基于机器学习的气体传感器阵列混合气体检测方法及装置制造方法及图纸

本发明专利技术涉及一种基于机器学习的气体传感器阵列混合气体检测方法及装置，其中方法包括：步骤S1：根据可能存在的气体种类，建立多个第二模型，其中，各第二模型分别对应于不同成分的混合气体下的各气体的检测；步骤S2：建立用于识别混合气体中各气体浓度范围的第一模型；步骤S3：对第一模型和各第二模型完成训练；步骤S4：获取气体传感器阵列采集的数据序列；步骤S5：利用训练完成的第一模型根据气体传感器阵列采集的数据序列检测混合气体中各成分气体的浓度区间；步骤S6：根据各成分气体的浓度区间，基于气体传感器阵列采集的数据序列，选择对应的第二模型分别对各成分气体进行定量检测。与现有技术相比，本发明专利技术具有精度高等优点。

Gas sensor array mixed gas detection method and device based on machine learning

【技术实现步骤摘要】
基于机器学习的气体传感器阵列混合气体检测方法及装置
本专利技术涉及一种机器嗅觉领域，尤其是涉及一种基于机器学习的气体传感器阵列混合气体检测方法及装置。
技术介绍
“电子鼻系统”也被称为人工嗅觉系统，是一种模仿生物鼻的系统，它的目的是为了实现对气体的识别。“电子鼻系统”结构分为三个层次(1)气敏传感器阵列；(2)信号预处理单元；(3)模式识别单元。目前，机器嗅觉的主要研究方向包括敏感材料的研制和相关模式识别算法的研究。金属氧化半导体(metaloxidesemiconductor,MOS)气体传感器作为气敏传感器在气体检测领域运用广泛，具有成本较低、响应速度快、使用寿命长等优点。MOS传感器在接触到氧化性或还原性气体后，其电阻特性会发生变化，故可对气体进行识别和检测。但是MOS传感器有显著的交叉敏感性。由于化学反应的复杂性，人们认识到，只对一种气体敏感的气敏传感器是不存在的。解决这个问题的方法之一就是采用多个具有交叉敏感性不同类型的气敏传感器组成传感器阵列，可以分别对多种气体进行测量并给出整体的测量结果。但是，仅仅通过研制传感器和探索测量方式往往本文档来自技高网...

【技术保护点】
1.一种基于机器学习的气体传感器阵列混合气体检测方法，其特征在于，包括：/n步骤S1：根据可能存在的气体种类，建立多个第二模型，其中，各第二模型分别对应于不同成分的混合气体下的各气体的检测；/n步骤S2：建立用于识别混合气体中各气体浓度范围的第一模型；/n步骤S3：对第一模型和各第二模型完成训练；/n步骤S4：获取气体传感器阵列采集的数据序列；/n步骤S5：利用训练完成的第一模型根据气体传感器阵列采集的数据序列检测混合气体中各成分气体的浓度区间；/n步骤S6：根据各成分气体的浓度区间，基于气体传感器阵列采集的数据序列，选择对应的第二模型分别对各成分气体进行定量检测。/n

【技术特征摘要】
1.一种基于机器学习的气体传感器阵列混合气体检测方法，其特征在于，包括：
步骤S1：根据可能存在的气体种类，建立多个第二模型，其中，各第二模型分别对应于不同成分的混合气体下的各气体的检测；
步骤S2：建立用于识别混合气体中各气体浓度范围的第一模型；
步骤S3：对第一模型和各第二模型完成训练；
步骤S4：获取气体传感器阵列采集的数据序列；
步骤S5：利用训练完成的第一模型根据气体传感器阵列采集的数据序列检测混合气体中各成分气体的浓度区间；
步骤S6：根据各成分气体的浓度区间，基于气体传感器阵列采集的数据序列，选择对应的第二模型分别对各成分气体进行定量检测。


2.根据权利要求1所述的一种基于机器学习的气体传感器阵列混合气体检测方法，其特征在于，所述第二模型的个数为：



其中：u为可能存在的气体种类的数目。


3.根据权利要求1所述的一种基于机器学习的气体传感器阵列混合气体检测方法，其特征在于，所述第一模型为卷积神经网络。


4.根据权利要求1所述的一种基于机器学习的气体传感器阵列混合气体检测方法，其特征在于，所述第二模型为结合KPCA特征提取算法和GBDT算法的模型。


5.根据权利要求4所述的一种基于机器学习的气体传感器阵列混合气体检测方法，其特征在于，所述步骤S6具体包括：
步骤S61：选择所有所处浓度区间超过设定的第一阈值的成分气体作为混合气体中的有效成分气体，得到待测气体的成分；
...

【专利技术属性】
技术研发人员：谭光韬，王磊，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31