 여기서 피처 추출 스테이지들 각각은 가스 센서들 각각에 대한 각각의 신호 샘플의 피처들 중 하나에 기초하여 신호 샘플들 중 하나에 대해 출력 샘플을 계산하도록 구성되고, 여기서 표현들 중 하나의 표현의 복수의 피처 샘플들은 복수의 피처 추출 스테이지들의 출력 샘플들에 기초한다.
신호 샘플들에서 관련 정보를 추출하고, 이들을, 의사결정 블록에 의미있는 데이터를 제공하는 피처 샘플들로 변환하기 위해, 피처 추출 스테이지들의 조합이 사용될 수도 있다.
본 개시내용의 실시예들에 따르면, 피처 추출 스테이지들은, 각각의 신호 샘플에 대한 출력 샘플들 중 하나를 생성하기 위해 가스 센서들 각각에 대한 신호 샘플들 중 하나의 신호 샘플의 도함수(derivative)를 계산하도록 구성되는 도함수 계산 스테이지를 포함한다.
가스 센서들은 가스 센서가 노출되는 가스에 따라 센서 저항을 증가 또는 감소시키는 흡착 페이즈들에서 동작된다. 이것은 중요한 센서 특성인데, 이는 센서가 양측 모두의 페이즈들에서 동일한 응답 값을 갖는 경우라도 그것이 흡착 페이즈와 탈착(desorption) 페이즈 사이를 차별화시키기 때문이다. 다시 말해, 필터링된 신호 샘플의 도함수를 피처(식 1)로서 사용하면, 패턴 인식 알고리즘들은 흡착 페이즈와 탈착 페이즈 사이를 차별화시키는 것이 가능하다.
1 < i < N, n = 1,2, ... 8의 경우, 여기서 n은 센서 번호이고, R 및 D는 각각 전처리된 센서 응답들 및 이들의 도함수들이다.
흡착/탈착 페이즈 정보는 의사결정 블록에서의 트레이닝된 모델의 선택 시에 안내할 수 있다는 것에 주목해야 한다.
본 개시내용의 실시예들에 따르면, 피처 추출 스테이지들은, 각각의 신호 샘플에 대한 출력 샘플들 중 하나를 생성하기 위해 가스 센서들 각각에 대한 신호 샘플들 중 하나의 신호 샘플의 위상 공간 적분(phase space integral)을 계산하도록 구성되는 위상 공간 적분 계산 스테이지를 포함한다.
위상 공간은, 시간이 지남에 따라 시스템 상태의 변경을 캡처하기 위해 동적 시스템들 내에서 사용되는 모델이다. 이 위상 공간에서 임의의 시스템의 시간적 진화는 시간 파라메트릭 궤적들(time parametric trajectories)로 표현된다. 신호 및 그의 1차 시간 도함수는, 위상 공간을 생성하는 데 통상적으로 사용되는 2개의 정준 변수(canonical variable)들이다. 우리의 결과들에 대해 우리는 속도와의 상호작용의 크기를 응축시키는 이 궤적의 적분을 사용하였다. 이것은 2개의 이미 언급된 피처들, 즉, 센서 응답 및 대응하는 도함수의 조합으로서 보여질 수 있다. 동적 및 정상 상태 정보를 포함하여, 크기 및 속도를 별개로 분석함으로써 패턴 인식 알고리즘이 식별되지 않았을 수도 있는 센서 신호들의 새로운 특성들이 생성된다. 이 궤적의 적분은 유사한 동적 거동과 동일한 저항 시프트를 갖는 신호들 사이를 구별하기 때문에, 그것은 가스 농도(정량 분석(quantitative analysis))와 클래스 멤버십(정성 분석(qualitative analysis)) 양측 모두를 추정하는 데 기여하는 피처일 수 있다.
본 개시내용의 실시예들에 따르면, 피처 추출 스테이지들은,
각각의 신호 샘플에 대한 출력 샘플들 중 하나를 생성하기 위해 신호 샘플들 중 하나의 신호 샘플과 각각의 가스 센서의 신호 샘플들의 이전 신호 샘플 사이의 가스 센서들 각각에 대한 시간 상관(time correlation), 및/또는
각각의 신호 샘플에 대한 출력 샘플들 중 하나를 생성하기 위해 신호 샘플들 중 하나의 신호 샘플과 가스 센서들 중 다른 가스 센서의 신호 샘플들 중 하나의 신호 샘플 사이의 공간 상관
을 계산하도록 구성되는 상관 계산 스테이지를 포함한다.
가스 센서들의 동적 거동, 센서 응답들에서의 수 개의 과도 상태의 가용성 및 상이한 기능화들을 갖는 특성 어레이 구조를 고려하면, 그러한 시간 및 공간 속성들을 이용하는 메트릭들을 도입하는 것이 합리적이다. 이것은 다음과 같은 타입의 정규화된 센서 응답들(및 그의 도함수)의 시간 자기상관 함수(time autocorrelation function)를 도입하여 달성될 수 있다.
여기서 x 및 y는 시간의 상이한 모멘트들에서의 정규화된 응답(또는, 대안적으로, 이들의 도함수들)을 표시하고 n은 자기상관을 계산하는 데 사용되는 윈도우 사이즈이다. 특히:
유사하게, 상이한 가스 센서들 간의 상관은 또한 다음과 같은 타입의 공간 상관 매트릭스로 이용되어야 한다:
본 개시내용의 실시예들에 따르면, 피처 추출 스테이지들은, 각각의 신호 샘플에 대한 출력 샘플들 중 하나를 생성하기 위해 가스 센서들 각각에 대한 신호 샘플들 중 하나의 신호 샘플의 동적 모멘트를 계산하도록 구성되는 동적 모멘트 계산 스테이지를 포함한다.
위상 공간 적분은 신호 진화의 특성 속성들을 무시한다. 예를 들어, 상이한 피분석물들에 노출되는 센서들에 의해 발생하는 상이한 상호작용들로부터 발생되는 동적 특성들은 위상 공간의 적분 또는 도함수와 같은 피처들에 의해 무시된다. 이를 위해, T개의 샘플들에 의해 딜레이되는 동일한 신호 응답에 대해 플로팅되는(plotted) 신호 응답에 의해 설명되는 공간에서의 궤적의 형상이 도입된다. 상이한 화합물들과의 상호작용들(센서 기능화)은 상이한 궤적들 그리고 그에 따라 패턴 인식 알고리즘들이 멀티-가스 노출들을 분류하는 것을 도울 수 있는 샘플들 간에서의 보다 큰 일관성있는 차별화를 발생시킨다는 것에 주목해야 한다.
궤적들의 차이들은, 동적 모멘트들이라고도 또한 알려져 있는, 다음의 세트의 형태론적 기술어(morphological descriptor)들에 의해 기록된다. 2-D 기하학적 피처의 영역의 두 번째 모멘트들과 유사하게, 이들은 동적 모멘트들을 획득하는 데 사용된다.
숫자는 모멘트의 정도를 제공하고, 아래 첨자는 모멘트가 계산되는 방향을 표시하고, PB 및 SB는 기본 및 2차 이등분선들이고, n은 동적 모멘트들을 계산하는 데 사용되는 윈도우 사이즈, 즉, 시간의 현재 모멘트에서 동적 모멘트들을 계산하는 데 사용되는 앞선 샘플들의 수이다. x 및 y는 (3)에서와 같이 시간의 상이한 모멘트들에서의 정규화된 응답을 표시한다.
본 개시내용의 실시예들에 따르면, 정보 추출 블록은 표현들 중 하나의 표현의 피처 샘플들이 대응하는 신호 샘플에 대한 출력 샘플들 모두를 포함하도록 하는 방식으로 구성된다.
이것은 추가의 처리 없이 피처 샘플들이 의사결정 블록으로 전송될 수도 있기 때문에 적은 연산 리소스들만을 단지 요구하는 간단한 접근법이다.
본 개시내용의 실시예들에 따르면, 정보 추출 블록은 차원 감소 스테이지(dimensionality reduction stage)를 포함하고, 여기서 신호 샘플들 중 하나의 신호 샘플의 복수의 출력 샘플들 각각은 차원 감소 스테이지로 공급되고, 여기서 차원 감소 스테이지는 차원 감소 스테이지로 공급된 복수의 출력 샘플들에 기초하여 하나 이상의 감소된 출력 샘플들을 출력하도록 구성되고, 여기서 감소된 출력 샘플들의 수는 차원 감소 스테이지로 공급된 출력 샘플들의 수보다 더 작고, 여기서 감소된 출력 샘플들의 리던던시(redundancy)는 차원 감소 스테이지로 공급된 출력 샘플들의 리던던시보다 더 낮고, 여기서 정보 추출 블록은 표현들 중 하나의 표현의 피처 샘플들이 대응하는 신호 샘플에 대한 감소된 출력 샘플들 모두를 포함하도록 하는 방식으로 구성된다.
피처 공간(피처 샘플들의 차원)은, 예를 들어, 2차원 또는 3차원으로 감소될 수도 있다. 감소된 표현에서의 비선형 거동이 캡처될 필요가 있는 경우, 차원 감소를 위해 오토인코더가 사용될 수도 있다. 오토인코더는, 피드 포워드 뉴럴 네트워크(feed-forward neural network)와 유사하게 작동하지만 입력을 분류하려고 시도하는 대신에, 재구축 에러를 최소화함으로써 입력을 출력으로서 재현하려고 시도하고 있는 비지도 학습 알고리즘(unsupervised learning algorithm)이다. 이것은 오토인코더의 히든 레이어(hidden layer)가 입력 레이어보다 더 적은 뉴런들을 갖고 있기 때문에 특히 유용하다.
3-레이어 오토인코더의 히든 레이어(피처 레이어)에서의 표현은 감소된 차원들의 스케일이 상이할 것이라는 것을 제외하고는 주성분 분석과 유사한 결과들을 생성할 것이다. 히든 레이어들이 많을수록, 피처들 간에서의 비선형 상호종속성들(non-linear interdependencies)을 발견하는 것을 도울 수 있는, 입력의 더 복잡한 함수들을 인코딩하는 것을 도울 수 있다.
게다가, "차원의 저주(curse of dimensionality)"를 회피하고 리던던시를 회피하고 노이즈를 추가로 감소시키기 위해, 추출된 피처들의 차원이 오토인코더를 통해 감소될 수도 있다. 주성분 분석 및 선형 판별 분석과 같은 더 전통적인 차원 감소 방법들과 비교하면, 오토인코더의 사용은, 다른 경우라면 손실될 것이고 상이한 가스들을 판별하기 위해 이용되지 않을 수 있는, 원래 신호 표현에서의 비선형성들을 또한 캡처하는 부가적인 이익을 갖는다.
본 개시내용의 실시예들에 따르면, 가중 블록은 표현들 각각에 대해, 가중된 피처 샘플들을 포함하는 가중된 표현을 계산하기 위해, 각각의 표현의 피처 샘플들 모두에 하나 이상의 시변 가중 함수들 중 하나를 적용하도록 구성된다.
이것은 복수의 피처 샘플들을 처리하기 위해 단지 하나의 시변 가중 함수만이 필요하기 때문에 낮은 연산 리소스들만을 단지 요구하는 간단한 접근법이다.
본 개시내용의 실시예들에 따르면, 가중 블록은 표현들 각각에 대해, 가중된 피처 샘플들을 포함하는 가중된 표현을 계산하기 위해, 각각의 표현의 피처 샘플들 중 적어도 일부에 하나 이상의 시변 가중 함수들의 상이한 시변 가중 함수들을 적용하도록 구성된다.
이들 피처들에 의해 가스 측정들의 정확도가 증가될 수도 있다.
본 개시내용의 실시예들에 따르면, 시변 가중 함수들은 하나 이상의 윈도우 함수들을 포함한다.
윈도우 함수(아포다이제이션 함수(apodization function) 또는 테이퍼링 함수(tapering function)라고도 또한 알려져 있음)는 일부의 선정된 간격의 외측에서 제로 값으로 되는 수학적 함수인데, 일반적으로 그 간격의 중간을 중심으로 대칭이고, 통상적으로 중간에서 최대 값에 가깝고, 통상적으로 중간으로부터 멀어지면서 테이퍼링된다. 수학적으로, 다른 함수 또는 파형/데이터-시퀀스가 윈도우 함수로 곱해질 때, 곱이 또한 그 간격의 외측에서 제로의 값으로 된다: 남은 모든 것은, 이들이 겹치는 부분, 즉, "윈도우를 통한 뷰(view through the window)"이다.
윈도우 함수를 사용함으로써 데이터량이 감소될 수도 있다. 특히, 직사각형 윈도우 함수가 사용될 수도 있다. 윈도우 함수는 미리 정의되고 가중 블록에 저장될 수도 있다. 대안적으로, 윈도우 함수는 가중 블록으로 공급되는 하나 이상의 피처 샘플들에 따라 계산될 수도 있다.
본 개시내용의 실시예들에 따르면, 알고리즘 스테이지는, 하나 이상의 트레이닝된 모델들을 사용하는 랜덤 의사결정 포레스트(random decision forest)를 포함한다.
랜덤 의사결정 포레스트는, 트레이닝 시간에 다수의 의사결정 트리들을 구축하고 개별 트리들의 클래스들(분류) 또는 평균 예측(회귀)의 모드인 클래스를 출력함으로써 동작하는 분류, 회귀 및 다른 태스크들을 위한 학습 방법이다.
본 개시내용의 실시예들에 따르면, 알고리즘 스테이지는, 하나 이상의 트레이닝된 모델들을 사용하는 뉴럴 네트워크를 포함한다.
인공 뉴럴 네트워크는, 다수의 로지스틱 회귀(logistic regression)들이 비선형적으로 조합되는 파라미터화된 통계 모델이다. 그러한 시스템들은, 일반적으로 임의의 태스크 특정 규칙들로 프로그래밍되는 일 없이, 예들을 고려함으로써 태스크들을 수행하도록 "학습"한다. 뉴럴 네트워크는 인공 뉴런들이라고 불리는 연결된 노드들의 콜렉션(collection)에 기초한다. 각각의 연결은 하나의 인공 뉴런으로부터 다른 인공 뉴런으로 신호를 송신할 수 있다. 신호를 수신하는 인공 뉴런은 그것을 처리한 후에, 그것에 연결된 부가적인 인공 뉴런들에 시그널링할 수 있다. 뉴럴 네트워크의 노드들, 또는 하이퍼파라미터(hyperparameter)들의 구조는 모델에 의해 미리 정의되고 연결들의 파라미터들은 뉴럴 네트워크를 트레이닝시킴으로써 발견된다. 구조 및 대응하는 파라미터들은 각각의 뉴럴 네트워크에 대한 트레이닝된 모델을 형성한다.
본 개시내용의 실시예들에 따르면, 가중 블록은 가중 함수 계산 블록 및 곱셈 블록을 포함하고,
여기서 가중 함수 계산 블록은 표현들 중 하나의 표현의 피처 샘플들을 수신하도록 구성되고,
여기서 가중 함수 계산 블록은 복수의 시간 단계들의 각각의 시간 단계에 대한 시변 가중 함수들 중 하나의 시변 가중 함수 각각에 대한 함수 값을, 대응하는 세트의 피처 값들에 기초하여 계산함으로써 시변 가중 함수들 중 하나 이상을 계산하도록 구성되고, 여기서 대응하는 세트의 피처 값들은, 피처 샘플들 각각으로부터의 각각의 시간 단계에 대응하는 피처 값을 포함하고,
여기서 곱셈 블록은 하나의 표현에 대해, 가중된 피처 샘플들을 포함하는 가중된 표현을 계산하기 위해, 시간 단계들 각각에 대해 각각의 시간 단계에 대응하는 피처 값들 각각을 각각의 시간 단계에 대한 함수 값으로 곱함으로써 각각의 표현의 피처 샘플들 각각에 시변 가중 함수들 중 하나를 적용하도록 구성된다.
피처 샘플은 피처 값들의 시퀀스이고, 여기서 피처 값들 각각은 처리될 피처 샘플들의 시간 단계에 대응한다. 동일한 방식으로, 가중 함수는 함수 값들의 시퀀스에 의해 정의될 수도 있고, 여기서 함수 값들 각각은, 가중 함수가 적용되는 피처 샘플의 시간 단계에 대응한다. 가중 함수의 함수 값들 각각을 계산하기 위해, 가중 함수 계산 블록은 인공 지능에 기초할 수도 있다. 가중 함수 계산 블록은, 트레이닝된 모델을 사용하는 알고리즘 스테이지를 포함할 수도 있다.
가중 함수의 함수 값들은 처리될 피처 샘플들로부터의 피처 값들로부터 단계적으로 도출될 수 있다. 예를 들어, 제1 시간 단계에 대한 함수 값은 제1 피처 샘플의 제1 피처 값, 제2 피처 샘플의 제1 피처 값 및 제3 피처 샘플의 제1 피처 값을 가중 함수 계산 블록에 입력함으로써 결정될 수도 있고, 여기서 상기 입력들로부터 도출된 가중 함수 계산 블록의 출력은 가중 함수의 제1 함수 값이다. 그 후에, 제2 시간 단계에 대한 함수 값은 제1 피처 샘플의 제2 피처 값, 제2 피처 샘플의 제2 피처 값 및 제3 피처 샘플의 제2 피처 값을 가중 함수 계산 블록에 입력함으로써 결정될 수도 있고, 여기서 상기 입력들로부터 도출된 인공 지능 스테이지의 출력은 가중 함수의 제2 함수 값이다.
그 후에, 가중된 피처 샘플들은 곱셈 블록을 사용함으로써 가중 함수의 함수 값들과 피처 샘플들의 피처 값들을 단계적으로 곱함으로써 결정될 수도 있다.
그 결과, 가중 함수들은 의사결정 블록으로 공급된 피처 샘플들에 의존한다. 따라서, 가스 측정들의 정확도가 증가될 수도 있다.
본 개시내용의 실시예들에 따르면, 뉴럴 네트워크는 순환 뉴럴 네트워크(recurrent neural network)이고, 여기서 가중 함수 계산 블록은 순환 뉴럴 네트워크의 히든 스테이트(hidden state)에 기초하여 복수의 시간 단계들의 각각의 시간 단계에 대한 시변 가중 함수들 각각에 대한 함수 값을 계산함으로써 시변 가중 함수들 중 하나 이상을 계산하도록 구성된다.
그러한 실시예들에서, 순환 뉴럴 네트워크의 히든 스테이트들 - 이들 각각은 시간 단계들 중 하나에 대응함 - 은 가중 함수 계산 블록에 부가적으로 입력된다. 히든 스테이트들은 순환 뉴럴 네트워크의 히든 레이어들의 노드들의 값들을 지칭한다. 히든 스테이트들은 가중 함수의 함수 값들의 계산을 위한 콘텍스트를 제공하다. 따라서, 그러한 가중 함수 계산 블록의 작동 원리는 "어텐션 메커니즘(attention)"이라고 지칭될 수도 있다. 그러한 콘텍스트를 사용함으로써, 가스 측정들의 정확도가 증가될 수도 있다.
본 개시내용의 실시예들에 따르면, 가중 함수 계산 블록은 피드 포워드 뉴럴 네트워크 및 소프트맥스 블록(softmax block)을 포함하고,
여기서 피드 포워드 뉴럴 네트워크는 피처 샘플들을 수신하도록 그리고 피처 샘플들에 기초하여 중간 함수 값들을 출력하도록 구성되고,
여기서 소프트맥스 블록은 소프트맥스 함수를 사용함으로써 중간 함수 값들에 기초하여 하나 이상의 시변 가중 함수들에 대한 함수 값들을 계산하도록 구성된다.
피드 포워드 뉴럴 네트워크는 노드들 사이의 연결들이 사이클을 형성하지 않는 인공 뉴럴 네트워크이다. 이와 같이, 그것은 순환 뉴럴 네트워크들과는 상이하다.
softargmax 또는 정규화된 지수 함수라고도 또한 알려져 있는 소프트맥스 함수는, K개의 실수들의 벡터를 입력으로서 취하고, 그것을, K개의 확률들로 이루어지는 확률 분포로 정규화하는 함수이다. 즉, 소프트맥스를 적용하기에 앞서, 일부 벡터 성분들이 음수이거나, 또는 1보다 더 클 수 있고; 1로 합산되지 않을 수도 있지만; 소프트맥스를 적용한 후에, 각각의 성분이 간격 (0, 1)에 있을 것이고, 그 성분들은 최대 1로 가산되어, 이들이 확률들로서 해석될 수 있다.
피드 포워드 뉴럴 네트워크와 소프트맥스를 조합하면, 적은 연산 노력으로 정확한 결과들을 제공한다.
본 개시내용의 실시예들에 따르면, 가중 함수 계산 블록은 복수의 시간 단계들의 각각의 시간 단계에 대한 제2 시변 가중 함수들 중 하나에 대한 제2 함수 값을, 대응하는 제2 세트의 피처 값들에 기초하여 계산함으로써 하나 이상의 제2 시변 가중 함수들을 계산하도록 구성되고, 여기서 대응하는 제2 세트의 피처 값들은, 피처 샘플들 각각으로부터의 각각의 시간 단계에 선행하는 시간 단계에 대응하는 피처 값을 포함하고,
여기서 곱셈 블록은 하나의 표현에 대해 제2 가중된 피처 샘플들을 계산하기 위해 시간 단계들 각각에 대해 각각의 시간 단계에 선행하는 시간 단계에 대응하는 피처 값들 각각을 각각의 시간 단계에 대한 제2 함수 값으로 곱함으로써 각각의 표현의 피처 샘플들 각각에 제2 시변 가중 함수들 중 하나를 적용하도록 구성되고, 제2 가중된 피처 샘플들은 각각의 가중된 표현에 부가된다.
그러한 실시예들에서, 제2 시변 가중 함수들 각각은 이전 시간 단계로부터의 피처 값들의 세트에 의존한다. 따라서, 제2 시변 가중 함수들과 이전 시간 단계로부터의 피처 값들의 세트의 곱셈은 제2 가중된 피처 샘플들을 발생시키는데, 이들은 일시적으로 딜레이된다. 제2 가중된 피처 샘플들이 각각의 가중된 표현에 부가됨에 따라, 가중된 표현들에서의 유용한 정보량이 증가될 수도 있어서 가스 측정들의 정확도가 증가될 수도 있다.
본 개시내용의 실시예들에 따르면, 뉴럴 네트워크는 순환 뉴럴 네트워크이고, 여기서 가중 함수 계산 블록은 순환 뉴럴 네트워크의 히든 스테이트에 기초하여 복수의 시간 단계들의 각각의 시간 단계에 대한 제2 시변 가중 함수들 각각에 대한 제2 함수 값을 계산함으로써 하나 이상의 제2 시변 가중 함수들을 계산하도록 구성된다.
그러한 피처들을 사용함으로써, 가스 측정들의 정확도가 추가로 증가될 수도 있다.
본 개시내용의 실시예들에 따르면, 가중 함수 계산 블록은 적어도 하나의 제2 피드 포워드 뉴럴 네트워크를 포함하고,
여기서 제2 피드 포워드 뉴럴 네트워크들 각각은 제2 세트들의 피처 값들 중 하나를 수신하도록 그리고 제2 세트들의 피처 값들 중 하나에 기초하여 제2 중간 함수 값들을 출력하도록 구성되고,
여기서 소프트맥스 블록은 중간 함수 값들 및 제2 중간 함수 값들에 기초하여 시변 가중 함수들 중 하나에 대한 함수 값들 및 제2 시변 가중 함수들 중 하나에 대한 제2 함수 값들을 계산하도록 구성된다.
그러한 피처들을 사용함으로써, 가스 측정들의 정확도가 추가로 증가될 수도 있다.
수학적 용어들로, 함수 값들 및 제2 함수 값들은 다음과 같이 정의될 수도 있고
여기서 αj는 각각의 함수 값 또는 제2 함수 값이고, sj는 시간 단계 j에 대한 신호이고, ht는 시간 단계 t에서의 순환 뉴럴 네트워크로부터의 (임의적) 히든 스테이트이고, Tx는 고려 하의 시간 단계들의 수이다. 피드 포워드 뉴럴 네트워크 및 제2 피드 포워드 네트워크는 원하는 대로 치수화될 수 있지만, Tx개의 네트워크들이 있기 때문에, 보다 작은 치수들이 바람직하다. 예를 들어:
또한 순환 뉴럴 네트워크의 히든 스테이트를 사용하는 경우에, 이 식은 벡터들 sj와 ht를 연접(concatenating)함으로써
로 변경될 수 있다. 이에 따라, Wj,t의 제1 치수가 변경된다.
상기의 2개의 식들에 의하면, 표현의 특정 시간 단계에 대한 단일 함수 값 또는 제2 함수 값이, 그 표현에 포함된 피처 샘플들의 수에 관계없이, 연산될 수 있다. 대안적으로, 함수 값들 또는 제2 함수 값들이 개별 시간 단계에 대해서뿐만 아니라, 그 시간 단계에서의 각각의 피처 샘플에 대해 조정되는 메커니즘을 또한 생각할 수 있다.
마지막 단계로서, 순환 뉴럴 네트워크로의 입력은 고려 하의 다양한 시간 단계들에서의 신호들의 가중된 합으로서 형성된다:
본 개시내용의 실시예들에 따르면, 가스 센서들 중 적어도 일부는 리커버리 페이즈들 동안에는 하나 이상의 제1 온도 프로파일들의 상이한 제1 온도 프로파일들에 따라 그리고/또는 감지 페이즈들 동안에는 하나 이상의 제2 온도 프로파일들의 상이한 제2 온도 프로파일들에 따라 가열된다.
그러한 실시예들에서 온도 변조는 상이한 가스 센서들마다 상이하다. 이것은 베이스 재료의 상이한 기능화들을 보다 양호하게 이용하는 것 그리고 가스 분리성을 개선시키는 것을 가능하게 한다. 유사하게, 센서 특정 온도 값들을 획득하도록 상이한 인가 전압들과의 시분할 멀티플렉싱에서 다수의 히터 제어기들(각각의 가스 센서마다 하나씩) 또는, 대안적으로, 단일 히터 제어기가 사용될 수 있다. 이들 제어된 온도 오실레이션(temperature oscillation)들의 결과는, 아래에 설명되는 바와 같이 가스 감지 디바이스에 의해 이용되는 가스 센서들의 응답들의 더 동적인 거동이다.
가스들의 혼합물에서 하나 이상의 가스들을 감지하기 위한 가스 감지 디바이스를 동작시키는 방법이 추가로 개시되고, 가스 감지 디바이스는 하나 이상의 화학 저항성 가스 센서들을 포함하고, 여기서 방법은:
가스들의 혼합물에서 하나 이상의 가스들 중 하나의 가스의 농도에 대응하는 신호 샘플들을 생성하기 위해 가스 센서들 각각을 사용하는 단계 - 여기서 하나 이상의 가스 센서들은 리커버리 페이즈들에서 그리고 감지 페이즈들에서 교호로 동작되고, 여기서 센서들 각각의 신호 샘플들 중 적어도 일부가 감지 페이즈들 동안 생성됨 -;
리커버리 페이즈들 동안에는 하나 이상의 제1 온도 프로파일들에 따라 그리고 감지 페이즈들 동안에는 하나 이상의 제2 온도 프로파일들에 따라 하나 이상의 가열 요소들을 사용함으로써 가스 센서들을 가열하는 단계 - 여기서 가스 센서들 각각에 대해, 각각의 제1 온도 프로파일의 최대 온도가 각각의 제2 온도 프로파일의 최대 온도보다 더 높음 -;
신호 샘플들을 수신하기 위해 그리고 각각의 가스 센서의 수신된 신호 샘플들(SIG)의 복수의 피처들에 기초하여 가스 센서들 각각에 대한 수신된 신호 샘플들에 대한 표현들을 생성하기 위해 정보 추출 블록을 사용하는 단계 - 여기서 피처들 각각은, 시간이 지남에 따른, 각각의 가스 센서의 수신된 신호 샘플들의 동적 특성들의 변화에 관련되고, 여기서 표현들 각각은 복수의 피처 샘플들을 포함하고, 여기서 피처 샘플들 각각은 각각의 가스 센서의 피처들 중 하나 이상에 기초함 -;
의사결정 블록을 사용하는 단계 - 의사결정 블록은 가중 블록 및 트레이닝된 모델 기반 알고리즘 스테이지 및 알고리즘 스테이지에 대한 하나 이상의 트레이닝된 모델들을 포함하고, 여기서 알고리즘 스테이지는 알고리즘 스테이지의 출력 레이어의 출력 값들에 기초하여 가스 센서들 각각에 대해 감지 결과들을 생성하기 위해, 입력 레이어 및 출력 레이어를 가짐 -; 및
표현들 중 하나의 표현의 피처 샘플들을 수신하기 위해 그리고 표현들 각각에 대해, 가중된 피처 샘플들을 포함하는 가중된 표현을 계산하기 위해, 각각의 표현의 피처 샘플들 각각에 하나 이상의 시변 가중 함수들을 적용하기 위해 가중 블록을 사용하는 단계
를 포함하고;
여기서 가스 센서들 각각에 대한 가중된 표현들은 알고리즘 스테이지의 입력 레이어에 입력되고,
여기서 하나 이상의 가스 센서들에 대한 출력 값들은 알고리즘 스테이지에서 하나 이상의 트레이닝된 모델들 중 적어도 하나를 사용함으로써 생성되어 하나 이상의 가스 센서들의 각각의 가스 센서에 대한 출력 값들이 가스 센서들 각각의 가중된 표현들에 의존하도록 한다.
본 발명의 실시예들은 첨부된 도면들에 대한 참조를 행하여 본 명세서에서 설명된다.
도 1은 3개의 화학 저항성 가스 센서들을 포함하는 가스 감지 디바이스의 제1 예시적인 실시예의 개략도를 도시한다.
도 2는 가스 감지 디바이스의 예시적인 정보 추출 블록의 개략도를 도시한다.
도 3은 가스 감지 디바이스의 제2 예시적인 실시예의 개략도를 도시한다.
도 4는 가스 감지 디바이스의 제3 예시적인 실시예의 개략도를 도시한다.
도 5는 가스 감지 디바이스의 예시적인 의사결정 블록의 개략도를 도시한다.
도 6은 가스 감지 디바이스의 예시적인 가중 블록의 개략도를 도시한다.
도 7은 가스 감지 디바이스의 추가의 예시적인 가중 블록의 개략도를 도시한다.
도 8은 시간이 지남에 따른 예시적인 신호 샘플들 및 가중 함수들을 예시한다.
도 9는 예시적인 그래핀 멀티-가스 센서 어레이를 도시한다.
도 10은 시간이 지남에 따른 예시적인 정규화된 센서 응답들 및 히터 온도들을 예시한다.
도 11은 정적 및 펄싱 측정 모드들에서의 예시적인 센서 응답들을 예시한다.
도 12는 분석들을 위한 산점도(scatter plot)들을 생성하기 위한 예시적인 디바이스를 도시한다.
도 13은 3개의 상이한 가스들에 대한 산점도를 예시한다.
도 14는 감소된 피처 공간에서 캡처되는 정보의 양을 예시한다.
동일한 또는 동등한 요소들 또는 동일한 또는 동등한 기능성을 갖는 요소들은 다음의 설명에서 동일한 또는 동등한 참조 번호들로 나타낸다.
도 1은 3개의 화학 저항성 가스 센서들을 포함하는 가스 감지 디바이스의 제1 예시적인 실시예의 개략도를 도시한다.
도 2는 가스 감지 디바이스의 예시적인 정보 추출 블록의 개략도를 도시한다.
도 3은 가스 감지 디바이스의 제2 예시적인 실시예의 개략도를 도시한다.
도 4는 가스 감지 디바이스의 제3 예시적인 실시예의 개략도를 도시한다.
도 5는 가스 감지 디바이스의 예시적인 의사결정 블록의 개략도를 도시한다.
도 6은 가스 감지 디바이스의 예시적인 가중 블록의 개략도를 도시한다.
도 7은 가스 감지 디바이스의 추가의 예시적인 가중 블록의 개략도를 도시한다.
도 8은 시간이 지남에 따른 예시적인 신호 샘플들 및 가중 함수들을 예시한다.
도 9는 예시적인 그래핀 멀티-가스 센서 어레이를 도시한다.
도 10은 시간이 지남에 따른 예시적인 정규화된 센서 응답들 및 히터 온도들을 예시한다.
도 11은 정적 및 펄싱 측정 모드들에서의 예시적인 센서 응답들을 예시한다.
도 12는 분석들을 위한 산점도(scatter plot)들을 생성하기 위한 예시적인 디바이스를 도시한다.
도 13은 3개의 상이한 가스들에 대한 산점도를 예시한다.
도 14는 감소된 피처 공간에서 캡처되는 정보의 양을 예시한다.
동일한 또는 동등한 요소들 또는 동일한 또는 동등한 기능성을 갖는 요소들은 다음의 설명에서 동일한 또는 동등한 참조 번호들로 나타낸다.
다음의 설명에서, 본 발명의 실시예들의 더 완전한 설명을 제공하기 위해 복수의 세부사항들이 제시된다. 그러나, 본 발명의 실시예들은 이들 특정 세부사항들 없이도 실시될 수도 있다는 것이 본 기술분야의 통상의 기술자에게 명백할 것이다. 다른 경우들에서, 잘 알려진 구조들 및 디바이스들은 본 발명의 실시예들을 모호하게 하는 것을 회피하기 위해 상세히보다는 오히려 블록도 형태로 도시된다. 부가적으로, 달리 구체적으로 언급되지 않는 한, 이하 설명되는 상이한 실시예들의 피처들은 서로 조합될 수도 있다.
도 1은 가스들의 혼합물에서 하나 이상의 가스들을 감지하기 위한 가스 감지 디바이스(1)의 제1 예시적인 실시예의 개략도를 도시한다. 본 개시내용의 실시예들에 따르면, 가스 감지 디바이스(1)는:
하나 이상의 화학 저항성 가스 센서들(2) - 여기서 가스 센서들(2) 각각은 가스들의 혼합물에서 하나 이상의 가스들 중 하나의 가스의 농도에 대응하는 신호 샘플들(SIG)을 생성하도록 구성되고, 여기서 하나 이상의 가스 센서들(2)은 리커버리 페이즈들(RP)에서 그리고 감지 페이즈들(SP)에서 교호로 동작되고, 여기서 가스 센서들(2) 각각의 신호 샘플들(SIG) 중 적어도 일부는 감지 페이즈들(SP) 동안 생성됨 -;
리커버리 페이즈들(RP) 동안에는 하나 이상의 제1 온도 프로파일들(FTP)에 따라 그리고 감지 페이즈들(SP) 동안에는 하나 이상의 제2 온도 프로파일들(STP)에 따라 가스 센서들(2)을 가열하기 위한 하나 이상의 가열 요소들(3) - 여기서 가스 센서들(2) 각각에 대해, 각각의 제1 온도 프로파일(FTP)의 최대 온도가 각각의 제2 온도 프로파일(STP)의 최대 온도보다 더 높음 -;
신호 샘플들(SIG)을 수신하도록 그리고 각각의 가스 센서(2)의 수신된 신호 샘플들(SIG)의 복수의 피처들에 기초하여 가스 센서들(2) 각각에 대한 수신된 신호 샘플들(SIG)에 대한 표현들(REP)을 생성하도록 구성되는 정보 추출 블록(4) - 여기서 피처들 각각은, 시간이 지남에 따른, 각각의 가스 센서(2)의 수신된 신호 샘플들(SIG)의 동적 특성들의 변화에 관련되고, 여기서 표현들(REP) 각각은 복수의 피처 샘플들(FIS)을 포함하고, 여기서 피처 샘플들(FIS) 각각은 각각의 가스 센서(2)의 피처들 중 하나 이상에 기초함 -; 및
표현들(REP)을 수신하도록 구성되는 의사결정 블록(5)
을 포함하고, 여기서 의사결정 블록(5)은, 가중 블록(6) 및 트레이닝된 모델 기반 알고리즘 스테이지(7)를 포함하고, 여기서 가중 블록(6)은 표현들(REP) 중 하나의 표현의 피처 샘플들(FIS)을 수신하도록 그리고 표현들(REP) 각각에 대해, 가중된 피처 샘플들(WFIS)을 포함하는 가중된 표현(WREP)을 계산하기 위해, 각각의 표현(REP)의 피처 샘플들(FIS) 각각에 하나 이상의 시변 가중 함수들을 적용하도록 구성되고, 여기서 알고리즘 스테이지(7)는 입력 레이어(8) 및 출력 레이어(9)를 포함하고, 여기서 의사결정 블록(5)은 알고리즘 스테이지(7)에 대한 하나 이상의 트레이닝된 모델들(TM)을 포함하고, 여기서 가스 센서들(2) 각각에 대한 가중된 표현들(WREP)은 알고리즘 스테이지(7)의 입력 레이어(8)에 입력되고, 여기서 의사결정 블록(5)은 알고리즘 스테이지(7)의 출력 레이어(9)의 출력 값들(OV)에 기초하여 가스 센서들(2) 각각에 대해 감지 결과들(SR)을 생성하고, 여기서 가스 센서들(2) 각각에 대한 출력 값들(OV)은 알고리즘 스테이지(7)에서 하나 이상의 트레이닝된 모델들(TM) 중 적어도 하나를 사용함으로써 생성되어 가스 센서들(2) 각각에 대한 출력 값들(OV)이 가스 센서들(2) 각각의 가중된 표현들(WREP)에 의존하도록 한다.
도 1에 도시된 실시예는 3개의 화학 저항성 가스 센서들(2.1, 2.2 및 2.3)을 포함하고, 여기서 센서들(2.1, 2.2 및 2.3) 각각은 특정 가스에 민감하다. 예를 들어, 가스 센서(2.1)는 이산화 질소 센서일 수도 있고, 가스 센서(2.2)는 오존 센서일 수도 있으며 가스 센서(2.3)는 일산화 탄소 센서일 수도 있다. 일부 실시예들에서, 가스 센서들(2)이 사용될 수 있는데, 이들은 모두 이산화 질소와 같은 하나 이상의 가스들에 민감하지만 상이하게 반응한다. 다른 실시예들에서, 가스 센서들의 수는 3보다 더 크거나 또는 더 작을 수 있다.
가스 센서(2.1)는, 정보 추출 블록(4)에 의해 표현들(REP1)로 변환되는 신호 샘플들(SIG1)을 생성한다. 표현들(REP1) 각각은, 예를 들어, 3개의 피처 샘플들(FIS11, FIS12 및 FIS13)을 포함한다. 가스 센서(2.2)는, 정보 추출 블록(4)에 의해 표현들(REP2)로 변환되는 신호 샘플들(SIG2)을 생성한다. 표현들(REP2) 각각은, 예를 들어, 3개의 피처 샘플들(FIS21, FIS22 및 FIS23)을 포함한다. 가스 센서(2.3)는, 정보 추출 블록(4)에 의해 표현들(REP3)로 변환되는 신호 샘플들(SIG3)을 생성한다. 표현들(REP3) 각각은, 예를 들어, 3개의 피처 샘플들(FIS31, FIS32 및 FIS33)을 포함한다.
가중 블록(6)은 표현들(REP1, REP2 및 REP3)을 가중된 표현들(WREP1, WREP2 및 WREP3)로 변환하고, 여기서 가중된 표현(WREP1)은 가중된 피처 샘플들(WFIS11, WFIS12 및 WFIS13)을 포함하고, 여기서 가중된 표현(WREP2)은 가중된 피처 샘플들(WFIS21, WFIS22 및 WFIS23)을 포함하고, 여기서 가중된 표현(WREP3)은 가중된 피처 샘플들(WFIS31, WFIS32 및 WFIS33)을 포함한다.
가중된 표현들(WREP1, WREP2 및 WREP3)은 의사결정 블록(5)의 알고리즘 스테이지(7)의 입력 레이어(8)로 공급된다. 가중된 표현들(WREP1, WREP2 및 WREP3)은 트레이닝된 모델들(TM) 중 하나를 사용함으로써 알고리즘 스테이지(7)의 출력 레이어(9)에서 출력 값들(OV1, OV2 및 OV3)을 생성하기 위해 동시에 사용된다.
출력 값들(OV1, OV2 및 OV3)은 감지 결과들(SR1, SR2 및 SR3)로서 직접 사용될 수도 있다. 대안적으로, 결과들(SR1, SR2 및 SR3)은 출력 값들(OV1, OV2 및 OV3)의 후처리에 의해 도출될 수도 있다. 특히 백분위수 필터(percentile filter)가 출력 값들(OV1, OV2 및 OV3)의 후처리를 위해 사용될 수 있다.
추가의 양태에서, 본 개시내용은 가스들의 혼합물에서 하나 이상의 가스들을 감지하기 위한 가스 감지 디바이스(1)를 동작시키는 방법에 관한 것이고, 가스 감지 디바이스(1)는 하나 이상의 화학 저항성 가스 센서들(2)을 포함하고, 여기서 방법은:
가스들의 혼합물에서 하나 이상의 가스들 중 하나의 가스의 농도에 대응하는 신호 샘플들(SIG)을 생성하기 위해 가스 센서들(2) 각각을 사용하는 단계 - 여기서 하나 이상의 가스 센서들(2)은 리커버리 페이즈들(RP)에서 그리고 감지 페이즈들(SP)에서 교호로 동작되고, 여기서 센서들(2) 각각의 신호 샘플들(SIG) 중 적어도 일부는 감지 페이즈들(SP) 동안 생성됨 -;
리커버리 페이즈들(RP) 동안에는 하나 이상의 제1 온도 프로파일들(FTP)에 따라 그리고 감지 페이즈들(SP) 동안에는 하나 이상의 제2 온도 프로파일들(STP)에 따라 하나 이상의 가열 요소들(3)을 사용함으로써 가스 센서들(2)을 가열하는 단계 - 여기서 가스 센서들(2) 각각에 대해, 각각의 제1 온도 프로파일(FTP)의 최대 온도가 각각의 제2 온도 프로파일(STP)의 최대 온도보다 더 높음 -;
신호 샘플들(SIG)을 수신하기 위해 그리고 각각의 가스 센서(2)의 수신된 신호 샘플들(SIG)의 복수의 피처들에 기초하여 가스 센서들(2) 각각에 대한 수신된 신호 샘플들(SIG)에 대한 표현들(REP)을 생성하기 위해 정보 추출 블록(4)을 사용하는 단계 - 여기서 피처들 각각은, 시간이 지남에 따른, 각각의 가스 센서(2)의 수신된 신호 샘플들(SIG)의 동적 특성들의 변화에 관련되고, 여기서 표현들(REP) 각각은 복수의 피처 샘플들을 포함하고, 여기서 피처 샘플들 각각은 각각의 가스 센서(2)의 피처들 중 하나 이상에 기초함 -;
의사결정 블록(5)을 사용하는 단계 - 의사결정 블록(5)은 가중 블록(6) 및 트레이닝된 모델 기반 알고리즘 스테이지(7) 및 알고리즘 스테이지(7)에 대한 하나 이상의 트레이닝된 모델들(TM)을 포함하고, 여기서 알고리즘 스테이지(7)는 알고리즘 스테이지(7)의 출력 레이어(9)의 출력 값들(OV)에 기초하여 가스 센서들(2) 각각에 대해 감지 결과들(SR)을 생성하기 위해, 입력 레이어(8) 및 출력 레이어(9)를 가짐 -; 및
표현들(REP) 중 하나의 표현의 피처 샘플들(FIS)을 수신하기 위해 그리고 표현들(REP) 각각에 대해, 가중된 피처 샘플들(WFIS)을 포함하는 가중된 표현(WREP)을 계산하기 위해, 각각의 표현(REP)의 피처 샘플들(FIS) 각각에 하나 이상의 시변 가중 함수들(WF)을 적용하기 위해 가중 블록(5)을 사용하는 단계
를 포함하고;
여기서 가스 센서들(2) 각각에 대한 가중된 표현들(WREP)은 알고리즘 스테이지(7)의 입력 레이어(8)에 입력되고,
여기서 하나 이상의 가스 센서들(2)에 대한 출력 값들(OV)은 알고리즘 스테이지(7)에서 하나 이상의 트레이닝된 모델들(TM) 중 적어도 하나를 사용함으로써 생성되어 하나 이상의 가스 센서들(2)의 각각의 가스 센서(2)에 대한 출력 값들(OV)이 가스 센서들(2) 각각의 가중된 표현들(WREP)에 의존하도록 한다.
도 2는 가스 감지 디바이스(1)의 예시적인 정보 추출 블록(4)의 개략도를 도시한다.
본 개시내용의 실시예들에 따르면, 정보 추출 블록(4)은 복수의 피처 추출 스테이지들(10, 11, 12, 13)을 포함하고, 여기서 피처 추출 스테이지들(10, 11, 12, 13) 각각은 가스 센서들(2) 각각에 대한 각각의 신호 샘플(SIG)의 피처들 중 하나에 기초하여 신호 샘플들(SIG) 중 하나에 대해 출력 샘플(OS)을 계산하도록 구성되고, 여기서 표현들(REP) 중 하나의 표현의 복수의 피처 샘플들(FIS)은 복수의 피처 추출 스테이지들(10, 11, 12, 13)의 출력 샘플들(OS)에 기초한다.
본 개시내용의 실시예들에 따르면, 피처 추출 스테이지들(10, 11, 12, 13)은, 각각의 신호 샘플(SIG)에 대한 출력 샘플들(OS) 중 하나를 생성하기 위해 가스 센서들(2) 각각에 대한 신호 샘플들(SIG) 중 하나의 신호 샘플의 도함수를 계산하도록 구성되는 도함수 계산 스테이지(10)를 포함한다.
본 개시내용의 실시예들에 따르면, 피처 추출 스테이지들(10, 11, 12, 13)은, 각각의 신호 샘플(SIG)에 대한 출력 샘플들(OS) 중 하나를 생성하기 위해 가스 센서들(2) 각각에 대한 신호 샘플들(SIG) 중 하나의 신호 샘플의 위상 공간 적분을 계산하도록 구성되는 위상 공간 적분 계산 스테이지(11)를 포함한다.
본 개시내용의 실시예들에 따르면, 피처 추출 스테이지들(10, 11, 12, 13)은,
각각의 신호 샘플(SIG)에 대한 출력 샘플들(OS) 중 하나를 생성하기 위해 신호 샘플들(SIG) 중 하나의 신호 샘플과 각각의 가스 센서(2)의 신호 샘플들(SIG)의 이전 신호 샘플(SIG) 사이의 가스 센서들(2) 각각에 대한 시간 상관, 및/또는
각각의 신호 샘플(SIG)에 대한 출력 샘플들(OS) 중 하나를 생성하기 위해 신호 샘플들(SIG) 중 하나의 신호 샘플과 가스 센서들(2) 중 다른 가스 센서의 신호 샘플들(SIG) 중 하나의 신호 샘플 사이의 공간 상관
을 계산하도록 구성되는 상관 계산 스테이지(13)를 포함한다.
본 개시내용의 실시예들에 따르면, 피처 추출 스테이지들(10, 11, 12, 13)은, 각각의 신호 샘플(SIG)에 대한 출력 샘플들(OS) 중 하나를 생성하기 위해 가스 센서들(2) 각각에 대한 신호 샘플들(SIG) 중 하나의 신호 샘플의 동적 모멘트를 계산하도록 구성되는 동적 모멘트 계산 스테이지(12)를 포함한다.
본 개시내용의 실시예들에 따르면, 정보 추출 블록(4)은 표현들(REP) 중 하나의 표현의 피처 샘플들(FIS)이 대응하는 신호 샘플(SIG)에 대한 출력 샘플들(OS) 모두를 포함하도록 하는 방식으로 구성된다.
본 개시내용의 실시예들에 따르면, 정보 추출 블록(4)은 차원 감소 스테이지(14)를 포함하고, 여기서 신호 샘플들(SIG) 중 하나의 신호 샘플의 복수의 출력 샘플들(OS) 각각은 차원 감소 스테이지(14)로 공급되고, 여기서 차원 감소 스테이지(14)는 차원 감소 스테이지(14)로 공급된 복수의 출력 샘플들(OS)에 기초하여 하나 이상의 감소된 출력 샘플들(ROS)을 출력하도록 구성되고, 여기서 감소된 출력 샘플들(ROS)의 수는 차원 감소 스테이지(14)로 공급된 출력 샘플들(OS)의 수보다 더 작고, 여기서 감소된 출력 샘플들(ROS)의 리던던시는 차원 감소 스테이지(14)로 공급된 출력 샘플들의 리던던시보다 더 낮고, 여기서 정보 추출 블록(4)은 표현들(REP) 중 하나의 표현의 피처 샘플들(FIS)이 대응하는 신호 샘플(SIG)에 대한 감소된 출력 샘플들(ROS) 모두를 포함하도록 하는 방식으로 구성된다.
도 3은 가스 감지 디바이스(1)의 제2 예시적인 실시예의 개략도를 도시한다. 본 개시내용의 실시예들에 따르면, 가중 블록(6)은 표현들(REP) 각각에 대해, 가중된 피처 샘플들(WFIS)을 포함하는 가중된 표현(WREP)을 계산하기 위해, 각각의 표현(REP)의 피처 샘플들(FIS) 모두에 하나 이상의 시변 가중 함수들(WF) 중 하나를 적용하도록 구성된다.
도 3에 도시된 바와 같이, 감지 결과들(SR)은 GUI 또는 디스플레이 상에 도시될 수도 있다.
본 개시내용의 실시예들에 따르면, 시변 가중 함수들(WF)은 하나 이상의 윈도우 함수들을 포함한다. 윈도우 함수들은 직사각형 윈도우 함수들일 수도 있다. 윈도우 함수는, 예를 들어, 온도 펄스의 감지 부분의 첫 번째 및 마지막 부분이 사용되도록 하는 방식으로 도함수 피처 샘플들(FIS)에 대해 설계될 수도 있고, 여기서 신호 샘플들(SIG)은 더 큰 다이내믹(dynamic)을 갖는다. 정규화된 저항 특성 샘플들의 경우, 신호 풋프린트를 감소시키고 신호가 보다 밀집된 구역에 집중되게 하기 위해 감지 페이즈의 최종 부분을 고려할 것이다.
도 4는 가스 감지 디바이스(1)의 제3 예시적인 실시예의 개략도를 도시한다. 본 개시내용의 실시예들에 따르면, 가중 블록(6)은 표현들(REP) 각각에 대해, 가중된 피처 샘플들(WFIS)을 포함하는 가중된 표현(WREP)을 계산하기 위해, 각각의 표현(REP)의 피처 샘플들(FIS) 중 적어도 일부에 하나 이상의 시변 가중 함수들(WF)의 상이한 시변 가중 함수들(WF)을 적용하도록 구성된다.
도 5는 가스 감지 디바이스(1)의 예시적인 의사결정 블록(6)의 개략도를 도시한다. 본 개시내용의 실시예들에 따르면, 알고리즘 스테이지(7)는, 하나 이상의 트레이닝된 모델들(TM)을 사용하는 랜덤 의사결정 포레스트를 포함한다.
본 개시내용의 실시예들에 따르면, 알고리즘 스테이지(7)는, 하나 이상의 트레이닝된 모델들(TM)을 사용하는 뉴럴 네트워크(15)를 포함한다.
본 개시내용의 실시예들에 따르면, 가중 블록(6)은 가중 함수 계산 블록(16) 및 곱셈 블록(17)을 포함하고,
여기서 가중 함수 계산 블록(16)은 표현들(REP) 중 하나의 표현의 피처 샘플들(FIS)을 수신하도록 구성되고,
여기서 가중 함수 계산 블록(16)은 복수의 시간 단계들의 각각의 시간 단계에 대한 시변 가중 함수들(WF) 중 하나의 시변 가중 함수 각각에 대한 함수 값(FV)을, 대응하는 세트의 피처 값들에 기초하여 계산함으로써 시변 가중 함수들(WF) 중 하나 이상을 계산하도록 구성되고, 여기서 대응하는 세트의 피처 값들은, 피처 샘플들(FIS) 각각으로부터의 각각의 시간 단계에 대응하는 피처 값을 포함하고,
여기서 곱셈 블록(17)은 하나의 표현(REP)에 대해, 가중된 피처 샘플들(WFIS)을 포함하는 가중된 표현(WREP)을 계산하기 위해, 시간 단계들 각각에 대해 각각의 시간 단계에 대응하는 피처 값들 각각을 각각의 시간 단계에 대한 함수 값으로 곱함으로써 각각의 표현(REP)의 피처 샘플들(FIS) 각각에 시변 가중 함수들(WF) 중 하나를 적용하도록 구성된다.
본 개시내용의 실시예들에 따르면, 뉴럴 네트워크(15)는 순환 뉴럴 네트워크(15)이고, 여기서 가중 함수 계산 블록(16)은 순환 뉴럴 네트워크의 히든 스테이트(HS)에 기초하여 복수의 시간 단계들의 각각의 시간 단계에 대한 시변 가중 함수들(WF) 각각에 대한 함수 값(FV)을 계산함으로써 시변 가중 함수들(WF) 중 하나 이상을 계산하도록 구성된다.
도 3에 도시된 메커니즘의 진화로서, 가중 함수 계산 블록(16)과 조합하여 순환 뉴럴 네트워크들의 사용을 행하는 것이 제안된다. 순환 뉴럴 네트워크(15)는 예측을 행하기 위해 마지막 응답뿐만 아니라 수 개의 이전 응답들을 사용한다.
도 6은 가스 감지 디바이스의 예시적인 가중 블록의 개략도를 도시한다. 본 개시내용의 실시예들에 따르면, 가중 함수 계산 블록(16)은 피드 포워드 뉴럴 네트워크(18) 및 소프트맥스 블록(19)을 포함하고,
여기서 피드 포워드 뉴럴 네트워크(18)는 피처 샘플들(FIS)의 세트들을 수신하도록 그리고 피처 샘플들(FIS)에 기초하여 중간 함수 값들(IFV)을 출력하도록 구성되고,
여기서 소프트맥스 블록(19)은 소프트맥스 함수를 사용함으로써 중간 함수 값들(IFW)에 기초하여 하나 이상의 시변 가중 함수들(WV)에 대한 함수 값들(FV)을 계산하도록 구성된다.
도 6에 예시된 바와 같이, 가중 함수 계산 블록(16)은 3개의 피처 샘플들(FIS)에 상이한 가중치들(FV)을 적용한다. 가중치들(FV)은 피드 포워드 뉴럴 네트워크(18)로 연산되는데, 이 피드 포워드 뉴럴 네트워크(18)는 피처 샘플들(FIS)뿐만 아니라 이전 시간 단계의 순환 뉴럴 네트워크(15) 히든 스테이트(HS)를 입력으로서 취한다. 가중 함수 계산 블록(16)의 출력은 그 후에 순환 뉴럴 네트워크(15)로 공급되는데, 이 순환 뉴럴 네트워크(15)는, 최종 단계에서, 예측된 가스 농도들을 출력한다.
도 7은 가스 감지 디바이스의 추가의 예시적인 가중 블록의 개략도를 도시한다. 본 개시내용의 실시예들에 따르면, 가중 함수 계산 블록(16)은 복수의 시간 단계들의 각각의 시간 단계에 대한 제2 시변 가중 함수들(SWF) 중 하나에 대한 제2 함수 값(SFW)을, 대응하는 제2 세트의 피처 값들에 기초하여 계산함으로써 하나 이상의 제2 시변 가중 함수들(SWF)을 계산하도록 구성되고, 여기서 대응하는 제2 세트의 피처 값들은, 피처 샘플들(FIS) 각각으로부터의 각각의 시간 단계에 선행하는 시간 단계에 대응하는 피처 값을 포함하고,
여기서 곱셈 블록(17)은 하나의 표현(REP)에 대해 제2 가중된 피처 샘플들(SWFIS)을 계산하기 위해 시간 단계들 각각에 대해 각각의 시간 단계에 선행하는 시간 단계에 대응하는 피처 값들 각각을 각각의 시간 단계에 대한 제2 함수 값(SFW)으로 곱함으로써 각각의 표현(REP)의 피처 샘플들 각각에 제2 시변 가중 함수들(SWF) 중 하나를 적용하도록 구성되고, 제2 가중된 피처 샘플들은 각각의 가중된 표현(WREP)에 부가된다.
본 개시내용의 실시예들에 따르면, 뉴럴 네트워크(15)는 순환 뉴럴 네트워크이고, 여기서 가중 함수 계산 블록(16)은 순환 뉴럴 네트워크의 히든 스테이트(HS)에 기초하여 복수의 시간 단계들의 각각의 시간 단계에 대한 제2 시변 가중 함수들(SWFIS) 각각에 대한 제2 함수 값(SFV)을 계산함으로써 하나 이상의 제2 시변 가중 함수들(SWFIS)을 계산하도록 구성된다.
본 개시내용의 실시예들에 따르면, 가중 함수 계산 블록(16)은 적어도 하나의 제2 피드 포워드 뉴럴 네트워크(20)를 포함하고,
여기서 제2 피드 포워드 뉴럴 네트워크(20) 각각은 제2 세트들의 피처 값들 중 하나를 수신하도록 그리고 제2 세트들의 피처 값들 중 하나에 기초하여 제2 중간 함수 값들(SIFV)을 출력하도록 구성되고,
여기서 소프트맥스 블록(19)은 중간 함수 값들(IFV) 및 제2 중간 함수 값들(SIFV)에 기초하여 시변 가중 함수들 중 하나에 대한 함수 값들 및 제2 시변 가중 함수들 중 하나에 대한 제2 함수 값들을 계산하도록 구성된다.
도 7의 예에서, 가중 함수 계산 블록(16)은 피드 포워드 뉴럴 네트워크(18) 및 제2 피드 포워드 뉴럴 네트워크들(20a 및 20b)을 포함한다. 그러나, 제2 피드 포워드 뉴럴 네트워크들의 수는 2개와는 상이할 수 있다. 모든 피드 포워드 뉴럴 네트워크들(18, 20a 및 20b)은 동일한 타입으로 된 것일 수도 있다. 피처 샘플들(FIS)은 피드 포워드 뉴럴 네트워크(18) 및 제2 피드 포워드 뉴럴 네트워크들(20a 및 20b)로 공급된다. 그러나, 현재 시간 단계에서 피드 포워드 뉴럴 네트워크(18)는 피처 샘플(FIS)의 현재 값을 처리하는 반면, 제2 피드 포워드 뉴럴 네트워크(20a)는 이전 시간 단계의 피처 샘플(FIS)의 값을 사용하는 반면, 제2 피드 포워드 뉴럴 네트워크(20b)는 이전 시간 단계 이전의 시간 단계의 피처 샘플(FIS)의 값을 사용한다.
수학적 용어들로, 가중치들(FV 및 SVF)은 다음과 같이 정의될 수도 있고
여기서 αj는 각각의 가중치이고, sj는 시간 단계 j에 대한 신호이고, ht는 시간 단계 t에서의 순환 뉴럴 네트워크(15)로부터의 (임의적) 히든 스테이트(HS)이고, Tx는 고려 하의 시간 단계들의 수이다. 피드 포워드 뉴럴 네트워크들(18, 20a, 20b)은 원하는 대로 치수화될 수 있지만, Tx개의 네트워크들이 있기 때문에, 보다 작은 치수들이 바람직하다. 예를 들어:
또한 RNN의 히든 스테이트를 사용하는 경우에, 이 식은 벡터들 sj와 ht를 연접함으로써
로 변경될 수 있다. 이에 따라, Wj,t의 제1 치수가 변경된다.
상기의 2개의 식들에 의하면, 표현(REP)의 특정 시간 단계에 대한 단일 가중치가, 그 표현(REP)에 포함된 피처 샘플들의 수에 관계없이, 연산될 수 있다. 대안적으로, 가중치들(FV, SFW)이 개별 시간 단계에 대해서뿐만 아니라, 그 시간 단계에서의 각각의 피처 샘플(FIS)에 대해 조정되는 메커니즘을 또한 생각할 수 있다.
마지막 단계로서, 순환 뉴럴 네트워크(15)로의 입력은 고려 하의 다양한 시간 단계들에서의 신호들(WFIS, SWFIS1 및 SWFIS2)의 가중된 합으로서 형성된다:
도 8은 시간이 지남에 따른 예시적인 신호 샘플들(SIG) 및 가중 함수들(WF)을 예시한다. 타임라인은 리커버리 페이즈(RP0), 감지 페이즈(SP1), 리커버리 페이즈(RP1), 감지 페이즈(SP1) 및 리커버리 페이즈(RP2)를 이 순서로 예시한다. 신호 샘플들(SIG11, SIG12 및 SIG13)은 감지 페이즈(SP1) 동안 생성되는 반면, 신호 샘플들(SIG21, SIG22 및 SIG23)은 감지 페이즈(SP2) 동안 생성된다. 가중 함수(WF1)는 감지 페이즈(SP1) 동안 사용되고 가중 함수(WF2)는 감지 페이즈(SP2) 동안 사용된다.
가중 함수 계산 블록(16)은 디바이스(1)가 신호 샘플들(SIG) 각각을 상이하게 강조하여, 따라서 신호 샘플들(SIG)의 가장 관련있는 부분들을 동적으로 학습하는 것을 가능하게 한다. 도 8에 도시된 바와 같이, 어텐션 메커니즘에 의해 생성된 가중치들이 또한 플로팅될 수 있는데, 이는 시스템의 설계자가 디바이스(1)가 학습한 것에 대한 통찰력을 얻을 수 있게 한다. 이것은 윈도우 함수들을 사용하는 보다 단순한 선택 메커니즘의 진화로서 보여질 수 있는데, 이는 여기서 우측 신호 부분들이 가중 함수 계산 블록(16)에 의해 직접 학습되기 때문이다.
도 9는 예시적인 그래핀 멀티-가스 센서 어레이를 도시한다. 어레이에서의 각각의 센서(2.1, 2.2, 2.3 및 2.4)는, 온도가 T1(리커버리 페이즈)과 T2(감지 페이즈) 사이에서 펄싱되고 있는 가열 요소(3)를 갖는다. 이들 제어된 온도 오실레이션들의 결과는, 디바이스(1)에 의해 이용되는, 도 10에 도시된 것과 같은 센서 응답들의 더 동적인 거동이다.
온도 펄싱 메커니즘의 수 개의 구현들이 가능하다. 예를 들어, 온도 변조는 모든 센서들(2.1, 2.2, 2.3 및 2.4)에 대해 동일하거나, 또는 베이스 재료의 상이한 기능화들을 보다 양호하게 이용하기 위해 그리고 가스 분리성을 개선시키기 위해 상이할 수 있다. 유사하게, 센서 특정 온도 값들을 획득하도록 상이한 인가 전압들과의 시분할 멀티플렉싱에서 다수의 히터 제어기들(각각의 가스 센서(2.1, 2.2, 2.3 및 2.4)마다 하나씩) 또는, 대안적으로, 단일 히터 제어기가 사용될 수 있다.
도 10은 시간이 지남에 따른 예시적인 정규화된 센서 응답들 및 히터 온도들을 예시한다. 도 10의 특정 예에서, 2개의 온도 프로파일들: 감지 페이즈(SP) 동안 200℃의 특정 온도에서 가스 흡착을 감지하기 위한 제1 온도 프로파일(FTP), 및 리커버리 페이즈(RP)에서 300℃에서 센서 표면을 리커버리하고 흡착된 가스 분자들을 탈착하기 위한 제2 온도 프로파일(STP)이 선정된다. 그에 따라, 절대 또는 상대 저항 변경들과 같은 정적 피처들뿐만 아니라, 예를 들어, 시간이 지남에 따른 가스 흡착을 반영하는 200℃에서의 감지 페이즈(SP)의 기울기와 같은 동적 피처들이 모니터링될 수 있다. 부가적인 온도 단계들 및 펄스 모드들이 특정 온도 또는 온도 램프에서 가스 흡착/반응과 같은 감지 응답들(SR1, SR2, SR3 및 SR4)에 부가적인 정보 또는 피처들을 제공하는 한, 그 부가적인 온도 단계들 및 펄스 모드들이 또한 가능하다.
본 개시내용의 실시예들에 따르면, 가스 센서들(2) 중 적어도 일부는 리커버리 페이즈들(RP) 동안에는 하나 이상의 제1 온도 프로파일들(FTP)의 상이한 제1 온도 프로파일들(FTP)에 따라 그리고/또는 감지 페이즈들(SP) 동안에는 하나 이상의 제2 온도 프로파일들(STP)의 상이한 제2 온도 프로파일들(STP)에 따라 가열된다.
도 11은 정적 및 펄싱 측정 모드들에서의 예시적인 센서 응답들을 예시한다. 정적 온도에서의 센서 동작과 2개의 온도들 사이의 펄싱을 비교하면, 주요 이점들이 도 11에 가시화된다. 우선, 300℃에서 리커버리 펄스를 구현함으로써 신호의 재생성이 보다 빨라진다. 그러나, 가장 중요한 피처는, 좌측의 도 11에 도시된 바와 같은 센서 요소의 절대 저항 값의 느린 변경과 비교하면, 우측의 도 11에 도시된 바와 같은 가스 삽입 후 기울기와 같은 동적 피처의 즉각적인 변경이다. 이것은 또한 시스템의 신호 생성 또는 응답 시간이 더 빨라지게 한다.
도 12는 분석들을 위한 산점도들을 생성하기 위한 예시적인 디바이스를 도시한다. 알고리즘 측면에서, 상기 온도 변조는 또한 신중하게 이용될 수 있다. 이전에 언급된 바와 같이, 감지 디바이스(1)는, 정보 추출 블록(4) - 여기서 센서 응답들은 적절한 감소된 차원을 갖는 동시에 가장 유익한 내용을 갖는 피처 샘플들(FIS)로 변환 및 '코딩'될 수도 있다 -, 및 의사결정 블록(5) - 여기서 공기질 레벨에 대한 판정 또는 가스 농도의 지속적인 추정이 각각 분류 또는 회귀 알고리즘에 의거하여 제공된다 - 을 포함한다.
정보 추출 블록(4)의 역할을 보다 양호하게 이해하기 위해서는, 어레이의 N=4개의 센서들(2)에 대한 단일 피처들의 산점도 표현에 의거하는 것이 유용하다. 시각화를 단순화하기 위해, 4개의 센서들(2)의 피처 샘플들에 대한 주성분 분석이 피처 공간의 2차원 표현을 획득하도록 수행될 수도 있다.
도 13은 3개의 상이한 가스들에 대한 산점도를 예시한다. 산점도는 피처 공간의 2차원 표현에서의 3개의 가스들의 풋프린트들(FP1, FP2 및 FP3)을 도시한다. 화살표들(A1, A2 및 A3)은, t=0에서 시작하여 t=1에서 끝나는 감지 페이즈(SP) 동안 시간에 대한 풋프린트들(FP1, FP2 및 FP3)의 요소들의 의존성을 표시한다. 특정 피처들에 따라, 가스들 및 농도들의 보다 양호한 분리성을 보장하기 위해 감지 페이즈(SP)의 상이한 부분들이 선택되어야 하는 것으로 보여진다.
도 14는 감소된 피처 공간에서 캡처되는 정보의 양을 예시한다. 표 1의 스코어 플롯은 4차원 피처들이 2차원 공간에 투영되는 경우 상당한 양의 의미있는 정보가 손실되지 않는다는 것을 보여준다. 도 14의 예에서, PCA의 "차원 0"은 원래 정보의 90.7%를 포함하고 PCA의 "차원 1"은 원래 정보의 6.9%를 포함하는데, 이들은 총 97.6%이다.
본 발명이 예시적인 실시예들을 참조하여 설명되었지만, 이 설명은 제한적인 의미로 해석되는 것으로 의도된 것이 아니다. 예시적인 실시예들뿐만 아니라, 본 발명의 다른 실시예들의 다양한 수정들 및 조합들은 설명을 참조하여 본 기술분야의 통상의 기술자에게 명백할 것이다. 그에 따라, 첨부된 청구범위는 임의의 이러한 수정들 또는 실시예들을 포괄하는 것으로 의도된다.
참조 문헌들:
[1]
A. Vergara, E. Martinelli, E. Llobet, A. D'Amico, C. Di Natale, "Optimized Feature Extraction for Temperature-Modulated Gas Sensors", Journal of Sensors Volume 2009, Article ID 716316.
[2]
Alexey Lipatov, Alexey Varezhnikov, Peter Wilson, Victor Sysoev, Andrei Kolmakov and Alexander Sinitskii, "Highly selective gas sensor arrays based on thermally reduced graphene oxide", Nanoscale, 2013, 5, 5426-5434.
[3]
M. Baumbach et al.: "A new method for fast identification of gases and gas mixtures after sensor power up", IEEE Sensors 2004, Vienna, Austria, Oct. 25-27, 2004.
[4]
Oriol Gonzalez, et al., "A Novel Modular eNose System Based on Commercial MOX Sensors to Detect Low Concentrations of VOCs for Breath Gas Analysis", Proceedings of Eurosensors 2018, Graz, September 2018.
[5]
Romana Boiger et al., "Exploring Temperature-Modulated Operation Mode of Metal Oxide Gas Sensors for Robust Signal Processing", Proceedings of Eurosensors 2018, Graz, September 2018.
Claims (21)
- 가스들의 혼합물에서 하나 이상의 가스들을 감지하기 위한 가스 감지 디바이스로서,
상기 가스 감지 디바이스(1)는:
하나 이상의 화학 저항성 가스 센서(chemo-resistive gas sensor)들(2) - 상기 가스 센서들(2) 각각은 상기 가스들의 혼합물에서 상기 하나 이상의 가스들 중 하나의 가스의 농도에 대응하는 신호 샘플들(SIG)을 생성하도록 구성되고, 상기 하나 이상의 가스 센서들(2)은 리커버리 페이즈(recovery phase)들(RP)에서 그리고 감지 페이즈들(SP)에서 교호로 동작되고, 상기 가스 센서들(2) 각각의 신호 샘플들(SIG) 중 적어도 일부는 상기 감지 페이즈들(SP) 동안 생성됨 -;
상기 리커버리 페이즈들(RP) 동안에는 하나 이상의 제1 온도 프로파일들(FTP)에 따라 그리고 상기 감지 페이즈들(SP) 동안에는 하나 이상의 제2 온도 프로파일들(STP)에 따라 상기 가스 센서들(2)을 가열하기 위한 하나 이상의 가열 요소들(3) - 상기 가스 센서들(2) 각각에 대해, 각각의 제1 온도 프로파일(FTP)의 최대 온도가 각각의 제2 온도 프로파일(STP)의 최대 온도보다 더 높음 -;
상기 신호 샘플들(SIG)을 수신하도록 그리고 각각의 가스 센서(2)의 수신된 신호 샘플들(SIG)의 복수의 피처(feature)들에 기초하여 상기 가스 센서들(2) 각각에 대한 수신된 신호 샘플들(SIG)에 대한 표현들(REP)을 생성하도록 구성되는 정보 추출 블록(4) - 상기 피처들 각각은, 시간이 지남에 따른, 상기 각각의 가스 센서(2)의 수신된 신호 샘플들(SIG)의 동적 특성들의 변화에 관련되고, 상기 표현들(REP) 각각은 복수의 피처 샘플들(FIS)을 포함하고, 상기 피처 샘플들(FIS) 각각은 상기 각각의 가스 센서(2)의 피처들 중 하나 이상에 기초함 -; 및
상기 표현들(REP)을 수신하도록 구성되는 의사결정 블록(decision making block)(5)
을 포함하고,
상기 의사결정 블록(5)은, 가중 블록(weighting block)(6) 및 트레이닝된 모델 기반 알고리즘 스테이지(trained model based algorithm stage)(7)를 포함하고, 상기 가중 블록(6)은 상기 표현들(REP) 중 하나의 표현의 피처 샘플들(FIS)을 수신하도록 그리고 상기 표현들(REP) 각각에 대해, 가중된 피처 샘플들(WFIS)을 포함하는 가중된 표현(WREP)을 계산하기 위해, 각각의 표현(REP)의 피처 샘플들(FIS) 각각에 하나 이상의 시변 가중 함수(time-variant weighting function)들을 적용하도록 구성되고, 상기 알고리즘 스테이지(7)는 입력 레이어(input layer)(8) 및 출력 레이어(9)를 포함하고, 상기 의사결정 블록(5)은 상기 알고리즘 스테이지(7)에 대한 하나 이상의 트레이닝된 모델들(TM)을 포함하고, 상기 가스 센서들(2) 각각에 대한 가중된 표현들(WREP)은 상기 알고리즘 스테이지(7)의 상기 입력 레이어(8)에 입력되고, 상기 의사결정 블록(5)은 상기 알고리즘 스테이지(7)의 상기 출력 레이어(9)의 출력 값들(OV)에 기초하여 상기 가스 센서들(2) 각각에 대해 감지 결과들(SR)을 생성하고, 상기 가스 센서들(2) 각각에 대한 출력 값들(OV)은 상기 알고리즘 스테이지(7)에서 상기 하나 이상의 트레이닝된 모델들(TM) 중 적어도 하나를 사용함으로써 생성되어 상기 가스 센서들(2) 각각에 대한 출력 값들(OV)이 상기 가스 센서들(2) 각각의 가중된 표현들(WREP)에 의존하도록 하는, 가스 감지 디바이스. - 제1항에 있어서,
상기 정보 추출 블록(4)은 복수의 피처 추출 스테이지들(10, 11, 12, 13)을 포함하고, 상기 피처 추출 스테이지들(10, 11, 12, 13) 각각은 상기 가스 센서들(2) 각각에 대한 각각의 신호 샘플(SIG)의 피처들 중 하나에 기초하여 상기 신호 샘플들(SIG) 중 하나에 대해 출력 샘플(OS)을 계산하도록 구성되고, 상기 표현들(REP) 중 하나의 표현의 복수의 피처 샘플들(FIS)은 상기 복수의 피처 추출 스테이지들(10, 11, 12, 13)의 출력 샘플들(OS)에 기초하는, 가스 감지 디바이스. - 제2항에 있어서,
상기 피처 추출 스테이지들(10, 11, 12, 13)은, 상기 각각의 신호 샘플(SIG)에 대한 상기 출력 샘플들(OS) 중 하나를 생성하기 위해 상기 가스 센서들(2) 각각에 대한 상기 신호 샘플들(SIG) 중 하나의 신호 샘플의 도함수(derivative)를 계산하도록 구성되는 도함수 계산 스테이지(10)를 포함하는, 가스 감지 디바이스. - 제2항 또는 제3항에 있어서,
상기 피처 추출 스테이지들(10, 11, 12, 13)은, 상기 각각의 신호 샘플(SIG)에 대한 상기 출력 샘플들(OS) 중 하나를 생성하기 위해 상기 가스 센서들(2) 각각에 대한 상기 신호 샘플들(SIG) 중 하나의 신호 샘플의 위상 공간 적분(phase space integral)을 계산하도록 구성되는 위상 공간 적분 계산 스테이지(11)를 포함하는, 가스 감지 디바이스. - 제2항 내지 제4항 중 어느 한 항에 있어서,
상기 피처 추출 스테이지들(10, 11, 12, 13)은,
상기 각각의 신호 샘플(SIG)에 대한 상기 출력 샘플들(OS) 중 하나를 생성하기 위해 상기 신호 샘플들(SIG) 중 하나의 신호 샘플과 상기 각각의 가스 센서(2)의 신호 샘플들(SIG)의 이전 신호 샘플(SIG) 사이의 상기 가스 센서들(2) 각각에 대한 시간 상관(time correlation), 및/또는
상기 각각의 신호 샘플(SIG)에 대한 상기 출력 샘플들(OS) 중 하나를 생성하기 위해 상기 신호 샘플들(SIG) 중 하나의 신호 샘플과 상기 가스 센서들(2) 중 다른 가스 센서의 신호 샘플들(SIG) 중 하나의 신호 샘플 사이의 공간 상관
을 계산하도록 구성되는 상관 계산 스테이지(13)를 포함하는, 가스 감지 디바이스. - 제2항 내지 제5항 중 어느 한 항에 있어서,
상기 피처 추출 스테이지들(10, 11, 12, 13)은, 상기 각각의 신호 샘플(SIG)에 대한 상기 출력 샘플들(OS) 중 하나를 생성하기 위해 상기 가스 센서들(2) 각각에 대한 상기 신호 샘플들(SIG) 중 하나의 신호 샘플의 동적 모멘트를 계산하도록 구성되는 동적 모멘트 계산 스테이지(12)를 포함하는, 가스 감지 디바이스. - 제2항 내지 제6항 중 어느 한 항에 있어서,
상기 정보 추출 블록(4)은 상기 표현들(REP) 중 하나의 표현의 피처 샘플들(FIS)이 대응하는 신호 샘플(SIG)에 대한 출력 샘플들(OS) 모두를 포함하도록 하는 방식으로 구성되는, 가스 감지 디바이스. - 제2항 내지 제6항 중 어느 한 항에 있어서,
상기 정보 추출 블록(4)은 차원 감소 스테이지(dimensionality reduction stage)(14)를 포함하고, 상기 신호 샘플들(SIG) 중 하나의 신호 샘플의 복수의 출력 샘플들(OS) 각각은 상기 차원 감소 스테이지(14)로 공급되고, 상기 차원 감소 스테이지(14)는 상기 차원 감소 스테이지(14)로 공급된 복수의 출력 샘플들(OS)에 기초하여 하나 이상의 감소된 출력 샘플들(ROS)을 출력하도록 구성되고, 상기 감소된 출력 샘플들(ROS)의 수는 상기 차원 감소 스테이지(14)로 공급된 출력 샘플들(OS)의 수보다 더 작고, 상기 감소된 출력 샘플들(ROS)의 리던던시(redundancy)는 상기 차원 감소 스테이지(14)로 공급된 출력 샘플들의 리던던시보다 더 낮고, 상기 정보 추출 블록(4)은 상기 표현들(REP) 중 하나의 표현의 피처 샘플들(FIS)이 대응하는 신호 샘플(SIG)에 대한 감소된 출력 샘플들(ROS) 모두를 포함하도록 하는 방식으로 구성되는, 가스 감지 디바이스. - 제1항 내지 제8항 중 어느 한 항에 있어서,
상기 가중 블록(6)은 상기 표현들(REP) 각각에 대해, 가중된 피처 샘플들(WFIS)을 포함하는 가중된 표현(WREP)을 계산하기 위해, 상기 각각의 표현(REP)의 피처 샘플들(FIS) 모두에 상기 하나 이상의 시변 가중 함수들(WF) 중 하나를 적용하도록 구성되는, 가스 감지 디바이스. - 제1항 내지 제8항 중 어느 한 항에 있어서,
상기 가중 블록(6)은 상기 표현들(REP) 각각에 대해, 가중된 피처 샘플들(WFIS)을 포함하는 가중된 표현(WREP)을 계산하기 위해, 상기 각각의 표현(REP)의 피처 샘플들(FIS) 중 적어도 일부에 상기 하나 이상의 시변 가중 함수들(WF)의 상이한 시변 가중 함수들(WF)을 적용하도록 구성되는, 가스 감지 디바이스. - 제1항 내지 제10항 중 어느 한 항에 있어서,
상기 시변 가중 함수들(WF)은 하나 이상의 윈도우 함수들을 포함하는, 가스 감지 디바이스. - 제1항 내지 제11항 중 어느 한 항에 있어서,
상기 알고리즘 스테이지(7)는, 상기 하나 이상의 트레이닝된 모델들(TM)을 사용하는 랜덤 의사결정 포레스트(random decision forest)를 포함하는, 가스 감지 디바이스. - 제1항 내지 제12항 중 어느 한 항에 있어서,
상기 알고리즘 스테이지(7)는, 상기 하나 이상의 트레이닝된 모델들(TM)을 사용하는 뉴럴 네트워크(neural network)(15)를 포함하는, 가스 감지 디바이스. - 제1항 내지 제13항 중 어느 한 항에 있어서,
상기 가중 블록(6)은 가중 함수 계산 블록(16) 및 곱셈 블록(17)을 포함하고,
상기 가중 함수 계산 블록(16)은 상기 표현들(REP) 중 하나의 표현의 피처 샘플들(FIS)을 수신하도록 구성되고,
상기 가중 함수 계산 블록(16)은 복수의 시간 단계들의 각각의 시간 단계에 대한 상기 시변 가중 함수들(WF) 중 하나의 시변 가중 함수 각각에 대한 함수 값(FV)을, 대응하는 세트의 피처 값들에 기초하여 계산함으로써 상기 시변 가중 함수들(WF) 중 하나 이상을 계산하도록 구성되고, 상기 대응하는 세트의 피처 값들은, 상기 피처 샘플들(FIS) 각각으로부터의 각각의 시간 단계에 대응하는 피처 값을 포함하고,
상기 곱셈 블록(17)은 하나의 표현(REP)에 대해, 가중된 피처 샘플들(WFIS)을 포함하는 가중된 표현(WREP)을 계산하기 위해, 상기 시간 단계들 각각에 대해 상기 각각의 시간 단계에 대응하는 피처 값들 각각을 상기 각각의 시간 단계에 대한 함수 값으로 곱함으로써 상기 각각의 표현(REP)의 피처 샘플들(FIS) 각각에 상기 시변 가중 함수들(WF) 중 하나를 적용하도록 구성되는, 가스 감지 디바이스. - 제13항 또는 제14항에 있어서,
상기 뉴럴 네트워크(15)는 순환 뉴럴 네트워크(recurrent neural network)(15)이고, 상기 가중 함수 계산 블록(16)은 상기 순환 뉴럴 네트워크의 히든 스테이트(hidden state)(HS)에 기초하여 상기 복수의 시간 단계들의 각각의 시간 단계에 대한 상기 시변 가중 함수들(WF) 각각에 대한 함수 값(FV)을 계산함으로써 상기 시변 가중 함수들(WF) 중 하나 이상을 계산하도록 구성되는, 가스 감지 디바이스. - 제14항 또는 제15항에 있어서,
상기 가중 함수 계산 블록(16)은 피드 포워드 뉴럴 네트워크(feed forward neural network)(18) 및 소프트맥스 블록(softmax block)(19)을 포함하고,
상기 피드 포워드 뉴럴 네트워크(18)는 상기 피처 샘플들(FIS)의 세트들을 수신하도록 그리고 상기 피처 샘플들(FIS)에 기초하여 중간 함수 값들(IFV)을 출력하도록 구성되고,
상기 소프트맥스 블록(19)은 소프트맥스 함수를 사용함으로써 상기 중간 함수 값들(IFW)에 기초하여 상기 하나 이상의 시변 가중 함수들(WV)에 대한 함수 값들(FV)을 계산하도록 구성되는, 가스 감지 디바이스. - 제16항에 있어서,
상기 가중 함수 계산 블록(16)은 상기 복수의 시간 단계들의 각각의 시간 단계에 대한 제2 시변 가중 함수들(SWF) 중 하나에 대한 제2 함수 값(SFW)을, 대응하는 제2 세트의 피처 값들에 기초하여 계산함으로써 하나 이상의 제2 시변 가중 함수들(SWF)을 계산하도록 구성되고, 상기 대응하는 제2 세트의 피처 값들은, 상기 피처 샘플들(FIS) 각각으로부터의 각각의 시간 단계에 선행하는 시간 단계에 대응하는 피처 값을 포함하고,
상기 곱셈 블록(17)은 하나의 표현(REP)에 대해 제2 가중된 피처 샘플들(SWFIS)을 계산하기 위해 상기 시간 단계들 각각에 대해 상기 각각의 시간 단계에 선행하는 시간 단계에 대응하는 피처 값들 각각을 상기 각각의 시간 단계에 대한 제2 함수 값(SFW)으로 곱함으로써 상기 각각의 표현(REP)의 피처 샘플들 각각에 상기 제2 시변 가중 함수들(SWF) 중 하나를 적용하도록 구성되고, 제2 가중된 피처 샘플들은 각각의 가중된 표현(WREP)에 부가되는, 가스 감지 디바이스. - 제13항 또는 제17항에 있어서,
상기 뉴럴 네트워크(15)는 순환 뉴럴 네트워크이고, 상기 가중 함수 계산 블록(16)은 상기 순환 뉴럴 네트워크의 히든 스테이트(HS)에 기초하여 상기 복수의 시간 단계들의 각각의 시간 단계에 대한 상기 제2 시변 가중 함수들(SWFIS) 각각에 대한 제2 함수 값(SFV)을 계산함으로써 상기 하나 이상의 제2 시변 가중 함수들(SWFIS)을 계산하도록 구성되는, 가스 감지 디바이스. - 제17항 또는 제18항에 있어서,
상기 가중 함수 계산 블록(16)은 적어도 하나의 제2 피드 포워드 뉴럴 네트워크(20)를 포함하고,
상기 제2 피드 포워드 뉴럴 네트워크(20) 각각은 상기 제2 세트들의 피처 값들 중 하나를 수신하도록 그리고 상기 제2 세트들의 피처 값들 중 하나에 기초하여 제2 중간 함수 값들(SIFV)을 출력하도록 구성되고,
상기 소프트맥스 블록(19)은 상기 중간 함수 값들(IFV) 및 상기 제2 중간 함수 값들(SIFV)에 기초하여 상기 시변 가중 함수들 중 하나에 대한 함수 값들 및 상기 제2 시변 가중 함수들 중 하나에 대한 제2 함수 값들을 계산하도록 구성되는, 가스 감지 디바이스. - 제1항 내지 제19항 어느 한 항에 있어서,
상기 가스 센서들(2) 중 적어도 일부는 상기 리커버리 페이즈들(RP) 동안에는 상기 하나 이상의 제1 온도 프로파일들(FTP)의 상이한 제1 온도 프로파일들(FTP)에 따라 그리고/또는 상기 감지 페이즈들(SP) 동안에는 상기 하나 이상의 제2 온도 프로파일들(STP)의 상이한 제2 온도 프로파일들(STP)에 따라 가열되는, 가스 감지 디바이스. - 가스들의 혼합물에서 하나 이상의 가스들을 감지하기 위한 가스 감지 디바이스(1)를 동작시키는 방법으로서,
상기 가스 감지 디바이스(1)는 하나 이상의 화학 저항성 가스 센서들(2)을 포함하고,
상기 방법은:
가스들의 혼합물에서 하나 이상의 가스들 중 하나의 가스의 농도에 대응하는 신호 샘플들(SIG)을 생성하기 위해 상기 가스 센서들(2) 각각을 사용하는 단계 - 상기 하나 이상의 가스 센서들(2)은 리커버리 페이즈들(RP)에서 그리고 감지 페이즈들(SP)에서 교호로 동작되고, 상기 센서들(2) 각각의 신호 샘플들(SIG) 중 적어도 일부는 상기 감지 페이즈들(SP) 동안 생성됨 -;
상기 리커버리 페이즈들(RP) 동안에는 하나 이상의 제1 온도 프로파일들(FTP)에 따라 그리고 상기 감지 페이즈들(SP) 동안에는 하나 이상의 제2 온도 프로파일들(STP)에 따라 하나 이상의 가열 요소들(3)을 사용함으로써 상기 가스 센서들(2)을 가열하는 단계 - 상기 가스 센서들(2) 각각에 대해, 각각의 제1 온도 프로파일(FTP)의 최대 온도가 각각의 제2 온도 프로파일(STP)의 최대 온도보다 더 높음 -;
상기 신호 샘플들(SIG)을 수신하기 위해 그리고 각각의 가스 센서(2)의 수신된 신호 샘플들(SIG)의 복수의 피처들에 기초하여 상기 가스 센서들(2) 각각에 대한 수신된 신호 샘플들(SIG)에 대한 표현들(REP)을 생성하기 위해 정보 추출 블록(4)을 사용하는 단계 - 상기 피처들 각각은, 시간이 지남에 따른, 상기 각각의 가스 센서(2)의 수신된 신호 샘플들(SIG)의 동적 특성들의 변화에 관련되고, 상기 표현들(REP) 각각은 복수의 피처 샘플들을 포함하고, 상기 피처 샘플들 각각은 상기 각각의 가스 센서(2)의 피처들 중 하나 이상에 기초함 -;
의사결정 블록(5)을 사용하는 단계 - 상기 의사결정 블록(5)은 가중 블록(6) 및 트레이닝된 모델 기반 알고리즘 스테이지(7) 및 상기 알고리즘 스테이지(7)에 대한 하나 이상의 트레이닝된 모델들(TM)을 포함하고, 상기 알고리즘 스테이지(7)는 상기 알고리즘 스테이지(7)의 출력 레이어(9)의 출력 값들(OV)에 기초하여 상기 가스 센서들(2) 각각에 대해 감지 결과들(SR)을 생성하기 위해, 입력 레이어(8) 및 상기 출력 레이어(9)를 가짐 -; 및
상기 표현들(REP) 중 하나의 표현의 피처 샘플들(FIS)을 수신하기 위해 그리고 상기 표현들(REP) 각각에 대해, 가중된 피처 샘플들(WFIS)을 포함하는 가중된 표현(WREP)을 계산하기 위해, 상기 각각의 표현(REP)의 피처 샘플들(FIS) 각각에 하나 이상의 시변 가중 함수들(WF)을 적용하기 위해 상기 가중 블록(5)을 사용하는 단계
를 포함하고;
상기 가스 센서들(2) 각각에 대한 가중된 표현들(WREP)은 상기 알고리즘 스테이지(7)의 상기 입력 레이어(8)에 입력되고,
상기 하나 이상의 가스 센서들(2)에 대한 출력 값들(OV)은 상기 알고리즘 스테이지(7)에서 상기 하나 이상의 트레이닝된 모델들(TM) 중 적어도 하나를 사용함으로써 생성되어 상기 하나 이상의 가스 센서들(2)의 각각의 가스 센서(2)에 대한 출력 값들(OV)이 상기 가스 센서들(2) 각각의 가중된 표현들(WREP)에 의존하도록 하는, 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19173409.4 | 2019-05-09 | ||
| EP19173409.4A EP3736564A1 (en) | 2019-05-09 | 2019-05-09 | Gas sensing device and method for operating a gas sensing device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200130657A true KR20200130657A (ko) | 2020-11-19 |
Family
ID=66589197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200054491A KR20200130657A (ko) | 2019-05-09 | 2020-05-07 | 가스 감지 디바이스 및 가스 감지 디바이스를 동작시키는 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11635416B2 (ko) |
| EP (1) | EP3736564A1 (ko) |
| KR (1) | KR20200130657A (ko) |
| CN (1) | CN111914870A (ko) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114660231B (zh) * | 2020-12-22 | 2023-11-24 | 中国石油化工股份有限公司 | 气体浓度预测方法、系统、机器可读存储介质及处理器 |
| CN112580741B (zh) * | 2020-12-28 | 2021-08-06 | 天津同阳科技发展有限公司 | 一种基于多传感器快速学习的气体种类识别方法及系统 |
| EP4033232B1 (en) * | 2021-01-22 | 2023-08-30 | Infineon Technologies AG | Carbon-based gas sensing device and method for operating a carbon-based gas sensing device |
| EP4166942A1 (en) * | 2021-10-12 | 2023-04-19 | Infineon Technologies AG | Gas sensing device and method for sensing one or more gases in a mixture of gases |
| CN115656437A (zh) * | 2022-10-26 | 2023-01-31 | 东北大学 | 一种基于信号多特征数据的易制毒气体浓度软测量方法 |
| CN115860056B (zh) * | 2023-02-17 | 2023-05-26 | 电子科技大学 | 一种用于混合气体浓度预测的传感器阵列神经网络方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19747510A1 (de) * | 1997-10-28 | 1999-05-06 | Sican F & E Gmbh Sibet | Meßsystem und Verfahren zur Auswertung von Sensorsignalen |
| GB0722574D0 (en) * | 2007-11-16 | 2007-12-27 | Life Safety Distribution Ag | Method of measuring a target gas at low concentration |
-
2019
- 2019-05-09 EP EP19173409.4A patent/EP3736564A1/en active Pending
-
2020
- 2020-04-02 US US16/838,433 patent/US11635416B2/en active Active
- 2020-05-07 KR KR1020200054491A patent/KR20200130657A/ko active Search and Examination
- 2020-05-08 CN CN202010381476.XA patent/CN111914870A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP3736564A1 (en) | 2020-11-11 |
| CN111914870A (zh) | 2020-11-10 |
| US20200355662A1 (en) | 2020-11-12 |
| US11635416B2 (en) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200130657A (ko) | 가스 감지 디바이스 및 가스 감지 디바이스를 동작시키는 방법 | |
| KR20200104222A (ko) | 가스 감지 디바이스 및 가스 감지 디바이스를 동작시키는 방법 | |
| Distante et al. | Support vector machines for olfactory signals recognition | |
| Marco et al. | Signal and data processing for machine olfaction and chemical sensing: A review | |
| EP3879266A1 (en) | Gas sensing device and method for operating a gas sensing device | |
| Houghton et al. | A new multineuron spike train metric | |
| de Jesús Rubio | A method with neural networks for the classification of fruits and vegetables | |
| Martinelli et al. | Cooperative classifiers for reconfigurable sensor arrays | |
| Mishra et al. | Classification of gases/odors using dynamic responses of thick film gas sensor array | |
| US11971397B2 (en) | Gas sensing device for sensing one or more gases in a mixture of gases | |
| CN117104377A (zh) | 电动自行车的智能管理系统及其方法 | |
| CN112766810A (zh) | 用于智能综合性整体质量评价的神经网络的训练方法 | |
| Robin et al. | Machine learning based calibration time reduction for gas sensors in temperature cycled operation | |
| CN113341079B (zh) | 一种基于电子鼻的气味识别方法、系统及报警系统 | |
| Faleh et al. | Enhancing WO3 gas sensor selectivity using a set of pollutant detection classifiers | |
| US20230110328A1 (en) | Method for flexible and scalable gas identification and quantification in a multi-gas platform | |
| Barriault et al. | Quantitative Natural Gas Discrimination For Pipeline Leak Detection Through Time-Series Analysis of an MOS Sensor Response | |
| Singaravel et al. | Hybrid machine learning for occupancy detection | |
| Nore | Pollution Detection in a Low-Cost Electronic Nose, a Machine Learning Approach | |
| EP4246137A1 (en) | Gas sensing device for sensing one or more gases in a mixture of gases | |
| Sharma et al. | Fuzzy logic based odour classification system in electronic nose | |
| Iskandarani | System Security Employing Odor Identification with Neural Networks | |
| Fonollosa et al. | Sensor failure mitigation based on multiple kernels | |
| Brezmes et al. | Gas sensing using support vector machines | |
| Faleh et al. | Implementation of Air Pollution Supervision System Using LabVIEW |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |