北京化工大学化学学院发表了一篇致力于开发便携式气相色谱仪的研究文章,结合机器学习实现VOC采集和快速气味评价。
研究人员使用卷积神经网络-长短记忆(CNN-LSTM)建立了气味强度预测模型;由于收集的数据量较小,使用生成对抗网络(GAN)为了增强模型的训练,生成了每个气味强度类别的VOC数据。
数据生成后,研究人员再次使用CN-LSTM建立模型,并与人工神经网络建立模型(ANN)、支持向量机(SVM)梯度提升决策树(XG-Boost)比较。结果表明,GAN生成数据后的测试精度优于原始数据。
为了提高预测的准确性和稳定性,未来的工作将集中在进一步优化模型和扩展数据集上。
本研究表明,通过使用深度学习和生成对抗网络,可以有效地预测汽车的气味强度,从而提高汽车的空气质量。此外,研究人员还将探索该方法应用于其他环境条件下的空气质量预测,为未来的空气质量监测和改进提供新的可能性。便携式和小型模型结构的设备可以直接嵌入到汽车中,以实现现场VOC收集和快速的气味评价。