一种基于卷积神经网络的混合气体识别方法技术

本发明专利技术公布了一种基于卷积神经网络的混合气体识别方法，将利用传感器获得的原始气体时序数据根据不同的方式映射为类图片矩阵，再利用卷积神经网络模型CNN进行特征提取和分类，由此实现对混合气体的分类。本发明专利技术基于卷积神经网络的分类优势，应用于时序的混合气体的分类领域，利用CNN的卷积操作提取出矩阵数据更全面的特征，不仅速度快，还能够得到较高的准确率。本发明专利技术能够解决现有的混合气体分类技术由于输入数据的限制而无法直接应用图像分类的VGG，Google‑Net等CNN网络针对混合气体数据进行分类的问题。

A Recognition Method of Mixed Gas Based on Convolutional Neural Network

【技术实现步骤摘要】
一种基于卷积神经网络的混合气体识别方法
本专利技术涉及混合气体种类识别技术，具体涉及一种基于卷积神经网络的混合气体识别方法,属于传感器采集数据的时序分类

技术介绍
MOX(金属氧化物)气体传感器是利用金属氧化物气敏元件作为敏感元件的气体传感器，具有体积小，响应速度较快、成本较低、使用寿命较长等优点，故而被广泛应用于有毒气体、易燃易爆气体，工业废气等气体检测领域。MOX气体传感器通过与被测气体发生物理化学反应，引起电阻的变化，将气体种类、浓度等相关的信息转换成单一的信号输出。气敏元件在不同的单一气体中反应不同，导致传感器响应值不同。因此利用MOX气体传感器采集的时序数据可以对气体成分进行有效地识别。对于混合气体组分识别问题，气体现有的混合气体分类的方法大概分为基于GasChromatography-MassSpectrometer(GC-MS)的方法,数据驱动的方法和融合的方法。其中一些方法，具有一定局限性，比如浅层神经网络的结构比较简单，一般采用经验法确定，这将在一定程度上引起气体识别准确率下降的问题。SVM中支持向量的个数随着训练样本的增加而线性增加，模型稀疏性会大大降低，需要优化参数才能达到最好的识别率，而参数优化的过程大大增加了计算量。然而，气体时间序列数据特征复杂，维度大，数据隐含模式较难挖掘。利用以上算法计算量较大，在大数据环境下无法达到理想的效果。近年来，随着深度学习技术的不断发展，一些深度学习模型逐渐被应用到数据分类的研究中。深度学习模型是一种拥有多个非线性映射层级的深度神经网络模型，能够对输入信号逐层抽象并提取特征，挖掘出更深层次的潜在规律。在众多深度学习模型中，卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种层次模型，由输入和输出层以及多个隐藏层组成。CNN通过卷积操作，pooling操作和非线性激活函数映射等一系列操作的层层堆叠，将高层语义信息由原始数据输入层中抽取出来，逐层抽象，其整体结构如图1，在图片分类，语义分割等应用领域有很好的效果，因此可以将其应用于混合气体的分类中。例如，2018年，等人首次提出了利用DeepConvolutionalNeuralNetwork(DCNN)进行气体分类的思想，设计了名为GasNet的气体神经网络；等人则利用较简单的LeNet-5网络进行气体分类。这些应用于分类气体数据的深度学习模型结构较为简单，输入数据量较小，并且直接对采集的二维时序数据进行卷积，池化等操作。但是由于输入数据的限制，应用于图像分类的VGG，Google-Net等CNN网络则无法直接应用于分类混合气体数据。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供一种基于卷积神经网络的混合气体识别方法，是一种传感器混合气体分类的新方法，将利用传感器获得的原始气体时序数据根据不同的方式映射为类图片矩阵，再利用现有经典的CNN模型对其进行更全面的特征提取，进而达到分类混合气体的目的。本专利技术把现有的CNN数据分类的深度模型应用于混合气体分类的方法，构建具有时序特征的类图片矩阵，对原始时序数据进行转换，并利用卷积神经网络分类模型，有效地对混合气体进行分类识别。本专利技术基于卷积神经网络的分类优势，将其应用于时序的混合气体的分类领域，利用CNN的卷积操作提取出矩阵数据更全面的特征，不仅速度快，还能够得到较高的准确率。本专利技术能够克服现有技术由于输入数据的限制，应用于图像分类的VGG，Google-Net等CNN网络则无法直接应用于分类混合气体数据的问题。本专利技术提供的技术方案是：一种基于卷积神经网络的混合气体识别方法，将利用传感器获得的原始气体时序数据根据不同的方式映射为类图片矩阵，再利用现有经典的CNN模型对其进行更全面的特征提取，由此实现对混合气体的分类。本专利技术选定CNN中的残差网络(ResNet)作为分类的网络，分别是ResNet18，ResNet34，ResNet50。他们的区别在于卷积层数量和卷积核参数不同。网络的残差模块如图3，输入为x，残差学习模块有两个分支：其一是左边的残差函数F(x)；其二是右边对对输入的恒等映射x。这两个分支经过一个简单的整合(对应元素相加H(x)＝F(x)+x)后，再经过一个非线性变换(ReLu激活函数，其函数表达式如式(1)，其中x1为自变量)，最后形成整个残差学习模块。由多个残差模块堆叠而成的网络结构被称作“残差网络”。本专利技术的方法分为4个阶段：对原始时序数据进行分析处理、二维的原始数据映射为类图片矩阵、利用卷积神经网络对类图片矩阵进行分类、模型评价，具体过程包括：1)对原始时序数据进行分析处理：MOX(金属氧化物)气体传感器采集不同种类的混合气体样本数据，原始气体数据包含多个气体样本，每个样本包括时间标签和该时间对应的多个传感器的气体采样值。然后搜索采集到的原始气体数据中有无缺失值和异常值，并进行处理；具体实施时，采用多个传感器对混合气体样本进行测量，每个传感器在每个时间点测量得到一个响应值，由得到的多个时间点的响应值构成时间序列，得到初始样本时序数据集N。一个样本原始数据即为多个传感器得到的多个时间序列组成的二维矩阵A。2)将二维的原始数据映射为类图片矩阵：设计数据映射模式，将处理好的数据根据不同的模式映射成类图片矩阵，并生成相应的样本集(Sample-set)(包括第一样本集～第四样本集)，其中每类80％为训练集，20％为测试集；3)利用卷积神经网络对类图片矩阵进行训练：选择一种卷积神经网络模型对第二阶段生成的多个样本集种的训练集进行训练；4)混合气体分类：根据产生权重对测试集进行分类，得到测试准确率，选取测试准确率最大的样本集对应的权重对未知的混合气体对应的类图片进行分类；本专利技术方法的模型结构图如图1所示。具体来说，本专利技术的方法包括下列步骤：A.数据的预处理，本专利技术包括针对时序数据进行分类，通过预处理得到有效的数据集。具体实现如下：A1.统计初始样本时序数据集N中的混合气体样本个数为u，其中每一个样本二维矩阵Ae的大小为m×n，其中m为每个传感器在采样时间t内采集的时序数据的个数，n为所使用的传感器的个数，Ae表示第e个样本，样本序号e＝1,2,…,u，Ae表示为式(2)：A2.Ae中的元素aij是第j个传感器在i时刻对混合气体测得的响应值，并且在一般的二维矩阵基础上加入了时间因素，即aij为ai-1,j下一时刻的值，两者顺序不可改变，可表示为式(3)：(a1,j,a2,j,...,at-1,j,at,j,at+1,j,...,am,j)式(3)A3.查询m×n的初始数据Ae中的元素是否有空值，即NA值，如果有，则将其值设置为该时刻的前一时刻与后一时刻响应值的平均值；A4.设置阈值，删除超过阈值的响应值，得到处理后的数据Ae＝m1×n，m1表示剩余的时序数据的个数；A5.将Ae中所有元素做四舍五入处理，得到整数值；以便响应值与矩阵的行或列进行映射；A6.将数据集N中所有样本均做上述预处理，得到新的数据集N1.B.对于预处理后的数据集N1，将N1中的样本所对应的二维矩阵映射为类图片矩阵，得到第一样本集，具体实现如下：B1.比较数据集N1中的样本二维矩阵Ae中元素的大小，找到每一个样本的元素中最大的数本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的混合气体识别方法，将利用传感器获得的原始气体时序数据根据不同的方式映射为类图片矩阵，再利用卷积神经网络模型CNN进行特征提取和分类，由此实现对混合气体的分类；包括如下步骤：1)对原始时序数据集N进行预处理，得到有效的样本时序数据集N1：利用MOX气体传感器采集不同种类的混合气体样本，每个传感器在每个时间点测量得到一个响应值，由得到的多个时间点的响应值构成时间序列；由多个传感器得到的多个时间序列组成的二维矩阵Ae即为初始样本时序数据集N，包含多个气体样本的采集时间标签和该时间对应的多个传感器的气体采样值；N中的混合气体样本个数为u；二维矩阵Ae的大小为m×n，其中m为每个传感器在采样时间t内采集的时序数据的个数，n为所使用的传感器的个数；进行数据预处理后得到有效的样本时序数据集N1；2)设计数据映射模式，将样本时序数据集N1的二维矩阵映射为类图片矩阵，并生成相应的样本集；具体包括如下操作：B、生成第一样本集：B1.比较数据集N1中的每一个样本Ae中元素的大小，找到每一个样本的元素中最大的数值M1；Ae表示第e个样本，e＝1,2,…,u；B2.设置一个像素矩阵Be＝m1×M1，表示如式(5)，并将Be所有位置处的值设为空；...

【技术特征摘要】
1.一种基于卷积神经网络的混合气体识别方法，将利用传感器获得的原始气体时序数据根据不同的方式映射为类图片矩阵，再利用卷积神经网络模型CNN进行特征提取和分类，由此实现对混合气体的分类；包括如下步骤：1)对原始时序数据集N进行预处理，得到有效的样本时序数据集N1：利用MOX气体传感器采集不同种类的混合气体样本，每个传感器在每个时间点测量得到一个响应值，由得到的多个时间点的响应值构成时间序列；由多个传感器得到的多个时间序列组成的二维矩阵Ae即为初始样本时序数据集N，包含多个气体样本的采集时间标签和该时间对应的多个传感器的气体采样值；N中的混合气体样本个数为u；二维矩阵Ae的大小为m×n，其中m为每个传感器在采样时间t内采集的时序数据的个数，n为所使用的传感器的个数；进行数据预处理后得到有效的样本时序数据集N1；2)设计数据映射模式，将样本时序数据集N1的二维矩阵映射为类图片矩阵，并生成相应的样本集；具体包括如下操作：B、生成第一样本集：B1.比较数据集N1中的每一个样本Ae中元素的大小，找到每一个样本的元素中最大的数值M1；Ae表示第e个样本，e＝1,2,…,u；B2.设置一个像素矩阵Be＝m1×M1，表示如式(5)，并将Be所有位置处的值设为空；B3.以列的顺序遍历Ae中第j列(j＝1,2,…,n)元素aij，并设置矩阵Be的的值；B4.遍历完成Ae中的元素后，即完成更新Be矩阵，Be中的元素为有值或无值；B5.将Be中无值的元素设置为255，即完成类图片矩阵的映射，得到新的二维矩阵Be；B6.将新得到的二维矩阵Be转化为X×Y×3的图片，即图片的长有X个像素点、图片的高有Y个像素点；B7.将N1中所有样本均执行步骤B1～B5的映射处理，得到新的样本集为第一样本集；C.在固定纵轴范围的情况下，将N1中的样本所对应的二维矩阵映射为类图片矩阵，得到第二样本集，具体实现如下：C1.依次比较数据集N1中的所有样本Ae中元素的大小，搜索找到所有样本的元素中最大的数值M2；C2.设置像素矩阵Be2＝m1×M2，并将Be2所有位置处的值设为空，e2表示第e2个样本；C3.以列的顺序遍历Ae中第j列(j＝1,2,…,n)元素aij，并设置矩阵Be的元素的值；C4.Ae中的元素遍历完成后，即完成更新Be2矩阵，Be2中元素为有值或无值；C5.将二维矩阵Be2中无值的元素填充为255，即完成类图片矩阵的映射，得到新的二维矩阵Be2；C6.将新得到的二维矩阵Be2转化为X×Y×3的图片；C7.将N1中所有样本均执行步骤C2～C5的固定纵轴范围的映射处理，得到新的样本集，为第二样本集；D.在传感器基线标准化的情况下，将N1对应的二维矩阵映射为类图片矩阵，得到第三样本集；具体包括如下操作：D1.对N1中样本的数值按照式(7)进行标准化，即数据的标准值等于数据的响应值减去基线值，再除以数据的基线值，得到数据集N2：其中，表示对样本数据标准化后的值，表示原样本数据，xd基线值表示每个传感器在标准气体或空气中的响应值，称为基线值；D2.依次比较数据集N2中的所有样本As中元素的大小，搜索找到所有样本的元素中最大的数值M3，As表示第s个样本；D3.设置一个像素矩阵Bs＝m1×M3，并将Bs中所有元素的值设为空；像素矩阵Bs表示为：D4.以列的顺序遍历As中第j列元素aij，j＝1,2,…,n，并设置矩阵Be的元素的值；D5.二维矩阵Bs矩阵更新完成，Bs中的元素为有值或无值；D6.将二维矩阵Bs中无值的元素设置为255，即完成类图片矩阵的映射，得到新的二维矩阵Bs；D7.将新的二维矩阵Bs转化为X×Y×3的图片，即图片长有X个像素点、图片高有Y个像素点；D8.将N2中所有样本均执行步骤D2～D7，即传感器基线标准化的映射处理，得到新的样本集，为第三样本集；E.对比第一样本集，将N1中的样本所对应的二维矩阵映射为类图片矩阵，得到第四样本集；包括如下操作：E1.设置一个像素矩阵Be3＝m1×M2，并将所有位置处的值设为空；像素矩阵Be3表示为式(12)：E2.以列的顺序遍历Ae中第j列元素aij，并设置矩阵Be的元素的值；E3.二维矩阵Be3矩阵完成更新，Be3中的元素为有值或无值；E4.二维矩阵Be3中无值的元素设置为255，即完成类图片矩阵的映射，得到新的二维矩阵Be3；E5.将新的二维矩阵Be3转化为Y×X×3的图片，即图片长有Y个像素点、图片高有X个像素点；E6.将N1中的样本均执行步骤E1～E5，完成映射处理，得到新的样本集，为第四样本集；3)利用卷积神经网络对类图片矩阵进行分类：利用卷积神经网络模型分别对生成的多个样本集进行训练；包括如下操作：F1.分别以第一样本集～第四样本集中的训练集作为网络的输入数据，其中K为样本集中的训练样本数，第一样本集～第三样本的集训练样本大小为X×Y×3，第四样本集...

【专利技术属性】
技术研发人员：于重重，韩璐，肖开泰，孟祥宁，赵霞，
申请(专利权)人：北京工商大学，煤科集团沈阳研究院有限公司，
类型：发明
国别省市：北京,11