CN119438508A 基于多模态气体传感器的检测方法及装置 （深圳市鸿疆赛斯科技有限公司）

境因素补偿参数对预处理后的多模态信号数据基于气体识别模型对实时采集和校准的多模态2对金属氧化物半导体和导电材料进行共混合成处理，得到双模态纳米于所述双模态纳米复合材料创建具有三维微通道网络的传感对所述传感器阵列进行封装和集成处理，得到多模态气体检测模块，并对所述多模态气体检测模块中的温度传感器和湿度传感器数据进行采集和分根据所述环境因素补偿参数对所述预处理后的多模态信号数据进行自适应校准处理，基于所述校准后的多模态信号数据构建多输入神经网络模型并进基于所述气体识别模型对实时采集和校准的多模态信号进行分析对锡源和铁源按照预设的摩尔比进行混合，得到金属前驱体溶液，并对所述复合纳米材料悬浊液进行喷雾干燥和煅烧处对所述双模态纳米复合材料进行分散处理，得到纳米材料悬浊液，对低温共烧陶瓷材料进行精密加工，得到具有预设基于所述传感器组件进行超声波键合，得到电极与外部引线连接的基于所述多模态气体检测模块设计微型气泵和气体分配系统，得3基于所述信号处理单元进行微控制器编程和配置基于所述同步采集方案对采集到的原始信号进行巴特沃斯低通滤波对温度传感器和湿度传感器进行数据采样，得到原始温湿度时间基于所述去除异常值的温湿度数据进行快速傅里叶变换，得到温湿度数据的频谱特基于所述温湿度变化的目标模式构建自回归移动平均模型，得到基于所述优化后的温湿度估计值计算温湿度对气体传感器灵敏度基于所述温湿度补偿函数构建自适应模糊神经网对所述预处理后的多模态信号数据进行时间窗口分割，得到固定长度对所述环境影响矩阵进行奇异值分解，得到环境因素的目标影响对所述信号片段和所述环境噪声估计模型进行小波根据所述相关性指标对信号片段进行自适应阈值对所述校准后的多模态信号数据进行时频域特征提取，得到电阻4基于所述电阻信号特征集构建第一多尺度残差网络分支，所述第一多基于所述电容信号特征集构建第二多尺度残差网络分支，所述第二多对所述训练多尺度电阻特征表示和所述多尺度电容特征表示进行自适应特征重校准，基于所述训练重校准特征构建双向门控循环单元网络，所述双对所述训练时序上下文特征应用多头自注意力机制，所述多头自注意力机制包含8个基于所述训练融合特征向量构建多任务学习头，包括气体分类任务和浓度回归任务，对所述多输入神经网络模型进行端到端训练，使用加权的交叉熵损失函数和Huber损对实时采集的电阻信号和电容信号进行同步采样和数字化处理，得到对所述校准后的实时多模态信号进行时频域特征提取将所述实时电阻特征集输入所述气体识别模型的第一多尺度残差网络分支，通过3个将所述实时电容特征集输入所述气体识别模型的第二多尺度残差网络分支，通过3个对所述实时多尺度电阻特征表示和所述实时多尺度电容特征表示进行自适应特征重将所述实时重校准特征输入双向门控循环单元网络，通过2层128个单元的顺序计算，5将所述实时全局依赖特征输入金字塔池化模块，通过三种不同尺度的池化将所述实时融合特征向量输入多任务学习头，通过并行的分类和对所述实时气体种类概率分布和浓度估计值进行阈值判断和时序创建模块，用于对金属氧化物半导体和导电分析模块，用于对所述多模态气体检测模块中的温度传校准模块，用于根据所述环境因素补偿参数对所述预训练模块，用于基于所述校准后的多模态信号数据构处理模块，用于基于所述气体识别模型对实时采集和校准的多模态信号进行分析行时使得所述处理器执行如权利要求1至7中任一项所述的基于多模态气体传感器的检测6对金属氧化物半导体和导电材料进行共混合成处理，得到双模态纳米复合材料，并基于所述双模态纳米复合材料创建具有三维微通道网络的传感器对所述多模态气体检测模块中的温度传感器和湿度传感器数据进行采集和分析，根据所述环境因素补偿参数对所述预处理后的多模态信号数据进行自适应校准7块，并基于所述多模态气体检测模块进行电阻信号和电容信号的同步采集和数字滤波处89构建多任务学习头，以同时处理气体分类和浓度回归任务。对于气体分类任务，使用叉熵损失函数和Huber损失函数作为优化目标，通过损失函数能够平衡分类与回归任务的[0019]步骤S6、基于气体识别模型对实时采集和校准的多模态信号进行分析和判断处对石墨烯进行超声分散处理，得到石墨烯悬浊液，并对Fe基于具有SiO2绝缘层的基底进行光刻和金属沉积处理，得到具有梳状电极的基尔比可以确保Fe在SnO2晶格中的均匀分布，进而调控最终材料的电子结构和气敏性能。将该金属前驱体溶液放入高压釜中，进行水热反应处理。水热反应通常在180OC至200OC的温度下进行，该条件下，Sn2+和Fe3+离子在溶液中发生水解并沉淀，形成Fe掺杂SnO2纳米颗;到具有三维微通道网络的基底结构上。喷墨打印技术的优势在于其高精度和低材料消耗，对低温共烧陶瓷材料进行精密加工，得到具有预设进气口和出气口的传感器外;;基于去除异常值的温湿度数据进行快速傅里叶变换，得到温湿度数据的频谱特;;;;其中，为温湿度补偿后的气体传感器灵敏度，T为温度，H为湿度，;其中，表示第i个信号特征在第j个时间窗口内的环境影响值，Tj和分别是;;基于训练重校准特征构建双向门控循环单元网络，双向门控循环单元网络包含2对训练时序上下文特征应用多头自注意力机制，多头自注意力机制包含8个注意基于训练融合特征向量构建多任务学习头，包括气体分类任务和浓度回归任务，对多输入神经网络模型进行端到端训练，使用加权的交叉熵损失函数和Huber损学习头。多任务学习头同时处理气体分类任务和浓度回归任务，其中气体分类任务使用将实时电阻特征集输入气体识别模型的第一多尺度残差网络分支，通过3个并行将实时电容特征集输入气体识别模型的第二多尺度残差网络分支，通过3个并行对实时多尺度电阻特征表示和实时多尺度电容特征表示进行自适应特征重校准，将实时重校准特征输入双向门控循环单元网络，通过2层128个单元的顺序计算，多尺度全局特征具备更强的全局信息表达能力。对实时多尺度全局特征进行特征融合操过Fe掺杂SnO2纳米颗粒与石墨烯的协同作用，显著提高了传感材料的气敏性能和选择性，