备案时网站关闭,wordpress 随机名言插件,潍坊网络推广网站建设,手机编程软件哪个好基于大规模测量与多任务深度学习的电子鼻系统实现目标识别、浓度预测与状态判断
原论文地址#xff1a;https://www.sciencedirect.com/science/article/abs/pii/S0925400521014830
引用此论文#xff08;GB/T 7714-2015#xff09;#xff1a;
WANG T, ZHANG H, WU Y, …基于大规模测量与多任务深度学习的电子鼻系统实现目标识别、浓度预测与状态判断
原论文地址https://www.sciencedirect.com/science/article/abs/pii/S0925400521014830
引用此论文GB/T 7714-2015
WANG T, ZHANG H, WU Y, et al. Target discrimination, concentration prediction, and status judgment of electronic nose system based on large-scale measurement and multi-task deep learning[J]. Sensors and Actuators B: Chemical, 2022, 351: 130915. DOI:10.1016/j.snb.2021.130915.
论文作者学术主页https://www.researchgate.net/profile/Tao-Wang-261
1. 研究背景与意义
电子鼻Electronic Nose, E-nose系统作为一种仿生检测技术模拟生物嗅觉原理通过多传感器阵列和模式识别算法实现对复杂气味的识别与分析广泛应用于生物医学诊断、工业排放监测与食品质量评估等领域。传统电子鼻模式识别依赖人工特征提取与独立模型训练存在特征信息丢失、训练流程复杂且泛化能力弱等问题。针对以上瓶颈本文提出结合大规模自动化测量与多任务卷积神经网络MTL-CNN的方法旨在实现电子鼻系统的目标气体识别、浓度预测与状态判断三任务同步完成简化训练与应用流程提升系统性能与适应性。
2. 系统设计与实验方法
2.1 电子鼻硬件构建
本研究中传感器阵列与数据采集电路分离设计如图1所示。阵列板采用圆盘结构搭载八种商用MOS气敏传感器MQ系列通过线束连接至采集板。采集板采用八路惠斯通电桥与高精度放大器AD620输出至16位ADCADS1115并由32位微控制器MCU进行数据采集与433 MHz无线传输。 图1 电子鼻传感器阵列a与数据采集板b实物图及气体测量系统内部结构示意图c。 2.2 自动化测量系统开发
为实现大规模、长时程、无人干预的气体测试本文开发了基于Alwhales Auto ScriptAAS脚本语言的自动化控制系统结合内外双层密封腔体、温控加热板、微量注射泵、自动门控及环境监测模块实现全过程编程控制。 图2 基于AAS脚本的自动化气体测量系统架构示意。 2.3 气体响应实验
选取十二种典型挥发性有机化合物VOCs作为测试目标包括甲醇、乙醇、乙二醇等通过控制注射量和加热温度设定气体浓度区间10-100 ppm分别进行十轮独立响应测试累计采集逾千万级数据点涵盖各浓度与状态。
2.4 数据处理与标签构建
所有传感器响应数据经基线跟踪算法BTA实时校正。依据固定时间窗对响应曲线分段分别标注气体类型、浓度值与工作状态Idle/Response/Recovery形成多标签训练集。 图4 乙醇响应实验中传感器阵列数据及其三任务标签示意。 3. 多任务卷积神经网络MTL-CNN模型设计
3.1 基础CNN结构
典型CNN包含卷积层、池化层与全连接层用于特征提取、降维与分类如图3a所示。
3.2 双区块共享MTL-CNN架构
本文设计的MTL-CNN模型具有独特的双区块知识共享结构如图3b所示初始卷积池化块共享至三任务随后分支进行任务特定优化。目标气体识别与浓度预测任务之间设有额外共享区块以强化相关任务的信息交互提升模型性能与稳定性。 图3 a典型CNN结构图b本研究中MTL-CNN双区块共享结构示意。 4. 训练过程与参数优化
4.1 批次大小Batch Size影响分析
通过调整Batch Size10-5000进行训练优化发现当Batch Size为700时三任务收敛速度最快、交叉验证准确率最高。 图5 不同Batch Size下三任务准确率与标准误对比。 4.2 输入数据长度Data Length优化
研究不同输入长度对模型表现的影响确定以4秒8数据点为最佳输入单元兼顾响应过程有效性与实时性。 图6 不同数据长度下三任务准确率与标准误对比。 4.3 样本规模Sample Volume对性能的影响
通过控制训练样本比例0.001-0.9验证大样本量0.5显著提升泛化能力与输出稳定性。 图7 训练与交叉验证准确率随样本量变化趋势。 图8 样本量对三任务准确率与标准差的影响统计。 5. 最终模型性能评估与对比分析
5.1 MTL-CNN综合性能
最终模型在5折交叉验证中取得气体类型识别95.2%、浓度预测92.1%、状态判断97.3%的平均准确率。 图9 a模型训练损失下降曲线b迭代次数与交叉验证准确率关系c气体分类混淆矩阵d浓度预测混淆矩阵。 5.2 与传统算法对比
将MTL-CNN与8种主流模式识别算法如SVM、KNN、RF等进行性能与训练时间对比结果表明MTL-CNN在准确率、实时性与多任务集成方面均优于传统方法。 图10 传统模式识别流程a与MTL-CNN流程b对比。 图11 a不同算法在三任务上的性能对比b不同算法训练与验证所耗时间对比。 6. 结论
本文提出基于大规模自动化测量与多任务卷积神经网络MTL-CNN融合的电子鼻系统模式识别新策略首次实现了仅用4秒原始数据同时完成气体类型识别、浓度预测与工作状态判断且准确率稳定在95%左右验证了大数据驱动与深度学习结合在气体传感领域的巨大潜力。该研究为智能电子鼻系统的快速响应、多功能集成与实际应用奠定了坚实基础。
