CN107220671A - 一种基于自组织图的人工嗅觉***在线校正样本生成方法 - Google Patents
一种基于自组织图的人工嗅觉***在线校正样本生成方法 Download PDFInfo
- Publication number
- CN107220671A CN107220671A CN201710393408.3A CN201710393408A CN107220671A CN 107220671 A CN107220671 A CN 107220671A CN 201710393408 A CN201710393408 A CN 201710393408A CN 107220671 A CN107220671 A CN 107220671A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mover
- msubsup
- msup
- neuron
- 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
Classifications
-
- 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
- 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
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Food Science & Technology (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明属于气味分析技术领域,公开了一种基于自组织图的人工嗅觉***在线校正样本生成方法,包括初始训练阶段和在线更新阶段;初始训练阶段以样本类别数构建自组织组织图神经网络多层结构,以训练样本进行自组织图神经网络神经元权值初始化并将自组织图神经网络神经元权值作为初始训练样本集合;在线更新阶段,根据后续分类器的分类结果,用测试样本对局部区域神经元权值进行调整。将此时的自组织图神经网络神经元权值作为在线训练样本集合对模式识别方法进行在线校正。结果表明本发明能够于在线工作条件下,提高人工嗅觉***的抗长期漂移能力;可在线工作过程中自动生成校正样本,为人工嗅觉***实现自动化在线校正提供了保障。
Description
技术领域
本发明属于气味分析技术领域,尤其涉及一种基于自组织图的人工嗅觉***在线校正样本生成方法。
背景技术
人工嗅觉***是一种新颖的气味分析手段,具有检测快速、无创、操作简便、低成本等优点。人工嗅觉***主要分为气体传感器阵列和模式识别方法两部分,其中“气体传感器阵列”采用具有交叉敏感性的低成本气体传感器,以获得气味图谱;“模式识别”则采用人工智能、机器学习等方法对气味进行定性和定量分析。气体传感器“长期漂移”是人工嗅觉***不可回避的问题,随着使用时间的延长,“气体传感器阵列”的气味图谱会发生缓慢而无规律的变化;使得“模式识别”方法的识别正确率随时间逐步下降,最终将变得不可信赖;通常采取定期对人工嗅觉***进行特定样本的数据采集,根据采集到的数据进行“模式识别”算法校正,使算法与发生漂移后的气味图谱进行匹配。然而常规校正方法需要停止人工嗅觉***的正常工作,需要配置和购买专门的测试样本,还需要专业的操作人员进行调控,综合成本较高。对于拆卸移动不变且需要在线监测的***的而言不具可行性。
综上所述,现有技术存在的问题是:1)对于需要长期在线工作的设备,无法进行常规校正,故***识别准确率会随工作时间显著下降;2)常规校正方法需要准备特定校正样本且设备校正期间无法正常工作,浪费大量的财力、人力和物力。
发明内容
针对现有技术存在的问题,本发明提供了一种基于自组织图的人工嗅觉***在线校正样本生成方法。
本发明是这样实现的,一种基于自组织图的人工嗅觉***在线校正样本生成方法,所述基于自组织图的人工嗅觉***在线校正样本生成方法包括初始训练阶段和在线更新阶段;
所述初始训练阶段将每一次检测表示为一个p维向量,包含K类样本,则构建K层的自组织图神经网络,每层由神经元组成N×M结构的二维平面,神经网络中共有K×N×M个神经元,令神经网络权值矩阵为其中表示第k层平面坐标为(n,m)的p维权值向量,且k∈{1,…,K},n∈{1,…,N},m∈{1,…,M};当某p维训练样本xt进入网络后,进行初始化;
所述在线更新阶段完成初始训练以后,进入测试,样本xp所属类别是未知的,后续分类器依据W中的在线训练样本对xp进行分类,后续分类器的分类结果为第k类。
进一步,所述初始化具体包括:
1)由训练样本xt的类别计算第层所有神经元权值与xt的距离:
以距离最小的神经元为获胜神经元,保存神经元的位置:
其中,和分别为获胜神经元在第层的二维坐标;
2)对第层神经元权值进行如下迭代:
其中α∈(0,1)为学习速率,定义如下:
3)重复1)和2),直至训练样本全部进入神经网络进行初始训练;
4)重复1)-3),使自组织图神经网络权值分布与训练样本接近。
进一步,所述在线更新阶段具体包括:
1)计算所有神经元权值与xp的距离:
以距离最小的神经元为获胜神经元,保存该神经元的位置:
其中为获胜神经元所在层的序号,和分别为获胜神经元在第层的二维坐标;
2)对第k层神经元权值进行如下迭代:
其中α∈(0,1)为学习速率,定义如下:
3)利用神经网络权值矩阵W对分类器进行训练或利用W中的“在线训练样本”进行下一次分类。
本发明的另一目的在于提供一种应用所述基于自组织图的人工嗅觉***在线校正样本生成方法的人工嗅觉***。
本发明的另一目的在于提供一种应用所述基于自组织图的人工嗅觉***在线校正样本生成方法的气体传感器。
本发明的优点及积极效果为:表2中的结果表明使用本发明能够使人工嗅觉***在未进行传统校正的情况下完成模式识别方法的修正,与未进行校正的情况比较,在多类别分类应用中,***识别准确率由42.56%上升至48.51%。
附图说明
图1是本发明实施例提供的基于自组织图的人工嗅觉***在线校正样本生成方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于自组织图的人工嗅觉***在线校正样本生成方法包括以下步骤:
S101:每一次检测表示为一个向量,构建自组织图神经网络,训练样本进入神经网络,进行初始化;
S102:完成初始训练以后,进入测试,后续分类器依据在线训练样本对进行分类。
本发明实施例提供的基于自组织组织图的人工嗅觉***在线校正样本生成方法包括初始训练和在线更新两个阶段。
1、初始训练
将每一次检测表示为一个p维向量,假设包含K类样本,则构建一个K层的自组织图(Self-organized map)神经网络,每层由神经元组成N×M结构的二维平面,故神经网络中共有K×N×M个神经元,令神经网络权值矩阵为其中表示第k层平面坐标为(n,m)的p维权值向量,且k∈{1,…,K},n∈{1,…,N},m∈{1,…,M}。
当某p维训练样本xt进入网络后,初始化:
1)由训练样本xt的类别计算第层所有神经元权值与xt的距离:
以距离最小的神经元为获胜神经元,保存该神经元的位置:
其中,和分别为获胜神经元在第层的二维坐标。
2)对第层神经元权值进行如下迭代:
其中α∈(0,1)为学习速率,定义如下:
3)重复步骤1)和步骤2),直至训练样本全部进入神经网络进行初始训练。
4)重复步骤1)-步骤3),满足一定的循环次数后停止。
此时的神经网络权值矩阵W即为初始化的“在线训练样本”集,第k层的N×M个神经元权值即为第k类样本的“在线训练样本”集。
2、在线更新
完成初始训练以后,进入测试,样本xp所属类别是未知的,后续分类器依据W中的“在线训练样本”对xp进行分类,设后续分类器的分类结果为第k类,步骤如下:
1)计算所有神经元权值与xp的距离:
以距离最小的神经元为获胜神经元,保存该神经元的位置:
其中为获胜神经元所在层的序号,和分别为获胜神经元在第层的二维坐标。
2)对第k层神经元权值进行如下迭代:
其中α∈(0,1)为学习速率,定义如下:
3)利用神经网络权值矩阵W对分类器进行训练或利用W中的“在线训练样本”进行下一次分类。
在线更新使神经元权值(即“在线训练样本”集)与当前样本变化保持同步,可以为后续分类器的实时更新提供支持,使分类器与产生漂移后的人工嗅觉***响应相匹配。
下面结合检测对本发明的应用效果作详细的描述。
使用包含16个金属氧化物气体传感器的人工嗅觉***,分别对氨气、乙醛、丙酮、乙烯、乙醇和甲苯等六种(即K=6)气体进行检测。每次检测中从每个传感器响应曲线上提取2个稳态特征和6个动态特征,将每次检测特征化为一个128维(p=128)的矢量。漂移抑制,检测时间跨度为36个月并将所有检测数据整理到10个数据集中,每个数据集所包含数据与检测时间对应关系见表1。取N=M=10,将数据集1中的数据作为初始训练样本,将数据集2-10中的数据作为测试样本,分类方法采用最近邻法(KNN),选取采用本发明方法和未采用本发明方法两种情况进行对比,结果如表2所示。表2中的结果表明本发明能够于在线工作条件下,提高人工嗅觉***的抗长期漂移能力。
表1数据集与检测时间
数据集编号 | 检测时间 |
数据集1 | 第1-2月 |
数据集2 | 第3-10月 |
数据集3 | 第11-13月 |
数据集4 | 第14-15月 |
数据集5 | 第16月 |
数据集6 | 第17-20月 |
数据集7 | 第21月 |
数据集8 | 第22-23月 |
数据集9 | 第24-35月 |
数据集10 | 第36月 |
表2检测结果
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于自组织图的人工嗅觉***在线校正样本生成方法,其特征在于,所述基于自组织图的人工嗅觉***在线校正样本生成方法包括初始训练阶段和在线更新阶段;
所述初始训练阶段将每一次检测表示为一个p维向量,包含K类样本,则构建K层的自组织图神经网络,每层由神经元组成N×M结构的二维平面,神经网络中共有K×N×M个神经元,令神经网络权值矩阵为其中表示第k层平面坐标为(n,m)的p维权值向量,且k∈{1,…,K},n∈{1,…,N},m∈{1,…,M};当某p维训练样本xt进入网络后,进行初始化;
所述在线更新阶段完成初始训练以后,进入测试,样本xp所属类别是未知的,后续分类器依据W中的在线训练样本对xp进行分类,后续分类器的分类结果为第k类。
2.如权利要求1所述的基于自组织图的人工嗅觉***在线校正样本生成方法,其特征在于,所述初始化具体包括:
1)由训练样本xt的类别计算第层所有神经元权值与xt的距离:
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mover>
<mi>k</mi>
<mo>~</mo>
</mover>
</msubsup>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>x</mi>
<mi>t</mi>
</msup>
<mo>-</mo>
<msubsup>
<mi>w</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mover>
<mi>k</mi>
<mo>~</mo>
</mover>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<mo>;</mo>
</mrow>
以距离最小的神经元为获胜神经元,保存神经元的位置:
<mrow>
<mo>(</mo>
<mover>
<mi>k</mi>
<mo>~</mo>
</mover>
<mo>,</mo>
<mover>
<mi>n</mi>
<mo>~</mo>
</mover>
<mo>,</mo>
<mover>
<mi>m</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
<mo>=</mo>
<munder>
<mrow>
<mi>arg</mi>
<mi>min</mi>
</mrow>
<msup>
<mi>w</mi>
<mover>
<mi>k</mi>
<mo>~</mo>
</mover>
</msup>
</munder>
<msubsup>
<mi>d</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mover>
<mi>k</mi>
<mo>~</mo>
</mover>
</msubsup>
<mo>;</mo>
</mrow>
其中,和分别为获胜神经元在第层的二维坐标;
2)对第层神经元权值进行迭代:
<mrow>
<msubsup>
<mi>w</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mover>
<mi>k</mi>
<mo>~</mo>
</mover>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>w</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mover>
<mi>k</mi>
<mo>~</mo>
</mover>
</msubsup>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msup>
<mi>x</mi>
<mi>t</mi>
</msup>
<mo>;</mo>
</mrow>
其中α∈(0,1)为学习速率,定义如下:
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mover>
<mi>n</mi>
<mo>~</mo>
</mover>
<mo>,</mo>
<mover>
<mi>m</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mrow>
<munder>
<mi>max</mi>
<msup>
<mi>w</mi>
<mover>
<mi>k</mi>
<mo>~</mo>
</mover>
</msup>
</munder>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mover>
<mi>n</mi>
<mo>~</mo>
</mover>
<mo>,</mo>
<mover>
<mi>m</mi>
<mo>~</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>;</mo>
</mrow>
3)重复1)和2),直至训练样本全部进入神经网络进行初始训练;
4)重复1)-3),满足一定的循环次数后停止。
3.如权利要求1所述的基于自组织图的人工嗅觉***在线校正样本生成方法,其特征在于,所述在线更新阶段具体包括:
1)计算所有神经元权值与xp的距离:
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>x</mi>
<mi>p</mi>
</msup>
<mo>-</mo>
<msubsup>
<mi>w</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<mo>;</mo>
</mrow>
以距离最小的神经元为获胜神经元,保存该神经元的位置:
<mrow>
<mo>(</mo>
<mover>
<mi>k</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
<mover>
<mi>m</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
<mo>=</mo>
<munder>
<mrow>
<mi>arg</mi>
<mi>min</mi>
</mrow>
<msup>
<mi>w</mi>
<mover>
<mi>k</mi>
<mo>^</mo>
</mover>
</msup>
</munder>
<msubsup>
<mi>d</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mover>
<mi>k</mi>
<mo>^</mo>
</mover>
</msubsup>
<mo>;</mo>
</mrow>
其中为获胜神经元所在层的序号,和分别为获胜神经元在第层的二维坐标;
2)对第k层神经元权值进行如下迭代:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>w</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>w</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msup>
<mi>x</mi>
<mi>p</mi>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mover>
<mi>k</mi>
<mo>^</mo>
</mover>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>w</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>w</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mover>
<mi>k</mi>
<mo>^</mo>
</mover>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
1
其中α∈(0,1)为学习速率,定义如下:
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
<mover>
<mi>m</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mrow>
<munder>
<mi>max</mi>
<msup>
<mi>w</mi>
<mi>k</mi>
</msup>
</munder>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mover>
<mi>n</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
<mover>
<mi>m</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>;</mo>
</mrow>
3)利用神经网络权值矩阵W对分类器进行训练或利用W中的在线训练样本进行下一次分类。
4.一种应用权利要求1~3任意一项所述基于自组织图的人工嗅觉***在线校正样本生成方法的人工嗅觉***。
5.一种应用权利要求1~3任意一项所述基于自组织图的人工嗅觉***在线校正样本生成方法的气体传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710393408.3A CN107220671B (zh) | 2017-05-27 | 2017-05-27 | 一种基于自组织图的人工嗅觉***在线校正样本生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710393408.3A CN107220671B (zh) | 2017-05-27 | 2017-05-27 | 一种基于自组织图的人工嗅觉***在线校正样本生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220671A true CN107220671A (zh) | 2017-09-29 |
CN107220671B CN107220671B (zh) | 2020-07-14 |
Family
ID=59946994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710393408.3A Active CN107220671B (zh) | 2017-05-27 | 2017-05-27 | 一种基于自组织图的人工嗅觉***在线校正样本生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220671B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109540978A (zh) * | 2018-12-13 | 2019-03-29 | 清华大学 | 气味识别设备 |
CN111914082A (zh) * | 2019-05-08 | 2020-11-10 | 天津科技大学 | 一种基于som神经网络算法的在线知识聚合方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100198521A1 (en) * | 2007-07-24 | 2010-08-05 | Technion Research And Development Foundation Ltd. | Chemically sensitive field effect transistors and uses thereof in electronic nose devices |
CN102507676A (zh) * | 2011-11-01 | 2012-06-20 | 重庆大学 | 基于多重自组织神经网络的电子鼻在线漂移补偿方法 |
CN103489033A (zh) * | 2013-09-27 | 2014-01-01 | 南京理工大学 | 融合自组织映射与概率神经网络的增量式学习方法 |
CN103499664A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种表征蜂蜜品质差异性的图谱信息提取研究的方法 |
CN105823801A (zh) * | 2016-03-03 | 2016-08-03 | 重庆大学 | 一种基于深度信念网络特征提取的电子鼻漂移补偿方法 |
CN105913079A (zh) * | 2016-04-08 | 2016-08-31 | 重庆大学 | 基于目标域迁移极限学习的电子鼻异构数据识别方法 |
CN106226464A (zh) * | 2016-07-04 | 2016-12-14 | 重庆大学 | 一种具有保护功能的电子鼻气体检测*** |
-
2017
- 2017-05-27 CN CN201710393408.3A patent/CN107220671B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100198521A1 (en) * | 2007-07-24 | 2010-08-05 | Technion Research And Development Foundation Ltd. | Chemically sensitive field effect transistors and uses thereof in electronic nose devices |
CN102507676A (zh) * | 2011-11-01 | 2012-06-20 | 重庆大学 | 基于多重自组织神经网络的电子鼻在线漂移补偿方法 |
CN103499664A (zh) * | 2013-07-30 | 2014-01-08 | 中国标准化研究院 | 一种表征蜂蜜品质差异性的图谱信息提取研究的方法 |
CN103489033A (zh) * | 2013-09-27 | 2014-01-01 | 南京理工大学 | 融合自组织映射与概率神经网络的增量式学习方法 |
CN105823801A (zh) * | 2016-03-03 | 2016-08-03 | 重庆大学 | 一种基于深度信念网络特征提取的电子鼻漂移补偿方法 |
CN105913079A (zh) * | 2016-04-08 | 2016-08-31 | 重庆大学 | 基于目标域迁移极限学习的电子鼻异构数据识别方法 |
CN106226464A (zh) * | 2016-07-04 | 2016-12-14 | 重庆大学 | 一种具有保护功能的电子鼻气体检测*** |
Non-Patent Citations (2)
Title |
---|
TAO LIU, KADRI CHAIBOU, ZHIYONG HUANG.: ""A Novel Retraining Method of Multiple Self-Organizing Maps for Gas Sensor Drift Compensation. Sensors and Materials"", 《SENSORS AND MATERIALS》 * |
刘涛,黄智勇: ""一种基于多重自组织图的电子鼻漂移抑制方法"", 《仪器仪表学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109540978A (zh) * | 2018-12-13 | 2019-03-29 | 清华大学 | 气味识别设备 |
CN111914082A (zh) * | 2019-05-08 | 2020-11-10 | 天津科技大学 | 一种基于som神经网络算法的在线知识聚合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107220671B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Solar radiation prediction using different machine learning algorithms and implications for extreme climate events | |
Blackard et al. | Comparative accuracies of artificial neural networks and discriminant analysis in predicting forest cover types from cartographic variables | |
CN101794396B (zh) | 基于迁移网络学习的遥感图像目标识别***及方法 | |
CN108961235A (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN108173708A (zh) | 基于增量学习的异常流量检测方法、装置及存储介质 | |
CN109242049A (zh) | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 | |
CN107341497A (zh) | 结合选择性升采样的不均衡数据流加权集成分类预测方法 | |
CN106022528A (zh) | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 | |
CN105938116A (zh) | 基于模糊划分和模型集成的气体传感器阵列浓度检测方法 | |
CN116229380B (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
CN105574547B (zh) | 适应动态调整基分类器权重的集成学习方法及装置 | |
CN103049651A (zh) | 一种用于电力负荷聚类的方法及装置 | |
CN104680542A (zh) | 基于在线学习的遥感影像变化检测方法 | |
CN110536257B (zh) | 一种基于深度自适应网络的室内定位方法 | |
CN103093643A (zh) | 一种确定公共停车场泊位数的方法 | |
CN103345643A (zh) | 一种遥感图像分类方法 | |
CN104729965B (zh) | 基于区间径向基函数神经网络的pm2.5浓度检测方法 | |
CN106991049A (zh) | 一种软件缺陷预测方法及预测*** | |
CN107220671A (zh) | 一种基于自组织图的人工嗅觉***在线校正样本生成方法 | |
CN108256473A (zh) | 用于数据扩增的方法、装置和***、计算机可读存储介质 | |
CN102842043A (zh) | 基于自动聚类的粒子群优化分类方法 | |
CN106875613A (zh) | 一种火警态势分析方法 | |
Jahedsaravani et al. | Application of image processing and adaptive neuro-fuzzy system for estimation of the metallurgical parameters of a flotation process | |
CN110147827A (zh) | 一种基于iaalo-svm与相似性度量的故障预测方法 | |
Zhang et al. | Surface and high-altitude combined rainfall forecasting using convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |