一种基于气体传感器与深度学习的气味识别方法技术

本发明专利技术公开了一种基于气体传感器与深度学习的气味识别方法，通过气体传感器阵列获取待测气味的响应曲线簇，并将该原始数据直接作为气味识别深度神经网络的输入样本，对其进行数据预处理与数据扩增，利用深度学习自动提取时间序列响应数据层次化特征，同时进行全局特征提取和长程动态特征提取，并通过分类器输出气味标签，实现高灵敏、特异性气味识别。本发明专利技术方法具有高灵敏度、高可靠性，可广泛应用于工业生产、医疗、环境和安全等领域。

【技术实现步骤摘要】
一种基于气体传感器与深度学习的气味识别方法
本专利技术属于人工嗅觉
，更具体地，涉及一种基于气体传感器与深度学习的气味识别方法。
技术介绍
基于气体传感器构建的电子鼻是一种典型的便携式人工嗅觉系统，通过传感器阵列与气氛的反应产生信号，结合模式识别技术能够识别简单和复杂的气味，与常见实验室气体成分分析方法(如电化学法、光学法、色谱分离法等)相比，具有使用便捷、价格低廉和易于普及的特点，适于各类气体/气味的现场快速检测和分布式在线监测，已在食品工业、农业生产、环境监测等领域取得实际应用。例如，利用电子鼻检测食物变质过程中产生的气氛来鉴定食物的新鲜程度，识别酿酒过程中产生的气味不同控制酿造过程，根据烟叶气味的不同鉴定烟叶等级，检测人体呼出气体中疾病标志物来预测有关疾病等，进一步提高现场环境适应性和识别准确率是人工嗅觉技术发展趋势。随着各类“生物启发式”传感器和人工智能算法技术的显著突破，人工视觉、听觉和触觉系统的性能已达到甚至超越了人类。与人类嗅觉系统中成千上万个气味感受器相比，由于气体传感器体积和功耗的限制，当前电子鼻人工嗅觉系统气体本文档来自技高网...

【技术保护点】
1.一种基于气体传感器与深度学习的气味识别方法，其特征在于，包括以下步骤：/n(1)通过气体传感器阵列获取待测气味的响应曲线簇；/n(2)对所述响应曲线簇进行数据预处理和数据扩增得到传感信号；/n(3)对所述传感信号进行骨干网络多维时间序列信号特征提取，同时进行全局特征提取和长程动态特征提取；/n(4)进行多模态特征融合和分类输出气味标签，完成待测气味的识别。/n

【技术特征摘要】
1.一种基于气体传感器与深度学习的气味识别方法，其特征在于，包括以下步骤：
(1)通过气体传感器阵列获取待测气味的响应曲线簇；
(2)对所述响应曲线簇进行数据预处理和数据扩增得到传感信号；
(3)对所述传感信号进行骨干网络多维时间序列信号特征提取，同时进行全局特征提取和长程动态特征提取；
(4)进行多模态特征融合和分类输出气味标签，完成待测气味的识别。


2.如权利要求1所述的一种基于气体传感器与深度学习的气味识别方法，其特征在于，采用气体传感器阵列、信号采集模块构建人工嗅觉系统硬件基础，通过气体传感器阵列获得对不同气味的响应曲线簇，并将该原始数据直接作为气味识别深度神经网络的输入样本，不进行数据降维或人工提取特征。


3.如权利要求1所述的一种基于气体传感器与深度学习的气味识别方法，其特征在于，所述数据预处理和数据扩增具体包括：
(21)原始数据集包含N个原始数据样本和对应的标签，其中每个原始样本包含K个气体传感器单元；每个原始样本Ti中包含多个窗口切片，窗口切片定义为其中i为窗口切片起始时刻的时间标签，j为结束时刻的时间标签。
采用长度为s的窗口在长度为n的原始样本上滑动，得到m+1个时序切片：Slicing(T,s)＝{S1：s,S1+p：s+p,…,S1+p*m：s+p*m}，其中所有窗口切片的标签均与原始样本相同，p为窗口滑动步长，0≤(n-s-p*m)＜p；原始数据集的样本数量扩增至N×(m+1)；
(22)对数据扩增后的原始数据集进行归一化，
(23)对归一化后的原始数据集中的部分通道进行倒数变换：其中k为需要进行倒数变换的传感器单元编号；
(24)将前述处理后的原始数据集划分为训练集和测试集，对训练集中的每个样本进行随机尺度变换，将训练集在样本数量上扩增M倍，M为随机尺度变换的次数；
(25)对训练集和测试集中每个样本进行像素级幂函数变换：将每个样本的通道数从K扩增为K×(q+1)，其中K为气体传感器阵列气敏单元个数，q为幂函数的个数。


4.如权利要求1所述的一...

【专利技术属性】
技术研发人员：刘欢，方聪，李华曜，白翔，李龙，唐江，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42