CN117686555B - 一种基于机器学习的lc湿度传感器漂移补偿方法 - Google Patents
一种基于机器学习的lc湿度传感器漂移补偿方法 Download PDFInfo
- Publication number
- CN117686555B CN117686555B CN202410153167.5A CN202410153167A CN117686555B CN 117686555 B CN117686555 B CN 117686555B CN 202410153167 A CN202410153167 A CN 202410153167A CN 117686555 B CN117686555 B CN 117686555B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- humidity sensor
- neural network
- function
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010801 machine learning Methods 0.000 title claims abstract description 11
- 230000004044 response Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开一种基于机器学习的LC湿度传感器漂移补偿方法,包括:对LC湿度传感器进行温度测试实验,获取原始数据,原始数据包括多组数据,每组数据包括湿度及温度条件下的响应数据;预处理响应数据,提取响应带宽BW、实部阻抗最大值Re()Max,及其最大值对应的谐振频率Freq,利用小波分析对其降噪,将降噪后的数据进行归一化处理作为特征建立数据集;初始化BP神经网络,采用遗传算法优化BP神经网络模型,得到GA‑BP模型;用训练集训练GA‑BP模型,将训练好的模型用于漂移数据测试集的补偿。本发明通过神经网络模型对LC湿度传感器漂移进行补偿,经过对漂移数据集的学习,模型系数达到0.966,模型能解释96.6%的不确定性,取得了良好的补偿效果。
Description
技术领域
本发明涉及LC传感器技术领域,具体涉及一种基于机器学习的LC湿度传感器漂移补偿方法。
背景技术
LC无源无线传感器本质上是一种LC谐振环路,由无源元件电阻、电容和电感组成。LC传感器体积小、成本低、功耗较低,且不需要更换电池,可用于pH监测、温度、湿度、生物电位和应变等参数的检测,有着很重要的使用价值和科研意义。
然而传感器往往会由于外界环境变化(温度,电磁干扰等),而出现漂移现象,即传感器响应偏离基准值,这会导致后续的模式识别结果不准确。本发明针对LC湿度传感器因温度变化造成的响应数据不稳定问题,采用神经网络模型对LC湿度传感器的温度漂移进行补偿,对获得更稳定、更可靠的输出结果具有重要意义。
有鉴于此,有必要设计一种基于机器学习的LC湿度传感器漂移补偿方法,以解决上述问题。
发明内容
本发明的目的在于针对LC湿度传感器因温度变化造成的响应数据不稳定问题,提供一种基于机器学习的LC湿度传感器漂移补偿方法。
为实现以上目的,本发明采用以下技术方案,包括以下步骤:
S1、对LC湿度传感器进行温度测试实验,获取原始数据,所述原始数据包括多组数据,每组所述数据包括湿度环境及温度条件下所述LC湿度传感器的响应数据;
S2、将所述LC湿度传感器的响应数据进行预处理,提取响应带宽BW,实部阻抗最大值Re()Max,及所述最大值Re(/>)Max对应的谐振频率Freq,利用小波分析对所述谐振频率Freq降噪,并将降噪后的数据进行归一化处理之后作为特征建立数据集;
S3、初始化BP神经网络,采用遗传算法优化BP神经网络模型,得到GA-BP模型;
S4、用训练集对所述GA-BP模型进行训练,将训练好的模型用于漂移数据测试集的补偿。
作为本发明的进一步改进,所述S2中的所述小波分析所采用的基函数为db10,分解层数为3层。
作为本发明的进一步改进,所述S2中的所述小波分析的阈值选取为改进的固定阈值,表达式为:
,
阈值函数选取为改进的阈值函数,所述阈值函数的公式为:
,
其中为信号标准方差,N为数据长度,j为分解层数,/>为估计小波系数,为分解后的小波系数,sgn(*)为符号分段函数。
作为本发明的进一步改进,所述S3中的所述BP神经网络包括1个输入层、2个隐藏层和1个输出层,所述输入层有3个输入,所述2个隐藏层分别有m和n个神经元。
作为本发明的进一步改进,所述BP神经网络是通过输入的线性组合,然后通过神经元激活函数进行非线性变换,所述神经元激活函数选用Sigmoid函数,将估计值和实际测量值的均方误差MSE函数作为误差函数,并利用反向传播算法最小化所述误差函数,其中,所述均方误差MSE函数的表达式为:
其中,为实际观测值, />为模型预测输出值,N为测试点数。
作为本发明的进一步改进,所述S3中的所述遗传算法优化BP神经网络,通过不断地进化种群中的个体,通过选择、交叉和变异探索超参数空间,得到最佳的超参数组合,多次迭代后,所述遗传算法收敛到具有高适应度的个体,所述个体对应于所述超参数组合。
作为本发明的进一步改进,所述遗传算法优化所述BP神经网络时,使用决定系数作为模型评价指标,决定系数/>的表达式为:
其中,为实际观测值,/>为实际观测值的平均值,/>为模型预测输出值,N为测试点数。
本发明的有益效果为:
本发明通过神经网络模型对LC湿度传感器温度漂移进行补偿,经过对温度漂移数据集的学习,该模型系数达到0.966,表明模型能解释96.6%的不确定性,取得了良好的效果。
附图说明
图1是本发明实施例使用神经网络模型的LC无源无线传感器温度漂移抑制方法流程图;
图2是建立LC无源无线湿度传感器温度漂移数据集选取的特征图;
图3对温度为15℃,相对湿度从50%RH到95%RH变化时的实部阻抗最大值数据进行降噪效果图;
图4是对温度为35℃,相对湿度从50%RH到95%RH变化时的谐振频率数据进行降噪效果图;
图5是本发明设计的初始化神经网络图;
图6是本发明提出的用训练好的神经网络模型对温度漂移数据拟合结果与真实结果对比分析图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
如图1所示,为本发明的一种基于神经网络模型的一种基于机器学习的LC湿度传感器漂移补偿方法步骤示意图,所述方法包括:
S1、对LC无源无线湿度传感器进行温度测试实验,获取原始数据,原始数据包括多组数据,每组数据包括湿度环境及温度条件下LC湿度传感器响应数据。
S2、将LC响应数据进行预处理,图2为温度为25℃、相对湿度为60%RH时LC湿度传感器的响应曲线,如图2所示提取响应带宽BW,实部阻抗最大值Re()Max,及其最大值时对应的谐振频率Freq。
利用小波分析对提取的数据进行降噪,采用的基函数为db10,分解层数为3层,小波分析阈值的选取为改进的固定阈值,表达式为:
,
阈值函数选取为改进的阈值函数,所述阈值函数的公式为:
,
其中为信号标准方差,N为数据长度,j为分解层数,/>为估计小波系数,为分解后的小波系数,sgn(*)为符号分段函数。
图3是对温度为15℃,相对湿度从50%RH到95%RH变化时的实部阻抗最大值数据进行降噪,图4是对温度为35℃,相对湿度从50%RH到95%RH变化时的谐振频率数据进行降噪,将降噪后的数据进行归一化处理之后作为特征建立数据集。
S3、初始化BP神经网络,如图5,包括1个输入层,2个隐藏层和1个输出层,其输入层有3个输入,2个隐藏层分别有m和n个神经元。神经网络是通过输入的线性组合,然后通过激活函数进行非线性变换来构造的,神经元激活函数选用Sigmoid函数,将估计值和实际测量值的均方误差(MSE)函数作为误差函数,并利用反向传播算法最小化误差函数,其中均方误差的表达式为:
其中,为实际观测值, />为模型预测输出值,N为测试点数。
采用遗传算法优化BP神经网络模型,得到GA-BP模型对网络的超参数进行优化,寻找最优学习率和隐藏层的神经元个数的组合。
使用决定系数()作为模型评价指标,/>系数反映因变量的全部变异能通过回归关系被自变量解释的比例,/>系数越接近1,回归拟合的效果越好,其表达式为:
其中,为实际观测值,/>为实际观测值的平均值,/>为模型预测输出值,N为测试点数。
该模型使用的优化器为Adam,迭代次数(epoch)为10000次,所使用的超参数包括第一层隐藏层的神经元个数为95,第二层隐藏层神经元的个数为81,学习率为0.00095。
S4、用训练集对所述GA-BP模型进行训练,将训练好的模型用于漂移数据测试集的补偿。图6为将训练好的神经网络模型对温度漂移数据拟合结果与真实结果对比分析图,系数达到0.966。
综上所述,本发明通过神经网络模型对LC湿度传感器温度漂移进行补偿,经过对温度漂移数据集的学习,该模型系数达到0.966,表明模型能解释96.6%的不确定性,取得了良好的效果。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种基于机器学习的LC湿度传感器漂移补偿方法,其特征在于,包括:
S1、对LC湿度传感器进行温度测试实验,获取原始数据,所述原始数据包括多组数据,每组所述数据包括湿度及温度条件下所述LC湿度传感器的响应数据;
S2、将所述LC湿度传感器的响应数据进行预处理,提取响应带宽BW,实部阻抗最大值Re()Max,及所述最大值Re(/>)Max对应的谐振频率Freq,利用小波分析对所述谐振频率Freq降噪,并将降噪后的数据进行归一化处理作为特征建立数据集;
S3、初始化BP神经网络,采用遗传算法优化BP神经网络模型,得到GA-BP模型对网络的超参数进行优化,寻找最优学习率和隐藏层的神经元个数的组合;
S4、所述数据集包括训练集和测试集,用所述训练集对所述GA-BP模型进行训练,将训练好的模型用于漂移数据的所述测试集的补偿;
所述S3中的所述遗传算法优化BP神经网络,通过不断地进化种群中的个体,通过选择、交叉和变异探索超参数空间,得到最佳的超参数组合,多次迭代后,所述遗传算法收敛到具有高适应度的个体,所述个体对应于所述超参数组合。
2.根据权利要求1所述的一种基于机器学习的LC湿度传感器漂移补偿方法,其特征在于,所述S2中的所述小波分析所采用的基函数为db10,信号的分解层数为3层。
3.根据权利要求2所述的一种基于机器学习的LC湿度传感器漂移补偿方法,其特征在于,所述S2中的所述小波分析的阈值选取为改进的固定阈值,表达式为:
,
阈值函数选取为改进的阈值函数,所述阈值函数的公式为:
,
其中为信号标准方差,N为数据长度,j为分解层数,/>为估计小波系数,/>为分解后的小波系数,sgn(*)为符号分段函数。
4.根据权利要求1所述的一种基于机器学习的LC湿度传感器漂移补偿方法,其特征在于,所述S3中的所述BP神经网络包括1个输入层、2个隐藏层和1个输出层,所述输入层有3个输入,所述2个隐藏层分别有m和n个神经元。
5.根据权利要求4所述的一种基于机器学习的LC湿度传感器漂移补偿方法,其特征在于,所述BP神经网络是通过输入的线性组合,然后通过神经元激活函数进行非线性变换,所述神经元激活函数选用Sigmoid函数,将估计值和实际测量值的均方误差MSE函数作为误差函数,并利用反向传播算法最小化所述误差函数,其中,所述均方误差MSE函数的表达式为:
其中,/>为实际观测值, />为模型预测输出值,n为测试点数。
6.根据权利要求1所述的一种基于机器学习的LC湿度传感器漂移补偿方法,其特征在于,所述遗传算法优化所述BP神经网络时,使用决定系数作为模型评价指标,决定系数的表达式为:
其中,/>为实际观测值,/>为实际观测值的平均值,为模型预测输出值,n为测试点数。
7.根据权利要求1所述的一种基于机器学习的LC湿度传感器漂移补偿方法,其特征在于,所述BP神经网络模型使用Adam优化器优化模型参数,迭代次数为10000次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410153167.5A CN117686555B (zh) | 2024-02-04 | 2024-02-04 | 一种基于机器学习的lc湿度传感器漂移补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410153167.5A CN117686555B (zh) | 2024-02-04 | 2024-02-04 | 一种基于机器学习的lc湿度传感器漂移补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117686555A CN117686555A (zh) | 2024-03-12 |
CN117686555B true CN117686555B (zh) | 2024-05-14 |
Family
ID=90126838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410153167.5A Active CN117686555B (zh) | 2024-02-04 | 2024-02-04 | 一种基于机器学习的lc湿度传感器漂移补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117686555B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5554273A (en) * | 1995-07-26 | 1996-09-10 | Praxair Technology, Inc. | Neural network compensation for sensors |
CN102914623A (zh) * | 2012-10-19 | 2013-02-06 | 南京信息工程大学 | 一种湿度传感器温度补偿的融合方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
WO2015143127A1 (en) * | 2014-03-19 | 2015-09-24 | Actiwave Ab | Non-linear control of loudspeakers |
CN105223241A (zh) * | 2015-09-18 | 2016-01-06 | 南京信息工程大学 | 一种湿度传感器的补偿方法 |
CN106991491A (zh) * | 2017-02-21 | 2017-07-28 | 南京邮电大学 | 一种基于遗传算法优化的rbf神经网络的环境污染监测*** |
CN109297533A (zh) * | 2018-09-20 | 2019-02-01 | 北京恩福健康科技有限公司 | 一种精确测量皮肤表面温湿度的方法 |
CN109666717A (zh) * | 2018-12-06 | 2019-04-23 | 浙江大学 | 基于电子鼻的大米受曲霉属真菌侵染程度的预测方法 |
CN111163011A (zh) * | 2020-01-19 | 2020-05-15 | 烟台持久钟表有限公司 | 一种基于ptp协议的无线路由器的数据处理方法 |
CN112846938A (zh) * | 2021-01-05 | 2021-05-28 | 北京信息科技大学 | 一种切削工况下的主轴回转精度劣化溯源*** |
CN115049019A (zh) * | 2022-07-25 | 2022-09-13 | 湖南工商大学 | 金属有机框架对砷的吸附性能评估方法、装置及相关设备 |
CN115307689A (zh) * | 2022-10-09 | 2022-11-08 | 中国石油大学(华东) | 一种无线无源温湿度监测装置和方法 |
KR20230075862A (ko) * | 2021-11-23 | 2023-05-31 | 유엔젤주식회사 | 자동 머신러닝 기반 복합 환경 분석 인공지능 모델 자동 배포 관리 시스템 및 그 운영 방법 |
CN116307034A (zh) * | 2022-12-02 | 2023-06-23 | 中国石油大学(华东) | 基于离散小波变换和神经网络的产油或co2埋存量预测方法 |
WO2023168371A2 (en) * | 2022-03-02 | 2023-09-07 | Fdh Infrastructure Services, Llc | Machine learning to predict bolt tension |
CN116720620A (zh) * | 2023-06-10 | 2023-09-08 | 河南工业大学 | 一种基于IPSO算法优化CNN-BiGRU-Attention网络模型的储粮通风温度预测方法 |
WO2023231204A1 (zh) * | 2022-06-02 | 2023-12-07 | 苏州大学 | 一种基于 ics-bp 神经网络的传感器物理量回归方法 |
CN117245872A (zh) * | 2023-10-08 | 2023-12-19 | 东莞市坤裕精密模具有限公司 | 一种批次注塑过程的状态补偿模型控制方法及*** |
WO2024001719A1 (zh) * | 2022-06-30 | 2024-01-04 | 西南交通大学 | 一种高铁填料振动压实的参数优化方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070035114A1 (en) * | 1992-05-05 | 2007-02-15 | Automotive Technologies International, Inc. | Device and Method for Deploying a Vehicular Occupant Protection System |
AU2010343096A1 (en) * | 2009-12-28 | 2012-08-16 | Flyback Energy, Inc. | Controllable universal power supply with reactive power management |
US9696272B2 (en) * | 2015-08-07 | 2017-07-04 | Silicon Laboratories Inc. | Systems and methods for humidity measurement using dielectric material-based relative humidity sensors |
US11533527B2 (en) * | 2018-05-09 | 2022-12-20 | Pluto Inc. | Methods and systems for generating and providing program guides and content |
KR102364019B1 (ko) * | 2020-08-12 | 2022-02-18 | 울산과학기술원 | 센서 드리프트 보상 방법 및 장치 |
-
2024
- 2024-02-04 CN CN202410153167.5A patent/CN117686555B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5554273A (en) * | 1995-07-26 | 1996-09-10 | Praxair Technology, Inc. | Neural network compensation for sensors |
CN102914623A (zh) * | 2012-10-19 | 2013-02-06 | 南京信息工程大学 | 一种湿度传感器温度补偿的融合方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
WO2015143127A1 (en) * | 2014-03-19 | 2015-09-24 | Actiwave Ab | Non-linear control of loudspeakers |
CN105223241A (zh) * | 2015-09-18 | 2016-01-06 | 南京信息工程大学 | 一种湿度传感器的补偿方法 |
CN106991491A (zh) * | 2017-02-21 | 2017-07-28 | 南京邮电大学 | 一种基于遗传算法优化的rbf神经网络的环境污染监测*** |
CN109297533A (zh) * | 2018-09-20 | 2019-02-01 | 北京恩福健康科技有限公司 | 一种精确测量皮肤表面温湿度的方法 |
CN109666717A (zh) * | 2018-12-06 | 2019-04-23 | 浙江大学 | 基于电子鼻的大米受曲霉属真菌侵染程度的预测方法 |
CN111163011A (zh) * | 2020-01-19 | 2020-05-15 | 烟台持久钟表有限公司 | 一种基于ptp协议的无线路由器的数据处理方法 |
CN112846938A (zh) * | 2021-01-05 | 2021-05-28 | 北京信息科技大学 | 一种切削工况下的主轴回转精度劣化溯源*** |
KR20230075862A (ko) * | 2021-11-23 | 2023-05-31 | 유엔젤주식회사 | 자동 머신러닝 기반 복합 환경 분석 인공지능 모델 자동 배포 관리 시스템 및 그 운영 방법 |
WO2023168371A2 (en) * | 2022-03-02 | 2023-09-07 | Fdh Infrastructure Services, Llc | Machine learning to predict bolt tension |
WO2023231204A1 (zh) * | 2022-06-02 | 2023-12-07 | 苏州大学 | 一种基于 ics-bp 神经网络的传感器物理量回归方法 |
WO2024001719A1 (zh) * | 2022-06-30 | 2024-01-04 | 西南交通大学 | 一种高铁填料振动压实的参数优化方法及*** |
CN115049019A (zh) * | 2022-07-25 | 2022-09-13 | 湖南工商大学 | 金属有机框架对砷的吸附性能评估方法、装置及相关设备 |
CN115307689A (zh) * | 2022-10-09 | 2022-11-08 | 中国石油大学(华东) | 一种无线无源温湿度监测装置和方法 |
CN116307034A (zh) * | 2022-12-02 | 2023-06-23 | 中国石油大学(华东) | 基于离散小波变换和神经网络的产油或co2埋存量预测方法 |
CN116720620A (zh) * | 2023-06-10 | 2023-09-08 | 河南工业大学 | 一种基于IPSO算法优化CNN-BiGRU-Attention网络模型的储粮通风温度预测方法 |
CN117245872A (zh) * | 2023-10-08 | 2023-12-19 | 东莞市坤裕精密模具有限公司 | 一种批次注塑过程的状态补偿模型控制方法及*** |
Non-Patent Citations (7)
Title |
---|
A GA-BP Neural Network Regression Model for Predicting Soil Moisture in Slope Ecological Protection;Liu, DW等;《SUSTAINABILITY》;20220211;第14卷(第3期);第362-374页 * |
Modeling and Analysis of Adaptive Temperature Compensation for Humidity Sensors;Xu, W等;《ELECTRONICS》;20190412;第8卷(第4期);第1133-1139页 * |
基于改进GA-BP神经网络的湿度传感器的温度补偿;彭基伟等;《仪器仪表学报》;20130115;第34卷(第1期);第153-160页 * |
改进AFSA-BP神经网络的湿度传感器温度补偿研究;何怡刚等;《电子测量与仪器学报》;20180715;第32卷(第7期);第95-100页 * |
无源无线温湿度传感器研究;任青;《中国博士学位论文全文数据库信息科技辑》;20170915(第9期);第I140-37页 * |
电子鼻传感器的在线漂移补偿研究;和峥;《中国优秀硕士学位论文全文数据库信息科技辑》;20190415(第4期);第I140-147页 * |
集成LC无源无线传感的微流控液滴表征***;王蜜;《中国优秀硕士学位论文全文数据库信息科技辑》;20220615(第6期);第I135-190 * |
Also Published As
Publication number | Publication date |
---|---|
CN117686555A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zainuddin et al. | Modified wavelet neural network in function approximation and its application in prediction of time-series pollution data | |
Chen et al. | Graph regularization weighted nonnegative matrix factorization for link prediction in weighted complex network | |
CN113705809B (zh) | 一种数据预测模型训练方法、工业指标预测方法和装置 | |
CN111177224B (zh) | 一种基于条件式规整化流模型的时间序列无监督异常检测方法 | |
Wang et al. | The trend-fuzzy-granulation-based adaptive fuzzy cognitive map for long-term time series forecasting | |
Hu et al. | An efficient Long Short-Term Memory model based on Laplacian Eigenmap in artificial neural networks | |
Lotrič | Wavelet based denoising integrated into multilayered perceptron | |
CN116471154A (zh) | 基于多域混合注意力的调制信号识别方法 | |
CN117686555B (zh) | 一种基于机器学习的lc湿度传感器漂移补偿方法 | |
Huang et al. | Hinging hyperplanes for time-series segmentation | |
CN111669820B (zh) | 一种密度峰值异常检测方法及智能无源室内定位方法 | |
CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
Lu et al. | New method for rice disease identification based on improved deep residual shrinkage network | |
CN117494898A (zh) | 一种结合注意力机制的时间序列预测方法 | |
CN116738330A (zh) | 一种半监督域自适应脑电信号的分类方法 | |
CN114998731A (zh) | 智能终端导航场景感知识别的方法 | |
CN113609809B (zh) | 射频低噪放电路故障诊断方法、***、设备、介质、终端 | |
CN114818823A (zh) | 一种基于挤压与激活图卷积神经网络的脑电通道选择方法 | |
Polani | On the optimization of self-organizing maps by genetic algorithms | |
CN114925732A (zh) | 基于调节因子自适应选取的s变换电能质量扰动识别方法 | |
CN110796167A (zh) | 基于提升方案深度神经网络的图像分类方法 | |
Jiang | A manifold constrained multi-head self-attention variational autoencoder method for hyperspectral anomaly detection | |
CN114610950B (zh) | 一种图网络节点表示方法 | |
CN112801192B (zh) | 一种基于深度神经网络的扩展LargeVis图像特征降维方法 | |
CN116405368B (zh) | 一种高维不平衡数据条件下的网络故障诊断方法、*** |
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 |