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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 2
- 238000003491 array Methods 0.000 claims 1
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
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)
β1=K1 -1U1 (5)
式中,
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
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4.3: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:
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)
β1=K1 -1U1 (5)
式中,
进一步的,根据K0和U0,公式(6)和(7)被重写为
进一步的,所述步骤4的SQS方法具体包括以下步骤,
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:
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
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。
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)
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 |
-
2022
- 2022-12-01 CN CN202211523964.5A patent/CN115808504B/zh active Active
Patent Citations (18)
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)
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 |