[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

本發明公開了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，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。

技術領域

本發明屬于氣體傳感器陣列信號處理技術領域，特別涉及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。

背景技術

氣體傳感器陣列的模型校準是建立測量值與分析量之間函數關系的一個昂貴但必要的過程。傳統的校準方法是首先選擇計算模型的函數形式，然后基于訓練數據集去估計相應的模型參數和誤差，最后進行模型驗證。所得的計算模型隨后被用于新的測量和預測氣體的濃度或類別。然而，經過一段時間后，由于傳感元件特性的變化，模型的性能下降，需要對系統進行重新校準。

近年來，人們對化學檢測系統的各種校準技術進行了研究，包括工神經網絡、線性判別器、多層感知器、k-NN分類器、偏最小二乘回歸器以及支持向量機等。無論選擇何種數據處理技術，都需要收集訓練數據集來執行分析系統的校準。然而，訓練數據的收集存在一下幾個問題，一是，由于實驗本身的費用和技術人員的投入，生成訓練數據集是一項非常昂貴、費時費力的操作。在獲取新樣本成本高昂的應用中，這種情況尤其重要，例如空間船的空氣質量控制、公共空間的環境監測和工業泄漏檢測等。二是，在數據集收集的過程中如果存在部分傳感器失效等原因，就會造成數據測量的不完整，會為傳感器的模型校準帶來很大困難；比如在分析傳感器漂移特性時，需要長時間的數據監測，如果存在數據的丟失，那么無法重新獲取與時間對應的樣本數據。三是，如果模型校準時采用的氣體濃度實驗樣本與實際測量應用的氣體樣本濃度分布不完全一致，需要重新進行樣本的采集和校準，然而對于低濃度的氣體樣本在實驗過程中有時不易獲取，就會導致模型校準精度的下降。目前還沒有從數據生成的角度研究減小傳感器陣列重新校準的頻率和相關成本的方法。

發明內容

本發明的目的是針對現有技術的缺陷，提供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，該方法通過條件生成式對抗網絡生成氣體傳感器的響應數據，擴充數據的濃度范圍，提高數據的多樣性，降低樣本獲得的成本。

本發明提供的技術方案為：

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，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。

優選的是，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，