基于池化LSTM的TDLAS痕量气体浓度检测方法技术

本发明专利技术提供了基于池化LSTM的TDLAS痕量气体浓度检测方法，属于气体浓度检测技术领域。本发明专利技术提出将池化金字塔PP‑LSTM深度学习网络模型用于TDLAS痕量气体浓度检测，第一层LSTM

【技术实现步骤摘要】
基于池化LSTM的TDLAS痕量气体浓度检测方法
本专利技术涉及气体浓度检测领域，尤其涉及基于池化LSTM的TDLAS痕量气体浓度检测方法。
技术介绍
TDLAS(TunableDiodeLaserAbsorptionSpectroscopy)主要是利用可调谐半导体激光器的窄线宽和波长随注入电流改变的特性实现对分子的单个或几个距离很近很难分辨的吸收线进行测量。广泛用于获得分子结构的信息、研究其动力学过程和痕量气体监测分析，是常用的一种痕量气体检测方法。由于痕量气体浓度检测要求的激光调制信号微弱，且受到光学器件干涉条纹、电子器件白噪声、信号漂移、气压变化、光路尘埃等诸多不同干扰因素的影响，使得有效检测信号常常淹没于干扰信号之中。因此，强干扰情况下的微弱信号提取，成为提高TDLAS气体检测精度的关键。已有的TDLAS气体浓度检测方法，主要采取时域分析、频域分析、小波分析、相关分析、经验模态分解，以及这些方法组合进行噪声去除，其去噪核心是通过分析噪声与信号模式的差别，制定去噪策略或构建去噪模型。TDLAS气体浓度检测精度的提高围绕其二次谐波信号的去噪本文档来自技高网...

【技术保护点】
1.基于池化LSTM的TDLAS痕量气体浓度检测方法，其特征在于，包括以下步骤：/n步骤一：采集原始数据，制作数据集，所述数据集包括训练样本集和测试样本集；/n步骤二：对数据集进行降采样和归一化处理；/n步骤三：构建池化LSTMPP-LSTM气体浓度检测模型；/n步骤四：利用训练样本集对步骤三构建的PP-LSTM气体浓度检测模型使用梯度下降法进行浓度拟合回归训练；/n步骤五：利用步骤四中训练获得的PP-LSTM气体浓度检测模型对测试样本数据集进行检测，并计算检测模型的精度。/n

【技术特征摘要】
1.基于池化LSTM的TDLAS痕量气体浓度检测方法，其特征在于，包括以下步骤：
步骤一：采集原始数据，制作数据集，所述数据集包括训练样本集和测试样本集；
步骤二：对数据集进行降采样和归一化处理；
步骤三：构建池化LSTMPP-LSTM气体浓度检测模型；
步骤四：利用训练样本集对步骤三构建的PP-LSTM气体浓度检测模型使用梯度下降法进行浓度拟合回归训练；
步骤五：利用步骤四中训练获得的PP-LSTM气体浓度检测模型对测试样本数据集进行检测，并计算检测模型的精度。


2.根据权利要求1所述的TDLAS痕量气体浓度检测方法，其特征在于，步骤三中所述构建PP-LSTM气体浓度检测模型的步骤包括：
采用第一层LSTM单元LSTM1，对输入信号进行初步信号特征提取；
添加最大池化层，对第一层LSTM单元LSTM1的输出信号进行最大值池化操作；
采用第二层LSTM单元LSTM2，对最大池化层的输出信号进行高层特征提取，将LSTM2最后一个时序的状态输出作为LSTM单元LSTM2的输出；
在LSTM单元LSTM2之后，添加两层全连接层，拟合非线性特征。


3.根据权利要求1所述的TDLAS痕量气体浓度检测方法，其特征在于，步骤四中，在PP-LSTM气体浓度检测模型训练的不同阶段，使用不同的损失函数进行训练，直至网络模型损失值下降到预设范围内，停止训练。


4.根据权利要求3所述的TDLAS痕量气体浓度检测方法，其特征在于，所述不同的损失函数分别为绝对均方差损失函数和相对均方差损失函数，公式分别如下：






其中，
m为样本的数量；

为该模型针对第i个样本对应的浓度检测值；
yi为第i个样本浓度的真实值。


5.根据权利要求4...

【专利技术属性】
技术研发人员：郑可尧，赵雪梦，郑红，
申请(专利权)人：维森视觉丹阳有限公司，
类型：发明
国别省市：北京;11