CN111426801B - 电子鼻学习驯化方法及其设备 - Google Patents
电子鼻学习驯化方法及其设备 Download PDFInfo
- Publication number
- CN111426801B CN111426801B CN202010384970.1A CN202010384970A CN111426801B CN 111426801 B CN111426801 B CN 111426801B CN 202010384970 A CN202010384970 A CN 202010384970A CN 111426801 B CN111426801 B CN 111426801B
- Authority
- CN
- China
- Prior art keywords
- data
- olfactory
- electronic nose
- smell
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 230000035807 sensation Effects 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 206010034018 Parosmia Diseases 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000035943 smell Effects 0.000 description 156
- 210000001331 nose Anatomy 0.000 description 149
- 235000019645 odor Nutrition 0.000 description 125
- 239000003570 air Substances 0.000 description 17
- 238000001514 detection method Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 10
- 235000019615 sensations Nutrition 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 6
- 238000010238 partial least squares regression Methods 0.000 description 6
- 239000010865 sewage Substances 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 239000012080 ambient air Substances 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000008786 sensory perception of smell Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101100054292 Arabidopsis thaliana ABCG36 gene Proteins 0.000 description 1
- 101100351526 Arabidopsis thaliana PEN3 gene Proteins 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明所提供的电子鼻学习驯化方法，包括获得电子终端设备发来的嗅觉气味数据、电子鼻测试数据，根据电子鼻地理位置信息，按设定的位置范围在嗅觉气味数据中搜索出电子鼻地理位置对应的嗅觉气味数据，与所述电子鼻测试数据按时间信息进行融合，生成电子鼻学习驯化用样本数据，使用所述样本数据对所述电子鼻进行关系模型参数拟合。本发明提供的一种嗅觉气味数据电子终端设备，包括地理位置信息模块、时钟模块、嗅觉气味数据输入模块、信息传输通讯模块。本发明节省了嗅辨员嗅辨时间，提高了辨嗅效率，克服了空间、场所的限制，使电子鼻给出的数据更接近人们的嗅觉感受，使电子鼻与人鼻嗅觉的气味数据直观可视化。
Description
技术领域
本发明涉及环境空气质量监测技术，尤其是涉及使用嗅觉气味数据对电子鼻进行学习驯化的方法与设备。
背景技术
环境空气污染严重影响人们的身体健康，在智慧环境信息工程中，对空气质量的监控是重要的技术手段，其中，对直接影响人们嗅觉感受的恶臭异味的监控
现有技术中，空气质量恶臭的测定，是由嗅辨员按照国家标准尤为重要。（GBT14675-1993）《空气质量恶臭的测定三点比较式臭袋法》进行的。该方法经过采样、保存、嗅辨等过程，为使嗅辩员得出正确的嗅辨结论，对嗅辨环境有比较严格的要求，难以满足对日常的环境空气质量监控。对环境空气检测，需要能够实时、连续的进行监控。随着电子技术的进步，出现了可以模仿人类鼻子的功能，采用多种气味感应传感器，配备人工智能化程式（AI程式），对气味的类型、强度进行检测的电子设备，即电子鼻。但现有的电子鼻工作方式，在地域范围较大、气味变化较大的区域，给出的气味强度与类型信息与一般人嗅觉感受有较大偏离。
本说明书中，所称关系模型，是指从电子鼻中的传感器数据给出气味强度值与气味类型数据的变换函数或程序。所称一般人，特指其嗅觉感受能代表大众平均感受的人，从统计上，其给出的气味强度是大众给出的气味强度的算术平均值，或者居中值，或者最值，或者是密度最高的数值，总之具有代表性。所称嗅辩员，指经过嗅辨培训并通过正式或非正式考核，对气味强度与类型进行嗅辨的人员，使用嗅辨员嗅辨方式，对一般人进行测试的话，其给出的数据的统计平均值或最值应该接近嗅辩员给出的数据。
发明内容
技术问题：针对上述现有技术的缺陷，本发明提供一种电子鼻学习驯化方法及其应用设备。
技术方案：本发明首先提供一种电子鼻学习驯化方法，包括以下步骤：
获得电子终端设备发来的嗅觉气味数据，所述嗅觉气味数据包括所述的电子终端设备的ID以及所在地的地理位置信息，终端使用者输入的嗅觉气味强度信息或气味强度信息和嗅觉气味类型信息，以及终端设备发送嗅觉气味数据时的时间信息；
获得电子鼻测试数据，所述的电子鼻测试数据包括每个电子鼻具有的ID以及所在地的地理位置信息，电子鼻传感器数据，依据关系模型生成的气味强度信息或气味强度信息和气味类型信息，时间信息；
根据电子鼻地理位置信息，按设定的位置范围在嗅觉气味数据中搜索出电子鼻地理位置对应的嗅觉气味数据，与所述电子鼻测试数据按时间信息进行融合，生成电子鼻学习驯化用样本数据；
使用所述样本数据对所述电子鼻进行关系模型参数拟合。
其中的电子鼻测试数据或者嗅觉气味数据，既可以存储在电子鼻中、可读写存储设备中，只要需要时可以方便地获得即可，更好的是作为电子鼻数据信息以及嗅觉气味信息数据存储在服务器中。
通常，电子鼻测试数据是具有等间隔时间序列的数据，嗅觉气味数据在时间上是比较随机的，是由终端使用者自主输入或者由终端设备催促输入的。
更好的实施方式中，还可以包括根据当前关系模型参数拟合，与根据新拟合产生的参数拟合的吻合程度，判断是否更新所述电子鼻的关系模型参数。
所述的电子鼻关系模型通常有二种类型，一种是关于气味类型的分类，此时的分类模型通常用判别因子分析（DFA）、线性判别分析（LDA）、神经网络（NN）等，另一种是关于气味强度，特别是气味的恶臭程度或者香味程度，通常使用偏最小二乘回归（PLS）、神经网络（NN）等，根据所需要的估测信息，进行选择。电子鼻的学习驯化，就是将驯化用的样本数据用于这关系模型，决定这些关系模型中的参数的过程。
根据新获得的参数能否更好地逼近人嗅觉感受，决定是否要更新关系模型参数，更好地逼近，就是电子鼻数据给出的气味强度与分类数据，与嗅觉气味信息的差异更小。在存储器中保留关系模型的参数以及更新的时间与版本，作为历史数据，必要时可以用于回溯或者返回以前的参数。通常判断吻合程度的好坏，可以是电子鼻估算出来的气味强度数据和/或气味类型数据与人嗅觉感受的偏差，通常可以用方差等方式来评估，当新的拟合参数估算结果的方差变小时，判断为吻合程度变好，进行更新。
需要特别说明的是，根据本发明公开的设置在某区域的电子鼻，与该区域中采集气味信息的终端设备，不必在线连接，也不必在一个系统中，只要采集的这两种数据在近邻的区域，有时间记录标记，可以根据时间与地理位置，把两种数据融合在一起即可，当然，两种数据都与服务器，例如控制中心的服务器连接更好。也就是说，只要所述的信息数据存在，不管存储在什么介质与位置，只要需要时能获得即可，例如使用存储介质例如硬盘，U盘、光盘、ROM等通过移动复制方式非实时获得，更好的是通过有线或无线的网络连接实时获得，为了进行数据融合而存储在一起更好。
在本发明的一种实施方式中，在融合生成样本数据时，包括将电子鼻测试数据与嗅觉气味数据按时间序列，选择有嗅觉气味数据并且电子鼻测试数据变动范围在预置值下的时间区间范围内的数据段，取各个数据段的代表值为样本数据的一组数，组成样本数据；所述的参数拟合是利用该所述样本数据对电子鼻关系参数进行拟合；所述的代表值是算术平均数、众数或统计平均值的一种。
在本发明的另一种实施方式中，在融合生成样本数据时，在电子鼻地理位置附近区域找到嗅觉气味数据时，按该嗅觉气味数据的时间信息，在所述的电子鼻测试数据中找出在预置值下的时间区间范围内的电子鼻测试数据，按预设变动范围内的数据，取代表值，与嗅觉气味数据组成样本数据的一组数；所述的参数拟合是利用该所述样本数据对电子鼻关系参数进行拟合；所述的代表是算术平均数、众数或统计平均值的一种。
嗅觉气味信息的采集，可以在电子终端设备打开时、终端用户选择时，或者是在服务器催促输入嗅觉气味信息时进行采集。气味强度与气味类型的输入方式，既可以采用数字或文字输入方式，或者菜单选择方式。特别是，在气味类型输入时使用菜单式选择更好，方便进行数据的收集与统计。
进一步地，根据电子鼻数据信息，将电子鼻气味信息标示在电子地图上形成电子鼻气味地图；同样，根据嗅觉气味信息，将嗅觉气味信息标示在电子地图上形成嗅觉气味地图；当收到发送气味地图的请求时，将相应的气味地图推送给请求方。
所述的电子地图，可以在系统中存储数据中获得，也可以从百度地图app等公开的应用中获得。本发明的一个实施例，就是利用百度地图的app接口，把气味信息渲染在百度地图上实现的。
进一步地，本发明可以根据请求的地理位置，可以推送多种气味信息，例如可以推送该位置的嗅觉气味信息随时间变化趋势数组，或该位置的电子鼻气味信息随时间变化趋势数组，在电子终端设备中显示二维的气味地图，显示气味随时间变化趋势，让用户了解周边气味变化总趋势。
本发明的同时提供一种实现上述方法的嗅觉气味数据电子终端设备，包括：地理位置信息模块，获得所述电子终端设备所在的地理位置信息；时钟模块，获得发送嗅觉气味数据时的时间信息；嗅觉气味数据输入模块，用于电子终端设备使用者输入嗅觉气味数据，嗅觉气味数据包括气味强度数据、或者气味强度数据和气味类型数据；信息传输通讯模块，当接收到信息接收或发送指令时，进行信息的接收或发送。嗅觉气味数据输入模块，还可以输入风向、气温、湿度等信息。
当所述的嗅觉气味数据电子终端设备被打开激活时，输入嗅觉感受到的气味类型数据，如恶臭、香气等，进一步输入强度数据；按提交按钮，通过信息传输通讯模块，将地理位置信息与时间信息，气味类型信息、气味强度信息，传送至服务器。
进一步的，本发明的嗅觉气味数据电子终端设备，还包括气味信息地图显示模块，当接收到服务器发来的气味地图数据时，显示气味地图和/或气味变化趋势图。
嗅觉气味数据电子终端设备还包括电子鼻部件，实时测试空气，上传测试数据，形成电子鼻测试数据。
本发明所述嗅觉气味数据电子终端设备，至少只要能实现嗅觉气味数据上传即可，就可以实现本发明所要进行的大众嗅觉气味数据的收集，完成上述电子鼻学习驯化步骤。所述嗅觉气味数据电子终端设备可以是专用的电子终端设备，更方便地，可以是可移动通讯电子设备，例如智能手机。实现气味信息上传给服务器的方式，可以采用网页http协议上传，也可以是专用的气味信息app，更好的是装载有电子鼻模块的电子设备，例如装载了电子鼻模块的智能手机。
本公开的一个实施例，其电子鼻具有通讯模块，把电子鼻的检测数据自动上传给上位服务器。电子鼻嵌入嗅觉气味数据上传单元后，同时可以将嗅觉气味数据和电子鼻检测数据上传给服务器，构成本发明所述的嗅觉气味数据电子终端设备。这种嗅觉气味数据电子终端设备，其ID与所述的便携式的电子鼻ID一一对应，采集的嗅觉气味数据与电子鼻采集的气体测试数据一一对应，构成学习训练样本数据，可以进行本发明的电子鼻关系模型的参数拟合，即学习驯化。这样的电子鼻输出的气味数据值，将具有个体特性，逼近该终端使用者的嗅觉气味感觉。也就是说，该终端使用者的电子鼻将会实时地测试空气，给出的气味数据十分接近使用者的嗅觉感受，更具有人工智能的特点。
本发明提供一种实现电子鼻学习驯化方法的服务器，包括
信息传输通讯模块，接收嗅觉气味数据、电子鼻测试数据、电子终端设备的请求，发送电子地图信息、电子气味地图信息、气味变化趋势信息;
数据存储器，存储电子鼻设备ID、电子终端设备ID、嗅觉气味数据、电子鼻测试数据、电子地图信息；
关系模型参数拟合、更新模块，包括：电子鼻测试数据与嗅觉气味数据选取融合单元，生成学习驯化用样本数据；关系模型参数拟合单元，使用所述的学习驯化用样本数据对所述电子鼻中的关系模型进行拟合，获得新的关系模型参数；更新关系模型参数单元，根据当前关系模型参数与所述的新的关系模型参数对电子鼻测试数据进行估算给出气味强度与气味类型结果，比较判断吻合程度，如果使用新的参数后吻合程度变高，则更新该电子鼻的关系模型参数，并将关系模型与参数信息以及时间存储于存储器中；如果吻合程度没有变高，不进行更新。
所述的服务器中还可以包括气味地图生成模块，实时或间断地或根据请求，把收集的电子鼻测试数据、嗅觉气味数据标示在电子地图上生成电子气味地图，当接收到嗅觉气味数据电子终端设备的请求时，把该终端设备的地理位置近附的电子气味地图推送给该终端设备。
所述的电子鼻，可以是独立的便携式电子鼻，也可以是嗅觉气味数据电子终端设备所装载的气味检测分析单元。
本发明中，在布置了电子鼻进行监控的区域，例如在工业园区内，其中有固定设置的电子鼻，以及该区域内移动或固定的用于嗅觉气味数据采集的电子终端设备，自然人感受到气味的变化需要上传气味信息时，在电子终端设备上，输入气味强度和/或气味类型信息进行上传。嗅觉气味数据可以是由训练有素的嗅辨员输入，也可以是由一般人员输入。嗅辩员可以到达设置的电子鼻近旁进行嗅辨，把嗅辨结果输入。在采集的嗅觉气味数据中，可以标识出哪些数据是来自训练有素的嗅辩员，哪些是来自一般人员，根据嗅觉气味数据的来源不同，分别用于驯化样本对电子鼻的关系模型进行拟合。
更进一步，在比较广范围的区域，如果根据气味信息地图，其类型与强度具有明显差异，可以形成分割的与地理位置关联的关系模型和/或参数，使用地理位置关联的关系模型，将电子鼻传感器测试数据变换成气味强度与气味类型，使得电子鼻的估计数据与人嗅觉感受更接近更精准。
作为一个较好的实施例，气味信息采集电子终端设备中包括了气味测试传感器阵列，或更进一步，包括了传感器阵列与数据调理模块和关系模型以及MCU进行关系模型的参数拟合，也可以在一般可携带电子鼻上设置嗅觉感受信息采集模块。
服务器实时或间断性地根据收集的气味信息更新气味地图。服务器中装载了各种关系模型，根据收集的自然人嗅觉气味信息与电子鼻测试信息，对电子鼻中的关系模型进行拟合，当新拟合的结果比当前结果吻合度好时，用新拟合得到的参数代入关系模型。
对于要求区分不同区域、不同时间的气味，通常选择例如主成分分析（PCA）、成分判别（DFA）、神经网络（NN）等分类模型；对于要求提供气味强度时间、空间的变化时，可以用线性偏最小二乘法回归（PLS）、神经网络NN等联系气味强度的关系模型。
有益效果：本发明提供的电子鼻学习驯化方法，及其嗅觉气味数据电子终端设备和服务器，利用嗅觉气味数据，对运行中的电子鼻进行学习驯化，节省了嗅辨员嗅辨时间，提高了辨嗅效率，克服了空间、场所的限制，使电子鼻给出的数据更接近人们的嗅觉感受，特别是接近在该环境区域内生活、工作的人们的嗅觉感受，适合于高密度、多台数布置的监控网络中的电子鼻的自动学习驯化。同时，本发明提供的电子化的电子鼻气味地图与嗅觉气味地图，使电子鼻与人鼻的气味数据直观可视化。
附图说明
图1：本发明的使用场景示意图。
图2：自然人上传气味信息数据的流程示意图。
图3：本发明标示、分享气味地图的流程示意图。
图4：本发明电子鼻学习驯化的流程示意图。
图5：本发明的一个具体学习驯化流程图。
图6：一个实施例的气味信息电子终端设备的示意图。
图7：本发明一个实施例的服务器构成示意图。
图8：一个实施例中拟合前的电子鼻气味强度与嗅觉气味强度关系图。
图9：图8实施例中的电子鼻气味强度拟合后与嗅觉气味强度关系图。
图10：本发明电子鼻检测气味类型的实测图。
具体实施方式
以下结合实施例和附图对本发明作进一步的说明。
本发明实施例中所涉及嗅觉气味数据采集电子终端设备，可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(TabletComputer)、个人电脑(Personal Computer，PC)、可穿戴设备(例如，智能眼镜、智能手表、智能手环等)等，可以通过有线/无线/网络进行信息交换的设备。
图1示意了本发明的一个使用场景100，图中的一个五角星符号101表示一个电子鼻，在一个监控区域例如工业园区，网格化的固定设置了电子鼻，每个电子鼻有唯一的ID号以及所在地的地理位置信息，检测所在区域的空气质量，并将检测数据上传给服务器；一个人形符号102表示一个气味信息采集电子设备终端，该设备被自然人携带在区域内移动或逗留，自然人可以通过该设备将自己的嗅觉感受强度与类型等信息与地理位置信息、时间信息发等发送给服务器，从服务器获得气味地图信息并显示。
在一定区域，例如城市街区、工业园区、垃圾填埋场、河川、污水处理区、石化工业区等需要管控空气质量的区域，设置空气质量监控设备进行监控。设置的空气质量检测设备，可以有多种，实施例中空气质量检测设备为电子鼻，该电子鼻通常由多个气体传感器、数据调理以及控制通讯部件组成，对空气中的气味特别是恶臭浓度进行实时监测，具有传感器的数据组，并给出按电子鼻中的关系模型估算出恶臭值（OU值）。在该区域中生活、工作的人，有一部分，随身携带可以报告感受的空气恶臭程度，即嗅觉气味信息的气味信息采集电子终端设备。市场上的电子鼻例如法国alpha MOS的RQ Box电子鼻、德国AIRSENSE PEN3电子鼻等多种电子鼻，都可以作为本发明使用的空气质量监控用电子鼻，可以输出传感器数据以及根据关系模型输出气味强度和/或气味类型数据，其中的关系模型参数的拟合，使用本发明的学习驯化方法。
如图2， 显示了自然人持有者，使用携带采集气味信息的电子终端设备，上传气味信息数据的流程。包括，S102 激活电子终端设备，该电子终端设备不需要限定，使用智能手机是比较好的选择，这时，设备可以是智能手机中的一个应用程式（app），也可以通过网页传输方式，激活就是打开该应用程式app，或者网页方式打开网页。
S104自动上传地理位置信息，接受和显示服务器气味信息地图，在激活打开终端后，自动上传终端的地理位置信息，该地理位置信息有许多方式获得，较为方便的可以从智能手机的GPS获得。如果接收到服务器气味地图数据，就显示气味地图。如果服务器中没有相应的气味地图信息存在时，就没有气味信息，则不显示地图，或显示“该区域没有气味地图信息”等。
S106 显示气味信息输入界面，催促终端输入气味信息，最简单的，只要输入气味强度信息，例如恶臭等级0， 等级1等数据。更好的实施例的输入采用菜单式选项，例如无臭味、非常轻微、有臭味、明显有臭味、很臭等对应等级数据1、2、3、4、5等。服务器接收到终端的地理位置信息后，如果发现该电子终端设备处于缺乏嗅觉气味信息或者需要更多采集嗅觉气味信息时，可以发送指令给该电子终端设备，后者通过提示、语音等方式鼓励、催促持有者上传嗅觉气味信息。地理位置可以是电子鼻设置点的附近，可以是嗅觉气味信息空白地段，或者某个测试数据异常的电子鼻处等，都可以通过该区域内的电子终端设备催促持有者上传嗅觉气味信息。采用菜单式输入气味类型，例如臭鸡蛋味、塑料燃烧味、蔬菜腐烂味、盐酸气味、甲苯、芳烃味、橡胶味、污水味等选项。
S108 按提交按钮，连同地理位置信息、时间信息一起上传服务器。多个移动或固定位置的电子终端设备，发送嗅觉气味数据被收集存储在服务器中，实现空气嗅觉气味数据的收集，形成嗅觉气味数据库。
图3显示了本发明服务器，将采集的嗅觉气味数据标示在地图中进行分享的流程。
S202采集当前地理位置信息，提示用户上传嗅觉气味数据。此时根据电子终端设备的地理位置，可以从服务器中搜索，知道该地理位置的嗅觉气味数据是否存在、有多少，可以根据情况发送提示催促信息，例如“你提供的气味信息将填补当前位置的空白”、“这里气味重吗，请你评价这里的空气质量”等方式催促输入空气气味信息。
S204根据获取的当前地理位置信息，将气味信息标示在当前地图的地理位置中。当前位置是指该电子终端设备所在地理位置，当前地图是指以该地理位置为中心的地图，在当前地图的地理位置中标示气味信息数据，就是把气味信息数据按其地理位置标示在当前地图上。
S206将标示有气味信息的当前位置的地图分享，如无气味数据地图时显示提示信息。当然，当电子终端设备没有请求时，也可以推送气味地图。
如图4 所示，是本发明利用大众嗅觉气味数据进行电子鼻学习驯化的一个实施例。根据预计划，或满足某些设定条件时，启动对某一电子鼻的关系模型参数的拟合与更新，流程如下：
S302 接受网格化设置的电子鼻气体检测信息，并存储于服务器中。
S304 将电子鼻气味信息渲染标示在地图上形成气味地图（气味地图E）。
S306 判断是否进行关系模型数据的拟合更新：可以判断该电子鼻地理位置附近是否存在足够多的新的嗅觉气味数据，例如2组或5组、10组等；所述的地理位置附近，例如距离电子鼻20米、50米、100米或200米或1公里等范围等，根据需要与实际情况进行设定。总体上，如果存在更近的嗅觉气味数据更好。
S308 进行电子鼻关系模型参数的拟合更新：当判断有足够多的新的嗅觉气味数据时，进入拟合更新流程。在该流程中，首先将该电子鼻的测试数据与一定位置范围内的嗅觉数据按时间进行融合生成驯化用样本数据，将样本数据用于关系模型参数的拟合，将新的参数替换当前参数。
图5 显示了本发明具体对某一电子鼻进行学习驯化的流程：
S402 开始获得要驯化的电子鼻的ID、地理位置。
S404 根据预设的地理位置范围，查找有没有相应的嗅觉气味数据，如果有，那么将该电子鼻传感器数据按时间信息与嗅觉气味数据进行匹配组合成训练样本。
生成驯化用的样本数据，可以有多种方法进行，需要考虑的因素是，嗅觉气味数据的地理位置、与电子鼻地理位置的距离，如果有风向等因素更好，要加以考虑。在一定的同样的时间间隔内，取各数据的代表值，即电子鼻各个传感器测定值的代表值、嗅觉气味数据的代表值。
更具体地讲，通常电子鼻测试数据信息是按预设的时间间隔进行的，这样产生的数据是按时间等间隔序列排列的，数据量多。实施例的另一方面嗅觉气味数据，由于电子终端设备采集气味信息的随意性，在时间序列上不是等间隔的，而是随机的，有的时间段数据量多，有些时间段数据量少，有的地理位置数据量多，有的地理位置数据量少。生成样本数据，对于需要嗅觉气味数据的样本数据，需要电子鼻测试数据与嗅觉气味样本数据一一对应。实际数据两者时间上会有差异，地理位置上会有远近不同，嗅觉气味数据量不定。因此，使用嗅觉气味数据时，需要设置一定的时间区间与地理位置区间，将符合设定的时间区间与地理位置区间的嗅觉气味数据，以一定的规则计算出一个代表值，例如算术平均值、加权平均值等。对电子鼻测试数据计算出代表值，例如算术平均值、统计中值等。均依据需要的精度进行预先设定。
由于通常嗅觉气味信息数据量比较少，在时间空间上比较随意，因此从上述选定的嗅觉气味信息数据集与电子鼻测试数据集中，从气味信息数据开始，例如有一个气味信息数据是2019年11月26日08点34分采集的，那么就可以看看在该时间点的前后，例如3分钟前后的嗅觉气味数据与电子鼻传感器数据变动是否在一定容许的范围内，例如5%或10%范围内，如果在设定的范围内，那么在这前后数分钟，空气的质量成分变化不大，这些数据取平均值，生成样本数据。重复匹配过程，可以生成多组样本数据。
S406 判断样本数据组是否适合进行拟合，一般地至少有5组以上为好，再次判断与上次拟合时间间隔是否在预设的间隔以上。预设的间隔，可以在电子鼻驯化计划中规定。
S408 在样本数据组与实际时间隔度符合预设要求时，对电子鼻关系模型参数进行拟合，获得新的参数。
S409 评价拟合出的新参数是否比当前使用的参数更吻合，通常可以用拟合值与实际值进行比较，计算方差，方差更小的为更吻合。
S410 如果更吻合，那么更新关系模型参数，重新计算电子鼻输出的气味估值，并记录关系模型参数。
图6是根据本发明所用的嗅觉气味数据电子终端设备200的示意图，该设备包括：
嗅觉气味信息输入模块201，用于电子终端设备输入气味信息；
地理位置信息模块202，通常使用全球定位系统（GPS），用于获得输入嗅觉气味数据时的地理位置；
时钟模块203，用于获得输入气味信息时的日期、时间；
气味地图信息显示模块204，用于显示气味地图信息。气味地图可以有多种标示方式，例如在电子地图上进行点的标示、气味云图的标示、某个位置的气味信息变化趋势。
信息传输通讯模块205，用于与外界设备，例如与服务器进行数据交换与命令传递，将嗅觉气味信息输入模块201输入的数据，连同时钟模块203的时间信息与地理位置信息模块202的地理信息，发送给服务器，从服务器接收气味地图信息，传送给气味地图信息显示模块204显示。
图7显示的是本发明公开的一个实施例的服务器构成示意图，服务器300包括：
数据存贮器310，用于存储信息、发送分享信息，提供信息给气味地图生成模块320、关系模型参数拟合更新模块330，信息传输通信模块340，包括：存储的信息包括电子鼻ID信息与电子终端设备ID信息311、电子鼻检测数据312、嗅觉气味信息数据313以及电子地图信息314。其中，电子鼻通常是固定设置的，也可以是移动的，因此，电子鼻检测数据312中包括电子鼻ID、地理位置信息、传感器测试数据、根据关系模型计算的气味强度与气味类型数据；电子终端设备采集的嗅觉气味信息数据313中包括电子终端设备ID、地理位置信息、气味强度和/或气味类型信息。
气味地图生成模块320，用于使用电子鼻检测数据312、嗅觉气味信息数据生成气味地图信息。
关系模型参数拟合更新模块330，使用采集的数据对电子鼻关系模型参数进行拟合更新，包括：电子鼻气味信息数据与终端数据选取融合单元331，根据电子鼻的位置信息与预设的位置范围、电子鼻检测数据312中的时间信息与嗅觉气味信息数据313的时间信息进行数据选取融合，生成关系模型参数拟合单元332使用的驯化用样本数据。
关系模型参数拟合单元332，使用驯化用样本数据对电子鼻关系模型参数进行拟合。
判断与更新关系模型参数单元333，根据拟合出的新参数与当前的参数进行比较，根据预设的条件，更新当前参数为新参数，或保留当前参数。
信息传输通讯模块340，根据请求进行服务器与电子鼻、服务器与电子终端设备之间的数据、指令信息的传输通讯。
图8与图9显示的是根据嗅觉气味数据与电子鼻传感器测试数据进行关系模型数据的拟合，这里是气味强度数据（OU值）的拟合，横坐标是根据拟合模型，从传感器测试数据计算出来的电子鼻估算气味强度OU值，纵坐标是人的嗅觉气味强度OU值。图8中电子鼻估算的气味强度与嗅觉气味强度对应关系比较离散，图 9中两者对应关系比较集中，更逼近线性。随着嗅觉气味数据积累的增多，不断地进行拟合优化，拟合越来越好，离散度越来越小，线性、一致性越来越好。
图10 是安装在石化污水处理池旁的电子鼻检测气味类型的实测图，电子鼻根据测试数据进行气体分类，估算气体类别，利用人工嗅觉气味类型数据学习驯化电子鼻的关系模型参数，优化参数。电子鼻是在该石油化工厂区内设置的alphaMOS RQ-box电子鼻，嗅觉气味数据是来自厂区的巡查人员巡查、上传气味类型与气味强度信息，该厂区附近典型的气味有污水处理池、乙烯车间、芳烃车间、氯碱车间等。污水处理池中有3种典型的反映污水来源的气味，分别标注为气味a，气味b，气味c，电子鼻气味类别判断与人工气味类别判断越来越接近。电子鼻使用PCA-DFA（图10）或者使用神经网络NN（未图示）关系模型能很好区分气味类型。
随着数据的累积增加，利用关系模型判断的准确性越来越好。比如2019年10至11月间，记录的人工嗅觉气味数据与电子鼻数据估算的正确率如下：
根据本公开的另一个方面，对于固定设置的或可移动设置的电子鼻，持有嗅觉气味信息采集电子终端设备的人员，例如训练有素的巡查人员、嗅辨员等，可以巡查到电子鼻邻近处，发送嗅觉气味数据（当嗅辩员进行嗅辨时可以称为嗅辨数据），对电子鼻进行专门的驯化，使得电子鼻的关系模型输出更逼近嗅觉感受信息，可提供逼近一般人嗅觉感受的气味地图。
根据本公开的实施例的一个方面，电子鼻以及服务器中装载有多种类型的关系模型，可以根据需要选择关系模型，输出需要的信息，例如气味类型、气味强度，特别是恶臭等级。
所述的电子鼻关系模型根据所需要的信息，进行选择。通常有二种类型，一种是关于气味类型的分类，此时的分类模型通常用判别因子分析（DFA,LDA），网络神经（NN）等，另一种是关于气味强度，特别是气味的恶臭程度或者香味程度，通常使用偏最小二乘回归（PLS）、网络神经（NN）等。所谓电子鼻的学习驯化，就是把驯化用的样本数据用于这些模型的参数拟合，决定这些关系模型中的参数值的过程。
是否要更新关系模型参数，需要根据新获得的参数，能否更好地逼近人嗅觉感受，判断是否更新关系模型参数，所谓更好地逼近，就是电子鼻数据给出的气味强度与分类数据，与嗅觉气味信息数据的差异更小。在存储器中保留关系模型的参数以及更新的时间与版本，作为历史数据，必要时可以用于回溯或者返回以前的参数。
所述的电子气味地图，可以在系统中存储数据中获得，在本公开的一个实施例中，利用百度地图的app接口，把气味信息渲染在百度地图上。实现的渲染的方式可以是多样的，例如用颜色表示气味类型，用颜色深浅表示气味强度，或者用不同颜色的等高线。在气味信息数据量缺乏的情况下，仅仅用一个气球在一个或几个点上表示有气味信息，表达出气味强度与气味类型。在设置电子鼻监控的区域，通常气味信息数据覆盖面广，使用云图等形式表达更直观。由于有随时间变化的数据信息，因此，气味地图可以表达为随时间变化的形式。
Claims (6)
1.一种电子鼻学习驯化方法，包括以下步骤：
获得多个电子终端设备发来的嗅觉气味数据，所述嗅觉气味数据包括所述的电子终端设备的ID以及所在地的地理位置信息，使用者输入的嗅觉气味强度信息或气味强度信息和嗅觉气味类型信息，以及电子终端设备发送嗅觉气味数据时的时间信息；
获得电子鼻测试数据，所述的电子鼻测试数据包括每个电子鼻具有的ID以及所在地的地理位置信息，电子鼻传感器数据，依据关系模型生成的气味强度信息或气味强度信息和气味类型信息，时间信息；
根据电子鼻地理位置信息，按设定的位置范围在嗅觉气味数据中搜索出电子鼻地理位置对应的嗅觉气味数据，与所述电子鼻测试数据按时间信息进行融合，生成电子鼻学习驯化用样本数据；
使用所述样本数据对所述电子鼻进行关系模型参数拟合；所述关系模型为从电子鼻中的传感器数据给出气味强度值与气味类型数据的变换函数或程序；
其中所述的样本数据由以下方式按时间信息融合生成：包括将电子鼻测试数据与嗅觉气味数据按时间序列，选择有嗅觉气味数据并且电子鼻测试数据变动范围在预置值下的时间区间范围内的数据段，取各个数据段的代表值为样本数据的一组数，组成样本数据；所述的参数拟合是利用该所述样本数据对电子鼻关系模型参数进行拟合；所述的代表值是算术平均数、众数或统计平均值的一种；
或者，
其中所述的样本数据由以下方式按时间信息融合生成：在电子鼻地理位置附近区域找到嗅觉气味数据时，按该嗅觉气味数据的时间信息，在所述的电子鼻测试数据中找出在预置值下的时间区间范围内的电子鼻测试数据，按预设变动范围内的数据，取代表值，与嗅觉气味数据组成样本数据的一组数；所述的参数拟合是利用该所述样本数据对电子鼻关系模型参数进行拟合；所述的代表值是算术平均数、众数或统计平均值的一种。
2.根据权利要求1的一种电子鼻学习驯化方法，其中终端使用者输入的嗅觉感受的气味强度信息、气味类型信息为数字或文字或菜单式选择项的任一种。
3.一种实现权利要求1至2的任一种电子鼻学习驯化方法的嗅觉气味数据电子终端设备，包括：
地理位置信息模块，获得所述电子终端设备所在的地理位置信息；
时钟模块，获得发送嗅觉气味数据时的时间信息；
嗅觉气味数据输入模块，用于电子终端设备使用者输入嗅觉气味数据，嗅觉气味数据包括气味强度数据、或者气味强度数据和气味类型数据；
信息传输通讯模块，当接收到信息接收或发送指令时，进行信息的接收或发送。
4.根据权利要求3所述的一种实现权利要求1至2的任一种电子鼻学习驯化方法的嗅觉气味数据电子终端设备，还包括气味信息地图显示模块，当接收到服务器发来的嗅觉气味数据时，显示气味地图和/或气味变化趋势图。
5.一种实现权利要求1至2的任一种电子鼻学习驯化方法的服务器，包括：
信息传输通讯模块，接收嗅觉气味数据、电子鼻测试数据、电子终端设备的请求，发送电子地图信息、电子气味地图信息、气味变化趋势信息;
数据存储器，存储电子鼻设备ID、电子终端设备ID、嗅觉气味数据、电子鼻测试数据、电子地图信息；
关系模型参数拟合、更新模块，包括：电子鼻测试数据与嗅觉气味数据选取融合单元，生成学习驯化用样本数据；
关系模型参数拟合单元，使用所述的学习驯化用样本数据对所述电子鼻中的关系模型进行拟合，获得新的关系模型参数；
更新关系模型参数单元，根据当前关系模型参数与所述的新的关系模型参数对电子鼻测试数据进行估算给出气味强度与气味类型结果，比较判断吻合程度，如果使用新的参数后吻合程度变高，则更新该电子鼻的关系模型参数，并将关系模型与参数信息以及时间存储于存储器中；如果吻合程度没有变高，不进行更新。
6.根据权利要求5的一种实现权利要求1至2的任一种电子鼻学习驯化方法的服务器，所述服务器中还包括：气味地图生成模块，实时或间断地根据请求，把收集的电子鼻测试数据、嗅觉气味数据标示在电子地图上生成电子气味地图，当接收到嗅觉气味数据电子终端设备的请求时，把该终端设备的地理位置附近的电子气味地图推送给该终端设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010384970.1A CN111426801B (zh) | 2020-05-09 | 2020-05-09 | 电子鼻学习驯化方法及其设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010384970.1A CN111426801B (zh) | 2020-05-09 | 2020-05-09 | 电子鼻学习驯化方法及其设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111426801A CN111426801A (zh) | 2020-07-17 |
| CN111426801B true CN111426801B (zh) | 2022-08-02 |
Family
ID=71558713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010384970.1A Active CN111426801B (zh) | 2020-05-09 | 2020-05-09 | 电子鼻学习驯化方法及其设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111426801B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113295752A (zh) * | 2021-06-18 | 2021-08-24 | 广州云智理科技有限公司 | 一种恶臭气体检测方法及电子鼻 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101692053A (zh) * | 2009-10-09 | 2010-04-07 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
| CN105486812A (zh) * | 2015-12-28 | 2016-04-13 | 周俊杰 | 连续环境空气质量监测中电子鼻恶臭等级赋值方法及应用 |
| JP2018072310A (ja) * | 2016-10-31 | 2018-05-10 | 韓國電子通信研究院Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ | 匂いの方向および位置探知が可能な嗅覚情報生成装置および生成方法 |
| CN110163247A (zh) * | 2019-04-08 | 2019-08-23 | 广东工业大学 | 基于深度最近类均值的模型设计方法及增量气味分类方法 |
| CN110687257A (zh) * | 2019-11-04 | 2020-01-14 | 河北先河环保科技股份有限公司 | 一种基于恶臭在线监测系统的溯源方法 |
| CN110794090A (zh) * | 2019-10-22 | 2020-02-14 | 天津大学 | 情感电子鼻实现方法 |
Family Cites Families (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6411905B1 (en) * | 2000-07-18 | 2002-06-25 | The Governors Of The University Of Alberta | Method and apparatus for estimating odor concentration using an electronic nose |
| CN1801136A (zh) * | 2006-01-10 | 2006-07-12 | 华东理工大学 | 机器嗅觉气味类别与强度同时确定方法 |
| AR061120A1 (es) * | 2007-05-24 | 2008-08-06 | Comision Nac De En Atomica | Metodo para la determinacion de intensidad de olores y nariz electronica para realizarlo |
| CN102876816A (zh) * | 2012-07-23 | 2013-01-16 | 江苏大学 | 基于多传感器信息融合的发酵过程状态监测与控制方法 |
| CN103472197B (zh) * | 2013-09-10 | 2015-03-04 | 江苏大学 | 一种食品智能化仿生评价中的跨感知信息交互感应融合方法 |
| CN104007763B (zh) * | 2014-06-13 | 2016-05-18 | 重庆大学 | 一种固定式电子鼻节点与移动机器人协作搜寻气味源方法 |
| CN104007240B (zh) * | 2014-06-13 | 2015-08-26 | 重庆大学 | 一种基于双目识别与电子鼻网络气体检测的融合定位技术 |
| KR101637773B1 (ko) * | 2014-12-11 | 2016-07-07 | 현대자동차주식회사 | 냄새 감성 판정 장치 및 방법 |
| US10041918B2 (en) * | 2015-11-10 | 2018-08-07 | Nuxtu S.A.S. | Electronic nose and tongue device for real-time monitoring and analysis of liquid and gaseous substances |
| CN205246124U (zh) * | 2015-12-16 | 2016-05-18 | 上海宁和环境科技发展有限公司 | 一种环境信息监测装置 |
| CN105424840B (zh) * | 2015-12-28 | 2018-08-28 | 周俊杰 | 在线连续环境空气质量自动监测系统及异味气源溯源方法 |
| CN105911219A (zh) * | 2016-04-08 | 2016-08-31 | 北京盈盛恒泰科技有限责任公司 | 一种污染气体监测预警系统及方法 |
| KR20180047534A (ko) * | 2016-10-31 | 2018-05-10 | 한국전자통신연구원 | 패턴 인식 모델에 기반한 캘리브레이션이 가능한 후각 정보 생성 장치 및 생성 방법 |
| KR101852074B1 (ko) * | 2016-11-29 | 2018-04-25 | 단국대학교 산학협력단 | 가스 분류를 위한 전자코 시스템 및 방법 |
| FR3063543B1 (fr) * | 2017-03-03 | 2022-01-28 | Commissariat Energie Atomique | Procede de calibration d'un nez electronique. |
| US11170895B2 (en) * | 2017-06-27 | 2021-11-09 | International Business Machines Corporation | Olfactory cognitive diagnosis |
| CN108645971A (zh) * | 2018-05-11 | 2018-10-12 | 浙江工商大学 | 一种基于电子鼻的空气异味强度等级检测方法 |
| CN108709955B (zh) * | 2018-05-17 | 2019-04-19 | 华东理工大学 | 一种恶臭气体多点集中式在线监测与分析系统及方法 |
| CN108896706B (zh) * | 2018-05-17 | 2019-04-16 | 华东理工大学 | 大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法 |
| CN109799269B (zh) * | 2019-01-24 | 2023-09-22 | 山东工商学院 | 基于动态特征重要度的电子鼻气体传感器阵列优化方法 |
| CN110974161A (zh) * | 2019-12-03 | 2020-04-10 | 中国科学院心理研究所 | 一种基于人类嗅觉检测的嗅觉功能评估系统 |
| CN110907611A (zh) * | 2019-12-26 | 2020-03-24 | 浙江省环境科技有限公司 | 一种区域恶臭污染的检测控制系统 |
-
2020
- 2020-05-09 CN CN202010384970.1A patent/CN111426801B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101692053A (zh) * | 2009-10-09 | 2010-04-07 | 江苏大学 | 基于多传感信息融合的名优茶品质仪器智能化审评方法 |
| CN105486812A (zh) * | 2015-12-28 | 2016-04-13 | 周俊杰 | 连续环境空气质量监测中电子鼻恶臭等级赋值方法及应用 |
| JP2018072310A (ja) * | 2016-10-31 | 2018-05-10 | 韓國電子通信研究院Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ | 匂いの方向および位置探知が可能な嗅覚情報生成装置および生成方法 |
| CN110163247A (zh) * | 2019-04-08 | 2019-08-23 | 广东工业大学 | 基于深度最近类均值的模型设计方法及增量气味分类方法 |
| CN110794090A (zh) * | 2019-10-22 | 2020-02-14 | 天津大学 | 情感电子鼻实现方法 |
| CN110687257A (zh) * | 2019-11-04 | 2020-01-14 | 河北先河环保科技股份有限公司 | 一种基于恶臭在线监测系统的溯源方法 |
Non-Patent Citations (1)
| Title |
|---|
| A novel electronic nose learning technique based on active learning:EQBC-RBFNN;Xue Jiang等;《Sensors and Actuators B: Chemical》;20170424;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111426801A (zh) | 2020-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107704586B (zh) | 一种基于用户活动地址的用户画像的方法、装置和系统 | |
| CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
| CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
| CN101297337B (zh) | 采用开放和闭合世界建模方法从局部轨迹预测目的地的方法 | |
| CN116384754B (zh) | 一种基于深度学习的在产化工园区环境污染风险评估方法 | |
| WO2024244279A1 (zh) | 一种多源污染时空特征分析方法及系统 | |
| CN112069281B (zh) | 兴趣点位置的确定方法、装置、计算机设备及存储介质 | |
| CN104737523A (zh) | 通过指派用于数据群集的情境标签来管理移动装置中的情境模型 | |
| CN117171223B (zh) | 一种微生物修复过程中的微生物培养方案推荐方法及系统 | |
| CN116437291B (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
| CN110346518A (zh) | 一种交通排放污染可视化预警方法及其系统 | |
| CN118365091B (zh) | 基于大数据分析的智能城市规划系统及方法 | |
| Straka et al. | Analysis of energy consumption at slow charging infrastructure for electric vehicles | |
| CN116859006B (zh) | 基于大气扩散机制的空气污染监测系统及其监测方法 | |
| CN111426801B (zh) | 电子鼻学习驯化方法及其设备 | |
| CN116233759A (zh) | 一种居民出行轨迹调查方法及系统 | |
| CN111782973A (zh) | 兴趣点状态预测方法、装置、电子设备及存储介质 | |
| CN114493668B (zh) | 车辆信息处理方法、装置、设备及存储介质 | |
| CN114280256B (zh) | 一种水质监测的方法和系统 | |
| CN119014600B (zh) | 一种用于智能蓝牙电子烟的数据可视化方法及装置 | |
| Arora et al. | Prediction of Dynamic Price of Ride-On-Demand Services Using Linear Regression | |
| Malekzadeh | Integrating Environmental, Geographic and Network Context into Human Mobility Analysis | |
| Niculae et al. | euAirQuality: Real-time Visualization and Analysis of European Air Quality | |
| Shree et al. | Air Quality Management in Smart Cities by leveraging Machine Learning Techniques | |
| Priyanka et al. | AirMobilize: IoT-Powered Air Quality Monitoring on the Go |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |