在氣體傳感中利用人工智能

人工智能 （AI） 正以許多令人興奮的方式應(yīng)用。大多數(shù)人都聽說(shuō)過(guò)大事，比如可以在國(guó)際象棋中擊敗人類的計(jì)算機(jī)、谷歌圖像搜索引擎和“大數(shù)據(jù)”。然而，許多公司和研究人員正在以多種方式使用人工智能來(lái)改善我們的生活，包括在空氣質(zhì)量和氣體傳感方面的應(yīng)用。

人工智能可用于幫助解釋氣體傳感器的響應(yīng)，為傳感器報(bào)告的信息增加更多價(jià)值。這個(gè)想法是，可以使用離散傳感器陣列或可以模擬傳感器陣列的單個(gè)傳感器（例如ZMOD4410）來(lái)產(chǎn)生一組作為環(huán)境函數(shù)的響應(yīng)。然后使用使用神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)來(lái)解釋響應(yīng)模式并在多個(gè)維度上擬合非線性模型，這對(duì)于人類解釋可能是顯而易見的，也可能不是顯而易見的。神經(jīng)網(wǎng)絡(luò)訓(xùn)練可以是有監(jiān)督的，也可以是無(wú)監(jiān)督的，這取決于數(shù)據(jù)的來(lái)源，以及是否使用人類判斷來(lái)標(biāo)記數(shù)據(jù)和增加洞察力，或者是否讓計(jì)算機(jī)自行尋找模式。

機(jī)器學(xué)習(xí)需要在許多不同條件下收集、表征和訓(xùn)練大量傳感器數(shù)據(jù)?？紤]到使用氣體傳感器實(shí)現(xiàn)機(jī)器學(xué)習(xí)解決方案所需的復(fù)雜性和資源，可以提供預(yù)先訓(xùn)練的監(jiān)督神經(jīng)網(wǎng)絡(luò)模型作為算法的一部分，該模型可以在各種低復(fù)雜度的微控制器上運(yùn)行，從而產(chǎn)生麻煩免費(fèi)為消費(fèi)者解決。這被稱為嵌入式人工智能。

有許多有趣的例子可以說(shuō)明如何使用 AI 來(lái)推進(jìn)氣體檢測(cè)應(yīng)用。在一個(gè)示例中，傳感器在各種條件下的表征可用于改進(jìn)檢測(cè)總揮發(fā)性有機(jī)化合物 （TVOC） 的室內(nèi)空氣質(zhì)量傳感器。在這種情況下，神經(jīng)網(wǎng)絡(luò)模型被訓(xùn)練為專注于感興趣的特征（TVOC）并忽略任何不感興趣的輕微環(huán)境影響（漂移、濕度等）。

在第二個(gè)示例中，機(jī)器學(xué)習(xí)可用于增加氣體傳感器的選擇性。例如，氣體傳感器已經(jīng)可以根據(jù)氣味強(qiáng)度觸發(fā)廚房和浴室的通風(fēng)。通過(guò)增加選擇性，當(dāng)氣味屬于標(biāo)記為“不良”的類別時(shí)，可以將通風(fēng)設(shè)置為以較低的強(qiáng)度閾值打開。在將 AI 技術(shù)用于選擇性傳感器時(shí)，在訓(xùn)練過(guò)程中定義的選擇性類別必須包含預(yù)期的用例，這一點(diǎn)至關(guān)重要。例如，經(jīng)過(guò)訓(xùn)練可將硫檢測(cè)為“難聞”氣味的傳感器可能不會(huì)自動(dòng)將其他非硫 VOC 識(shí)別為難聞氣味。然而，一旦方法被定義和實(shí)施，

審核編輯：郭婷