基于CSRR的AI辅助超高灵敏度/分辨率主动合的传感器,具有嵌入式选择性
Mohammad Abdolrazzaghi1, Nazli Kazemi2, Vahid Nayyeri3
1Electrical and Computer Engineering Department, University of Toronto, 10 King's College Circle, Toronto, ON M5S3G4, Canada.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
人工智能 (AI) 提高了微波传感器对液体混合物的选择性. 与深度神经网络 (DNN) 相比,卷积神经网络 (CNN) 显著提高了三元混合物的准确性.
科学领域:
- 微波传感器是微波传感器.
- 人工智能应用的人工智能应用.
- 化学传感器是一种化学传感器.
背景情况:
- 微波传感器为液体分析提供高灵敏度.
- 提高复杂液体混合物的选择性是一个关键的挑战.
- 人工智能驱动的数据分析可以提高传感器性能.
研究的目的:
- 应用人工智能来提高微波传感器的选择性,用于液体混合物分析.
- 为了比较深度神经网络 (DNN) 和卷积神经网络 (CNN) 对此任务的有效性.
- 为了实现三元液体混合物的准确表征.
主要方法:
- 一个平面微波传感器与合的分环共振器被设计和优化.
- 整合了一个再生放大器,以提高传感器的质量因子.
- 深度神经网络 (DNN) 和卷积神经网络 (CNN) 用于混合物表征.
主要成果:
- 传感器的质量系数从70提高到大约2700.
- 对于二进制混合物,DNN的最大度误差为4.3%.
- 对于三元混合物,CNNs将最大百分比误差降至0.7%,这是6倍的改进.
结论:
- 人工智能,特别是CNN,显著提高了微波传感器对液体混合物的选择性.
- 与DNN相比,CNN为复杂的三元混合物提供了更高的精度.
- 这种人工智能辅助的方法对先进的化学传感应用具有前景.
关键词:
活跃的传感器传感器.卷积神经网络是一种卷积神经网络.与CSRR结合在一起的CSRR.深度神经网络是一个神经网络.材料表征材料的表征.微波传感器是一个微波传感器.混合物传感器 混合物传感器选择性的选择性
