一种基于自动学习和集成学习的静电形成纳米线半导体VOCs识别方法

一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法
技术领域
1.本发明属于挥发性有机化合物(vocs)检测技术领域，具体涉及一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法。


背景技术：

2.挥发性有机化合物(vocs)广泛产生于石化、制药、印刷电路板和建筑材料的工业生产过程中。也是细颗粒物pm2.5颗粒物和臭氧的重要来源，它们会造成空气污染。众所周知，它们还会对人类、动物和植物的健康和生长产生有害影响。最近，据报道，人类呼出气体中存在的不同vocs可用于癌症和其他疾病的早期诊断。无论是用于空气质量控制、生态治理还是人类健康监测，准确检测vocs都特别重要。目前大多数voc检测设备体积庞大且价格昂贵，随着物联网(iot)时代的发展，传感器需要小型化、低功耗并与大规模集成兼容。
3.静电成型纳米线(efn)气体和vocs传感器是一种基于传统cmos工艺的坚固、超小型化传感器，功耗非常低，并且与超大规模集成电路制造兼容。它是一种具有几个自由度的多栅极场效应晶体管(fet)(如周围的背栅和结栅)，能够提取参数(如阈值电压、亚阈值摆动等)，作为机器学习实现的输入特征。
4.已有的研究工作已经证明了指纹特征的存在，并取得了一定的分类效果。目前，自然连接被用于特征融合，以组合两组实验特征。通过这种方式，两组特征之间不相关的特征组合被合并到特征表示中，导致过拟合，这也意味着分类的准确率虚高。而且自然连接的物理意义不够清晰，因此无法对缺失的值进行插值，导致分类准确率还有待提高。


技术实现要素：

5.为解决现有技术中存在的问题，本发明的目的在于提供一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法，本发明能够获得较好的分类准确率。
6.本发明采用的技术方案如下：
7.一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法，包括如下过程：
8.获取数据集δbg(作为第一数据集)或数据集δjg(作为第二数据集)，其中，数据集δbg包括待检测vocs通过静电形成纳米线前后的背栅阈值电压偏移量(δv
th
(bg))、背栅亚阈值摆动偏移量(δss(bg))和背栅源漏电流偏移量(δi
on
(bg))，所述数据集δjg包括待检测vocs通过静电形成纳米线前后的结栅极阈值电压偏移量(δv
th
(jg))、结栅亚阈值摆动偏移量(δss(jg))和结栅源漏电流偏移量(δi
on
(jg))；
9.利用已训练好的catboost模型、stacking模型或blending模型对数据集δbg进行处理，得到待检测vocs种类；或者，利用已训练好的catboost模型、stacking模型或blending模型对数据集δjg进行处理，得到待检测vocs的种类。
10.优选的：所述catboost模型在训练时采用δbg数据集对应的训练集数据或δjg数
据集对应的训练集数据进行训练，采用通过δbg数据集对应的训练集数据训练好的catboost模型对数据集δbg进行处理，采用通过δjg数据集对应的训练集数据训练好的catboost模型对数据集δjg进行处理；
11.所述stacking模型在训练时采用δbg数据或δjg数据进行训练，采用通过δbg数据训练好的stacking模型对数据集δbg进行处理，采用通过δjg数据训练好的stacking模型对数据集δjg进行处理；
12.所述blending模型在训练时采用δbg数据或δjg数据进行训练，采用通过δbg数据训练好的stacking模型对数据集δbg进行处理，采用通过δjg数据训练好的blending模型对数据集δjg进行处理。
13.优选的：利用已训练好的stacking模型对数据集δbg进行处理；
14.利用已训练好的blending模型对数据集δjg进行处理。
15.优选的，所述stacking模型通过catboost模型、lightgbm模型和extra trees模型行集成得到；
16.所述blending模型通过catboost模型、lightgbm模型和extra trees模型行集成得到。
17.优选的：获取数据集δbg的过程包括：在待识别vocs通过静电形成纳米线之上的sio2薄膜前后，测量结栅电压v
jg
、源漏电压v
ds
、背栅电压v
bg
和漏极电流i
ds
，再通过测量得到的测量结栅电压v
jg
、源漏电压v
ds
、背栅电压v
bg
和测量漏极电流i
ds
计算待识别vocs通过静电形成纳米线之上的sio2薄膜前后的背栅阈值电压偏移量(δv
th
(bg))、背栅亚阈值摆动偏移量(δss(bg))和背栅源漏电流偏移量(δi
on
(bg))；
18.获取数据集δjg的过程包括：在待识别vocs通过静电形成纳米线之上的sio2薄膜前后，测量背栅电压v
bg
、源漏电压v
ds
、结栅电压v
jg
和漏极电流i
ds
，再通过测量得到的测量结栅电压v
jg
、源漏电压v
ds
、背栅电压v
bg
和测量漏极电流i
ds
计算待识别vocs通过静电形成纳米线之上的sio2薄膜前后的结栅极阈值电压偏移量(δv
th
(jg))、结栅亚阈值摆动偏移量(δss(jg))和结栅源漏电流偏移量(δi
on
(jg))。
19.优选的，所述vocs包括己醇、丁醇、丙醇、乙醇、丙酮和乙酸中的一种或几种的混合物。
20.本发明还提供了一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别系统，包括：
21.预计算模块：用于计算得到数据集δbg或数据集δjg，其中，数据集δbg包括待检测vocs通过静电形成纳米线前后的背栅阈值电压偏移量(δv
th
(bg))、背栅亚阈值摆动偏移量(δss(bg))和背栅源漏电流偏移量(δi
on
(bg))，所述数据集δjg包括待检测vocs通过静电形成纳米线前后的结栅极阈值电压偏移量(δv
th
(jg))、结栅亚阈值摆动偏移量(δss(jg))和结栅源漏电流偏移量(δi
on
(jg))；
22.识别模块：用于利用已训练好的catboost模型、stacking模型或blending模型对数据集δbg进行处理，得到待检测vocs种类；或者，利用已训练好的catboost模型、stacking模型或blending模型对数据集δjg进行处理，得到待检测vocs的种类。
23.本发明还提供了一种电子设备，包括：
24.一个或多个处理器；
25.存储装置，其上存储有一个或多个程序；
26.当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明如上所述的基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法。
27.本发明还提供了一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明如上所述的基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法。
28.本发明具有如下有益效果：
29.本发明基于静电形成纳米线的物理检测原理来设计分类特征，从而实现较高的分类准确率。具体的，基于检测过程，本发明从静电形成纳米线形成的两个方向的物理参数中选择特征(即数据集δbg或数据集δjg)，因此无论是训练模型还是计算，均明显优于现有技术中将背栅阈值电压偏移量、背栅亚阈值摆动偏移量、背栅源漏电流偏移量、结栅极阈值电压偏移量、结栅亚阈值摆动偏移量和结栅源漏偏移量电流这六种数据作为训练模型和模型计算的输入参数。同时本发明可将数据集δbg和数据集δjg用来独立训练分类模型，能够消除特征自然连接带来的各种问题。使用本发明的方法，获得了高的分类准确率(～96％)和综合评价指标。
附图说明
30.图1为静电形成纳米线半导体vocs传感器偏压配置图；
31.图2为本发明中采用的两个不同方向形成静电纳米线吸附vocs的情况下构建独立特征集进行模型训练识别vocs的示意图；
32.图3为本发明训练分类模型是采用的基于自动学习和集成学习完成vocs模型识别的流程图；
33.图4(a)为本发明δbg数据集的catboost分类器的混淆矩阵；图4(b)为本发明δjg数据集的catboost分类器的混淆矩阵；
34.图5(a)为本发明δbg数据集的catboost分类器的预测误差；图5(b)为本发明δjg数据集的catboost分类器的预测误差；
35.图6(a)为本发明δbg数据集的catboost分类报告；图6(b)为本发明δjg数据集的catboost分类报告；
36.图7(a)为本发明集成分类器在δbg数据集的分类误差；图7(b)为本发明集成分类器在δjg数据集的分类误差；
37.图8(a)为本发明δbg数据集全局特征重要性分布；图8(b)为本发明δjg数据集全局特征重要性分布；
38.图9(a)为本发明δbg数据集每个类别局部特征重要性分布；图9(b)为本发明δjg数据集每个类别局部特征重要性分布。
具体实施方式
39.下面结合附图来对本发明做进一步的说明。
40.随着自动学习技术的发展，出现了pycaret、mljar、evalml、flaml、tpot、h2o和
lightautoml等一系列开源平台。本发明基于pycaret对目标分析物进行多分类，获得不同算法的识别准确率和综合评价指标。利用特征参数的计算和vocs检测原理，本发明构建了两个独立的数据集(即数据集δbg或数据集δjg)，然后使用每个数据集进行分类。分析了分类特征的重要性，并从物理意义的角度分析了它们在不同偏置电压(efn形成方向)下的分类中的作用。
41.本发明提出了一种物理意义明确，分类准确率高且自动训练模型的算法框架，具体方案如下。
42.本发明基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法中模型的建立、训练、评估的方案，包括如下步骤：
43.步骤1，实验对象：
44.为了对目标voc具有浓度独立的选择性，使用1000ppm丁醇、1700ppm丙醇、1800ppm乙醇、3000ppm丙酮和8800ppm乙酸，以便对所有六个分子(～0.95)获得相同的响应度。挥发性有机物的类别标签：己醇、丁醇、丙醇、乙醇、丙酮和乙酸按0到5的顺序编号。
45.步骤2，特征选择：
46.在待识别vocs通过于静电形成纳米线之上的sio2薄膜前后，针对不同的节栅极电压v
jg
和源漏极电压v
ds
，全程改变背栅极电压v
bg
，测量漏极电流i
ds
，之后计算vocs通过efn前后背栅阈值电压(δv
th
(bg))、背栅亚阈值摆动(δss(bg))和背栅源漏电流(δi
on
(bg))的变化，这组参数记为δbg。在另一组不同的实验中，待识别vocs通过efn前后，在不同的v
bg
和v
ds
下，全程改变v
jg
测量i
ds
，计算vocs通过efn前后结栅极阈值电压(δv
th
(jg))、结栅亚阈值摆动(δss(jg))和结栅源漏电流(δi
on
(jg))的变化。这组参数记为δjg。这些提取的参数用作测量的目标分析物的指纹特征。背栅极电压v
bg
、节栅极电压v
jg
和源漏极电压v
ds
的配置见图1，为使efn对称，取v
jg
＝v
jg1
＝v
jg2
。两组参数对应efn的两个形成方向，如图2所示。数据集δbg和δjg是独立的，但具有相同的类别标签。
47.步骤3，算法架构设计：
48.挥发性有机物分类是一个多分类问题。集成学习，尤其是堆叠算法框架，更适合多分类问题，并且具有更高的精度。集成学习可以使用多个弱学习模型来构建强学习模型。为了确定哪种算法最适合本发明的数据分类，需要逐一验证而且超参数调整非常费时。因此，在整体算法架构中，采用了自动学习和集成学习相结合的策略，流程图见图3。
49.步骤4，异常值检查：
50.数据集检查旨在识别和纠正数据文件中的可识别错误，包括检查数据一致性、处理无效值、缺失值、异常值等。本发明重点关注异常值问题，边界处的异常值应予以保留。
51.步骤5，插值：
52.在机器学习中，由于实验的耗时性，通常会扩充数据集以获得更好的结果。插值是扩展表格数据的常用方法；因此，本发明使用线性插值来进行数据扩充。
53.步骤6，分类模型筛选和优化：
54.待筛选的分类模型包括k最近邻、支持向量机、决策树、随机森林、xgboot、catboost、lightgbm这些算法模型等。通过f1分数对这些分类模型进行比较。筛选出f1》0.9的这四个分类模型，分别为：catboost模型、xgboost模型、lightgbm模型和extra trees模型，并对这些模型的超参数进行参数微调，得到最优化模型，并再次按f1分数排序得到最佳
模型catboost，见表1，表1为δbg和δjg的超参数优化模型(f1》0.9)。表1显示，δbg和δjg这两组数据集中f1分数最高的模型都是catboost模型，δbg和δjg数据集的f1分数平均值分别为0.9525
±
0.0150和0.9602
±
0.0124，相应的平均准确率分别为95.27
±
1.48％和96.03
±
1.23％。表明，catboost模型对δbg和δjg这两组数据集均具有不错的处理效果。
55.表1
[0056][0057][0058]
步骤7，模型的集成：
[0059]
δbg和δjg分别进行单模型集成，选取f1》0.9的四个模型进行集成学习，集成的方法包括bagging、boosting、blending和stacking。前边的两个集成方法对这四个单个模型都适用。对于blending和stacking集成方法需要多个模型参与，由于xgboost非常耗时，本发明选择catboost模型、lightgbm模型和extra trees模型这三种模型进行集成。δbg和δjg数据集集成学习模型见表2，表2为δbg和δjg的集成学习模型。结果表明对δbg数据集最佳集成模型为stacking模型，而对δjg数据集最佳集成模型为blending模型。对于δbg实验，stacking提高了很多，准确率和f1分数分别达到0.9571
±
0.0173和0.9569
±
0.0175。而对于δjg实验，blending集成模型有了很大的改进，准确率和f1分数都达到了0.9681
±
0.0097。模型集成不仅提高了精度和其他指标，而且降低了标准差。
[0060]
表2
[0061][0062][0063]
步骤8，模型评价：
[0064]
通过混淆矩阵(见图4(a)和图4(b))、预测误差(见图5(a)和图5(b))和分类报告(见图6(a)和图6(b))对catboost分类进行评价。使用混淆矩阵来分析δbg和δjg实验的预测结果。在混淆矩阵中，每行的和表示实际类别中的样本数量，每列的和表示预测属于该类别的样本数量。混淆矩阵的关键作用是按类别汇总的正确和不正确预测的数量。正是这种对每个类别的特征重要性分析克服了整体分析的局限性。
[0065]
图5(a)和图5(b)描述了使用catboost分类器为每个类计算的类预测误差。横坐标和图例对应于标记为0到5的实际类别(图5(a)和图5(b)中，每个条上方的数字从前往后依次表示的从下往上对应的标签，如图5(a)中第一条上方标号为05，表示该条下部的深色区域对应的是第5个类别(即表示乙酸)，该条上部的深色区域对应的是第0个类别(即表示己醇)，其他各柱类似)。纵坐标是预测分类样本的数量。柱图顶部的数字序列为该柱图从底向上的图例序列。图6(a)和图6(b)进一步描述了每个分类结果的评估指标，如精确度、召回率和根据两个数据集的混淆矩阵计算的f1分数。由于本发明使用f1分数来优化模型，这要求精度和召回率都相对较高。从图5(a)和图6(a)可以看出，δbg的最佳分类效果是标签2(丙醇)和标签5(乙酸)，最容易被错误分类的标签是标签3(乙醇)和标签4(丙酮)。从图5(b)和图6(b)可以看出，δjg分类效果最好的是标签5(乙酸)、标签4(丙酮)和标签2(丙醇)，错误分类最多的是标签0(己醇)和标签1(丁醇)。
[0066]
在模型集成之后，本发明使用最佳模型来分析预测结果，即δbg数据集使用堆叠集成模型进行预测，而δjg数据集则使用混合集成模型来预测。集成分类器的类预测误差的直观结果如图7(a)和图7(b)所示。图7(a)和图7(b)中的坐标和图例与图5(a)以及图5(b)
中的相同。每个条形图的主要颜色是预测与实际一致，其他颜色是该类的错误分类。与图5(a)以及图5(b)相比，可以观察到图7(a)以及图7(b)的分类结果优于图5(a)以及图5(b)。
[0067]
步骤9，特征重要性评价：
[0068]
特征的贡献有助于研究传感器的工作机制、实验规划和分类器性能的提高。通过shap分析绘制全局特征重要性分布(图8(a)和图8(b))和局部特征重要性(图9(a)和图9(b))。全局特征重要性从物理意义上讲反应了efn形成过程中三个特征影响。局部特征重要性显示了特定voc的每个特征的分类贡献。这有助于研究吸附机理。
[0069]
特征的贡献有助于研究传感器的工作机制、实验规划和分类器性能的提高。决策树的特征选择提供了一些可解释性。模型特征的可解释性包括全局可解释性和局部可解释性。相应的分析工具是特征重要性和shapley附加解释(shap)，分别用于绘制图8(a)和图8(b)中的全局特征重要性分布和图9(a)和图9(b)中的局部特征重要性。
[0070]
图8(a)和图8(b)分别显示了δbg数据集和δjg数据集的分类器中每个特征的贡献。从图8(a)可以看出，δbg数据集上调整后的catboost模型分类的特征重要性顺序为δss(bg)、δvth(bg)和δion(bg)。从物理意义上讲，该排名代表了efn纵向形成过程中这三个特征对挥发性有机物分类的影响。而从图8(b)来看，δjg数据集上调整后的catboost模型分类的特征重要性顺序为δvth(jg)、δss和δion(bg)。从物理意义上讲，这种排序对应于三个特征对efn横向形成的影响。此外，δss特征首次应用于vocs分类，整体性能非常好，这在以前的分类中没有得到重视。具体而言，在δbg数据集(efn纵向地层)中，δss的重要性在三个特征中排名第一，而在δjg数据集中(efn横向地层)，δss特征的重要性排名第二。
[0071]
更详细地说，图9(a)和图9(b)显示了每个voc的每个特征的贡献。从图9(a)可以看出，在δbg数据集(efn纵向形成)上，δss对类别标签0(己醇)、1(丁醇)、3(乙醇)和4(丙酮)的特征贡献最大，而δvth(bg)对类别标签2(丙醇)和5(乙酸)的特征贡献最大。类似地，从图9(b)中可以看出，在δjg数据集(efn横向形成)上，δvth(jg)对类别标签为1(丁醇)、4(丙酮)和5(乙酸)的特征贡献最大，δss(jg)对类别标记为0(己醇)和2(丙醇)的特征贡献最大，δion(jg)对类别标签为3(乙醇)的特征贡献最大。这进一步表明了与多门efn相关的多自由度的重要性，该多自由度能够提取不同的参数，这些参数对通过机器学习选择性识别气体有不同的贡献。
[0072]
对分类模型训练以及测试好后，可用来对待检测vocs进行分类，其具体过程如下步骤：
[0073]
步骤1，采集数据：
[0074]
在待识别vocs通过静电形成纳米线之上的sio2薄膜前后，测量结栅电压v
jg
、源漏电压v
ds
、背栅电压v
bg
和漏极电流i
ds
，再通过测量得到的测量结栅电压v
jg
、源漏电压v
ds
、背栅电压v
bg
和测量漏极电流i
ds
计算待识别vocs通过静电形成纳米线之上的sio2薄膜前后的背栅阈值电压偏移量(δv
th
(bg))、背栅亚阈值摆动偏移量(δss(bg))和背栅源漏电流偏移量(δi
on
(bg))，进而的到数据集δbg；
[0075]
或者，在待识别vocs通过静电形成纳米线之上的sio2薄膜前后，测量背栅电压v
bg
、源漏电压v
ds
、结栅电压v
jg
和漏极电流i
ds
，再通过测量得到的测量结栅电压v
jg
、源漏电压v
ds
、背栅电压v
bg
和测量漏极电流i
ds
计算待识别vocs通过静电形成纳米线之上的sio2薄膜
前后的结栅极阈值电压偏移量(δv
th
(jg))、结栅亚阈值摆动偏移量(δss(jg))和结栅源漏电流偏移量(δi
on
(jg))，进而的到数据集δjg；
[0076]
实际采集数据时获取数据集δbg或数据集δjg中的一个数据集即可；
[0077]
步骤2，分类计算：
[0078]
利用已训练好的catboost模型、stacking模型或blending模型对数据集δbg进行处理(该情形是步骤1中获取的是数据集δbg)，得到待检测vocs种类；
[0079]
或者，利用已训练好的catboost模型、stacking模型或blending模型对数据集δjg进行处理(该情形是步骤1中获取的是数据集δjg)，得到待检测vocs的种类。
[0080]
综上，本发明以相同响应度vocs为识别对象，以静电形成纳米线半导体物理吸附为基本原理，通过vocs接入前后，半导体响应物理参数为识别指纹，通过特征计算，数据集构建、数据集检查、数据集平衡和扩展，算法框架设计，自动学习框架的选择，算法分析与比较、模型优化、模型集成、模型评估，并进行了特征重要性分析，模型融合和特征融合步骤等实现模型筛选、优化和融合，来获得最好的分类准确率。其具有如下优点，第一：特征集构建以检测过程施加两种不同偏压vocs通过efn前后物理参量为特征，物理意义明确，准确率也有所提升，单模型到达0.9603
±
0.0123。第二：自动学习筛选最佳训练模型，大大提高效率，减少人为参与。第三：结合集成学习进一步提升分类效率0.9681
±
0.0097。第四：可以从整体和单个vocs分析不同方向形成efn的分类特征重要性。不同分子结构的vocs有何不同的碳链长度、官能团和电荷分布，这个有助于研究vocs分子fen的吸附机理。

技术特征：
1.一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法，其特征在于，包括如下过程：获取第一数据集或第二数据集，其中，第一数据集包括待检测vocs通过静电形成纳米线前后的背栅阈值电压偏移量、背栅亚阈值摆动偏移量和背栅源漏电流偏移量，所述第二数据集包括待检测vocs通过静电形成纳米线前后的结栅极阈值电压偏移量、结栅亚阈值摆动偏移量和结栅源漏电流偏移量；利用已训练好的catboost模型、stacking模型或blending模型对第一数据集进行处理，得到待检测vocs种类；或者，利用已训练好的catboost模型、stacking模型或blending模型对第二数据集进行处理，得到待检测vocs的种类。2.根据权利要求1所述的一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法，其特征在于：所述catboost模型在训练时采用第一数据集对应的训练集数据或第二数据集对应的训练集数据进行训练，采用通过第一数据集对应的训练集数据训练好的catboost模型对第一数据集进行处理，采用通过第二数据集对应的训练集数据训练好的catboost模型对第二数据集进行处理；所述stacking模型在训练时采用第一数据集对应的训练集数据或第二数据集对应的训练集数据进行训练，采用通过第一数据集对应的训练集数据训练好的stacking模型对第一数据集进行处理，采用通过第二数据集对应的训练集数据训练好的stacking模型对第二数据集进行处理；所述blending模型在训练时采用第一数据集对应的训练集数据或第二数据集对应的训练集数据进行训练，采用通过第一数据集对应的训练集数据训练好的blending模型对第一数据集进行处理，采用通过第二数据集对应的训练集数据训练好的blending模型对第二数据集进行处理。3.根据权利要求2所述的一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法，其特征在于：利用已训练好的stacking模型对第一数据集进行处理；利用已训练好的blending模型对第二数据集进行处理。4.根据权利要求1所述的一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法，其特征在于，所述stacking模型通过catboost模型、lightgbm模型和extra trees模型行集成得到；所述blending模型通过catboost模型、lightgbm模型和extra trees模型行集成得到。5.根据权利要求1所述的一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法，其特征在于：获取第一数据集的过程包括：在待识别vocs通过静电形成纳米线之上的sio2薄膜前后，测量结栅电压v
jg
、源漏电压v
ds
、背栅电压v
bg
和漏极电流i
ds
，再通过测量得到的测量结栅电压v
jg
、源漏电压v
ds
、背栅电压v
bg
和测量漏极电流i
ds
计算待识别vocs通过静电形成纳米线之上的sio2薄膜前后的背栅阈值电压偏移量、背栅亚阈值摆动偏移量和背栅源漏电流偏移量；获取第二数据集的过程包括：在待识别vocs通过静电形成纳米线之上的sio2薄膜前后，
测量背栅电压v
bg
、源漏电压v
ds
、结栅电压v
jg
和漏极电流i
ds
，再通过测量得到的测量结栅电压v
jg
、源漏电压v
ds
、背栅电压v
bg
和测量漏极电流i
ds
计算待识别vocs通过静电形成纳米线之上的sio2薄膜前后的结栅极阈值电压偏移量、结栅亚阈值摆动偏移量和结栅源漏电流偏移量。6.根据权利要求1所述的一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法，所述vocs包括己醇、丁醇、丙醇、乙醇、丙酮和乙酸中的一种或几种的混合物。7.一种基于自动学习和集成学习的静电形成纳米线半导体vocs识别系统，其特征在于，包括：预计算模块：用于计算得到第一数据集或第二数据集，其中，第一数据集包括待检测vocs通过静电形成纳米线前后的背栅阈值电压偏移量、背栅亚阈值摆动偏移量和背栅源漏电流偏移量，所述第二数据集包括待检测vocs通过静电形成纳米线前后的结栅极阈值电压、结栅亚阈值摆动和结栅源漏电流；识别模块：用于利用已训练好的catboost模型、stacking模型或blending模型对第一数据集进行处理，得到待检测vocs种类；或者，利用已训练好的catboost模型、stacking模型或blending模型对第二数据集进行处理，得到待检测vocs的种类。8.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至6任意一项所述的基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法。9.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述的基于自动学习和集成学习的静电形成纳米线半导体vocs识别方法。

技术总结
本发明公开了一种基于自动学习和集成学习的静电形成纳米线半导体VOCs识别方法，识别方法包括如下过程：获取第一数据集或第二数据集，其中，第一数据集包括待检测VOCs通过静电形成纳米线前后的背栅阈值电压偏移量、背栅亚阈值摆动偏移量和背栅源漏电流偏移量，所述第二数据集包括待检测VOCs通过静电形成纳米线前后的结栅极阈值电压偏移量、结栅亚阈值摆动偏移量和结栅源漏电流偏移量；利用已训练好的CatBoost模型、Stacking模型或Blending模型对第一数据集进行处理，得到待检测VOCs种类；或者，利用已训练好的CatBoost模型、Stacking模型或Blending模型对第二数据集进行处理，得到待检测VOCs的种类。待检测VOCs的种类。待检测VOCs的种类。


技术研发人员：赵立波 杨晓凯 韩香广 夏勇 李敏 贾琛 杨萍 林启敬 蒋庄德
受保护的技术使用者：西安交通大学
技术研发日：2023.04.11
技术公布日：2023/7/21