δείτε την πρωτότυπη σελίδα τεκμηρίου στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
An adaptive neural network topology for degradation compensation of thin film tin oxide gas sensors
(EN)
Avaritsiotis, JN
(EN)
Fragoulis, DK
(EN)
Vlachos, DS
(EN)
A hybrid neural network for gas sensing application is presented, which is based on adaptive resonance theory. The network may use as an input one or more gas sensors. The basic feature of the proposed topology is its ability to learn a new pattern or form a new pattern category at any point of its operation. At the same time it retains knowledge of previously learned patterns or pattern categories. This adaptation ability helps the network to solve many of the problems encountered with tin oxide gas sensors, like instabilities and degradation. The functionality of the network is presented in the two cases of one and four input providing gas sensors. The experimental results show that the effect of sensor degradation maybe compensated by the proposed network topology. (C) 1997 Elsevier Science S.A. All rights reserved.
(EN)
*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.
Βοηθείστε μας να κάνουμε καλύτερο το OpenArchives.gr.
