基于平滑的条件域对抗网络的电子鼻子漂移抑制.
Huichao Zhu1, Yu Wu1, Ge Yang1
1School of Control Science and Engineering, Dalian University of Technology, Dalian 116000, China.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
气体传感器漂移是通过一种新的深度转移学习方法来解决的,即有条件对抗域适应网络 (CDAN) 与敏度意识最小化 (SAM) 优化器. 这种方法通过调整漂移和清洁数据分布来提高分类准确性.
科学领域:
- 传感器技术 传感器技术
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 气体传感器漂移是一个重大挑战,改变了数据分布,导致分类算法失败.
- 漂移导致测量和校准数据之间的不一致,影响传感器的可靠性.
研究的目的:
- 引入一种新的深度传输学习方法来抵消气体传感器漂移.
- 为了确保漂移和清洁数据概率分布之间的一致性,以改善分类.
主要方法:
- 使用了有条件对抗域适应网络 (CDAN) 与敏度意识最小化 (SAM) 优化器.
- 开发了特征提取器和域区分器,以识别漂移和清洁数据中共享的特征.
- 雇员半监督学习,消除了对漂移数据标签的需求.
主要成果:
- 提出的方法在调整漂移和清洁数据分布方面表现出有效性.
- 通过放大用于分类的共享特征,实现了卓越的概括能力.
- 在两个公共数据集上超越了最先进的技术.
结论:
- CDAN+SAM方法为气体传感器防漂流提供了一种高效有效的解决方案.
- 这种方法适应了阶级间的相关性,并表现出更好的培训趋同.
- 这种方法显著提高了气体传感系统的稳定性和可靠性.


