多级别离散波纹分解辅助轻型多顺序门式聚合网络,用于WMS中的气体度检索
Zhengzhuo Li1, Pengpeng Wang1, Zhanshang Su1
1School of Physics Science and Information Technology, Liaocheng University, Liaocheng 252000, China.
Analytical chemistry
|June 11, 2025
概括
这项研究介绍了MDWD-LiteMogaNet,这是一种用于气体检测的新型深度学习模型. 它使用多层离散波波分解 (MDWD) 进行高效的数据处理和准确的结果,非常适合轻量级设备.
科学领域:
- 频谱学是一种光谱学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 气体检测对于安全和环境监测至关重要.
- 波长调制光谱 (WMS) 是一种敏感的气体分析技术.
- 现有的方法经常面临计算复杂性和资源限制的挑战.
研究的目的:
- 开发一个轻量级的深度学习网络,用于WMS中的气体检测.
- 为了提高计算效率和数据处理.
- 改进特征提取和选择,以准确识别气体.
主要方法:
- 集成多层次离散波纹分解 (MDWD) 用于数据过和特征提取.
- 开发一个多重聚合网络 (MDWD-LiteMogaNet) 用于特征融合和选择.
- 使用波形变换来减少数据量和计算负载.
主要成果:
- MDWD-LiteMogaNet显著降低了计算复杂度 (0.003 GFLOPs MACs),同时保持了高的检索精度.
- 与MogaNet相比,该模型在准确性和资源消耗方面实现了更高的性能.
- 长期测试证实传感器性能稳定,噪声干扰最小.
结论:
- MDWD-LiteMogaNet为气体检测提供了一种创新和高效的深度学习方法.
- 该模型非常适合在资源有限的设备上部署.
- 该方法展示了复杂特征提取和高效计算在气体传感应用中的潜力.
