公开(公告)号：CN117421544A

公开(公告)日：2024-01-19

申请号：CN202311356448.2

申请日：2023-10-19

Applicant: 东北大学

Inventor： 孟凡利 ,  张守文 ,  苑振宇

IPC: G06F18/15 ,  G06F18/2431 ,  G06F18/26 ,  G01N27/12

Abstract: 本发明提供一种气体传感器周期性时序响应数据的漂移补偿方法，涉及气体检测技术领域；循环温度调制可以显著提高半导体气体传感器的选择性，其响应数据是一种周期性变化的时序数据；但随着温度调制周期的增加，传感器漂移逐渐变得不可忽视，导致多个温度调制周期后的响应数据失真，严重干扰半导体气体传感器的气体浓度识别精度；本发明首先基于时间序列的加法模型，将周期性时序响应数据分解为周期项、趋势项和噪声项；然后，通过消除趋势项以消除周期性时序响应数据的漂移增量，达到漂移补偿的目的；本发明可显著降低传感器漂移对气体传感器周期性时序响应数据的干扰，有利于提升基于气体传感器循环温度调制的气体浓度识别精度。

公开(公告)号：CN116630705A

公开(公告)日：2023-08-22

申请号：CN202310589727.7

申请日：2023-05-24

Applicant: 东北大学

Inventor： 孟凡利 ,  张守文 ,  苑振宇 ,  付俊

IPC: G06V10/764 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供一种VOC响应的大样本二维图像数据集构建方法，涉及VOC识别技术领域。该方法具体包括：首先通过对半导体气体传感器实施循环温度调制并对VOC响应进行采样，以获得VOC时序响应数据。然后，在重采样范围内以固定的样本长度从VOC时序响应数据中逐数据点地连续截取VOC时序响应样本数据。最后，将VOC时序响应样本数据由一维形式转换为二维图像形式。相比于传统的VOC响应的样本数据集构建方法，本发明可以更低的人力和时间成本获取VOC响应的大样本数据集，转换后的VOC响应的二维图像样本数据蕴含丰富的结构信息，更符合卷积神经网络等深度学习模型对输入数据的要求，为卷积神经网络等深度学习模型在VOC识别领域的应用提供了有利条件。

公开(公告)号：CN116386758A

公开(公告)日：2023-07-04

申请号：CN202310347832.X

申请日：2023-04-04

Applicant: 东北大学

Inventor： 孟凡利 ,  张守文 ,  苑振宇 ,  付俊

IPC: G16C20/30 ,  G01N33/00 ,  G16C20/70 ,  G06N3/048 ,  G06F18/2431

Abstract: 本发明提供一种基于轻量型识别模型的易制毒VOC定性和定量识别的方法，涉及VOC识别技术领域。首先通过气体传感器虚拟阵列获取易制毒VOC的响应数据，利用线性判别分析算法和二进制编码标注有效降低了原始响应数据和数据标签的维数。然后，采用VOC定性和定量同时识别的方式将易制毒VOC定性和定量识别问题转化为多分类问题，有效降低了识别模型的数量。最后，通过将径向基神经网络的激活函数替换为阈值函数将其改造为轻量型易制毒VOC识别模型，可便捷地部署于检测设备上，以快速且精确地实现易制毒VOC定性和定量同时识别。