典型文献
基于LSTM的气味源距离估计
文献摘要：
为提升基于金属氧化物半导体(Metal Oxide Semiconductor,MOS)传感器阵列估计气味源距离的精度,同时避免传统距离估计方法对手动参数设定的依赖性,提出了一种基于长短时记忆(Long Short-Term Memory,LSTM)网络的气味源距离估计方法.所提方法利用LSTM网络对长序列特征的获取能力,从MOS传感器阵列的信号中自动学习距离指标,从而实现端到端估计.搭建了气味扩散仿真平台,生成气味扩散仿真数据集用于网络训练、参数调优和验证测试.结果显示,所提出的模型在10 m范围内的平均估计误差为0.16 m,比基于统计特征的估计方法误差降低了一个数量级.最后分析了不同LSTM超参数对距离估计精度的影响,并且就网络对未知气味扩散环境条件的泛化适应能力进行了验证.
文献关键词：
信号处理;源距离估计;深度学习;金属氧化物传感器;长短时记忆网络
中图分类号：
作者姓名：
闫铮;井涛;孟庆浩
作者机构：
天津大学机器人与自主系统研究所,天津300072;天津市过程检测与控制重点实验室,天津300072;天津大学电气自动化与信息工程学院,天津300072
文献出处：
引用格式：
[1]闫铮;井涛;孟庆浩-.基于LSTM的气味源距离估计)[J].传感技术学报,2022(08):1065-1072
A类：
源距离估计,金属氧化物传感器
B类：
气味,金属氧化物半导体,Metal,Oxide,Semiconductor,MOS,传感器阵列,估计方法,参数设定,Long,Short,Term,Memory,法利,序列特征,自动学习,端到端,扩散仿真,仿真平台,仿真数据,网络训练,参数调优,验证测试,估计误差,比基,统计特征,数量级,超参数,估计精度,信号处理,长短时记忆网络
AB值：
0.312831
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
