Target discrimination, concentration prediction, and status judgment of electronic nose system based on large-scale measurement and multi-task deep learning
摘要
为了实现响应特征的自动提取,简化模型的训练和应用过程,设计了一种双块知识共享结构的多任务卷积神经网络(MTL-CNN)来训练E-nose系统的模型。该模型可以同时执行三种不同的分类任务,用于目标识别、浓度预测和状态判断。
使用值为RA/RG (RA在空气中的电阻值,RG为在目标气体中的电阻值,消除飘移)
网络模型
Selective Detection of Mixtures via a Single Nonselective Sensor—Making the Unworkable Sensor Workable by Machine Learning
目的:利用一个非选择性传感器对二元混合气体的浓度进行预测,即将重叠信号分离
流程:
响应数据(1D)—》64个GRU(64D)----》对各个时间段的数据进行GRU处理 ----》降维(8D)—》输出(2D)得到各部分气体浓度
验证出信号的重叠响应是有规律的,并不是随机过程文章来源:https://www.toymoban.com/news/detail-703648.html
改进:在GRU之后添加注意力机制,更深入获取之前信息文章来源地址https://www.toymoban.com/news/detail-703648.html
到了这里,关于基于大规模测量和多任务深度学习的电子鼻系统目标识别、浓度预测和状态判断的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!