电子鼻子:时间频率注意力卷积神经网络用于气体分类和度预测
Minglv Jiang1,2, Na Li3,4, Mingyong Li5
1Key Laboratory of Physical Electronics and Devices for Ministry of Education and Shaanxi Provincial Key Laboratory of Photonics & Information Technology, Xi'an Jiaotong University, Xi'an 710049, China.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
这项研究介绍了一种用于电子鼻子系统的新型时频注意力卷积神经网络 (TFA-CNN). 在气体分类和度预测方面,TFA-CNN实现了高精度,提高了E-nose的性能.
科学领域:
- 传感器技术 传感器技术
- 人工智能的人工智能
- 化学传感器 化学传感器
背景情况:
- 电子鼻子 (E-nose) 系统在气体类型识别和度预测方面面临挑战.
- 对E-nose信号的准确分析对于可靠的气体传感应用至关重要.
研究的目的:
- 引入一种创新的模式识别方法,即时间频率注意力卷积神经网络 (TFA-CNN),用于E-nose系统.
- 通过整合时间和频率域信息来提高气体分类和度预测性能.
主要方法:
- 开发了一个包含时频注意区块的TFA-CNN来处理E鼻信号.
- 实施了一种新的数据增强策略,以提高对传感器漂移和噪声的模型稳定性.
- 使用金属氧化物半导体气体传感器进行五种目标气体的定性和定量分析.
主要成果:
- 为气体类型实现了100%的分类准确性.
- 获得0.99的确定系数 (R2),用于度预测.
- 报告了0.99的皮尔森相关系数 (r) 和1.54ppm的平均绝对误差 (MAE),实验MAE为1.39ppm.
结论:
- TFA-CNN有效地结合了时间频域信息,以获得卓越的E-nose性能.
- 拟议的方法在气体分类和度预测方面表现出高精度和稳定性.
- 这项研究为推进E-nose系统能力提供了一个有前途的方法.
