作者:谭光韬,张文文,王磊 单位:中国电子学会 出版:《电子测量与仪器学报》2020年第07期 页数:8页  (PDF与DOC格式可能不同) PDF编号:PDFDZIY2020070130 DOC编号:DOCDZIY2020070139 下载格式:PDF + Word/doc 文字可复制、可编辑
《MOS传感器阵列的二元混合气体检测方法研究》PDF+DOC2018年第05期 许永辉,陈寅生,张铭 《气体传感器阵列常用模式识别算法》PDF+DOC2005年第05期 张覃轶,谢长生,黄永彬 《基于KPCA和RBF网络的电子鼻气体识别》PDF+DOC2007年第06期 赵赟,郭振华,刘锦淮 《用于中药人参品类鉴别的算法研究及硬件实现》PDF+DOC2017年第03期 王萌,赵培陆,田丽媛,王莲,卢革宇 《基于手持式电子鼻的白酒识别》PDF+DOC2019年第24期 李金金,孙哲华,孟庆浩 《基于反向传播神经网络的遗传算法在酒类气体识别中的应用》PDF+DOC1999年第03期 蔡鹭欣,杨燕明 《一种基于隐变量模型的聚类算法用于气体传感器阵列数据的模式识别》PDF+DOC2003年第03期 王伟军,林伟琦,沈国励,俞汝勤 《用于易挥发性化学品检测的实用电子鼻算法研究》PDF+DOC2011年第01期 董志钢,李民强,罗涛,刘锦淮 《人工神经网络的苹果气体识别算法研究》PDF+DOC2010年第02期 杨艳菊,黄成钧 《基于Labview的电子鼻系统开发与应用》PDF+DOC2014年第03期 张海平,宁珂,潘云鹏,陈栋琳,门洪
  • 针对传统模式识别算法对混合气体定性和定量检测准确率较低的问题,提出了一种基于机器学习的新型混合气体定性识别和浓度定量检测算法。算法首先构造传感器阵列数据特征图,然后利用卷积神经网络(CNN)提取特征,根据特征提取后的特征图,使用不同分支网络对不同气体进行定性识别,得到气体种类和相应气体所处浓度区间;根据前面的气体识别结果,使用核主成分分析(KPCA)与梯度提升树(GBDT)对混合气体的组成成分进行定量估计;最后采用加州大学机器学习数据库的动态混合气体气体传感器阵列数据集进行对比验证。实验结果表明,算法在乙烯和甲烷定性识别中准确率达到了98.7%,定量检测平均相对误差小于4.1%。通过与传统模式识别算法对比,所提出的基于机器学习的混合气体检测算法具有更高的精度和泛化能力。

    提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。