Differentiable End-to-End Sensor Array Optimization for Electronic Nose via Local Self-Attention

电子鼻 计算机科学 传感器阵列 可微函数 特征(语言学) 缩小 功能(生物学) 算法 灵敏度(控制系统) 芯(光纤) 门控 最优化问题 选择(遗传算法) 气味 特征选择 匹配(统计) 模式识别(心理学) 实时计算 人工智能 数组数据结构 财产(哲学) 电子工程
作者
Zhiyuan Qu,Chen Su,Lu Zhang,Tao Du,Xiyang Liu,Weiwei Wu,Taoping Liu
出处
期刊:ACS Sensors [American Chemical Society]
卷期号:11 (10): 8916-8924
标识
DOI:10.1021/acssensors.6c00607
摘要

Electronic noses (e-noses) based on cross-selective gas sensors often suffer from severe redundancy, which degrades odor analysis accuracy and impedes practical deployment. Here, we introduce a fully deep-learning-based sensor array optimization (SAO) framework that learns an optimal subset of sensor array through an end-to-end differentiable manner. Unlike conventional step-by-step workflows, which separate feature extraction, feature selection, sensor selection, and model training, our method jointly optimizes the sensor selection strategy, feature extractor, and task-specific network, enabling global collaborative optimization. Core to the framework is a local self-attention mechanism that infers sensor-wise importance while preserving the temporal structure of individual sensor responses, together with a tanhshrink-based gating function that drives redundant channels exactly to zero without requiring explicit sparsity regularization. Experiments on a 13-channel polyaniline sensor array exposed to six volatile organic compounds show that the proposed method achieves an accuracy of 91.18 ± 0.55% using only four sensors, reducing the number of sensors by nearly 70% while outperforming conventional approaches. These results demonstrate that the differentiable SAO can improve both efficiency and accuracy in practical e-nose applications.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
科研狗完成签到,获得积分10
刚刚
刚刚
秋归晚完成签到,获得积分10
1秒前
马仔酷酷地完成签到,获得积分10
1秒前
1秒前
Ellen完成签到 ,获得积分10
1秒前
田田发布了新的文献求助10
1秒前
小小鱼儿完成签到,获得积分10
2秒前
独步天下完成签到,获得积分10
2秒前
2秒前
zhechen完成签到,获得积分10
2秒前
Cx330发布了新的文献求助10
3秒前
hua完成签到,获得积分10
3秒前
LERRY的应助被温柔樱桃采纳,获得10
3秒前
小雨点发布了新的文献求助10
4秒前
无极微光的应助被俏皮的灵阳采纳,获得20
4秒前
KaMoria完成签到,获得积分10
4秒前
可爱的函函的应助被从容冰凡采纳,获得10
5秒前
脑洞疼的应助被从容冰凡采纳,获得10
5秒前
慕青的应助被从容冰凡采纳,获得10
5秒前
啦啦啦完成签到,获得积分20
5秒前
萝卜完成签到,获得积分10
5秒前
wwwcom完成签到,获得积分10
6秒前
fdj3121完成签到,获得积分10
7秒前
王少杰完成签到,获得积分10
7秒前
贤惠的楼房完成签到,获得积分10
7秒前
7秒前
山夏川上山完成签到 ,获得积分10
7秒前
彼方250521完成签到,获得积分10
7秒前
flos完成签到,获得积分10
7秒前
Loeop完成签到,获得积分10
7秒前
ch完成签到 ,获得积分10
8秒前
程橙澄完成签到,获得积分10
8秒前
酷炫甜瓜完成签到,获得积分10
8秒前
高高的哈密瓜完成签到 ,获得积分10
8秒前
8秒前
学术菜鸟完成签到,获得积分10
8秒前
Run完成签到,获得积分10
9秒前
快乐的树叶完成签到 ,获得积分10
9秒前
9秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
plantTFDB 508
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8173463
求助须知:如何正确求助?哪些是违规求助? 9565690
关于积分的说明 21781315
捐赠科研通 7767647
什么是DOI,文献DOI怎么找? 3431597
关于科研通互助平台的介绍 2555855
邀请新用户注册赠送积分活动 2476808