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

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

改进：在GRU之后添加注意力机制，更深入获取之前信息