一种混合气体识别方法、系统、终端设备及可读存储介质技术方案

本发明专利技术公开了一种混合气体识别方法、系统、终端设备及存储介质，包括：获取混合气体的多通道一维时间序列数据；对多通道一维时间序列数据进行一维卷积操作，对一维卷积操作之后的特征进行拼接处理，提取总体特征；对总体特征进行卷积和池化操作，得到特征提取的结果；从特征提取的结果中识别出混合气体的种类；利用卷积神经网络与循环神经网络，对混合气体的浓度进行实时预测。本发明专利技术对于随机情况下的一维卷积神经网络混合气体种类识别方法，能够自动提取特征并且能够将提取的特征进行分类识别出混合气体的种类，不需要将特征提取和分类训练分开。本发明专利技术以多标签的方式对气体种类进行标记，减少了单标签的方式带来的维度空间。减少了单标签的方式带来的维度空间。减少了单标签的方式带来的维度空间。

A mixed gas identification method, system, terminal equipment and readable storage medium

【技术实现步骤摘要】
一种混合气体识别方法、系统、终端设备及可读存储介质


[0001]本专利技术属于气体识别
，涉及一种混合气体识别方法、系统、终端设备及存储介质。

技术介绍

[0002]智能气体识别系统是一种参考动物或人类的嗅觉感知机制来实现对所检测气体定性定量分析的系统。随着社会的大力发展，工业领域迅速壮大，气体识别技术也得到了快速的发展，可对气体进行快速准确的检测，在社会的多个领域包括工业污染监测、食品安全、医疗领域等方面发挥重要作用。系统通过传感器吸附气体分子产生电信号，使用AD转换电路对电信号进行量化采集完成特征的提取，最终完成气体的类别识别以及浓度判定。天然气作为重要的清洁能源，在化工与燃料领域有着广泛的用途。在致力与天然气的高效、清洁、多元化使用过程中，天然气的质量影响这后续加工处理的每个方面，因此对天然气中气体组成含量的分析有助于天然气开发与运输以及更进一步的加工与能源的充分利用。天然气是由绝大多数的甲烷，少量的乙烷、丙烷等烷烃类气体以及少数的杂质气体一同混合而成的。
[0003]近年来，涌现出了许许多多关于混合气体识别的研究，而且这些研究在混合气体种类的识别中也获得了比较好的效果。但是，这些研究它们普遍都是在相对稳定的情况下进行，而且输入数据大多采用了传感器阵列中的响应时间、恢复时间或者是灵敏度等稳定特征，并在进行简单数据处理之后采用一些主流的分类方法，最终都能达到较好的识别效果。然而，要把这些研究成果应用于实际的生产生活中，还有以下两个问题：1)在实际应用中混合气体存在的形式和浓度是复杂的、随机的、无规律的；2)前人工作中对混合气体浓度的实时预测的研究相对较少，更多是对完整气体反应过程的浓度预测。3)近年来，关于混合气体浓度预测的研究从未停止。但是，该工作是在实验室条件下有规律的周期性连续反应，获得的结果比较理想也是有根据的，在现实生活中很多时候气体的浓度值都是随机的，在使用智能气体识别系统进行识别时，反应可能还没完全又开始进行恢复反应了，在这样的情况下，对于浓度值的预测更具有挑战性和实际意义。

技术实现思路

[0004]本专利技术的目的在于解决现有技术中的问题，提供一种混合气体识别方法、系统、终端设备及存储介质，能够在随机情况下对混合气体种类的种类识别和浓度检测。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]一种混合气体识别方法，包括以下步骤：
[0007]获取混合气体的多通道一维时间序列数据；
[0008]对多通道一维时间序列数据进行一维卷积操作，对一维卷积操作之后的特征进行拼接处理，提取总体特征；对总体特征进行卷积和池化操作，得到特征提取的结果；
[0009]利用多标签分类方法，从特征提取的结果中识别出混合气体的种类；
[0010]建立回归模型，利用卷积神经网络与循环神经网络，根据混合气体的种类，结合特征提取的结果，对混合气体的浓度进行实时预测。
[0011]上述方法进一步的改进在于：
[0012]所述通过气体传感器阵列获取混合气体的多通道一维时间序列数据，包括：
[0013]通过气体传感器阵列获取混合气体的多通道一维时间序列数据。
[0014]所述一维卷积操作具体如下：
[0015]一维卷积方程如下：
[0016][0017]其中，A为输入序列，输入序列A的维度为(1,N
a
)，B为卷积核，卷积核B的维度为(1,N
b
)，C(j)表示为第j个神经元卷积的结果，且1≤j≤N
a
‑
N
b
+1；n表示每层卷积核的大小，权重的初始化采用Xavier初始化，Xavier初始化的均匀分布如下：
[0018][0019]其中，W表示均匀分布，U表示采样范围，m,n是每一层输入单元和输出单元的个数。
[0020]所述多标签分类方法，具体如下：
[0021]目标气体的预测y
pre
如下：
[0022]y
pre
＝sigmoid(W
T
h+b)
ꢀꢀ
(3)
[0023]其中，sigmoid()表示激活函数，W
T
表示第二层隐藏层的权重，T表示转置矩阵，h表示网络输入，b表示偏置项；
[0024]采用sigmoid函数的输出作为分类的结果，对于输出的结果使用阈值为0.5作为评判准则，对输出值高于0.5的预测值标签设为1，若低于0.5的则设为0；模型的二分类的Log损失如下：
[0025][0026]其中，c
i
为类别，y(c
i
)是真实标签，N是分类器的数量，y
pre
(c
i
)和q(c
i
)分别是类别c
i
的正预测和负预测的概率，最终将分类器的Log损失值的平均值作为最终的损失值。
[0027]所述识别出混合气体的种类，包括：
[0028]将自动特征提取得到的结果输入多层感知器，识别出混合气体的种类；其中多层感知器由全连接组成。
[0029]所述对混合气体的浓度进行实时预测，包括：
[0030]将原始的时序数据组合，并选择有意义的高层次特征，将卷积神经网络CNN输出的高层次特征输入到循环神经网络RNN层，使用循环神经网络RNN对这些高层次特征在时间维度上进行分析，筛选出最适合用于时间上预测的特征；通过筛选好的特征向量拼接成全连接的方式，用于线性回归的计算，最终得出预测浓度值。
[0031]一种混合气体识别系统，包括：
[0032]数据采集模块，用于获取混合气体的多通道一维时间序列数据；
[0033]特征提取模块，用于对多通道一维时间序列数据进行一维卷积操作，对一维卷积操作之后的特征进行拼接处理，提取总体特征；对总体特征进行卷积和池化操作，得到特征提取的结果；
[0034]种类识别模块，用于利用多标签分类方法，从特征提取的结果中识别出混合气体的种类；
[0035]浓度预测模块，用于建立回归模型，利用卷积神经网络与循环神经网络，根据混合气体的种类，结合特征提取的结果，对混合气体的浓度进行实时预测。
[0036]一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
[0037]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
[0038]与现有技术相比，本专利技术具有以下有益效果：
[0039]本专利技术对于随机情况下的一维卷积神经网络1D
‑
DCNN混合气体种类识别方法，基于一维卷积神经络的多标签方式实现的，该方法能够自动提取特征并且能够将提取的特征进行分类识别出混合气体的种类，不需要将特征提取和分类训练分开，是一种端到端的分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混合气体识别方法，其特征在于，包括以下步骤：获取混合气体的多通道一维时间序列数据；对多通道一维时间序列数据进行一维卷积操作，对一维卷积操作之后的特征进行拼接处理，提取总体特征；对总体特征进行卷积和池化操作，得到特征提取的结果；利用多标签分类方法，从特征提取的结果中识别出混合气体的种类；建立回归模型，利用卷积神经网络与循环神经网络，根据混合气体的种类，结合特征提取的结果，对混合气体的浓度进行实时预测。2.根据权利要求1所述的混合气体识别方法，其特征在于，所述通过气体传感器阵列获取混合气体的多通道一维时间序列数据，包括：通过气体传感器阵列获取混合气体的多通道一维时间序列数据。3.根据权利要求1或2所述的混合气体识别方法，其特征在于，所述一维卷积操作具体如下：一维卷积方程如下：其中，A为输入序列，输入序列A的维度为(1,N
a
)，B为卷积核，卷积核B的维度为(1,N
b
)，C(j)表示为第j个神经元卷积的结果，且1≤j≤N
a
‑
N
b
+1；n表示每层卷积核的大小，权重的初始化采用Xavier初始化，Xavier初始化的均匀分布如下：其中，W表示均匀分布，U表示采样范围，m,n是每一层输入单元和输出单元的个数。4.根据权利要求1所述的混合气体识别方法，其特征在于，所述多标签分类方法，具体如下：目标气体的预测y
pre
如下：y
pre
＝sigmoid(W
T
h+b)
ꢀꢀꢀꢀ
(3)其中，sigmoid( )表示激活函数，W
T
表示第二层隐藏层的权重，T表示转置矩阵，h表示网络输入，b表示偏置项；采用sigmoid函数的输出作为分类的结果，对于输出的结果使用阈值为0.5作为评判准则，对输出值高于0.5的预测值标签设为1，若低于0.5的则设为0；模型的二分类的Log损失如下：其中，c
...

【专利技术属性】
技术研发人员：王宁，王金磊，马培元，练赛，雷绍充，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：