通过相位空间重建和卷积神经网络解锁等离子传感器的预测能力和提高传感性能
Xiangxin Lin1, Mingyu Cheng1, Xinyi Chen1
1School of Microelectronics and Communication Engineering, Chongqing Key Laboratory of Bio-perception & Intelligent Information Processing, Chongqing University, Chongqing 400044 , P.R. China.
ACS sensors
|May 14, 2024
概括
本研究介绍了使用相空间重建 (PSR) 和卷积神经网络 (CNN) 进行增强的探测的先进等离子体传感器 (PHS). 这种创新方法改善了反应时间,信号噪声比和监测检测极限.
科学领域:
- 材料科学 材料科学 材料科学
- 化学传感器 化学传感器
- 人工智能的人工智能
背景情况:
- 传统的等离子传感器 (PHS) 在预测准确性和传感能力方面存在局限性.
- 开发高效可靠的探测方法对于安全和工业应用至关重要.
研究的目的:
- 通过整合相位空间重建 (PSR) 和卷积神经网络 (CNN) 来创新PHS.
- 克服探测现有的预测和传感限制.
- 为了使在危险环境中没有电子元件的远程探测.
主要方法:
- 使用合体光刻法制造纳米帽阵列.
- 通过PSR将光谱信号转化为图像.
- 通过使用生成的图像,训练CNN进行水平预测.
- 在各种压力和气体混合物中验证PHS性能.
主要成果:
- 实现了高预测准确度:纯为0.95,混合气体为0.97.
- 演示了显著的性能改进:响应时间高达3.7倍,信号噪声比高达9.3倍 (SNR).
- 检测极限 (LOD) 从16 Pa降低到额外推算的3 Pa (5.3 倍改善).
结论:
- 新的PSR-CNN方法显著提高了PHS的能力.
- 没有电子设备的实用远程探测成功地证明了0.98的平均测试准确度.
- 这种方法为基于智能频谱的传感和监测技术的进步铺平了道路.


