一种基于改进一维卷积神经网络的混合气体识别方法技术

本发明专利技术公开了一种基于改进一维卷积神经网络的混合气体识别方法，通过气敏传感器阵列与气体发生反应采集原始一维数据；构建改进的一维卷积神经网络；一维卷积神经网络通过卷积运算来提取原始一维数据的特征，降低原始一维数据对后续操作的噪声干扰，输出的特征图作为下一层的输入；通过一维卷积神经网络隐含层进一步提取数据的相关特征，同时池化采用最大池化；对最后一层隐含层的输出进行全局平均池化，并在全局平均池化层后加入Dropout层；通过softmax函数对输入数据进行分类并利用分类交叉熵函数计算损失。本发明专利技术能很好的完成对混合气体进行分类的任务，且自适应能力强、分类准确率更高。确率更高。确率更高。

【技术实现步骤摘要】
一种基于改进一维卷积神经网络的混合气体识别方法


[0001]本专利技术属于人工嗅觉领域，具体涉及一种基于改进一维卷积神经网络的混合气体识别方法。

技术介绍

[0002]随着我国工业的迅猛发展，在日常生产生活中，由危化气体泄漏而引发的灾难性事件时有发生，这对人们生命财产造成极大威胁。这些泄漏气体一般不是某种单一气体，混合气体居多，因此如何快速、准确地识别混合气体中的组分是一项重要研究工作。而人工嗅觉的智能检测应用极为广泛，在气味识别、环境监测、食品质量监管、医疗卫生及公众安全等领域发挥着重要的作用。因此，可以利用人工嗅觉对工业生产及日常生活中泄漏的混合气体进行识别与分类。
[0003]人工嗅觉(Artificial Olfaction，AO)模仿生物的嗅觉系统，一般采用气敏传感器阵列与模式识别算法相结合的手段对被检气体进行定性分析，从而达到对混合气体识别与分类的目的。金属氧化物半导体(metal oxide semiconductor，MOS)气敏传感器具有成本低、反应速度快、使用寿命长等优点，因此常被用来构建传感器阵列。但MOS气敏传感器具有交叉敏感性，即一种类型的气敏传感器可同时对多种气体发生反应，这对人工嗅觉分类效果影响很大。若通过改进金属材料来改善气敏传感器的性能较为困难，且研发周期较长、成本高，而从气敏传感器阵列与人工智能算法相结合的角度更容易实现。通过气敏传感器阵列与相关算法相结合，可实现对混合气体定性分析的目的，从而为后续气体浓度的定量分析提供重要支撑。
[0004]近年来，为了提高混合气体识别与分类的检测准确度与精度，研究者做了很多努力。现有方法大多是通过人工设计特征提取函数对传感器响应值进行相关特征提取，如响应稳态值、响应基值、响应时间、响应恢复时间等。然而此类方法中人工特征提取函数的设计过程较为复杂，分类准确度很大程度上取决于特征提取函数设计效果的好坏，且特征提取函数不能根据响应信号进行自适应调整，而卷积神经网络具备自适应特征提取的能力，因此可以应用在气体分类上。而气敏传感器输出信号为一维时间序列，因此本申请基于一维卷积神经网络(One
‑
Dimensional Convolutional Neural Network，1D
‑
CNN)进行改进，实现对被测混合气体进行识别与分类。

技术实现思路

[0005]专利技术目的：本文提出一种基于改进一维卷积神经网络的混合气体识别方法，能很好的完成对混合气体进行分类的任务，且自适应能力强、分类准确率更高。
[0006]技术方案：本专利技术所述的一种基于改进一维卷积神经网络的混合气体识别方法，包括以下步骤：
[0007](1)通过气敏传感器阵列与气体发生反应采集原始一维数据；
[0008](2)构建改进的一维卷积神经网络，包括输入层、隐含层、全局平均池化层、输出
层；所述隐含层包括两个卷积层、一个池化层和激活函数；
[0009](3)一维卷积神经网络通过卷积运算来提取原始一维数据的特征，输出的特征图作为下一层的输入；
[0010](4)通过一维卷积神经网络隐含层进一步提取数据的相关特征，同时池化采用最大池化；
[0011](5)对最后一层隐含层的输出进行全局平均池化，并在全局平均池化层后加入Dropout层；
[0012](6)通过softmax函数对输入数据进行分类并利用分类交叉熵函数计算损失。
[0013]进一步地，步骤(2)所述的隐含层为四个，其卷积核大小分别为1*16*8、1*4*16、1*4*256、1*2*512，其中8、16、256、512分别为卷积核的数量。
[0014]进一步地，步骤(3)所述卷积运算实现过程如下：
[0015][0016]其中，x
j
代表输出，x
ij
表示第j层卷积层的第i个一维卷积核的输出，M为输入数据集，为卷积核，*为卷积符号，b为偏置项，f(
·
)为激活函数。
[0017]进一步地，步骤(4)所述的最大池华过程如下：
[0018][0019]其中，表示第j层第i个卷积核，n表示卷积核的尺寸边长，max(
·
)为最大函数，池化步长为2。
[0020]进一步地，所述步骤(6)通过以下公式实现：
[0021]y
pre i
＝softmax(W
T
x+b)
ꢀꢀꢀ
(4)
[0022][0023]其中，y
pre i
为预测预测正确的概率，W
T
为权重，b为偏置，y
i
为真实标签，n为分类标签数，最终将交叉熵函数作为训练的损失函数，损失函数输出值越小，则一维卷积神经网络训练越好；如果预测值与真实值越接近，交叉熵函数输出就越接近0，而若预测值与真实值误差较大，在反向传播训练过程中，各种参数调整的幅度也会随之变大，使一维卷积神经网络更快地收敛。
[0024]有益效果：与现有技术相比，本专利技术的有益效果：本专利技术不需要进行数据预处理、不需要手工设计特征提取函数，可自动、全面地对原始数据进行特征提取与学习，能很好的完成对混合气体进行分类的任务，且自适应能力强、分类准确率更高。
附图说明
[0025]图1为本专利技术的流程图；
[0026]图2一维卷积神经网络结构图；
[0027]图3为一维卷积运算示意图；
[0028]图4为数据采集系统结构示意图；
[0029]图5为训练结果图；其中，(a)和(b)分别为改进前1D
‑
CNN的训练准确率和损失率；
(c)和(d)分别为改进后1D
‑
CNN的训练准确率和损失率。
具体实施方式
[0030]下面结合附图对本专利技术作进一步详细说明。
[0031]本专利技术提出一种基于改进一维卷积神经网络的混合气体识别方法，如图1所示，具体包括以下步骤：
[0032]步骤1：通过气敏传感器阵列与气体发生反应采集原始一维数据。
[0033]通过气敏传感器阵列与气体发生反应采集原始一维数据，在训练阶段，对采集到的数据贴上标签，并随机打乱排列顺序。
[0034]步骤2：构建改进的一维卷积神经网络，包括输入层、隐含层、全局平均池化层、输出层；所述隐含层包括两个卷积层、一个池化层与激活函数。
[0035]1D
‑
CNN主要包括输入层、隐含层、全局平均池化层、输出层，如图2所示，其中每个隐含层包括两个卷积层、一个池化层与激活函数(tanh函数)。卷积层用来提取传感器阵列原始数据的特征，可以改善MOS传感器的选择性；而池化层可以保留显著特征、降低特征的维度，从而减小数据运算量与复杂程度。
[0036]步骤3：一维卷积神经网络通过卷积运算来提取原始一维数据的特征，降低原始一维数据对后续操作的噪声干扰，输出的特征图作为下一层的输入。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进一维卷积神经网络的混合气体识别方法，其特征在于，包括以下步骤：(1)通过气敏传感器阵列与气体发生反应采集原始一维数据；(2)构建改进的一维卷积神经网络，包括输入层、隐含层、全局平均池化层、输出层；所述隐含层包括两个卷积层、一个池化层和激活函数；(3)一维卷积神经网络通过卷积运算来提取原始一维数据的特征，输出的特征图作为下一层的输入；(4)通过一维卷积神经网络隐含层进一步提取数据的相关特征，同时池化采用最大池化；(5)对最后一层隐含层的输出进行全局平均池化，并在全局平均池化层后加入Dropout层；(6)通过softmax函数对输入数据进行分类并利用分类交叉熵函数计算损失。2.根据权利要求1所述的基于改进一维卷积神经网络的混合气体识别方法，其特征在于，步骤(2)所述的隐含层为四个，其卷积核大小分别为1*16*8、1*4*16、1*4*256、1*2*512，其中8、16、256、512分别为卷积核的数量。3.根据权利要求1所述的基于改进一维卷积神经网络的混合气体识别方法，其特征在于，步骤(3)所述卷积运算实现过程如下：其中，x
j
代表输出，x
ij
表示第j层卷积层的第i个一维卷积...

【专利技术属性】
技术研发人员：李鹏，徐永凯，刘轩宇，张立豪，
申请(专利权)人：无锡学院，
类型：发明
国别省市：