用于电子鼻系统漂移补偿的基于无监督注意力的多源领域自适应框架
信号处理
2024-09-23 v1 人工智能
摘要
使用电子鼻系统对工业环境中有毒、有害、易爆和易燃气体进行连续、长期监测，面临着因气体传感器时变漂移导致气体识别精度下降的重大挑战。为解决这一问题，我们提出了一种新颖的基于无监督注意力的多源领域共享-私有特征融合自适应框架，用于电子鼻系统中带漂移补偿的气体识别。AMDS-PFFA 模型有效利用初始阶段收集的多个源领域的标注数据，以准确识别目标领域中未标注气体传感器阵列漂移信号中的气体。为验证模型的有效性，我们使用历时 36 个月收集的加州大学欧文分校标准漂移气体数据集以及历时 30 个月的自研电子鼻系统漂移信号数据进行了广泛的实验评估。与近期的漂移补偿方法相比，AMDS-PFFA 模型实现了最高的平均气体识别精度且收敛性强，在 UCI 数据集上达到 83.20%，在自研电子鼻系统数据上跨所有目标领域批次达到 93.96%。这些结果证明了 AMDS-PFFA 模型在带漂移补偿的气体识别中的优越性能，显著优于现有方法。
引用
@article{arxiv.2409.13167,
title = {Unsupervised Attention-Based Multi-Source Domain Adaptation Framework for Drift Compensation in Electronic Nose Systems},
author = {Wenwen Zhang and Shuhao Hu and Zhengyuan Zhang and Yuanjin Zheng and Qi Jie Wang and Zhiping Lin},
journal= {arXiv preprint arXiv:2409.13167},
year = {2024}
}