空气质量或气体传感器由于其高灵敏度和低成本而广泛应用于电子鼻设备中。但是,为了可靠地利用这些传感器,必须处理其敏感元件的变化,这是由传感器暴露在气体中被腐蚀产生的。当在相同条件下暴露于相同分析物时,化学传感信号响应逐渐和不可预测的变化为了显著限制这种变化,每次气体暴露后必须进行非常耗时的清洗过程。这样,当需要连续快速地监测气体浓度时,缓慢的清洗过程(几十分钟)强烈地限制了由传感器组成的电子鼻的使用。在这里,本文探索一种机器学习方法,以减少由于敏感层的不完全清洁过程而导致的气体传感器响应不稳定性的影响。在这个过程中,我们将经历数据集清理、可视化、支持向量机和随机森林建立分类模型等步骤。
本文所提出的技术是气体传感器漂移补偿,使用不同的分类模型来对气体进行分类。对此,一种想法是结合半监督学习的方法来进行分类处理,但是准确率可能会随着测量样本的变化而变得恶劣。本文提出了基于交叉验证的支持向量机模型,为传感器漂移补偿提供一个很好的解决方案,帮助延长传感器的使用寿命。