估计大气污染物在混合气体中的度,基于深度卷积网络和时间序列分解
Xiaolong Zheng1, Jiangnan Xie1, Lili Li1
1College of Electronics and Information, Hangzhou Dianzi University, Hangzhou 310018, China. xlzheng@hdu.edu.cn.
Analytical methods : advancing methods and applications
|November 12, 2025
概括
这项研究引入了一个新的深度学习模型来分析气体混合物,改进了对一氧化碳 (CO) 和二氧化 (NO2) 等污染物的检测. 该方法准确地识别气体类型并估计度,增强环境监测能力.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 数据科学数据科学数据科学
背景情况:
- 单一气体检测不足以满足复杂的环境监测需求.
- 分析气体混合物对于识别污染物及其度至关重要.
- 四种主要的大气污染物 (CO,NO2,SO2,HCHO) 和它们的混合物是重点.
研究的目的:
- 开发一个用于获取气体混合数据的自动化系统.
- 提出一种深度学习模型,用于识别气体类型和估计混合物中的度.
- 探索使用传感器阵列来改进气体混合物分析.
主要方法:
- 开发了一种自动气体混合物采集系统,用于无人监督的数据收集.
- 提出了一个卷积神经网络 (CNN) 模型,该模型具有时间序列高低频分解.
- 研究了传感器阵列,以减少气体混合物分析中的测量不确定性.
主要成果:
- 该自动化系统为混合气体检测提供了基础数据集.
- 该CNN模型成功地将信号分解成用于度估计和气体类型识别的组件.
- 实验表明气体混合物的估计准确度非常令人满意.
结论:
- 拟议的深度学习方法有效地分析气体混合物,识别组分和估计度.
- 自动采集系统和传感器阵列探索有助于推进气体检测技术.
- 这项研究为复杂的环境监测场景提供了可靠的解决方案.
