改进的深度残差网络的混合气体定量分析方法

为了有效监测室内有害气体,提出了一种改进的深度残差网络的室内有害气体定量分析方法。该方法使用残差网络来提高深度学习方法学习干扰信号特征的能力,并提高混合气体定量分析的准确性以及模型的鲁棒性。将软阈值化用作非线性层,并将其嵌入到深度神经网络中,以消除非必要的噪声特征。该方法结合了深度学习与传统信号处理降噪算法的优点,通过使用具有不同干扰水平的甲醛气体样本集进行了验证,实验结果表明该模型在有干扰的场景下仍具有较高的准确率。

基于GAN-CNN的气味识别

随着嗅觉技术的发展,电子鼻因其响应速度快、使用方便等特点被广泛的应用。然而,在实践中,很难获得足够的样本数据来训练气味识别模型。本文提出了一种将生成对抗网络(GAN)和卷积神经网络(CNN)相结合的模型GAN-CNN,首先,将电子鼻数据转换为灰度图。然后,利用GAN学习真实样本的数据分布,通过生成器和判别器的对抗训练,生成具有相似数据分布的增强数据集。最后,将增强数据集输入CNN进行特征提取,并对气味类型进行分类。结果表明,GAN-CNN利用电子鼻采集响应成功对气味进行分类,并且准确度达到94.43%,这对于小样本的气味识别具有重要意义。