该档案包含来自 16 个化学传感器的 13910 个测量值，用于模拟在不同浓度水平的 6 种气体的区分任务中进行漂移补偿。目标是随着时间的推移实现良好的性能（或尽可能低的退化），如以下第 2 节：数据收集中提到的论文所述。提供此数据集的主要目的是使其可供化学传感器研究界和人工智能免费在线访问，以制定应对传感器/概念漂移的策略。该数据集可以专门用于研究目的。完全排除商业目的。

该数据集是在 2007 年 1 月至 2011 年 2 月（36 个月）期间在位于加州大学圣地亚哥分校生物电路研究所化学信号实验室的气体输送平台设施中收集的。完全由完全计算机化的环境操作 - 由 LabVIEW 控制 - 配备适当串行数据采集板的 PC 上的 National Instruments 软件。测量系统平台提供了多功能性，以高精度和高度可重复的方式获得目标化学物质的所需浓度，从而最大限度地减少由人为干预引起的常见错误，并可以专注于化学传感器以补偿实际漂移。

所得数据集包括来自六种不同纯气态物质的记录，即氨、乙醛、丙酮、乙烯、乙醇和甲苯，每种物质的剂量范围从 5 到 1000 ppmv。有关此数据集中考虑的测量记录的气体身份名称、浓度值和时间分布序列的详细信息，请参阅下面引用的手稿的表 1 和表 2。

Batch10.dat 已于 2013 年 10 月 14 日更新，以更正文件最后 120 行中的一些损坏值。此数据集的浓度值扩展可在不同浓度数据集的气体传感器阵列漂移数据集.

Attribute Information:

所述传感器的响应以跨过每个传感器的有源层的电阻的形式读出；因此，每次测量都会产生一个 16 通道的时间序列，每个通道都由一个特征集合表示，这些特征反映了传感器表面发生的所有动态过程，以响应被评估的化学物质。特别是，在创建此数据集时考虑了两种不同类型的特征：（i）所谓的稳态特征（ΔR），定义为最大电阻变化与基线及其标准化版本的差异当化学蒸气存在于测试室中时，由最大电阻值与基线值的比值表示。和 (ii)，在受控条件下的整个测量过程中，反映传感器响应的增加/衰减瞬态部分的传感器动态特性的集合，即指数移动平均 (emaα)。这些特征的聚合是一种变换，借用了最初由 Muezzinoglu 等人引入化学传感社区的计量经济学领域。 (2009)，通过估计其指数移动平均值 (emaα) 的最大值——传感器响应衰减部分的最小值，将所述瞬态部分转换为实标量，初始条件设置为0 和算子的标量平滑参数 α，它定义了特征的质量及其沿时间序列出现的时间标量，设置范围在 0 和 1 之间。特别是 α 的三个不同值± 被设置为从传感器响应的预先记录的上升部分和三个具有相同 α 值的附加特征获得三个不同的特征值，但用于传感器响应的衰减部分，从而覆盖整个传感器响应动态。有关这些功能的更详细分析和讨论以及它们的图形说明，请分别参阅注释手稿的第 2.3 节和图 2。

一旦计算出上述特征，一个是形成一个特征向量，其中包含从每个特定传感器中提取的 8 个特征乘以这里考虑的 16 个传感器。最后，得到的包含上述所有特征（8 个特征 × 16 个传感器）的 128 维特征向量组织如下：ΔR_1、|ΔR|_1、EMAi0.001_1、EMAi0.01_1、EMAi0.1_1、EMAd0.001_1、EMAd0.01_1、EMAd0.1_1、ΔR_2、|ΔR|_2、EMAi2,.00 EMAi0.01_2, EMAi0.1_2, EMAd0.001_2, EMAd0.01_2, EMAd0.1_2,..., ΔR_16, |ΔR|_16, EMAi0.001_16, EMAi0.01_16, EMA_16,010dEMA_16,01d.1 , EMAd0.01_16, EMAd0.1_16,其中：“ΔR_1”和“|ΔR|_1”分别是ΔR和标准化ΔR特征，分别是“EMAi0.001_1”、“EMAi0.01_1”和“ €œEMAi0.1_1â€，传感器响应的上升瞬态部分的 emaα 分别等于 0.001、0.01 和 0.1，以及“EMAd0.001_1”、“EMAd0.01_1”和“ “EMAd0.1_1”，α 的传感器响应衰减瞬态部分的 emaα 分别等于 0.001、0.01 和 0.1，均对应于传感器 #1； “ΔR_2”和“|ΔR|_2”分别是ΔR和标准化ΔR特征，分别是“EMAi0.001_2”、“EMAi0.01_2”和“EMAi0” .1_2”，α 的传感器响应上升瞬态部分的 emaα 分别等于 0.001、0.01 和 0.1，以及“EMAd0.001_2”、“EMAd0.01_2”和“EMAd0”。 1_2'，α 的传感器响应衰减瞬态部分的 emaα 分别等于 0.001、0.01 和 0.1，均对应于传感器 #2；依此类推，直到第 16 号传感器，从而形成要提取到分类器进行训练的 128 维特征向量。

出于处理目的，数据被组织成十个批次，每个批次包含下表所示的每个班级和每个月的测量数量。进行这种数据重组是为了确保在训练分类器时，每个班级和每个月都有足够多且尽可能均匀分布的实验次数。

数据集组织详细信息。每行对应于组合成一个批次的月份：

批次 ID 月份 ID

批次 1 第 1 个月和第 2 个月

批次 2 第 3、4、8、9 和 10 个月

第 3 批第 11、12 和 13 个月

第 4 批第 14 个月和第 15 个月

批次 5 月 16

第 6 批第 17、18、19 和 20 个月

批次 7 月 21

第 8 批第 22 个月和第 23 个月

第 9 批第 24 个月和第 30 个月

批次 10 月 36

数据格式遵循与libsvm相同的编码风格，其中一个表示每个数据点所属的类别（1：乙醇；2：乙烯；3：氨；4：乙醛；5：丙酮；6：甲苯），以及，然后是 x:v 格式的特征集合，其中 x 代表特征编号，v 代表特征的实际值。例如，在1 1:15596.162100 2:1.868245 3:2.371604 4:2.803678 5:7.512213 … 128:-2.654529

数字“1”代表类别编号（在本例中为乙醇），而其余 128 列列出了按上述方式组织的每个测量记录的实际特征值。最后，为了使相关文章中呈现的结果可供读者重现，请在训练任务中使用以下参数值：

Batch C Gamma (ɤ) Rate
1 256.0 0.03125        98.8764
2 64.0 0.00390625 99.7588
3 128.0 0.03125        100.0
4 1.0 0.25        100.0
5 2.0 0.015625 99.4924
6 256.0 0.0009765625 99.5217
7 64.0 0.0625        99.9723
8 1024.0 0.0078125 99.6599
9 2.0 0.00390625 100.0

Citation Request:

Please cite:
Alexander Vergara and Shankar Vembu and Tuba Ayhan and Margaret A. Ryan and Margie L. Homer and Ramón Huerta, Chemical gas sensor drift compensation using classifier ensembles, Sensors and Actuators B: Chemical (2012) doi: 10.1016/j.snb.2012.01.074.