CN115808504A - 一种用于浓度预测的气体传感器在线漂移补偿方法 - Google Patents

一种用于浓度预测的气体传感器在线漂移补偿方法 Download PDF

Info

Publication number
CN115808504A
CN115808504A CN202211523964.5A CN202211523964A CN115808504A CN 115808504 A CN115808504 A CN 115808504A CN 202211523964 A CN202211523964 A CN 202211523964A CN 115808504 A CN115808504 A CN 115808504A
Authority
CN
China
Prior art keywords
concentration prediction
sample
label
data set
domain
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
CN202211523964.5A
Other languages
English (en)
Other versions
CN115808504B (zh
Inventor
宋凯
色海锋
姜金海
孙传禹
刘继江
张伟岩
王煊赫
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.)
Harbin Institute of Technology
CETC 49 Research Institute
Original Assignee
Harbin Institute of Technology
CETC 49 Research Institute
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 Harbin Institute of Technology, CETC 49 Research Institute filed Critical Harbin Institute of Technology
Priority to CN202211523964.5A priority Critical patent/CN115808504B/zh
Publication of CN115808504A publication Critical patent/CN115808504A/zh
Application granted granted Critical
Publication of CN115808504B publication Critical patent/CN115808504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于浓度预测的气体传感器在线漂移补偿方法。步骤1：目标区域的，所述数据集包括带有标签的源域数据集及无标签的目标域数据集；对源域数据进行归一化，使其样本和标签都处于‑1至1之间；步骤2：基于步骤1的源域数据集训练OELM，从而建立浓度预测模型；步骤3：基于步骤2的浓度预测模型略对目标域的气体传感器样本进行浓度预测；步骤4：基于步骤3预测的浓度利用SQS方法判断当前样本是否需要进行人工标注，若不需要人工标注则进行步骤5；若需要人工标注则进行步骤6；步骤5：重新回到步骤3；步骤6：标注该样本并使用它对OELM进行更新。本发明用以解决现有技术中漂移补偿不能在线应用于浓度预测及人工标注成本高的问题。

Description

一种用于浓度预测的气体传感器在线漂移补偿方法
技术领域
本发明属于气体浓度预测领域，具体涉及一种用于浓度预测的气体传感器在线漂移补偿方法。
背景技术
随着材料科学和信息科学的发展，气体传感器已广泛应用于食品工程、环境监测、医疗诊断和***物检测。然而，受气体传感器漂移的干扰，气体传感器输出响应的特征分布会随时间而发生变化，进而无法满足传统机器学习方法中训练数据和测试数据分布一致的前提假设。在这种情况下，利用干净数据(源域)训练的模型往往难以在漂移数据(目标域)上取得令人满意的结果。
目前，现有用于气体传感器的漂移补偿技术存在如下不足：
第一，气体检测在环境保护和安全检查等场合中发挥着重要作用。所以，在气体传感器领域，分类任务和回归任务都是具有现实意义的。然而，现有漂移补偿方法大都集中在如何提高气体分类任务的准确率，而忽略了浓度预测的重要性；
第二，在现实世界中人工标注的成本较高，这导致获得足够带有真实标签的气体传感器数据并用于浓度预测模型的训练是极其困难的；
第三，现有的漂移补偿方法大都只能够应用在离线场景中，即利用固定的历史数据建立模型，然后去识别或预测另一个固定的数据集。然而，传感器漂移会随着时间不断进化，这些方法无法实现在线补偿漂移。
针对现有技术以上方面的不足，本发明提供了一种用于气体浓度预测的在线漂移补偿方法，其目的是在较低的标注成本下，实现在线补偿漂移和在线浓度预测，并以较高的精度完成气体传感器领域的回归任务。
发明内容
本发明提供一种用于浓度预测的气体传感器在线漂移补偿方法，用以解决现有技术中漂移补偿不能在线应用于预测及人工标注成本高的问题。
本发明通过以下技术方案实现：
一种用于浓度预测的气体传感器在线漂移补偿方法，所述气体传感器在线漂移补偿方法具体包括以下步骤：
步骤1：获取目标区域的数据集，所述数据集包括带有标签的源域数据集及无标签的目标域数据集；对源域数据进行归一化，使其样本和标签都处于-1至1之间
步骤2：基于步骤1的源域数据集训练OELM，从而建立基于OELM浓度预测模型；
步骤3：基于步骤2的浓度预测模型略对目标域的气体传感器的一个样本进行浓度预测；即
Figure BDA0003974461530000021
其中，
Figure BDA0003974461530000022
表示浓度预测模型对样本
Figure BDA00039744615300000225
预测的浓度值，
Figure BDA0003974461530000023
表示
Figure BDA0003974461530000024
从OELM的输入层映射至隐藏层的输出；
步骤4：基于步骤3预测的浓度利用SQS方法判断当前样本是否需要进行人工标注，若不需要人工标注则进行步骤5；若需要人工标注则进行步骤6；
步骤5：重新回到步骤3对目标域中的下一个样本进行浓度预测；
步骤6：标注该样本并使用它对OELM进行更新。
一种用于浓度预测的气体传感器在线漂移补偿方法，所述步骤1具体为，假设带有标签的源域数据集为
Figure BDA0003974461530000025
其中NS表示源域中样本的数量，
Figure BDA0003974461530000026
表示样本
Figure BDA0003974461530000027
的标签；
无标签目标域
Figure BDA0003974461530000028
是一个无限的数据流；
Figure BDA0003974461530000029
为样本
Figure BDA00039744615300000210
的标签，目标域样本的标签只能由人工标注获得。
3.根据权利要求2所述一种用于浓度预测的气体传感器在线漂移补偿方法，将源域数据集
Figure BDA00039744615300000211
被分割为
Figure BDA00039744615300000212
和
Figure BDA00039744615300000213
后，
Figure BDA00039744615300000214
作为新的源域，
Figure BDA00039744615300000215
作为第一块目标域。
一种用于浓度预测的气体传感器在线漂移补偿方法，所述步骤2的OELM具体为,
根据域自适应极限学习机的定义可得：
β0＝K0 -1U0 (4)
式中，
Figure BDA00039744615300000216
其中，
Figure BDA00039744615300000217
和
Figure BDA00039744615300000218
分别是
Figure BDA00039744615300000219
和
Figure BDA00039744615300000220
的隐层输出矩阵；
Figure BDA00039744615300000221
和
Figure BDA00039744615300000222
分别表示
Figure BDA00039744615300000223
和
Figure BDA00039744615300000224
的标签矩阵。
Figure BDA0003974461530000031
表示单位阵，
Figure BDA0003974461530000032
和
Figure BDA0003974461530000033
是惩罚因子；
将无标签目标域
Figure BDA0003974461530000034
分割为
Figure BDA0003974461530000035
被人工标注所提供；
假设XT1是目标域的第二块；考虑XT1中带有标签的样本
Figure BDA0003974461530000036
和初始数据(
Figure BDA0003974461530000037
和
Figure BDA0003974461530000038
)，输出权重β1被更新如下：
β1＝K1 -1U1 (5)
式中，
Figure BDA0003974461530000039
Figure BDA00039744615300000310
式中，
Figure BDA00039744615300000311
和
Figure BDA00039744615300000312
分别表示样本
Figure BDA00039744615300000313
的隐层输出和输出层输出。
一种用于浓度预测的气体传感器在线漂移补偿方法，根据K0和U0，公式(6)和(7)被重写为
Figure BDA00039744615300000314
Figure BDA00039744615300000315
进一步地，根据第k+1个目标域XT,k中的
Figure BDA00039744615300000316
可以推导出βk(k＝1,2,...)的一般形式：
Figure BDA00039744615300000317
式中，
Figure BDA00039744615300000318
和
Figure BDA00039744615300000319
分别表示
Figure BDA00039744615300000320
的隐层输出和输出层输出；通过这种方式，可以实现了对βk的不断更新。
一种用于浓度预测的气体传感器在线漂移补偿方法，所述步骤4的SQS方法具体包括以下步骤，
步骤4.1：对
Figure BDA0003974461530000041
中
Figure BDA0003974461530000042
和
Figure BDA0003974461530000043
分别进行归一化处理，使它们都处于-1至1之间，利用归一化后的XS训练一个基浓度预测模型；
步骤4.2：如果浓度预测模型对无标签目标域样本
Figure BDA0003974461530000044
的预测值为
Figure BDA0003974461530000045
假设
Figure BDA0003974461530000046
计算
Figure BDA0003974461530000047
与
Figure BDA0003974461530000048
的余弦距离(CS)和欧式距离(ED)，计算公式分别为：
Figure BDA0003974461530000049
Figure BDA00039744615300000410
步骤4.3：定义欧式距离与余弦距离绝对值的比值为d，则计算公式为：
Figure BDA00039744615300000411
步骤4.4：定义
Figure BDA00039744615300000412
与
Figure BDA00039744615300000413
中其余样本的最大d值记为di；
步骤4.5：对于
Figure BDA00039744615300000414
如果dij(i＝[NS-N0+1,NS])大于di的数量大于预先设置的阈值thd，则对目标域中样本
Figure BDA00039744615300000415
进行人工标注。
本发明的有益效果是：
本发明可以解决气体传感器漂移场景下的在线浓度预测问题。本发明的SQS可以捕捉传感器漂移的变化，并且本发明的OELM的每次更新只依赖于一个被人工标注的样本，标注成本大大降低，无需使用和存储以前的样本。
本发明计算方法简单，只需计算两个矩阵(Kk和Uk)就可完成在线更新进程。
附图说明
图1是本发明的***框图。
图2是本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种用于浓度预测的气体传感器在线漂移补偿方法，所述气体传感器在线漂移补偿方法具体包括以下步骤：
步骤1：获取目标区域的数据集，所述数据集包括带有标签的源域数据集及无标签的目标域数据集；对源域数据进行归一化，使其样本和标签都处于-1至1之间
步骤2：基于步骤1的源域数据集训练OELM，从而建立基于OELM的浓度预测模型；
步骤3：基于步骤2的浓度预测模型略对目标域的气体传感器样本进行浓度预测，即
Figure BDA0003974461530000051
其中，
Figure BDA0003974461530000052
表示浓度预测模型对样本
Figure BDA0003974461530000053
预测的浓度值，
Figure BDA0003974461530000054
表示
Figure BDA0003974461530000055
从OELM的输入层映射至隐藏层的输出；
步骤4：基于步骤3预测的浓度利用SQS方法判断当前样本是否需要进行人工标注，若不需要人工标注则进行步骤5；若需要人工标注则进行步骤6；
步骤5：重新回到步骤3；
步骤6：标注该样本并使用它对OELM进行更新。
进一步的，所述步骤1具体为，假设带有标签的源域数据集为
Figure BDA0003974461530000056
其中NS表示源域中样本的数量，
Figure BDA0003974461530000057
表示样本
Figure BDA0003974461530000058
的标签；
由于随着时间的推移，收集到的气体传感器数据不断增多，所以无标签目标域
Figure BDA0003974461530000059
是一个无限的数据流；
Figure BDA00039744615300000510
为样本
Figure BDA00039744615300000511
的标签，目标域样本的标签只能由人工标注获得。
进一步的，将源域数据集
Figure BDA00039744615300000512
被分割为
Figure BDA00039744615300000513
和
Figure BDA0003974461530000061
后，
Figure BDA0003974461530000062
作为新的源域，
Figure BDA0003974461530000063
作为第一块目标域。
进一步的，所述步骤2的OELM具体为,
根据域自适应极限学习机的定义可得：
β0＝K0 -1U0 (4)
式中，
Figure BDA0003974461530000064
其中，
Figure BDA0003974461530000065
和
Figure BDA0003974461530000066
分别是
Figure BDA0003974461530000067
和
Figure BDA0003974461530000068
的隐层输出矩阵；
Figure BDA0003974461530000069
和
Figure BDA00039744615300000610
分别表示
Figure BDA00039744615300000611
和
Figure BDA00039744615300000612
的标签矩阵。
Figure BDA00039744615300000613
表示单位阵，
Figure BDA00039744615300000614
和
Figure BDA00039744615300000615
是惩罚因子；
由于域自适应极限学习是一种离线方法，无法实现漂移场景下的在线预测和在线更新。所以，本发明将无标签目标域
Figure BDA00039744615300000616
分割为
Figure BDA00039744615300000617
被人工标注所提供；
假设XT1是目标域的第二块；考虑XT1中带有标签的样本
Figure BDA00039744615300000618
和初始数据(
Figure BDA00039744615300000619
和
Figure BDA00039744615300000620
)，输出权重β1被更新如下：
β1＝K1 -1U1 (5)
式中，
Figure BDA00039744615300000621
Figure BDA00039744615300000622
式中，
Figure BDA00039744615300000623
和
Figure BDA00039744615300000624
分别表示样本
Figure BDA00039744615300000625
的隐层输出和输出层输出。
进一步的，根据K0和U0，公式(6)和(7)被重写为
Figure BDA00039744615300000626
Figure BDA00039744615300000627
进一步地，根据第k+1个目标域XT,k中的
Figure BDA0003974461530000071
可以推导出βk(k＝1,2,...)的一般形式：
Figure BDA0003974461530000072
式中，
Figure BDA0003974461530000073
和
Figure BDA0003974461530000074
分别表示
Figure BDA0003974461530000075
的隐层输出和输出层输出；通过这种方式，可以实现了对βk的不断更新。
进一步的，所述步骤4的SQS方法具体包括以下步骤，
步骤4.1：对
Figure BDA0003974461530000076
中
Figure BDA0003974461530000077
和
Figure BDA0003974461530000078
分别进行归一化处理，使它们都处于-1至1之间，利用归一化后的XS训练一个基浓度预测模型；
步骤4.2：如果浓度预测模型对无标签目标域样本
Figure BDA0003974461530000079
的预测值为
Figure BDA00039744615300000710
假设
Figure BDA00039744615300000711
计算
Figure BDA00039744615300000712
与
Figure BDA00039744615300000713
的余弦距离(CS)和欧式距离(ED)，计算公式分别为：
Figure BDA00039744615300000714
Figure BDA00039744615300000715
步骤4.3：定义欧式距离与余弦距离绝对值的比值为d，则计算公式为：
Figure BDA00039744615300000716
步骤4.4：定义
Figure BDA00039744615300000717
与
Figure BDA00039744615300000718
中其余样本的最大d值记为di；
步骤4.5：对于
Figure BDA00039744615300000719
如果dij(i＝[NS-N0+1,NS])大于di的数量大于预先设置的阈值thd，则对目标域中样本
Figure BDA00039744615300000720
进行人工标注。
进一步的，OELM的每次更新只依赖于一个被人工标注的样本，标注成本大大降低，无需使用和存储以前的样本。同时计算方法简单，只需计算两个矩阵(Kk和Uk)就可完成在线更新进程。
在本实施例中，利用带有漂移的空气质量数据集验证本发明的有效性。该数据集是从2004年3月至2005年2月利用一个气体传感器阵列收集的，共有9358个样本。该数据集可用于预测苯的真实浓度，其中苯的真实浓度由气体分析仪测量得到。所以，利用本发明提出的方法对苯的浓度进行了预测。此外，数据集中存在缺失值的样本被剔除，最终共有6941个样本。根据图2的工作流程，实验结果见表1。实验结果表明，本发明有效提高了浓度预测的精度，同时降低了标注成本，实现了漂移场景下的在线浓度预测和在线模型更新。
表1实验对比结果
Figure BDA0003974461530000081

Claims (6)

1.一种用于浓度预测的气体传感器在线漂移补偿方法，其特征在于，所述气体传感器在线漂移补偿方法具体包括以下步骤：
步骤1：获取目标区域的数据集，所述数据集包括带有标签的源域数据集及无标签的目标域数据集；对源域数据进行归一化，使其样本和标签都处于-1至1之间
步骤2：基于步骤1的源域数据集训练OELM，从而建立基于OELM浓度预测模型；
步骤3：基于步骤2的浓度预测模型略对目标域的气体传感器的一个样本进行浓度预测；即
Figure FDA0003974461520000017
其中，
Figure FDA0003974461520000019
表示浓度预测模型对样本
Figure FDA0003974461520000018
预测的浓度值，
Figure FDA00039744615200000110
表示
Figure FDA00039744615200000111
从OELM的输入层映射至隐藏层的输出；
步骤4：基于步骤3预测的浓度利用SQS方法判断当前样本是否需要进行人工标注，若不需要人工标注则进行步骤5；若需要人工标注则进行步骤6；
步骤5：重新回到步骤3对目标域中的下一个样本进行浓度预测；
步骤6：标注该样本并使用它对OELM进行更新。
2.根据权利要求1所述一种用于浓度预测的气体传感器在线漂移补偿方法，其特征在于，所述步骤1具体为，假设带有标签的源域数据集为
Figure FDA0003974461520000013
其中NS表示源域中样本的数量，
Figure FDA0003974461520000011
表示样本
Figure FDA0003974461520000012
的标签；
无标签目标域
Figure FDA0003974461520000014
是一个无限的数据流；
Figure FDA0003974461520000015
为样本
Figure FDA0003974461520000016
的标签，目标域样本的标签只能由人工标注获得。
3.根据权利要求2所述一种用于浓度预测的气体传感器在线漂移补偿方法，其特征在于，将源域数据集
Figure FDA00039744615200000112
被分割为
Figure FDA00039744615200000113
和
Figure FDA00039744615200000114
后，
Figure FDA00039744615200000115
作为新的源域，
Figure FDA00039744615200000116
作为第一块目标域。
4.根据权利要求3所述一种用于浓度预测的气体传感器在线漂移补偿方法，其特征在于，所述步骤2的OELM具体为,
根据域自适应极限学习机的定义可得：
式中，
Figure FDA0003974461520000021
其中，
Figure FDA0003974461520000022
和
Figure FDA0003974461520000023
分别是
Figure FDA0003974461520000024
和
Figure FDA0003974461520000025
的隐层输出矩阵；
Figure FDA0003974461520000026
和
Figure FDA0003974461520000027
分别表示
Figure FDA0003974461520000028
和
Figure FDA0003974461520000029
的标签矩阵。
Figure FDA00039744615200000210
表示单位阵，
Figure FDA00039744615200000211
和
Figure FDA00039744615200000212
是惩罚因子；
将无标签目标域
Figure FDA00039744615200000213
分割为
Figure FDA00039744615200000214
被人工标注所提供；
假设XT1是目标域的第二块；考虑XT1中带有标签的样本
Figure FDA00039744615200000215
和初始数据
Figure FDA00039744615200000216
和
Figure FDA00039744615200000217
输出权重β1被更新如下：
β1＝K1 -1U1(5)
式中，
Figure FDA00039744615200000218
Figure FDA00039744615200000219
式中，
Figure FDA00039744615200000220
和
Figure FDA00039744615200000221
分别表示样本
Figure FDA00039744615200000222
的隐层输出和输出层输出。
5.根据权利要求4所述一种用于浓度预测的气体传感器在线漂移补偿方法，其特征在于，根据K0和U0，公式(6)和(7)被重写为
Figure FDA00039744615200000223
Figure FDA00039744615200000224
进一步地，根据第k+1个目标域XT,k中的
Figure FDA00039744615200000225
可以推导出βk(k＝1,2,...)的一般形式：
Figure FDA0003974461520000031
式中，
Figure FDA0003974461520000032
和
Figure FDA0003974461520000033
分别表示
Figure FDA0003974461520000034
的隐层输出和输出层输出；通过这种方式，可以实现了对βk的不断更新。
6.根据权利要求3所述一种用于浓度预测的气体传感器在线漂移补偿方法，其特征在于，所述步骤4的SQS方法具体包括以下步骤，
步骤4.1：对
Figure FDA0003974461520000035
中
Figure FDA0003974461520000036
和
Figure FDA0003974461520000037
分别进行归一化处理，使它们都处于-1至1之间，利用归一化后的XS训练一个基浓度预测模型；
步骤4.2：如果浓度预测模型对无标签目标域样本
Figure FDA0003974461520000038
的预测值为
Figure FDA0003974461520000039
假设
Figure FDA00039744615200000310
计算
Figure FDA00039744615200000311
与
Figure FDA00039744615200000312
的余弦距离CS和欧式距离ED，计算公式分别为：
Figure FDA00039744615200000313
Figure FDA00039744615200000314
步骤4.3：定义欧式距离与余弦距离绝对值的比值为d，则计算公式为：
Figure FDA00039744615200000315
步骤4.4：定义
Figure FDA00039744615200000316
与
Figure FDA00039744615200000317
中其余样本的最大d值记为di；
步骤4.5：对于
Figure FDA00039744615200000318
如果dij(i＝[NS-N0+1,NS])大于di的数量大于预先设置的阈值thd，则对目标域中样本
Figure FDA00039744615200000319
进行人工标注。
CN202211523964.5A 2022-12-01 2022-12-01 一种用于浓度预测的气体传感器在线漂移补偿方法 Active CN115808504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211523964.5A CN115808504B (zh) 2022-12-01 2022-12-01 一种用于浓度预测的气体传感器在线漂移补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211523964.5A CN115808504B (zh) 2022-12-01 2022-12-01 一种用于浓度预测的气体传感器在线漂移补偿方法

Publications (2)

Publication Number Publication Date
CN115808504A true CN115808504A (zh) 2023-03-17
CN115808504B CN115808504B (zh) 2024-06-04

Family

ID=85485138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211523964.5A Active CN115808504B (zh) 2022-12-01 2022-12-01 一种用于浓度预测的气体传感器在线漂移补偿方法

Country Status (1)

Country Link
CN (1) CN115808504B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060155486A1 (en) * 2004-10-07 2006-07-13 Walsh Alicia M Computer-implemented system and method for analyzing mixtures of gases
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
CN105891422A (zh) * 2016-04-08 2016-08-24 重庆大学 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法
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
CN106093178A (zh) * 2016-08-26 2016-11-09 西安鼎研科技有限责任公司 Voc气体传感器的浓度和温度漂移的补偿电路及方法
CN109187667A (zh) * 2018-10-17 2019-01-11 哈尔滨工业大学 环境气体浓度测量装置及其使用方法
CN109669009A (zh) * 2019-01-10 2019-04-23 重庆邮电大学 基于域校正的域自适应极限学习机电子鼻漂移抑制方法
CN110222785A (zh) * 2019-06-13 2019-09-10 重庆大学 用于气体传感器漂移校正的自适应置信度主动学习方法
CN110426490A (zh) * 2019-07-25 2019-11-08 北京市劳动保护科学研究所 一种有害气体在线监测仪的温湿度漂移补偿方法及装置
US20200032641A1 (en) * 2017-02-03 2020-01-30 Resman As Targeted tracer injection with online sensor
CN111474297A (zh) * 2020-03-09 2020-07-31 重庆邮电大学 一种仿生嗅觉***中传感器的在线漂移补偿方法
CN112098605A (zh) * 2020-09-21 2020-12-18 哈尔滨工业大学 一种高鲁棒性化学传感器阵列软测量方法
CN112098600A (zh) * 2020-09-14 2020-12-18 哈尔滨工业大学 一种化学传感器阵列的故障检测及诊断方法
CN112816616A (zh) * 2019-11-18 2021-05-18 重庆邮电大学 一种基于盲领域自适应的电子鼻漂移补偿方法
CN113030197A (zh) * 2021-03-26 2021-06-25 哈尔滨工业大学 一种气体传感器漂移补偿方法
CN113740381A (zh) * 2021-08-12 2021-12-03 西南大学 一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法
CN114813903A (zh) * 2022-03-30 2022-07-29 西藏鑫湖矿业有限公司 一种基于石榴石微区化学成分判别矿种的方法
CN114925762A (zh) * 2022-05-13 2022-08-19 哈尔滨工业大学 一种基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060155486A1 (en) * 2004-10-07 2006-07-13 Walsh Alicia M Computer-implemented system and method for analyzing mixtures of gases
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
CN105891422A (zh) * 2016-04-08 2016-08-24 重庆大学 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法
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
CN106093178A (zh) * 2016-08-26 2016-11-09 西安鼎研科技有限责任公司 Voc气体传感器的浓度和温度漂移的补偿电路及方法
US20200032641A1 (en) * 2017-02-03 2020-01-30 Resman As Targeted tracer injection with online sensor
CN109187667A (zh) * 2018-10-17 2019-01-11 哈尔滨工业大学 环境气体浓度测量装置及其使用方法
CN109669009A (zh) * 2019-01-10 2019-04-23 重庆邮电大学 基于域校正的域自适应极限学习机电子鼻漂移抑制方法
CN110222785A (zh) * 2019-06-13 2019-09-10 重庆大学 用于气体传感器漂移校正的自适应置信度主动学习方法
CN110426490A (zh) * 2019-07-25 2019-11-08 北京市劳动保护科学研究所 一种有害气体在线监测仪的温湿度漂移补偿方法及装置
CN112816616A (zh) * 2019-11-18 2021-05-18 重庆邮电大学 一种基于盲领域自适应的电子鼻漂移补偿方法
CN111474297A (zh) * 2020-03-09 2020-07-31 重庆邮电大学 一种仿生嗅觉***中传感器的在线漂移补偿方法
CN112098600A (zh) * 2020-09-14 2020-12-18 哈尔滨工业大学 一种化学传感器阵列的故障检测及诊断方法
CN112098605A (zh) * 2020-09-21 2020-12-18 哈尔滨工业大学 一种高鲁棒性化学传感器阵列软测量方法
CN113030197A (zh) * 2021-03-26 2021-06-25 哈尔滨工业大学 一种气体传感器漂移补偿方法
CN113740381A (zh) * 2021-08-12 2021-12-03 西南大学 一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法
CN114813903A (zh) * 2022-03-30 2022-07-29 西藏鑫湖矿业有限公司 一种基于石榴石微区化学成分判别矿种的方法
CN114925762A (zh) * 2022-05-13 2022-08-19 哈尔滨工业大学 一种基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HAIFENG SE ETAL.: "Online drift compensation framework based on active learning for gas classifcation and concentration prediction", 《SENSORS AND ACTUATORS: B. CHEMICAL》, vol. 398, 2 October 2023 (2023-10-02), pages 1 - 11, XP087432205, DOI: 10.1016/j.snb.2023.134716 *
K. SONG ETAL.: "A Tuning Method for Wireless Power Transfer System against Dual-side Capacitance Drift Based on Equivalent Impedance Decoupling", 《2020 IEEE PELS WORKSHOP ON EMERGING TECHNOLOGIES: WIRELESS POWER TRANSFER (WOW)》, 31 December 2020 (2020-12-31), pages 350 - 353 *
Q. WANG ETAL.: "A novel signal reconstruction strategy of multifunctional self-validating sensor", 《2013 SEVENTH INTERNATIONAL CONFERENCE ON SENSING TECHNOLOGY (ICST)》, 31 December 2013 (2013-12-31), pages 262 - 266 *
TAO WANG ETAL.: "Classification and Concentration Prediction of VOCs With High Accuracy Based on an Electronic Nose Using an ELM-ELM Integrated Algorithm", 《IEEE SENSORS JOURNAL》, vol. 22, no. 14, 15 July 2022 (2022-07-15), pages 14458 - 14469 *
宋凯: "金属氧化物半导体气体传感器气体检测关键问题研究", 《博士学位论文电子期刊》, 16 March 2012 (2012-03-16), pages 4 *

Also Published As

Publication number Publication date
CN115808504B (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
JP6129028B2 (ja) 建物動力設備のエネルギー消費量予測方法
CN110059894B (zh) 设备状态评估方法、装置、***及存储介质
CN109919934A (zh) 一种基于多源域深度迁移学习的液晶面板缺陷检测方法
CN113259331A (zh) 一种基于增量学习的未知异常流量在线检测方法及***
CN111652167A (zh) 一种染色体核型图像智能评价方法及***
CN108334943A (zh) 基于主动学习神经网络模型的工业过程半监督软测量建模方法
CN113849542A (zh) 基于人工智能的区域温室气体排放清单核算***与方法
CN114841073A (zh) 基于局部标签传播的即时学习半监督软测量建模方法
CN111898673A (zh) 一种基于emd与lstm的溶解氧含量预测方法
CN114048546B (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
CN117829318A (zh) 一种基于大模型算法的数字孪生***
CN115808504A (zh) 一种用于浓度预测的气体传感器在线漂移补偿方法
CN113111729B (zh) 人员识别模型的训练方法、识别方法、***、装置及介质
CN114818460A (zh) 基于自动机器学习的实验室设备剩余使用寿命预测方法
CN113225391B (zh) 基于滑动窗口异常检测的大气环境监测质量监控方法及计算设备
CN115056829A (zh) 多车型连续学习的列车运动状态估计方法
Gallardo et al. Forecasting electricity consumption data from paraguay using a machine learning approach
CN114386196B (zh) 一种板带力学性能预测准确性评估方法
Viswanathan et al. Anomaly detection and classification in agricultural produce using image processing and CNN assisted by a robotic arm
CN116805045B (zh) 气象预测模型修正方法、装置、设备及可读存储介质
Chabane et al. Forecasting KPIs of Production Systems Using LSTM Networks
CN115101188A (zh) 一种生化分析仪预测性维护***及辅助决策方法
de la Cal et al. Special issue SOCO 2020
CN116821624A (zh) 一种实时安全性的评估方法及装置
Zhang et al. RESEARCH ON DEEP LEARNING APPLICATION: FOCUS ON SUPPLY CHAIN MANAGEMENT

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