[發明專利]一種基于條件生成對抗網絡進行數據增廣的氣體傳感器陣列模型校準方法

有效

• 申請號: 202011286310.6
• 申請日: 2020-11-17
• 公開（公告）號: CN112462001B
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 王慶鳳;閆宇航;劉威
• 申請（專利權）人: 吉林大學
• 主分類號: G01N33/00
• 分類號: G01N33/00;G06N3/04;G06N20/00
• 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

1.一種基于條件生成對抗網絡進行數據增廣的氣體傳感器陣列模型校準方法，其特征在于，包括如下步驟：

步驟一、采集氣體傳感器陣列的響應信號數據集；提取標準氣體環境下的不同濃度的氣體對應的響應信號的特征數據，作為原始數據樣本；

步驟二、對所述原始數據樣本進行預處理，得到原始數據樣本的標準化值；

步驟三、使用原始數據樣本的標準化值對所述條件生成對抗網絡模型進行訓練，得到樣本生成器模型；并且通過所述樣本生成器模型生成不同濃度的氣體對應的響應信號的特征數據，作為生成數據樣本；

步驟四、將所述生成數據樣本與所述原始數據樣本混合，得到擴充數據樣本；

步驟五、使用所述擴充數據樣本對傳感器陣列模型進行校準；

在所述步驟二中，對所述原始數據樣本進行預處理包括如下步驟：

步驟1、計算原始數據樣本均值和原始數據樣本的標準偏差S₀，

其中，K為每個采樣時刻的傳感器陣列輸出的響應信號的特征數，為第i個樣本中第j個采樣的第K個特征；N為樣本個數，M為一個樣本中的采樣次數；

步驟2、得到原始數據樣本的標準化值為：

其中，

在所述步驟三中，所述得到樣本生成器模型包括如下步驟：

步驟a、構建初始樣本生成器模型；

其中，所述初始樣本生成器模型的輸入參數為隨機噪聲以及設定的濃度標簽，輸出參數為所述生成數據樣本；并且以所述設定的濃度標簽作為所述生成數據樣本對應的濃度標簽；

步驟b、構建初始判別器模型；

其中，所述初始判別器模型的輸入參數為所述原始數據樣本及其相對應濃度標簽數據對或所述生成數據樣本及其相對應的濃度標簽數據對，輸出參數為輸入的數據對的評分；

步驟c、連接所述初始樣本生成器模型與初始判別器模型，并且對所述初始樣本生成器模型和所述初始判別器模型進行交替迭代訓練，更新初始樣本生成器模型和初始判別器模型的參數；直到達到預設迭代次數，得到所述樣本生成器模型；

其中，更新初始判別器模型參數時的訓練目標為：使得初始判別器模型對于所述原始數據樣本及其相對應濃度標簽數據對評分高，對于與所述原始數據樣本及其相對應濃度標簽數據對相似度低的生成數據樣本及其相對應的濃度標簽數據對評分低；

更新初始樣本生成器模型參數時的訓練目標為：使得生成數據樣本及其相對應的濃度標簽數據對在判別器模型中能夠獲得高分。

2.根據權利要求1所述的基于條件生成對抗網絡進行數據增廣的氣體傳感器陣列模型校準方法，其特征在于，所述預設迭代次數至少為6000次。

3.根據權利要求1或2所述的基于條件生成對抗網絡進行數據增廣的氣體傳感器陣列模型校準方法，其特征在于，在所述步驟c中，每次迭代訓練中包括：更新兩次初始判別器模型參數和更新一次初始樣本生成器模型參數；

其中，更新兩次初始判別器模型參數包括：使用所述原始數據樣本進行訓練更新一次以及使用所述生成數據樣本進行訓練更新一次。

4.根據權利要求3所述的基于條件生成對抗網絡進行數據增廣的氣體傳感器陣列模型校準方法，其特征在于，在所述步驟四之前，還包括剔除所述生成數據樣本中與所述原始數據樣本相同的數據。

5.根據權利要求4所述的基于條件生成對抗網絡進行數據增廣的氣體傳感器陣列模型校準方法，其特征在于，在所述步驟五之前，還包括：對所述擴充數據樣本進行回歸訓練，對得到的擴充數據樣本進行驗證。