申请/专利权人：电子科技大学

申请日：2023-03-01

公开（公告）日：2023-05-26

公开（公告）号：CN115936079B

主分类号：G06N3/048

分类号：G06N3/048;G01N33/00;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2023.05.26#授权;2023.04.25#实质审查的生效;2023.04.07#公开

摘要：本发明提供一种适用于气体传感器阵列的标定浓度选取方法，属于气敏传感器测量技术领域，具体为：利用气体阵列传感器获取混合气体的浓度变化序列和响应变化序列；构建AE‑BP模型并训练；构建VAE，对响应变化序列进行同分布生成，输入至训练后AE‑BP模型，输出预测浓度变化序列，经标准化处理生成目标浓度变化序列；对目标浓度变化序列排序后，计算响应梯度序列，处理得到平滑梯度序列；对尖峰程度大于超参数的平滑梯度序列寻找大梯度浓度区间，通过权重分配随机均匀选取浓度测试点；对所有平滑梯度序列中其他浓度区间随机均匀选取浓度测试点。本发明可提升浓度测试点的均匀性，并不影响数据分布特征，利于提升后续浓度预测效果。

主权项：1.一种适用于气体传感器阵列的标定浓度选取方法，其特征在于，包括以下步骤：步骤1、通过气体阵列传感器获取包含n种气体的混合气体的源域数据，包括混合气体中各气体的浓度变化序列，以及混合气体中各气体的响应变化序列；步骤2、构建由AEN和全连接神经网络构成的AE-BP模型；将所有响应变化序列作为AEN的输入和输出，对AEN进行训练，训练后AEN的瓶颈层提取响应变化序列的有效特征，再以有效特征为输入，源域数据中所有浓度变化序列为训练目标，对全连接神经网络进行训练，训练后AEN与训练后全连接神经网络构成训练后的AE-BP模型；步骤3、构建VAE，所有响应变化序列通过VAE进行同分布生成，得到混合气体中各气体的同分布响应变化序列，包含的响应值总数为N；步骤4、将所有同分布响应变化序列输入至训练后的AE-BP模型，输出混合气体中各气体的预测浓度变化序列，包含的浓度值总数为N；再根据目标域中所需的各气体的浓度测试范围，对预测浓度变化序列进行标准化处理，生成各气体的目标浓度变化序列；步骤5、对第k,k=1,2,…,n种气体的目标浓度变化序列，按浓度值大小进行排序，其余n-1种气体的目标浓度变化序列和对应的n维同分布响应变化序列得到相应排序，进而得到第k种气体的排序后浓度变化序列及对应的n维排序后同分布响应变化序列，计算n维排序后同分布响应变化序列对第k种气体的排序后浓度变化序列的响应梯度序列，得到第k种气体对应的n个响应梯度序列；对所有气体的目标浓度变化序列，计算对应的n个响应梯度序列，共计获得n×n个响应梯度序列；步骤6、对各响应梯度序列做绝对值处理，以及大小为T的滑窗滤波处理，得到对应的平滑梯度序列；步骤7、计算各平滑梯度序列的尖峰程度，若尖峰程度大于预设的超参数，则转至步骤8寻找对应平滑梯度序列的大梯度浓度区间；否则，转至步骤9进行选点；步骤8、对尖峰程度大于超参数的平滑梯度序列，按梯度值进行P等分，获得P-1个等分梯度值；遍历各等分梯度值，根据最大熵阈值算法，计算以等分梯度值为分界线的上区域梯度值信息熵和下区域梯度值信息熵，将上区域梯度值信息熵和下区域梯度值信息熵之和最大所对应的等分梯度值作为阈值线，进而将平滑梯度序列中大于阈值线的浓度区间作为大梯度浓度区间，获得不少于一个大梯度浓度区间；转至步骤9进行选点；步骤9、假设目标域所需测试点总数为M，则大梯度浓度区间和所有平滑梯度序列中除大梯度浓度区间外的其他浓度区间的测试点数均为M2；对各大梯度浓度区间基于对应的最大梯度值进行权重分配，之后在大梯度浓度区间中按照权重分配测试点数，通过随机均匀采样选取对应的浓度测试点，共计获得M2个浓度测试点；对所有平滑梯度序列除大梯度浓度区间外的其他浓度区间，通过随机均匀采样选取对应的浓度测试点，共计获得M2个浓度测试点。

全文数据：

权利要求：

百度查询： 电子科技大学 一种适用于气体传感器阵列的标定浓度选取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD