一种基于生成对抗网络的气体传感器阵列漂移补偿方法技术

本发明专利技术公开了一种基于生成对抗网络的气体传感器阵列漂移补偿方法，包括：步骤一、通过气体传感器获取多个批次的测量数据；步骤二、建立生成对抗网络模型和特征提取神经网络；筛选出漂移程度不同批次的所述测量数据作为训练样本；步骤三、使用所述训练样本对所述生成对抗网络模型进行训练，得到生成漂移数据的对抗生成网络模型；其中，在训练过程中，使用所述特征提取神经网络提取的漂移后数据特征作为生成对抗网络模型生成数据的指示指标；步骤四、将多个批次的所述测量数据作为输入参数输入所述生成漂移数据的对抗生成网络模型，所述生成漂移数据的对抗生成网络模型输出所述多个批次的测量数据对应的漂移后的数据，得到漂移后数据的补偿数据集。移后数据的补偿数据集。移后数据的补偿数据集。

【技术实现步骤摘要】
一种基于生成对抗网络的气体传感器阵列漂移补偿方法


[0001]本专利技术属于气体传感器阵列漂移补偿方法
，特别涉及一种基于生成对抗网络的气体传感器阵列漂移补偿方法。

技术介绍

[0002]气体传感器是一种将气体的成分、浓度等信息转换为能被人利用的数据的一种装置，常用于检测某种特定气体是否存在以及测量气体成分浓度，被广泛使用于民用，工业，环境监测等各个领域。目前，市面上流通的传感器种类很多，分别包括电化学式气体传感器、半导体式气体传感器、热导齿式气体传感器、催化燃烧式气体传感器、红外线气体传感器以及磁性氧气气体传感器等。
[0003]气体传感器在工业、生活的各个领域都得到了广泛的运用，从石油化工到钢铁冶金，从矿山开采到节能减排再到食品安全，方方面面都充斥着它的身影。近年来，科技的发展日新月异，而互联网时代的到来则掀起了一段崭新的技术浪潮，新兴的人工智能和快如闪电的5G网络正在开拓一个崭新的领域，其中新兴的智能家居、移动终端等也为气体传感器的应用提供了一片广袤的市场。
[0004]但传感器在实际使用过程中，会发生漂移现象，从而导致测量精度下降，造成测量结果不准确的问题。传感器漂移指的是当处于同一环境下，传感器响应在外部环境不变时发生缓慢随机变化的过程。在实际过程中，检测和识别所面临得一个重大问题气体传感器存在的漂移现象，因为它不仅会严重影响识别的准确性，同时也增加了传感器系统的维护成本，从而限制了气体传感器在各个领域中的实际运用和推广。随着气体传感器的广泛运用，解决这一问题也变得迫在眉睫。

技术实现思路

[0005]本专利技术的目的是提供一种基于生成对抗网络的气体传感器阵列漂移补偿方法，通过生成对抗网络将漂移前数据所在源域映射到漂移后数据的目标域中，实现特征层面的传感器漂移补偿；同时通过辅助的多层神经网络用于提取数据特征，将提取的特征作为一部分指标指示生成对抗网络生成数据，将数据从原始分布的源域转换到漂移后分布的目标域中；能够减少分类器的误差，从而达到了弥补传感器漂移的目的。
[0006]本专利技术提供的技术方案为：
[0007]一种基于生成对抗网络的气体传感器阵列漂移补偿方法，包括如下步骤：
[0008]步骤一、通过气体传感器获取多个批次的测量数据；
[0009]步骤二、建立生成对抗网络模型和特征提取神经网络；筛选出漂移程度不同批次的所述测量数据作为训练样本；
[0010]步骤三、使用所述训练样本对所述生成对抗网络模型进行训练，得到生成漂移数据的对抗生成网络模型；
[0011]其中，在训练过程中，使用所述特征提取神经网络提取的漂移后数据特征作为生
成对抗网络模型生成数据的指示指标；
[0012]步骤四、将多个批次的所述测量数据作为输入参数输入所述生成漂移数据的对抗生成网络模型，所述生成漂移数据的对抗生成网络模型输出所述多个批次的测量数据对应的漂移后的数据，得到漂移后数据的补偿数据集；
[0013]其中，所述漂移后数据的补偿数据集为：
[0014]T
i
＝[G(T
i-1
)，batch
i
]；
[0015]式中，T
i
为第i个批次的漂移后数据的补偿数据集，T
i-1
为第i-1个批次的漂移后数据的补偿数据集，G(T
i-1
)为T
i-1
输入生成漂移数据的对抗生成网络模型输出的漂移后的数据，batch
i
为第i个批次的测量数据。
[0016]优选的是，所述生成对抗网络模型包括生成器和判别器；
[0017]其中，在所述步骤三中，采用交叉训练的方法对所述生成对抗网络模型进行训练，包括：
[0018]先固定生成器，优化判别器，使判别器的判别准确率最大化；再固定判别器，优化生成器，使判别器对生成数据的判别准确率最小化。
[0019]优选的是，所述判别器的优化目标为：降低判别器的损失函数值以更新判别器的参数；
[0020]其中，所述判别器的损失函数为：
[0021]L
D
＝-∑log(D(x))+log(D(G(x
′
)))；
[0022]式中，D(x)表示判别器D将真实数据x判定为真实数据的概率，D(G(x
′
))表示判别器D将生成器G生成的虚假数据x
′
判定为真实数据的概率。
[0023]优选的是，所述生成器的优化目标为：降低生成器的损失函数值以更新生成器的参数；
[0024]其中，所述生成器的损失函数为：
[0025]L
G
＝L
Gen
+αL
MSE
+βL
M
；
[0026]式中，L
Gen
为原生成器损失，L
MSE
为生成数据与目标数据的均方误差，L
M
为生成数据与目标数据在所述特征提取神经网络中的均方误差，α表示生成数据与目标数据的均方误差的系数，β表示生成数据与目标数据在所述特征提取神经网络中的均方误差的系数。
[0027]优选的是，在所述步骤二之前，还包括采用如下公式对所述测量数据进行标准化处理：
[0028][0029]其中，max(x
，j
)为第j列数据的最大值，min(x
，j
)为第j列数据的最小值，x
i，j
为第i行第j列的值。
[0030]优选的是，所述测量数据为一个16
×
8维度的特征向量。
[0031]优选的是，α＝0.4，β＝10。
[0032]本专利技术的有益效果是：
[0033]本专利技术提供的基于生成对抗网络的气体传感器阵列漂移补偿方法，通过生成对抗网络将漂移前数据所在源域映射到漂移后数据的目标域中，实现特征层面的传感器漂移补偿；同时通过辅助的多层神经网络用于提取数据特征，将提取的特征作为一部分指标指示
生成对抗网络生成数据，将数据从原始分布的源域转换到漂移后分布的目标域中；能够减少分类器的误差，从而达到了弥补传感器漂移的目的。
附图说明
[0034]图1为本专利技术所述的基于生成对抗网络的气体传感器阵列漂移补偿方法的流程图。
[0035]图2为本专利技术所述的多层神经网络的结构示意图。
[0036]图3为本专利技术所述的GAN模型的整体框架图。
[0037]图4为本专利技术所述的生成对抗网络生成补偿数据的流程图。
[0038]图5为本专利技术所述的SVM算法的支持向量图。
[0039]图6为不同核函数的SVM以及感知机在原始数据集上的分类结果示意图。
[0040]图7为SVM在不同α∶β值的GAN模型生成数据与原始数据上分类结果示意图。
[0041]图8为α＝0.4，β＝10时不同分类器的分类结果示意图。
具体实施方式<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的气体传感器阵列漂移补偿方法，其特征在于，包括如下步骤：步骤一、通过气体传感器获取多个批次的测量数据；步骤二、建立生成对抗网络模型和特征提取神经网络；筛选出漂移程度不同批次的所述测量数据作为训练样本；步骤三、使用所述训练样本对所述生成对抗网络模型进行训练，得到生成漂移数据的对抗生成网络模型；其中，在训练过程中，使用所述特征提取神经网络提取的漂移后数据特征作为生成对抗网络模型生成数据的指示指标；步骤四、将多个批次的所述测量数据作为输入参数输入所述生成漂移数据的对抗生成网络模型，所述生成漂移数据的对抗生成网络模型输出所述多个批次的测量数据对应的漂移后的数据，得到漂移后数据的补偿数据集；其中，所述漂移后数据的补偿数据集为：T
i
＝[G(T
i-1
),batch
i
]；式中，T
i
为第i个批次的漂移后数据的补偿数据集，T
i-1
为第i-1个批次的漂移后数据的补偿数据集，G(T
i-1
)为T
i-1
输入生成漂移数据的对抗生成网络模型输出的漂移后的数据，batch
i
为第i个批次的测量数据。2.根据权利要求1所述的基于生成对抗网络的气体传感器阵列漂移补偿方法，其特征在于，所述生成对抗网络模型包括生成器和判别器；其中，在所述步骤三中，采用交叉训练的方法对所述生成对抗网络模型进行训练，包括：先固定生成器，优化判别器，使判别器的判别准确率最大化；再固定判别器，优化生成器，使判别器对生成数据的判别准确率最小化。3.根据权利要求2所述的基于生成对抗网络的气体传感器阵列漂移补偿方法，其特征在于，所述判别器的优化目标为：降低判别器的...

【专利技术属性】
技术研发人员：王庆凤，刘威，宫泽睿，
申请(专利权)人：吉林大学，
类型：发明
国别省市：