在气体传感中利用人工智能

　　人工智能 （AI） 正以许多令人兴奋的方式应用。大多数人都听说过大事，比如可以在国际象棋中击败人类的计算机、谷歌图像搜索引擎和“大数据”。然而，许多公司和研究人员正在以多种方式使用人工智能来改善我们的生活，包括在空气质量和气体传感方面的应用。

　　人工智能可用于帮助解释气体传感器的响应，为传感器报告的信息增加更多价值。这个想法是，可以使用离散传感器阵列或可以模拟传感器阵列的单个传感器（例如ZMOD4410）来产生一组作为环境函数的响应。然后使用使用神经网络的机器学习来解释响应模式并在多个维度上拟合非线性模型，这对于人类解释可能是显而易见的，也可能不是显而易见的。神经网络训练可以是有监督的，也可以是无监督的，这取决于数据的来源，以及是否使用人类判断来标记数据和增加洞察力，或者是否让计算机自行寻找模式。

　　机器学习需要在许多不同条件下收集、表征和训练大量传感器数据。考虑到使用气体传感器实现机器学习解决方案所需的复杂性和资源，可以提供预先训练的监督神经网络模型作为算法的一部分，该模型可以在各种低复杂度的微控制器上运行，从而产生麻烦免费为消费者解决。这被称为嵌入式人工智能。

　　有许多有趣的例子可以说明如何使用 AI 来推进气体检测应用。在一个示例中，传感器在各种条件下的表征可用于改进检测总挥发性有机化合物 （TVOC） 的室内空气质量传感器。在这种情况下，神经网络模型被训练为专注于感兴趣的特征（TVOC）并忽略任何不感兴趣的轻微环境影响（漂移、湿度等）。

　　在第二个示例中，机器学习可用于增加气体传感器的选择性。例如，气体传感器已经可以根据气味强度触发厨房和浴室的通风。通过增加选择性，当气味属于标记为“不良”的类别时，可以将通风设置为以较低的强度阈值打开。在将 AI 技术用于选择性传感器时，在训练过程中定义的选择性类别必须包含预期的用例，这一点至关重要。例如，经过训练可将硫检测为“难闻”气味的传感器可能不会自动将其他非硫 VOC 识别为难闻气味。然而，一旦方法被定义和实施，

　　审核编辑：郭婷