CN111537565A - 化学传感器定量检测结果预测模型形成方法及检测方法 - Google Patents
化学传感器定量检测结果预测模型形成方法及检测方法 Download PDFInfo
- Publication number
- CN111537565A CN111537565A CN202010228734.0A CN202010228734A CN111537565A CN 111537565 A CN111537565 A CN 111537565A CN 202010228734 A CN202010228734 A CN 202010228734A CN 111537565 A CN111537565 A CN 111537565A
- Authority
- CN
- China
- Prior art keywords
- sequence sample
- sensor
- sample set
- response data
- quantitative detection
- 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
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明提供一种化学传感器定量检测结果预测模型形成方法及检测方法,所述化学传感器定量检测结果预测模型形成方法包括如下步骤:采集目标分析物在不同浓度下的传感器响应数据;根据传感器响应数据获取序列样本集,序列样本集包括多个序列样本组及其标签,标签为序列样本组对应的浓度值;对序列样本集进行数据增强处理,以扩充序列样本集;使用循环神经网络获取扩充后的序列样本集的第一类型特征;提取扩充后的序列样本集的第二类型特征;将第一类型特征及第二类型特征输入多层感知机,以训练形成化学传感器定量检测结果预测模型。本发明利用较少测量数据即可建立浓度与瞬态响应特征之间的关系,处理简单,大大提高了化学传感器定量检测的速度。
Description
技术领域
本发明涉及化学传感器测量领域,尤其涉及一种化学传感器定量检测结果预测模型形成方法及检测方法。
背景技术
化学传感器将化学或生化信息转换成分析有用的信号,可广泛应用于环境监测,临床诊断,保健,安全警报和食品质量检查等领域。
传统的化学传感器检测方法是在平衡或稳定状态下确定测量结果(例如,浓度,分析物的类别),通常需要至少几十秒甚至更长的时间。然而在化学传感器的许多应用场景中,快速获得传感结果至关重要。一种经济有效的解决方案是根据化学传感器检测阶段较早的瞬态响应预测最终值。但是目前的很多方法需要大量的测量数据以建立浓度与瞬态响应特征之间的关系,成本高,且处理复杂。
因此,如何能够基于少量测试数据就能预测化学传感器定量检测结果,成为目前研究的重点。
发明内容
本发明所要解决的技术问题是,提供一种化学传感器定量检测结果预测模型形成方法及检测方法。
为了解决上述问题,本发明提供了一种化学传感器定量检测结果预测模型形成方法,其包括如下步骤:采集目标分析物在不同浓度下的传感器响应数据;根据所述传感器响应数据获取序列样本集,所述序列样本集包括多个序列样本组及其标签,所述标签为所述序列样本组对应的浓度值;对所述序列样本集进行数据增强处理,以扩充所述序列样本集;使用循环神经网络获取扩充后的序列样本集的第一类型特征;提取扩充后的序列样本集的第二类型特征;将所述第一类型特征及第二类型特征输入多层感知机,以训练形成化学传感器定量检测结果预测模型。
进一步,在采集目标分析物在不同浓度下的传感器响应数据的步骤中,采集目标分析物在3~10个不同浓度下的传感器响应数据。
进一步,在采集目标分析物在不同浓度下的传感器响应数据的步骤中,所述浓度呈线性或对数增长。
进一步,在采集目标分析物在不同浓度下的传感器响应数据的步骤中,获取每一浓度下传感器响应曲线,所述方法进一步包括如下步骤:对所述传感器响应曲线进行插值处理,以平滑所述传感器响应曲线。
进一步,根据所述传感器响应数据获取序列样本集的步骤进一步包括:对每一条传感器响应曲线,采用滑动窗口采样方法获得所述序列样本组。
进一步,所述的滑动窗口采样方法的采样窗口长度被定为可检测范围的1/5到1/2之间,所述可检测范围起点为传感器开始响应的点,终点为响应曲线上切线斜率绝对值小于前一个时刻切线斜率绝对值的1/2的点。
进一步,对所述序列样本集进行数据增强处理的方法为对序列样本组和其标签加噪声,得到若干份加噪声的副本。
进一步,所述第二类型特征包括多项式、指数函数、对数函数拟合所得到的系数、傅里叶变换所得系数、各点的曲率中的一个或多个。
进一步,对所述序列样本集进行数据增强处理的步骤之后,对扩充后的序列样本集进行差分处理,以抗基线漂移。
本发明还提供一种化学传感器定量检测方法,其包括如下步骤:将传感器置于目标分析物中,并获得可检测范围内的传感器的瞬态响应数据;根据所述瞬态响应数据利用预测模型获得所述目标分析物的浓度,所述预测模型采用如权利要求1所述的形成方法形成。
本发明的优点在于,利用较少的测量数据即可建立浓度与瞬态响应特征之间的关系,成本较低,且处理简单,大大提高了化学传感器定量检测的速度。
附图说明
图1是本发明化学传感器定量检测结果预测模型形成方法的一具体实施方式的步骤示意图;
图2是所述传感器响应曲线的一个示例,在图2中示意性地绘示了三个不同浓度下的传感器响应曲线。
具体实施方式
下面结合附图对本发明提供的化学传感器定量检测预测模型形成方法及检测方法的具体实施方式做详细说明。
本发明化学传感器定量检测结果预测模型形成方法可适用的传感器不限种类,其可为离子传感器、气体传感器等一些有一定重复性且存在瞬态响应较长的问题的传感器。可选的,所述传感器的类型包括但不限于电阻型、电流型、电压型、频率型。
图1是本发明化学传感器定量检测结果预测模型形成方法的一具体实施方式的步骤示意图。请参阅图1,本发明化学传感器定量检测结果预测模型形成方法包括如下步骤:
步骤S10,采集目标分析物在不同浓度下的传感器响应数据。
具体地说,在该步骤中,采集某一个目标分析物在某一个浓度下的传感器响应数据,更换所述目标分析物的浓度,再采集目标分析物在该浓度下的传感器响应数据,以此类推,直至采集完毕。所述传感器响应数据为所述传感器自身的响应值,其为传感器的常规特征。
进一步,可采集目标分析物在3个以上不同浓度下的传感器响应数据,优选地,采集目标分析物在3~10个不同浓度下的传感器响应数据。若浓度数量小于3,形成的预设模型的准确度低,而本发明化学传感器定量检测结果预测模型形成方法并不需要较大数量的数据,因此,浓度数量可不必太多。
进一步,在同一浓度的分析物中,可采集若干次(1次及以上)传感器响应数据,例如,在同一浓度的目标分析物中,可多次采集传感器响应数据,以提高采集的准确度。进一步,在进行每次采集之前,需要将传感器恢复初始状态,以提高采集的准确度。所述每次采集包括在同一浓度的多次采集及不同浓度的采集。
进一步,所述浓度的最大值为传感器所能测量的最大值,最小值为传感器所能测量的最小值,步骤S10所测的浓度在最大值和最小值之间,一般呈线性或对数增长,以提高取样准确度。
进一步,在步骤S10中,获取每一浓度下传感器响应曲线。图2是所述传感器响应曲线的一个示例,在图2中示意性地绘示了三个不同浓度下的传感器响应曲线,所述传感器响应曲线的横坐标为采集时间,纵坐标为传感器响应数据。
步骤S11,对所述传感器响应曲线进行插值处理,以平滑所述传感器响应曲线。该步骤为可选步骤。
若传感器响应数据的采集频率过低或部分数据丢失,可能会使得传感器响应曲线不连续,因此,可对传感器响应曲线进行插值,以平滑所述传感器响应曲线。所述插值的方法包括线性插值、样条曲线插值,拉格朗日插值,牛顿插值等。
步骤S12,根据所述传感器响应数据获取序列样本集,所述序列样本集包括多个序列样本组及其标签,所述标签为所述序列样本组对应的浓度值。
在该步骤中,对每一条传感器响应曲线,采用滑动窗口采样方法获得所述序列样本组,每个序列样本组的标签为所述序列样本组对应的浓度值。多个序列样本组及其标签构成所述序列样本集。
所述的滑动窗口采样方法的采样窗口长度被定为可检测范围的1/5到1/2之间。其中,所述可检测范围是指在响应曲线中可用于检测的序列的选取区间,其起点可为传感器开始响应的点,终点可为响应曲线上切线斜率绝对值小于前一个时刻切线斜率绝对值的1/2的点。采样窗口从可检测范围的第一个数据点开始,保持每次向前移动一个数据点,直到遍历完可检测范围,最终获得序列样本组。
步骤S13,对所述序列样本集进行数据增强处理,以扩充所述序列样本集。
由于步骤S10采集的目标分析物的传感器响应数据较少,形成的序列样本组数量较少,不利于后续的处理,则在该步骤中,对所述序列样本集进行数据增强处理,增加所述序列样本组的数量,以扩充所述序列样本集,从而能够为后续的处理提供大量的数据。
进一步,对所述序列样本集进行数据增强处理的方法为对序列样本组和其标签加噪声((如高斯噪声),得到若干份加噪声的副本。
步骤S14,对扩充后的序列样本集进行差分处理,以抗基线漂移。该步骤为可选步骤。
在该步骤中,对扩充后的序列样本集进行差分处理,消除对绝对数值的依赖,由此能达到抗基线漂移的效果。
步骤S15,使用循环神经网络获取扩充后的序列样本集的第一类型特征。
其中,所述的循环神经网络包括但不限于简单循环网络、长短期记忆网络LSTM和门控制循环单元网络GRU等或其多层堆叠形式。在该步骤中获取的第一类型特征为所述循环神经网络需要使用的数据,其根据循环神经网络的不同而不同。
进一步,对于序列样本组中数据点较多的情况,为减少噪声影响并加快训练过程,在序列样本组输入循环神经网络前,先进行分段平均,以减小序列样本组中数据点的个数。在本具体实施方式中,最终序列样本组中数据点的个数建议在10~25之间。循环神经网络的隐藏层神经元个数应和输入的序列样本组中的数据点个数相仿。例如,两者均为12个。
进一步,在本具体实施方式中,所述循环神经网络的损失函数包括但不限于MAE、MSE、RMSE。
步骤S16,提取扩充后的序列样本集的第二类型特征。
在本具体实施方式中,可选择性地设置所述第二类型特征,以进行提取。其中,所述第二类型特征为多项式(1次及以上)、指数函数、对数函数拟合所得到的系数、傅里叶变换所得系数、各点的曲率中的一个或多个。
步骤S17,将所述第一类型特征及第二类型特征输入多层感知机,以训练形成化学传感器定量检测结果预测模型。
所述多层感知机(MLP,Multilayer Perceptron)是一种前馈人工神经网络模型,其将输入的多个数据集映射到单一的输出的数据集上。进一步,在本具体实施方式中,所述多层感知机隐藏层个数建议为1~4之间,每层神经元个数建议为10~20之间。
本发明化学传感器定量检测结果预测模型形成方法利用较少的测量数据即可建立浓度与瞬态响应特征之间的关系(即所述预测模型),成本较低,且数据处理复杂度降低,大大提高了化学传感器定量检测的速度。另外,用于检测的序列样品集选取区间灵活。
本发明还提供一种化学传感器定量检测方法的一个具体实施方式,其包括如下步骤:
(1)将传感器置于目标分析物中,并获得可检测范围内的传感器的瞬态响应数据;(2)根据所述瞬态响应数据利用预测模型获得所述目标分析物的浓度,所述预测模型采用上述的形成方法形成。
进一步,在将所述瞬态响应数据输出所述预测模型前,对所述瞬态响应数据进行插值处理,以平滑所述瞬态响应数据。所述插值的方法包括线性插值、样条曲线插值,拉格朗日插值,牛顿插值等。
进一步,对所述瞬态响应数据进行差分处理,消除对绝对数值的依赖,由此能达到抗基线漂移的效果。
本发明化学传感器定量检测方法利用预测模型,在检测的初始阶段即可根据瞬态响应预测最终的浓度,大大缩短的检测时间,且检测准确度较高。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种化学传感器定量检测结果预测模型形成方法,其特征在于,包括如下步骤:
采集目标分析物在不同浓度下的传感器响应数据;
根据所述传感器响应数据获取序列样本集,所述序列样本集包括多个序列样本组及其标签,所述标签为所述序列样本组对应的浓度值;
对所述序列样本集进行数据增强处理,以扩充所述序列样本集;
使用循环神经网络获取扩充后的序列样本集的第一类型特征;
提取扩充后的序列样本集的第二类型特征;
将所述第一类型特征及第二类型特征输入多层感知机,以训练形成化学传感器定量检测结果预测模型。
2.根据权利要求1所述的化学传感器定量检测结果预测模型形成方法,其特征在于,在采集目标分析物在不同浓度下的传感器响应数据的步骤中,采集目标分析物在3~10个不同浓度下的传感器响应数据。
3.根据权利要求1所述的化学传感器定量检测结果预测模型形成方法,其特征在于,在采集目标分析物在不同浓度下的传感器响应数据的步骤中,所述浓度呈线性或对数增长。
4.根据权利要求1所述的化学传感器定量检测结果预测模型形成方法,其特征在于,在采集目标分析物在不同浓度下的传感器响应数据的步骤中,获取每一浓度下传感器响应曲线,所述方法进一步包括如下步骤:对所述传感器响应曲线进行插值处理,以平滑所述传感器响应曲线。
5.根据权利要求4所述的化学传感器定量检测结果预测模型形成方法,其特征在于,根据所述传感器响应数据获取序列样本集的步骤进一步包括:对每一条传感器响应曲线,采用滑动窗口采样方法获得所述序列样本组。
6.根据权利要求5所述的化学传感器定量检测结果预测模型形成方法,其特征在于,所述的滑动窗口采样方法的采样窗口长度被定为可检测范围的1/5到1/2之间,所述可检测范围起点为传感器开始响应的点,终点为响应曲线上切线斜率绝对值小于前一个时刻切线斜率绝对值的1/2的点。
7.根据权利要求1所述的化学传感器定量检测结果预测模型形成方法,其特征在于,对所述序列样本集进行数据增强处理的方法为对序列样本组和其标签加噪声,得到若干份加噪声的副本。
8.根据权利要求1所述的化学传感器定量检测结果预测模型形成方法,其特征在于,所述第二类型特征包括多项式、指数函数、对数函数拟合所得到的系数、傅里叶变换所得系数、各点的曲率中的一个或多个。
9.根据权利要求1所述的化学传感器定量检测结果预测模型形成方法,其特征在于,对所述序列样本集进行数据增强处理的步骤之后,对扩充后的序列样本集进行差分处理,以抗基线漂移。
10.一种化学传感器定量检测方法,其特征在于,包括如下步骤:
将传感器置于目标分析物中,并获得可检测范围内的传感器的瞬态响应数据;
根据所述瞬态响应数据利用预测模型获得所述目标分析物的浓度,所述预测模型采用如权利要求1所述的形成方法形成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010228734.0A CN111537565B (zh) | 2020-03-27 | 2020-03-27 | 化学传感器定量检测结果预测模型形成方法及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010228734.0A CN111537565B (zh) | 2020-03-27 | 2020-03-27 | 化学传感器定量检测结果预测模型形成方法及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111537565A true CN111537565A (zh) | 2020-08-14 |
CN111537565B CN111537565B (zh) | 2022-04-15 |
Family
ID=71974838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010228734.0A Active CN111537565B (zh) | 2020-03-27 | 2020-03-27 | 化学传感器定量检测结果预测模型形成方法及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111537565B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868955A (zh) * | 2014-04-09 | 2014-06-18 | 西南大学 | 一种便携式车内气体检测***及方法 |
CN106503792A (zh) * | 2016-10-25 | 2017-03-15 | 辽宁工程技术大学 | 一种基于自适应模块化神经网络的瓦斯浓度预测方法 |
US20180136185A1 (en) * | 2016-11-16 | 2018-05-17 | IdeaCuria Inc. | System and method for electrical and magnetic monitoring of a material |
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN109300121A (zh) * | 2018-09-13 | 2019-02-01 | 华南理工大学 | 一种心血管疾病诊断模型的构建方法、***及该诊断模型 |
CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
CN109948452A (zh) * | 2019-02-22 | 2019-06-28 | 中国电子科技集团公司第三十六研究所 | 一种时序信号预测方法和装置 |
CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
-
2020
- 2020-03-27 CN CN202010228734.0A patent/CN111537565B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868955A (zh) * | 2014-04-09 | 2014-06-18 | 西南大学 | 一种便携式车内气体检测***及方法 |
CN106503792A (zh) * | 2016-10-25 | 2017-03-15 | 辽宁工程技术大学 | 一种基于自适应模块化神经网络的瓦斯浓度预测方法 |
US20180136185A1 (en) * | 2016-11-16 | 2018-05-17 | IdeaCuria Inc. | System and method for electrical and magnetic monitoring of a material |
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN109300121A (zh) * | 2018-09-13 | 2019-02-01 | 华南理工大学 | 一种心血管疾病诊断模型的构建方法、***及该诊断模型 |
CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
CN109948452A (zh) * | 2019-02-22 | 2019-06-28 | 中国电子科技集团公司第三十六研究所 | 一种时序信号预测方法和装置 |
CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
Non-Patent Citations (6)
Title |
---|
HAIEN ZHANG: "A Novel Convolutional Recurrent Neural Network Based Algorithm for Fast Gas Recognition in Electronic Nose System", 《IEEE INTERNATIONAL CONFERENCE ON ELECTRON DEVICES AND SOLID STATE CIRCUITS (EDSSC)》 * |
何正伟: "基于语义分割的接触网关键设备检索和定位", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
彭博: "基于深度学习的遥感图像道路信息提取算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
石林山: "基于U-net的多时相高分遥感影像耕地语义分割研究", 《仪表技术》 * |
贠剑虹: "基于机器学习的气体识别***", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵中堂: "《基于智能移动终端的行为识别方法研究》", 30 April 2015 * |
Also Published As
Publication number | Publication date |
---|---|
CN111537565B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hoang et al. | Rolling element bearing fault diagnosis using convolutional neural network and vibration image | |
JP7004364B1 (ja) | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 | |
JP7090184B2 (ja) | 人工知能ディープラーニング学習を利用した生体測定物濃度測定方法 | |
US11443137B2 (en) | Method and apparatus for detecting signal features | |
EP3879266A1 (en) | Gas sensing device and method for operating a gas sensing device | |
CN108107086A (zh) | 一种基于阵列气体传感器的气体检测方法及气体传感器 | |
CN114707632A (zh) | 一种传感网络传感器故障定位方法、***、设备及介质 | |
Wen et al. | Rapid odor recognition based on reliefF algorithm using electronic nose and its application in fruit identification and classification | |
CN114049525A (zh) | 气体种类和浓度识别的融合神经网络***、装置与方法 | |
CN116304912A (zh) | 一种基于深度学习transformer神经网络的传感器气体浓度检测方法 | |
Fu et al. | MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction | |
Wang et al. | Research on air pollution gases recognition method based on lstm recurrent neural network and gas sensors array | |
CN111537565B (zh) | 化学传感器定量检测结果预测模型形成方法及检测方法 | |
CN111815561B (zh) | 一种基于深度时空特征的管道缺陷及管道组件的检测方法 | |
KR20220007538A (ko) | 가스들의 혼합물에서 하나 이상의 가스를 감지하기 위한 가스 감지 디바이스 | |
Adi et al. | Autothresholding segmentation for tuberculosis bacteria identification in the ziehl-neelsen sputum sample | |
Zhu et al. | Rapid freshness prediction of crab based on a portable electronic nose system | |
Entezami et al. | Feature extraction in time domain for stationary data | |
CN116361731A (zh) | 储油罐罐壁腐蚀检测方法、装置、设备及可读存储介质 | |
Di Lecce et al. | Discriminating gaseous emission patterns in low-cost sensor setups | |
CN112782233A (zh) | 一种基于阵列气体传感器的气体识别方法 | |
Lu et al. | Fault diagnosis of massage chair movement based on attention-GRU-MLP | |
Singh et al. | Unsupervised ambient vibration-based feature extraction for structural damage detection | |
Kriz et al. | Unveiling the Smell Inspector and Machine Learning Methods for Smell Recognition | |
US20220357264A1 (en) | Method for detection and classification of non-periodic signals and the respective system that implements it |
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 |