[發明專利]一種基于生成對抗網絡的氣體傳感器陣列漂移補償方法

有效

• 申請號: 202011284333.3
• 申請日: 2020-11-17
• 公開（公告）號: CN112418395B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 王慶鳳;劉威;宮澤睿
• 申請（專利權）人: 吉林大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G01N27/12
• 代理公司: 北京遠大卓悅知識產權代理有限公司 11369
• 代理人: 劉小嬌

1.一種基于生成對抗網絡的氣體傳感器陣列漂移補償方法，其特征在于，包括如下步驟：

步驟一、通過氣體傳感器獲取多個批次的測量數據；

步驟二、建立生成對抗網絡模型和特征提取神經網絡；篩選出漂移程度不同批次的所述測量數據作為訓練樣本；

步驟三、使用所述訓練樣本對所述生成對抗網絡模型進行訓練，得到生成漂移數據的對抗生成網絡模型；

其中，在訓練過程中，使用所述特征提取神經網絡提取的漂移后數據特征作為生成對抗網絡模型生成數據的指示指標；

步驟四、將多個批次的所述測量數據作為輸入參數輸入所述生成漂移數據的對抗生成網絡模型，所述生成漂移數據的對抗生成網絡模型輸出所述多個批次的測量數據對應的漂移后的數據，得到漂移后數據的補償數據集；

其中，所述漂移后數據的補償數據集為：

T_i＝[G(T_i-1),batch_i]；

式中，T_i為第i個批次的漂移后數據的補償數據集，T_i-1為第i-1個批次的漂移后數據的補償數據集，G(T_i-1)為T_i-1輸入生成漂移數據的對抗生成網絡模型輸出的漂移后的數據，batch_i為第i個批次的測量數據；

所述生成對抗網絡模型包括生成器和判別器；

其中，在所述步驟三中，采用交叉訓練的方法對所述生成對抗網絡模型進行訓練，包括：

先固定生成器，優化判別器，使判別器的判別準確率最大化；再固定判別器，優化生成器，使判別器對生成數據的判別準確率最小化；

所述生成器的優化目標為：降低生成器的損失函數值以更新生成器的參數；

其中，所述生成器的損失函數為：

L_G＝L_Gen+αL_MSE+βL_M；

式中，L_Gen為原生成器損失，L_MSE為生成數據與目標數據的均方誤差，L_M為生成數據與目標數據在所述特征提取神經網絡中的均方誤差，α表示生成數據與目標數據的均方誤差的系數，β表示生成數據與目標數據在所述特征提取神經網絡中的均方誤差的系數。

2.根據權利要求1所述的基于生成對抗網絡的氣體傳感器陣列漂移補償方法，其特征在于，所述判別器的優化目標為：降低判別器的損失函數值以更新判別器的參數；

其中，所述判別器的損失函數為：

L_D＝-∑log(D(x))+log(D(G(x')))；

式中，D(x)表示判別器D將真實數據x判定為真實數據的概率，D(G(x'))表示判別器D將生成器G生成的虛假數據x'判定為真實數據的概率。

3.根據權利要求2所述的基于生成對抗網絡的氣體傳感器陣列漂移補償方法，其特征在于，在所述步驟二之前，還包括采用如下公式對所述測量數據進行標準化處理：

其中，max(x_,j)為第j列數據的最大值，min(x_,j)為第j列數據的最小值，x_i,j為第i行第j列的值。

4.根據權利要求3所述的基于生成對抗網絡的氣體傳感器陣列漂移補償方法，其特征在于，所述測量數據為一個16×8維度的特征向量。

5.根據權利要求4所述的基于生成對抗網絡的氣體傳感器陣列漂移補償方法，其特征在于，α＝0.4，β＝10。