摘要
单传感器气体分类仍然面临挑战，因为金属氧化物半导体传感器的选择性有限，且不同气体可能产生相似的气敏响应模式。本文提出了一种多尺度时序依赖学习框架，将基于储层的多尺度动态学习（MsDL）与滞后相关性特征相结合。为减少窗口构造所导致的信息泄漏，每条连续气体响应序列均按时间顺序划分为训练集、验证集和测试集，且在相邻子集之间排除2000个原始样本。主要评估采用非重叠窗口，并仅使用训练子集拟合所有数据依赖的预处理步骤。在一个包含七种挥发性有机化合物（使用单一传感器测量）的数据集上，所提出的MsDL+Corr表示方法结合随机森林分类器，达到了92.14%的测试准确率和92.08%的宏平均F1分数。在十组随机森林种子下，准确率为92.43% ± 0.37%。对应的微平均一对余AUC为0.9948（99.48%）；这一不依赖阈值的排序指标与分类准确率有所区别。特征消融实验表明，结合MsDL和相关性特征可提升宏平均F1分数，优于单独使用任一支路。这些结果表明，在保守的时间分离评估协议下，时序依赖表示能够提供有用的判别信息。
