CN113138210A - 一种智能气体传感器的自适应局部高斯温湿度补偿方法 - Google Patents

一种智能气体传感器的自适应局部高斯温湿度补偿方法 Download PDF

Info

Publication number
CN113138210A
CN113138210A CN202110688589.9A CN202110688589A CN113138210A CN 113138210 A CN113138210 A CN 113138210A CN 202110688589 A CN202110688589 A CN 202110688589A CN 113138210 A CN113138210 A CN 113138210A
Authority
CN
China
Prior art keywords
regression
concentration
point
data
resistance value
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
Application number
CN202110688589.9A
Other languages
English (en)
Other versions
CN113138210B (zh
Inventor
吴援明
刘灿
太惠玲
张明祥
蒋亚东
袁震
杜晓松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110688589.9A priority Critical patent/CN113138210B/zh
Publication of CN113138210A publication Critical patent/CN113138210A/zh
Application granted granted Critical
Publication of CN113138210B publication Critical patent/CN113138210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Electrochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (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

本发明公开了一种智能气体传感器的自适应局部高斯温湿度补偿方法，属于气体传感器测量技术领域。本发明所述方法通过高斯过程回归插值获得足够的数据量，再在多维空间上为每一个数据点寻找邻居点，并通过对数据点与邻居点做局部高斯过程回归获得数据点的精确模型，将每个数据点置于多维空间中邻居点的中心位置，消除了各变量边缘点这一概念，从而避免了边缘点对高斯过程回归带来的影响，实现了对气体传感器温湿度的智能实时精确补偿。本发明所述方法提高了最终模型的准确度，提高了对各点预测的精确度；通过三种正态分布检测方法，实现了最佳邻居点数的自动适应，使最终获得的模型为最佳模型，进一步提高了模型的准确度。

Description

一种智能气体传感器的自适应局部高斯温湿度补偿方法
技术领域
本发明属于气体传感器测量技术领域，具体涉及一种智能气体传感器的自适应局部高斯温湿度补偿方法。
背景技术
气体传感器在测量气体时容易受到温湿度的影响，如何更好地处理温湿度带来的影响一直是一个难以解决的问题。现有技术分别研究了如何补偿温度或湿度对气体传感器造成的影响，但并没有现有技术同时补偿温度和湿度造成的影响。在现有的方法中，经典数值算法是应用较多的一类算法，大多用于处理一个物理量造成的影响，而在处理温度和湿度两个物理量时，需要增加多个项，且在项数设置和参数设置时很容易造成过拟合的情况。
神经网络也常常被引用到温度或湿度的补偿中，需要提前训练模型，从而需要大量样本数据提前训练模型，计算量很大，会造成一定的时间延迟，无法实现实时补偿，且对硬件要求更高。再者，由于理论知识体系不够完善，容易出现过拟合问题。
高斯过程回归算法是一种无参数估计方法，具有严格的统计学习理论基础，可以避免经典数值算法中参数估计不恰当的可能性以及神经网络中复杂的计算过程。高斯过程回归算法常用于处理高维度的复杂问题，但由于其自身的局限性，对各变量边缘点数据估计误差往往较大，特别是在研究多变量的交叉影响问题中，各个变量的边缘点在整体数据中占有很大比例，这也导致最终获得的模型与数据实际蕴含的规律有较大偏差。这导致该算法无法准确估计边缘点数据，且所获得的最终模型并非最佳模型，因此也导致对其他点的预测精度降低。
只有当样本数量足够体现事物本身的规律，且输入、输出变量数据量足够时，才能得到一个较为准确的回归模型。然而在实际应用的测试过程中，由于获取的样本数据是离散数据，且人力测试能获取数据有限，常常导致数据量不够完整。
发明内容
本发明的目的是克服上述现有技术的缺陷，提供一种智能气体传感器的自适应局部高斯温湿度补偿方法。
本发明所提出的技术问题是这样解决的：
一种智能气体传感器的自适应局部高斯温湿度补偿方法，包括以下步骤：
S1、通过测试获取不同温度、湿度及浓度下气体传感器的电阻值，判断气体传感器的物理特性；
S2、通过气体传感器的物理特性筛选并剔除测试异常点；
S3、通过多元线性回归方法及QQ-plot图检验电阻残差是否呈正态分布，若残差数据呈正态分布，转至S4，否则返回S1再次进行测试；
S4、建立以温度、湿度及浓度作为输入，电阻值作为输出的第一高斯过程回归初始模型，对剔除测试异常点后的数据做高斯过程回归，并使用回归结果预测测试异常点的电阻值，修正测试异常点；
S5、从修正后的数据点中随机选取15个数据点作为检验组，剩下的数据点作为回归组；
S6、使用第一高斯过程回归初始模型对回归组数据点做高斯过程回归；
S7、使用S6得到的回归结果预测回归组数据点的电阻值，计算回归组数据点的预测电阻值与测试电阻值之间的相对误差，相对误差大于10%为误差异常点；通过迭代高斯过程回归修正误差异常点，使用第一高斯过程回归初始模型对修正误差异常点后的回归组数据点做高斯过程回归；
S8、通过S7得到的回归结果预测检验组数据点的电阻值，若检验组数据点的预测电阻值与测量电阻值的相对误差均在10%以内，则判定第一高斯过程回归初始模型适用于当前测试的气体传感器；
S9、对修正误差异常点后的温度、湿度、浓度及电阻值数据做归一化处理，使数据范围均缩小至[0,1]区间；
S10、使用第一高斯过程回归初始模型对归一化处理后的温度、湿度、浓度及电阻值数据做高斯过程回归；在每两个浓度值之间***一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；
建立以温度、湿度和电阻值为输入，浓度为输出的第二高斯过程回归初始模型；使用第二高斯过程回归初始模型对插值后的温度、湿度、浓度及电阻值数据做高斯过程回归，并利用回归结果预测浓度值；
计算归一化还原后的预测浓度值与测试设定的浓度值之间的相对误差，判定相对误差大于10%的数据点数占总数据点数的百分比是否小于设定阈值，若是，则插值完成，否则进行下一轮插值，继续在每两个浓度值之间***一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；
S11-1、对于每个数据点，寻找温度、湿度、浓度及电阻值组成的四维空间上最邻近的45个邻居点，组成一个46点的局部数据集；
S11-2、使用第二高斯过程回归初始模型对局部数据集做高斯过程回归，利用回归结果预测当前数据点的浓度预测值；遍历所有数据点，得到所有数据点的浓度预测值；
S12、对插值后的温度、湿度、浓度及电阻值数据做归一化还原处理；
S13、计算预测浓度值与测试设定的浓度值的绝对误差，求绝对误差的置信区间，并通过依次减少和依次增加参与回归的邻居点数寻找最佳邻居点数；
S13-1、计算浓度预测值与测试设定的浓度之间的绝对误差E；
S13-2、分别通过
Figure 113046DEST_PATH_IMAGE001
、
Figure 165010DEST_PATH_IMAGE002
以及
Figure 50926DEST_PATH_IMAGE003
三种检验方式求绝对误差的置信 区间，其中，
Figure 642445DEST_PATH_IMAGE004
为绝对误差E的平均值，
Figure 805573DEST_PATH_IMAGE005
为绝对误差E的标准差；计算处于置信区间内的点 数的百分比；
S13-3、依次减少和依次增加邻居点数，对于每一个数据点组成新的局部数据集， 转至S11-2；将所有局部数据集对应的处于置信区间内的点数的百分比与三种检验方式对 应的标准正态分布百分比进行对比，取两者最接近的处于置信区间内的点数的百分比对应 的局部数据集的邻居点数作为最佳邻居点数M；进行对比时，三种检验方式的优先级排序为
Figure 66921DEST_PATH_IMAGE001
、
Figure 174554DEST_PATH_IMAGE002
和
Figure 38605DEST_PATH_IMAGE003
；
S14、对于每个数据点，寻找温度、湿度、浓度及电阻值组成的四维空间上欧氏距离最近的M个邻居点，组成一个M+1点的局部数据集；使用第二高斯过程回归初始模型对M+1点的局部数据集做高斯过程回归，利用回归结果预测当前数据点的浓度预测值，遍历所有数据点，得到所有数据点的浓度预测值。
进一步的，S10中，第二高斯过程回归初始模型中的协方差函数为平方指数协方差函数、Matern 协方差函数、理性二次协方差函数或线性协方差函数。
进一步的，S1的具体过程为：
S1-1、获取不同温度、湿度及浓度下气体传感器的电阻值；
S1-2、分别绘制不同温度和湿度下的电阻值-浓度的二维曲线；
S1-3、根据电阻值-浓度的二维曲线判断气体传感器的物理特性，若电阻值随浓度增大而增大，判断气体传感器的物理特性为电阻上升型传感器，否则判断气体传感器的物理特性为电阻下降型传感器。
进一步的，S2的具体过程为：
S2-1、若气体传感器的物理特性为电阻上升型传感器，检查各温度和湿度下电阻值是否随浓度递增，令不符合规律的点为测试异常点；
若气体传感器的物理特性为电阻下降型传感器，检查各温度和湿度下电阻值是否随浓度递减，令不符合规律的点为测试异常点；
S2-2、将筛选出的测试异常点剔除。
进一步的，S3的具体过程为：
S3-1、根据电阻值随温度、湿度和浓度的变化关系建立多元线性回归初始模型；
S3-2、对电阻值做多元线性回归，获取残差数据；
S3-3、利用残差数据的QQ-plot图检验残差数据是否呈正态分布，若残差数据呈正态分布，则满足高斯过程回归前提条件，转至S4，否则返回S1再次进行测试。
进一步的，S4的具体过程为：
S4-1、将温度、湿度和浓度设置为第一高斯过程回归初始模型的输入变量，电阻值设置为输出变量；
S4-2、选择第一高斯过程回归初始模型中的协方差函数为平方指数协方差函数、Matern 协方差函数、理性二次协方差函数或线性协方差函数；
S4-3、利用第一高斯过程回归初始模型对剔除测试异常点后的数据做高斯过程回归；
S4-4、使用S4-3得到的回归结果预测剔除的测试异常点的电阻值，并使用预测电阻值替换测试电阻值。
进一步的，S7的具体过程为：
S7-1、使用S6得到的回归结果预测回归组数据点的电阻值；
S7-2、使用S7-1所得的回归组数据点预测电阻值与测试电阻值计算相对误差：
Figure 164562DEST_PATH_IMAGE006
其中，
Figure 721445DEST_PATH_IMAGE007
为相对误差，
Figure 581954DEST_PATH_IMAGE008
为测试电阻值，
Figure 515275DEST_PATH_IMAGE009
为回归组数据点预测电阻值；
若相对误差大于10%，判定为误差异常点，剔除相对误差最大的误差异常点，使用第一高斯过程回归初始模型重新对剔除相对误差最大的误差异常点后的回归组数据点做高斯过程回归；
S7-3、使用S7-2得到的回归结果预测S7-2中剔除的误差异常点的电阻值，并使用预测电阻值替换测试电阻值；使用第一高斯过程回归初始模型对修正误差最大的误差异常点后的回归组数据点做高斯过程回归；
S7-4、使用S7-3得到的回归结果预测修正最大误差点后的回归组数据点的预测电阻值，重复S7-2~S7-3，直到不存在误差大于10%的误差异常点为止。
本发明的有益效果是：
（1）本发明所述方法通过在多维空间上为每一个点寻找邻居点，并通过对该点与邻居点做局部高斯过程回归获得该点的精确模型，将每个点置于多维空间中邻居点的中心位置，消除了各变量边缘点这一概念，从而避免了边缘点对高斯过程回归带来的影响。本发明所述方法提高了最终模型的准确度，提高了对各点预测的精确度。
（2）本发明所述方法通过三种正态分布检测方法，实现了最佳邻居点数的自动适应，使最终获得的模型为最佳模型，进一步提高了模型的准确度。
（3）本发明所述方法通过插值解决了数据量不够完整的问题。
（4）本发明所述方法通过高斯过程回归对气体传感器进行温湿度补偿，无训练过程，计算更加简单，可以满足实时矫正的要求；在气体传感器处于极端环境时，采集数据受影响，数据规律差，本发明所述方法依然能够做出较好的矫正。
附图说明
图1为实施例中温度为10℃、湿度为30%下的浓度-电阻曲线图；
图2为实施例中残差数据的QQ-plot图；
图3为实施例中检验组相对误差点分布示意图；
图4插值完成后归一化的预测浓度值与归一化的测试设定的浓度值散点对比图；
图5为预测浓度值与测试设定的浓度值的绝对误差频率分布统计图与正态曲线图。
具体实施方式
下面结合附图和实施例对本发明进行进一步的说明。
本实施例提供一种智能气体传感器的自适应局部高斯温湿度补偿方法，包括以下步骤：
S1、通过测试获取不同温度、湿度及浓度下氨气传感器的电阻值，判断氨气传感器的物理特性；
S1-1、分别在不同温度、湿度下改变氨气传感器所处的密闭空间内的氨气浓度，监检测不同浓度下氨气传感器的电阻值，温度范围为10-30℃，湿度范围为20%-70%，浓度范围为10-50ppm；
S1-2、分别绘制不同温度和湿度下的电阻值-浓度的二维曲线；
S1-3、根据电阻值-浓度的二维曲线判断氨气传感器的物理特性，若电阻值随浓度增大而增大，判断氨气传感器的物理特性为电阻上升型传感器，否则判断氨气传感器的物理特性为电阻下降型传感器。本实例所使用的氨气传感器为上升型传感器。
S2、通过氨气传感器的物理特性筛选并剔除测试异常点；
S2-1、检查各温度和湿度下电阻值是否随浓度递增，令不符合规律的点为测试异常点；
S2-2、将筛选出的13个测试异常点剔除。
S3、通过多元线性回归方法及QQ-plot图检验电阻残差是否呈正态分布；
S3-1、温度为10℃、湿度为30%下的浓度-电阻曲线图如图1所示，电阻值与浓度之间趋于线性关系；由电阻值随温度的变化规律可知，电阻值受温度影响，与温度之间趋于三次关系；由电阻值随湿度的变化规律可知，电阻值与湿度之间趋于二次关系。建立多元线性回归初始模型为：
Figure 262782DEST_PATH_IMAGE010
其中，
Figure 256146DEST_PATH_IMAGE011
为多元线性回归初 始模型的模型参数，
Figure 744896DEST_PATH_IMAGE012
为电阻值，
Figure 75383DEST_PATH_IMAGE013
为温度，
Figure 333189DEST_PATH_IMAGE014
为湿度，
Figure 231875DEST_PATH_IMAGE015
为电阻；
S3-2、利用多元线性回归初始模型对电阻值做多元线性回归，获取残差数据；
S3-3、做残差数据的QQ-plot图，如图2所示；利用残差数据的QQ-plot图检验残差数据是否呈正态分布，若残差数据呈正态分布，则满足高斯过程回归前提条件，转至步骤S4，否则，转至S1再次测试。根据图2可知，残差数据呈正态分布，满足高斯过程回归的前提条件。
S4、建立以温度、湿度及浓度作为输入，电阻值作为输出的第一高斯过程回归初始模型，对剔除测试异常点后的数据做高斯过程回归，并使用回归结果预测测试异常点的电阻值，修正测试异常点；
S4-1、将温度、湿度和浓度设置为第一高斯过程回归初始模型的输入变量，电阻值设置为输出变量；
S4-2、选择第一高斯过程回归初始模型中的协方差函数为平方指数协方差函数；
在气体传感器的温湿度补偿中，输入变量包括温度、湿度和浓度，与因变量电阻值之间分别呈不同的函数关系，因此在有高精度需求时，可对不同基础协方差函数做加法或乘法等复合运算形成复合协方差函数，从而使模型中的核函数更加贴合传感器数据规律；
S4-3、利用第一高斯过程回归初始模型对剔除测试异常点后的数据做高斯过程回归；
S4-4、使用S4-3得到的回归结果预测剔除的13个测试异常点的电阻值，并使用预测电阻值替换测试电阻值，从而完成对测试异常点的修正。
S5、从修正后的数据点中随机选取15个数据点作为检验组，剩下的数据点作为回归组。
将回归组数据点视为测试过程中获得的离散点数据点，检验组数据点视为未知数据点。通过高斯过程回归，需要将有限的离散的回归组数据点延伸至连续的空间，从而获得未知点的数据点。即当通过回归组计算出的模型适用于作为未知数据点的检验组时，视该模型为成功的。
S6、使用第一高斯过程回归初始模型对回归组数据点做高斯过程回归；
S7、使用S6得到的回归结果预测回归组数据点的电阻值，并结合测试电阻值计算相对误差，相对误差大于10%为误差异常点；通过迭代高斯过程回归修正误差异常点，使用第一高斯过程回归初始模型对修正误差异常点后的回归组数据点做高斯过程回归；
S7-1、使用S6得到的回归结果预测回归组数据点的电阻值；
S7-2、使用S7-1所得的回归组数据点预测电阻值与测试电阻值计算相对误差：
Figure 847402DEST_PATH_IMAGE016
其中，
Figure 689237DEST_PATH_IMAGE017
为相对误差，
Figure 926183DEST_PATH_IMAGE018
为测试电阻值，
Figure 730191DEST_PATH_IMAGE019
为回归组数据点预测电阻值；
若相对误差大于10%，判定为误差异常点，剔除相对误差最大的误差异常点，使用第一高斯过程回归初始模型重新对剔除相对误差最大的误差异常点后的回归组数据点做高斯过程回归；
S7-3、使用S7-2得到的回归结果预测S7-2中剔除的误差异常点的电阻值，并使用预测电阻值替换测试电阻值；使用第一高斯过程回归初始模型对修正误差最大的误差异常点后的回归组数据点做高斯过程回归；
S7-4、使用S7-3得到的回归结果预测修正最大误差点后的回归组数据点的预测电阻值，重复步骤S7-2-步骤S7-3，直到不存在误差大于10%的误差异常点为止；
S8、通过S7得到的回归结果验证检验组数据点是否满足模型，若满足，则第一高斯过程回归初始模型建立成功；
通过S7得到的回归结果预测检验组数据点的电阻值，若检验组数据点的预测电阻值与测量电阻值的相对误差均在10%以内，则判定第一高斯过程回归初始模型适用于当前测试的氨气传感器，检验组相对误差点分布如图3所示。由图3可知，检验组数据点的预测电阻值与测量电阻值的相对误差均在10%以内，因此第一高斯过程回归初始模型适用于当前测试的氨气传感器。
S9、对修正误差异常点后的温度、湿度、浓度及电阻值数据做归一化处理，使数据范围均缩小至[0,1]区间；
S10、使用第一高斯过程回归初始模型对归一化处理后的温度、湿度、浓度及电阻值数据做高斯过程回归；在每两个浓度值之间***一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；
建立以温度、湿度和电阻值为输入，浓度为输出的第二高斯过程回归初始模型，选择第二高斯过程回归初始模型中的协方差函数为平方指数协方差函数、Matern 协方差函数、理性二次协方差函数或线性协方差函数；使用第二高斯过程回归初始模型对插值后的温度、湿度、浓度及电阻值数据做高斯过程回归，并利用回归结果预测浓度值；
计算归一化还原后的预测浓度值与测试设定的浓度值之间的相对误差，判定相对误差大于10%的数据点数占总数据点数的百分比是否小于1%，若是，则插值完成，否则进行下一轮插值，继续在每两个浓度值之间***一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；
在本实例中，对数据做了三轮插值。首先原始数据点10ppm、20ppm、30ppm、40ppm和50ppm的基础上***15ppm、25ppm、35ppm和45ppm的浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；再依次***浓度值12.5ppm、17.5ppm、22.5ppm、27.5ppm、32.5ppm、37.5ppm、42.5ppm和47.5ppm的浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；再次依次***浓度值11.25ppm、13.75ppm、16.25ppm、18.75ppm、21.25ppm、23.75ppm、26.25ppm、28.75ppm、31.25ppm、33.75ppm、36.25ppm、38.75ppm、41.25ppm、43.75ppm、46.25ppm和48.75ppm的浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值。此时，预测浓度值与测试设定的浓度值之间的相对误差大于10%的数据点数占总数据点数的百分比小于1%，插值完成。插值完成后归一化的预测浓度值与归一化的测试设定的浓度值散点对比图如图4所示。
S11-1、对于每个数据点，寻找温度、湿度、浓度及电阻值组成的四维空间上最邻近的45个邻居点，组成一个46点的局部数据集；
S11-2、使用第二高斯过程回归初始模型对局部数据集做高斯过程回归，利用回归结果预测当前数据点的浓度预测值；遍历所有数据点，得到所有数据点的浓度预测值；
对数据做归一化处理后，保证了在计算点与点之间的距离使各变量所占权重相同。在预测某个点的浓度时，通过寻找该点在四维空间上的邻居点进行局部高斯过程回归，既可以避免高斯过程回归对各变量边缘点的估计异常，又可以通过使用规律相近的邻居点来训练模型，实现对每个点的精准预测。
S12、对插值后的温度、湿度、浓度及电阻值数据做归一化还原处理；
S13、计算预测浓度值与测试设定的浓度值的绝对误差，求绝对误差的置信区间，并通过依次减少和依次增加参与回归的邻居点数寻找最佳邻居点数；
S13-1、计算浓度预测值与测试设定的浓度之间的绝对误差E；
S13-2、分别通过
Figure 301855DEST_PATH_IMAGE020
、
Figure 115091DEST_PATH_IMAGE021
以及
Figure 347489DEST_PATH_IMAGE022
三种检验方式求绝对误差的置信 区间，其中，
Figure 447032DEST_PATH_IMAGE023
为绝对误差E的平均值，
Figure 397670DEST_PATH_IMAGE024
为绝对误差E的标准差；计算处于置信区间内的点 数的百分比；
S13-3、依次减少和依次增加邻居点数，对于每个数据点组成的新的局部数据集， 转至S11-2；将所有局部数据集对应的处于置信区间内的点数的百分比与三种检验方式对 应的标准正态分布百分比进行对比，取两者最接近的处于置信区间内的点数的百分比对应 的局部数据集的邻居点数作为最佳邻居点数M；进行对比时，三种检验方式的优先级排序为
Figure 14596DEST_PATH_IMAGE020
、
Figure 976867DEST_PATH_IMAGE021
和
Figure 388257DEST_PATH_IMAGE022
；
当参与回归的邻居点数为45时，
Figure 560612DEST_PATH_IMAGE020
置信区间为[-1.56,1.57]，处于置信区间 内点数所占百分比为（594-10）/594 ≈98.3%；
Figure 840284DEST_PATH_IMAGE021
置信区间为[-1.04,1.05]，处于置 信区间内点数所占百分比为（594-24）/594 ≈96.0%；
Figure 781695DEST_PATH_IMAGE022
置信区间为[-0.51,0.53]，处 于置信区间内点数所占百分比为（594-59）/594 ≈90.0%；
分别增加或减少邻居点数，局部数据集对应的处于置信区间内的点数的百分比与 三种检验方式对应的标准正态分布百分比最接近的为30个邻居点数，其
Figure 363986DEST_PATH_IMAGE020
置信区间 为[-1.47,1.47]，处于置信区间内点数所占百分比为（594-10）/594 ≈98.3%；
Figure 397539DEST_PATH_IMAGE021
置 信区间为[-0.98,0.98]，处于置信区间内点数所占百分比为（594-22）/594 ≈96.3%；
Figure 90689DEST_PATH_IMAGE022
置信区间为[-0.49,0.49]，处于置信区间内点数所占百分比为（594-57）/594 ≈ 90.4%。通过绝对误差频率分布统计图与正态曲线图可直观地观察到绝对误差的正态分布 情况，预测浓度值与测试设定的浓度值的绝对误差频率分布统计图与正态曲线图见如图5 所示。
将自动寻找最佳邻居点数，结合邻居点数与该点组成局部数据集，做局部高斯过程回归用于预测该点浓度的方法称为自适应局部高斯回归算法，解决了高斯过程回归对边缘点预测偏差大的问题，并且提高了对所有点的预测精确度。
S14、对于每个数据点，寻找温度、湿度、浓度及电阻值组成的四维空间上欧氏距离最近的30个邻居点，组成一个31点的局部数据集；使用第二高斯过程回归初始模型对31点的局部数据集做高斯过程回归，利用回归结果预测当前数据点的浓度预测值，遍历所有数据点，得到所有数据点的浓度预测值。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (7)

1.一种智能气体传感器的自适应局部高斯温湿度补偿方法，其特征在于，包括以下步骤：
S1、通过测试获取不同温度、湿度及浓度下气体传感器的电阻值，判断气体传感器的物理特性；
S2、通过气体传感器的物理特性筛选并剔除测试异常点；
S3、通过多元线性回归方法及QQ-plot图检验电阻残差是否呈正态分布，若残差数据呈正态分布，转至S4，否则返回S1再次进行测试；
S4、建立以温度、湿度及浓度作为输入，电阻值作为输出的第一高斯过程回归初始模型，对剔除测试异常点后的数据做高斯过程回归，并使用回归结果预测测试异常点的电阻值，修正测试异常点；
S5、从修正后的数据点中随机选取15个数据点作为检验组，剩下的数据点作为回归组；
S6、使用第一高斯过程回归初始模型对回归组数据点做高斯过程回归；
S7、使用S6得到的回归结果预测回归组数据点的电阻值，计算回归组数据点的预测电阻值与测试电阻值之间的相对误差，相对误差大于10%为误差异常点；通过迭代高斯过程回归修正误差异常点，使用第一高斯过程回归初始模型对修正误差异常点后的回归组数据点做高斯过程回归；
S8、通过S7得到的回归结果预测检验组数据点的电阻值，若检验组数据点的预测电阻值与测量电阻值的相对误差均在10%以内，则判定第一高斯过程回归初始模型适用于当前测试的气体传感器；
S9、对修正误差异常点后的温度、湿度、浓度及电阻值数据做归一化处理，使数据范围均缩小至[0,1]区间；
S10、使用第一高斯过程回归初始模型对归一化处理后的温度、湿度、浓度及电阻值数据做高斯过程回归；在每两个浓度值之间***一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；
建立以温度、湿度和电阻值为输入，浓度为输出的第二高斯过程回归初始模型；使用第二高斯过程回归初始模型对插值后的温度、湿度、浓度及电阻值数据做高斯过程回归，并利用回归结果预测浓度值；
计算归一化还原后的预测浓度值与测试设定的浓度值之间的相对误差，判定相对误差大于10%的数据点数占总数据点数的百分比是否小于设定阈值，若是，则插值完成，否则进行下一轮插值，继续在每两个浓度值之间***一个中间浓度值，利用回归结果预测归一化处理后的中间浓度值对应的预测电阻值；
S11-1、对于每个数据点，寻找温度、湿度、浓度及电阻值组成的四维空间上最邻近的45个邻居点，组成一个46点的局部数据集；
S11-2、使用第二高斯过程回归初始模型对局部数据集做高斯过程回归，利用回归结果预测当前数据点的浓度预测值；遍历所有数据点，得到所有数据点的浓度预测值；
S12、对插值后的温度、湿度、浓度及电阻值数据做归一化还原处理；
S13、计算预测浓度值与测试设定的浓度值的绝对误差，求绝对误差的置信区间，并通过依次减少和依次增加参与回归的邻居点数寻找最佳邻居点数；
S13-1、计算浓度预测值与测试设定的浓度之间的绝对误差E；
S13-2、分别通过
Figure 590099DEST_PATH_IMAGE001
、
Figure 400797DEST_PATH_IMAGE002
以及
Figure 231350DEST_PATH_IMAGE003
三种检验方式求绝对误差的置信区间， 其中，
Figure 536430DEST_PATH_IMAGE004
为绝对误差E的平均值，
Figure 136038DEST_PATH_IMAGE005
为绝对误差E的标准差；计算处于置信区间内的点数的 百分比；
S13-3、依次减少和依次增加邻居点数，对于每一个数据点组成新的局部数据集，转至 S11-2；将所有局部数据集对应的处于置信区间内的点数的百分比与三种检验方式对应的 标准正态分布百分比进行对比，取两者最接近的处于置信区间内的点数的百分比对应的局 部数据集的邻居点数作为最佳邻居点数M；进行对比时，三种检验方式的优先级排序为
Figure 9316DEST_PATH_IMAGE001
、
Figure 936952DEST_PATH_IMAGE002
和
Figure 921089DEST_PATH_IMAGE003
；
S14、对于每个数据点，寻找温度、湿度、浓度及电阻值组成的四维空间上欧氏距离最近的M个邻居点，组成一个M+1点的局部数据集；使用第二高斯过程回归初始模型对M+1点的局部数据集做高斯过程回归，利用回归结果预测当前数据点的浓度预测值，遍历所有数据点，得到所有数据点的浓度预测值。
2.根据权利要求1所述的智能气体传感器的自适应局部高斯温湿度补偿方法，其特征在于，S10中，第二高斯过程回归初始模型中的协方差函数为平方指数协方差函数、Matern协方差函数、理性二次协方差函数或线性协方差函数。
3.根据权利要求1所述的智能气体传感器的自适应局部高斯温湿度补偿方法，其特征在于，S1的具体过程为：
S1-1、获取不同温度、湿度及浓度下气体传感器的电阻值；
S1-2、分别绘制不同温度和湿度下的电阻值-浓度的二维曲线；
S1-3、根据电阻值-浓度的二维曲线判断气体传感器的物理特性，若电阻值随浓度增大而增大，判断气体传感器的物理特性为电阻上升型传感器，否则判断气体传感器的物理特性为电阻下降型传感器。
4.根据权利要求3所述的智能气体传感器的自适应局部高斯温湿度补偿方法，其特征在于，S2的具体过程为：
S2-1、若气体传感器的物理特性为电阻上升型传感器，检查各温度和湿度下电阻值是否随浓度递增，令不符合规律的点为测试异常点；
若气体传感器的物理特性为电阻下降型传感器，检查各温度和湿度下电阻值是否随浓度递减，令不符合规律的点为测试异常点；
S2-2、将筛选出的测试异常点剔除。
5.根据权利要求4所述的智能气体传感器的自适应局部高斯温湿度补偿方法，其特征在于，S3的具体过程为：
S3-1、根据电阻值随温度、湿度和浓度的变化关系建立多元线性回归初始模型；
S3-2、对电阻值做多元线性回归，获取残差数据；
S3-3、利用残差数据的QQ-plot图检验残差数据是否呈正态分布，若残差数据呈正态分布，则满足高斯过程回归前提条件，转至S4，否则返回S1再次进行测试。
6.根据权利要求5所述的智能气体传感器的自适应局部高斯温湿度补偿方法，其特征在于，S4的具体过程为：
S4-1、将温度、湿度和浓度设置为第一高斯过程回归初始模型的输入变量，电阻值设置为输出变量；
S4-2、选择第一高斯过程回归初始模型中的协方差函数为平方指数协方差函数、Matern 协方差函数、理性二次协方差函数或线性协方差函数；
S4-3、利用第一高斯过程回归初始模型对剔除测试异常点后的数据做高斯过程回归；
S4-4、使用S4-3得到的回归结果预测剔除的测试异常点的电阻值，并使用预测电阻值替换测试电阻值。
7.根据权利要求6所述的智能气体传感器的自适应局部高斯温湿度补偿方法，其特征在于，S7的具体过程为：
S7-1、使用S6得到的回归结果预测回归组数据点的电阻值；
S7-2、使用S7-1所得的回归组数据点预测电阻值与测试电阻值计算相对误差：
Figure 640783DEST_PATH_IMAGE006
其中，
Figure 684962DEST_PATH_IMAGE007
为相对误差，
Figure 349162DEST_PATH_IMAGE008
为测试电阻值，
Figure 136989DEST_PATH_IMAGE009
为回归组数据点预测电阻值；
若相对误差大于10%，判定为误差异常点，剔除相对误差最大的误差异常点，使用第一高斯过程回归初始模型重新对剔除相对误差最大的误差异常点后的回归组数据点做高斯过程回归；
S7-3、使用S7-2得到的回归结果预测S7-2中剔除的误差异常点的电阻值，并使用预测电阻值替换测试电阻值；使用第一高斯过程回归初始模型对修正误差最大的误差异常点后的回归组数据点做高斯过程回归；
S7-4、使用S7-3得到的回归结果预测修正最大误差点后的回归组数据点的预测电阻值，重复S7-2~S7-3，直到不存在误差大于10%的误差异常点为止。
CN202110688589.9A 2021-06-22 2021-06-22 一种智能气体传感器的自适应局部高斯温湿度补偿方法 Active CN113138210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110688589.9A CN113138210B (zh) 2021-06-22 2021-06-22 一种智能气体传感器的自适应局部高斯温湿度补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110688589.9A CN113138210B (zh) 2021-06-22 2021-06-22 一种智能气体传感器的自适应局部高斯温湿度补偿方法

Publications (2)

Publication Number Publication Date
CN113138210A true CN113138210A (zh) 2021-07-20
CN113138210B CN113138210B (zh) 2021-09-24

Family

ID=76815849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110688589.9A Active CN113138210B (zh) 2021-06-22 2021-06-22 一种智能气体传感器的自适应局部高斯温湿度补偿方法

Country Status (1)

Country Link
CN (1) CN113138210B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021454A (zh) * 2021-11-03 2022-02-08 国网山东省电力公司营销服务中心(计量中心) 一种电能表综合检定试验误差解耦方法及***
CN114543711A (zh) * 2022-01-23 2022-05-27 中南大学 一种气体距离测量***传感数据处理方法

Citations (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030131653A1 (en) * 2002-01-14 2003-07-17 Kendro Laboratory Products Thermal conductivity measurement of carbon dioxide gas with relative humidity and temperature compensation
CN1459876A (zh) * 2002-12-19 2003-12-03 李扬 有机高分子－无机纳米复合电阻型薄膜湿敏元件及其制作方法
US20050017488A1 (en) * 1992-05-05 2005-01-27 Breed David S. Weight measuring systems and methods for vehicles
CN1779460A (zh) * 2004-11-22 2006-05-31 山东理工大学 智能化果蔬保鲜实验箱
CN1800842A (zh) * 2006-01-13 2006-07-12 南京埃森环境技术有限公司 在线阻容式高温烟气水分分析方法及仪器
CN101135670A (zh) * 2007-10-12 2008-03-05 电子科技大学 一种具有湿度补偿功能的双通道声表面波气体传感器
CN102076741A (zh) * 2008-04-30 2011-05-25 希乐克公司 生物量加工
CN102192927A (zh) * 2010-11-05 2011-09-21 重庆大学 一种基于电子鼻技术的空气质量监测***及其监测方法
US20110318230A1 (en) * 2006-02-21 2011-12-29 Sss Optical Technologies, Llc Chemical Sensor with an Indicator Dye
CN102663219A (zh) * 2011-12-21 2012-09-12 北京理工大学 基于混合模型的燃料电池输出预测方法和***
WO2012178071A2 (en) * 2011-06-23 2012-12-27 Brown University Device and methods for temperature and humidity measurements using a nanocomposite film sensor
CN102944583A (zh) * 2012-11-30 2013-02-27 重庆大学 基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法
CN103398744A (zh) * 2013-08-09 2013-11-20 山西埃尔气体***工程有限公司 一种医用分子筛制氧***集成化参数监测仪
US20130311108A1 (en) * 2007-07-17 2013-11-21 Kwj Engineering Inc. Apparatus and Method for Microfabricated Multi-Dimensional Sensors and Sensing Systems
CN204330663U (zh) * 2014-12-24 2015-05-13 广州兰泰仪器有限公司 一种快速水分测定仪
CN104903732A (zh) * 2013-01-11 2015-09-09 诺基亚技术有限公司 具有固定输出的传感器阵列
CN105181754A (zh) * 2015-06-29 2015-12-23 电子科技大学 补偿型电阻式集成气体传感器阵列及其制备方法
CN105301064A (zh) * 2015-12-10 2016-02-03 郑州大学 具有环境温、湿度自补偿能力的In2O3基热线型半导体气体传感器
CN105388187A (zh) * 2015-11-13 2016-03-09 大连民族大学 可控湿度的半导体气敏元件的测试方法
US20170038327A1 (en) * 2015-08-07 2017-02-09 Silicon Laboratories Inc. Systems And Methods For Humidity Measurement Using Dielectric Material-Based Relative Humidity Sensors
US20180035696A1 (en) * 2016-08-08 2018-02-08 Premier Innovations, LLC System, device, and method for preservative concentration control in baking production
DE102016124831A1 (de) * 2016-12-19 2018-06-21 Martin Donath Verfahren zur Permanentüberwachung eines Trocknungsprozesses von durchfeuchteten Bauteilen und Vorrichtung zur Durchführung des Verfahrens
US10119927B2 (en) * 2010-12-23 2018-11-06 Crc Care Pty Ltd Analyte ion detection method and device
CN109470743A (zh) * 2018-11-08 2019-03-15 西南大学 一种多物理场耦合环境的气体传感器特性测试***
CN109781800A (zh) * 2019-01-25 2019-05-21 青岛大学 一种基于金属钼酸盐纳米复合材料的气体传感器及其制备方法
CN109799772A (zh) * 2019-01-07 2019-05-24 重庆水利电力职业技术学院 一种红阳猕猴桃溃疡病预警控制***及方法
US10610111B1 (en) * 2006-06-30 2020-04-07 Bao Tran Smart watch
WO2020079564A1 (en) * 2018-10-18 2020-04-23 Arctoris Limited A system and method of performing a biological experiment with adaptive cybernetic control of procedural conditions
CN111693579A (zh) * 2020-07-16 2020-09-22 长沙理工大学 一种基于纳米片复合膜的硫化氢气体检测方法及传感器
CN111830110A (zh) * 2020-08-17 2020-10-27 江苏利得智能监测科技有限公司 一种氧气传感器自校准方法、装置及***
CN112162019A (zh) * 2020-09-22 2021-01-01 上海摇橹仪器设备有限公司 一种温湿度补偿血糖检测芯片、检测仪、基于其的血糖检测方法及电子设备
CN112585453A (zh) * 2018-09-05 2021-03-30 大阪瓦斯株式会社 气体检测装置
CN213148673U (zh) * 2020-07-22 2021-05-07 南京逸然电子科技有限公司 基于激光散射法的大气颗粒物浓度测量装置
CN112858394A (zh) * 2020-12-31 2021-05-28 广州奥松电子有限公司 一种检测***、装置及其测量方法、温湿度补偿方法
CN112903758A (zh) * 2021-01-21 2021-06-04 电子科技大学 一种气体传感器重叠分块温湿度智能自校准方法

Patent Citations (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050017488A1 (en) * 1992-05-05 2005-01-27 Breed David S. Weight measuring systems and methods for vehicles
US20030131653A1 (en) * 2002-01-14 2003-07-17 Kendro Laboratory Products Thermal conductivity measurement of carbon dioxide gas with relative humidity and temperature compensation
CN1459876A (zh) * 2002-12-19 2003-12-03 李扬 有机高分子－无机纳米复合电阻型薄膜湿敏元件及其制作方法
CN1779460A (zh) * 2004-11-22 2006-05-31 山东理工大学 智能化果蔬保鲜实验箱
CN1800842A (zh) * 2006-01-13 2006-07-12 南京埃森环境技术有限公司 在线阻容式高温烟气水分分析方法及仪器
US20110318230A1 (en) * 2006-02-21 2011-12-29 Sss Optical Technologies, Llc Chemical Sensor with an Indicator Dye
US10610111B1 (en) * 2006-06-30 2020-04-07 Bao Tran Smart watch
US20130311108A1 (en) * 2007-07-17 2013-11-21 Kwj Engineering Inc. Apparatus and Method for Microfabricated Multi-Dimensional Sensors and Sensing Systems
CN101135670A (zh) * 2007-10-12 2008-03-05 电子科技大学 一种具有湿度补偿功能的双通道声表面波气体传感器
CN102076741A (zh) * 2008-04-30 2011-05-25 希乐克公司 生物量加工
CN102192927A (zh) * 2010-11-05 2011-09-21 重庆大学 一种基于电子鼻技术的空气质量监测***及其监测方法
US10119927B2 (en) * 2010-12-23 2018-11-06 Crc Care Pty Ltd Analyte ion detection method and device
WO2012178071A2 (en) * 2011-06-23 2012-12-27 Brown University Device and methods for temperature and humidity measurements using a nanocomposite film sensor
CN102663219A (zh) * 2011-12-21 2012-09-12 北京理工大学 基于混合模型的燃料电池输出预测方法和***
CN102944583A (zh) * 2012-11-30 2013-02-27 重庆大学 基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法
CN104903732A (zh) * 2013-01-11 2015-09-09 诺基亚技术有限公司 具有固定输出的传感器阵列
CN103398744A (zh) * 2013-08-09 2013-11-20 山西埃尔气体***工程有限公司 一种医用分子筛制氧***集成化参数监测仪
CN204330663U (zh) * 2014-12-24 2015-05-13 广州兰泰仪器有限公司 一种快速水分测定仪
CN105181754A (zh) * 2015-06-29 2015-12-23 电子科技大学 补偿型电阻式集成气体传感器阵列及其制备方法
US20170038327A1 (en) * 2015-08-07 2017-02-09 Silicon Laboratories Inc. Systems And Methods For Humidity Measurement Using Dielectric Material-Based Relative Humidity Sensors
CN105388187A (zh) * 2015-11-13 2016-03-09 大连民族大学 可控湿度的半导体气敏元件的测试方法
CN107677709A (zh) * 2015-11-13 2018-02-09 大连民族大学 具有SnO2气敏材料制备步骤的可控湿度的半导体气敏元件的测试方法
CN105301064A (zh) * 2015-12-10 2016-02-03 郑州大学 具有环境温、湿度自补偿能力的In2O3基热线型半导体气体传感器
US20180035696A1 (en) * 2016-08-08 2018-02-08 Premier Innovations, LLC System, device, and method for preservative concentration control in baking production
DE102016124831A1 (de) * 2016-12-19 2018-06-21 Martin Donath Verfahren zur Permanentüberwachung eines Trocknungsprozesses von durchfeuchteten Bauteilen und Vorrichtung zur Durchführung des Verfahrens
CN112585453A (zh) * 2018-09-05 2021-03-30 大阪瓦斯株式会社 气体检测装置
CN112867782A (zh) * 2018-10-18 2021-05-28 阿克托里斯有限公司 利用程序条件的自适应控制论控制来执行生物实验的***和方法
WO2020079564A1 (en) * 2018-10-18 2020-04-23 Arctoris Limited A system and method of performing a biological experiment with adaptive cybernetic control of procedural conditions
CN109470743A (zh) * 2018-11-08 2019-03-15 西南大学 一种多物理场耦合环境的气体传感器特性测试***
CN109799772A (zh) * 2019-01-07 2019-05-24 重庆水利电力职业技术学院 一种红阳猕猴桃溃疡病预警控制***及方法
CN109781800A (zh) * 2019-01-25 2019-05-21 青岛大学 一种基于金属钼酸盐纳米复合材料的气体传感器及其制备方法
CN111693579A (zh) * 2020-07-16 2020-09-22 长沙理工大学 一种基于纳米片复合膜的硫化氢气体检测方法及传感器
CN213148673U (zh) * 2020-07-22 2021-05-07 南京逸然电子科技有限公司 基于激光散射法的大气颗粒物浓度测量装置
CN111830110A (zh) * 2020-08-17 2020-10-27 江苏利得智能监测科技有限公司 一种氧气传感器自校准方法、装置及***
CN112162019A (zh) * 2020-09-22 2021-01-01 上海摇橹仪器设备有限公司 一种温湿度补偿血糖检测芯片、检测仪、基于其的血糖检测方法及电子设备
CN112858394A (zh) * 2020-12-31 2021-05-28 广州奥松电子有限公司 一种检测***、装置及其测量方法、温湿度补偿方法
CN112903758A (zh) * 2021-01-21 2021-06-04 电子科技大学 一种气体传感器重叠分块温湿度智能自校准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TAI HL 等: "Evolution of breath analysis based on humidity and gas sensors: Potential and challenges", 《SENSORS AND ACTUATORS B-CHEMICAL》 *
Z WANG 等: "Electron compensation in p-type 3DOM NiO by Sn doping for enhanced formaldehyde sensing performance", 《JOURNAL OF MATERIALS CHEMISTRY C》 *
王斯 等: "基于RGO-PEO复合薄膜的QCM湿度传感器研究", 《电子元件与材料》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021454A (zh) * 2021-11-03 2022-02-08 国网山东省电力公司营销服务中心(计量中心) 一种电能表综合检定试验误差解耦方法及***
CN114021454B (zh) * 2021-11-03 2022-10-21 国网山东省电力公司营销服务中心(计量中心) 一种电能表综合检定试验误差解耦方法及***
CN114543711A (zh) * 2022-01-23 2022-05-27 中南大学 一种气体距离测量***传感数据处理方法
CN114543711B (zh) * 2022-01-23 2023-08-25 中南大学 一种气体距离测量***传感数据处理方法

Also Published As

Publication number Publication date
CN113138210B (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN113138210B (zh) 一种智能气体传感器的自适应局部高斯温湿度补偿方法
CN109799269B (zh) 基于动态特征重要度的电子鼻气体传感器阵列优化方法
CN107803350B (zh) 一种锂电池自动分选的方法、存储介质及电池分选装置
US20190086912A1 (en) Method and system for generating two dimensional barcode including hidden data
CN110687072B (zh) 一种基于光谱相似度的校正集和验证集的选择及建模方法
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
CN108829878B (zh) 一种工业实验数据异常点检测方法及装置
CN112903758B (zh) 一种气体传感器重叠分块温湿度智能自校准方法
CN114114039A (zh) 一种电池***的单体电芯一致性的评估方法和装置
CN116075733A (zh) 用于对电池模块进行分类的电池管理***
CN114757413A (zh) 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法
CN110930057A (zh) 基于lof算法的配电变压器检验结果可信度的量化评判方法
CN117152119A (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN112817842B (zh) 不完美排错srgm决策方法、***、介质、设备及应用
WO2019143595A1 (en) Radio frequency sensor system incorporating machine learning system and method
CN114859249B (zh) 一种电池包容量的检测方法和装置
CN116256402A (zh) 一种基于频域介电谱数据检测阀侧套管缺陷检测方法
TWI774291B (zh) 二次電池檢查方法及二次電池檢查裝置
CN116186507A (zh) 一种特征子集的选取方法、装置及存储介质
CN112397404B (zh) 半导体制程检测方法及检测***
CN113836826A (zh) 关键参数确定方法、装置、电子装置及存储介质
WO2019041732A1 (zh) 制造过程能力评价方法及装置
CN113987240A (zh) 一种基于知识图谱的海关检样溯源方法及***
CN107506824B (zh) 一种配电网的不良观测数据检测方法及装置
CN113688506A (zh) 基于微站等多维数据的潜在大气污染源识别方法

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