基于离散余弦变换的因果卷积神经网络用于化学传感器漂移补偿
信号处理
2020-11-16 v1
摘要
传感器漂移是化学传感器中的一个主要问题，需要加以解决以实现对化学分析物的可靠且准确的检测。在本文中，我们开发了一种带有离散余弦变换（DCT）层的因果卷积神经网络（CNN）来估计漂移信号。在DCT模块中，我们在变换域中应用软阈值非线性来去噪数据并获得漂移信号的稀疏表示。软阈值在训练过程中学习得到。我们的结果表明，基于DCT层的CNN能够产生缓慢变化的基线漂移信号。我们在合成数据上训练CNN，并在真实化学传感器数据上进行测试。我们的结果表明，即使观测到的传感器信号非常嘈杂，我们也能获得准确且平滑的漂移估计。
引用
@article{arxiv.2011.06681,
title = {Discrete Cosine Transform Based Causal Convolutional Neural Network for Drift Compensation in Chemical Sensors},
author = {Diaa Badawi and Agamyrat Agambayev and Sule Ozev and A. Enis Cetin},
journal= {arXiv preprint arXiv:2011.06681},
year = {2020}
}
备注
5 pages, 3 figure, submitted to ICASSP 2020