支持在线学习的气体识别方法、装置、设备、介质和产品制造方法及图纸

本申请涉及一种支持在线学习的气体识别方法、装置、设备、介质和产品。所述方法包括：基于预存的多种样本气体的网络参数，对采集的目标气体的气体类型进行识别，得到目标气体的气体类型识别结果；其中，各网络参数是基于仿生嗅觉神经网络预先学习多种样本气体的气体类型时生成的。本方法通过提前学习多种样本气体获取网络参数，提高了目标气体的识别精度。提高了目标气体的识别精度。提高了目标气体的识别精度。

【技术实现步骤摘要】
支持在线学习的气体识别方法、装置、设备、介质和产品


[0001]本申请涉及气体检测
，特别是涉及一种支持在线学习的气体识别方法、装置、设备、介质和产品。

技术介绍

[0002]随着化学工业的发展，易燃、易爆、有毒气体的种类在不断增加，应用范围也在不断扩大，这些气体在生产、运输、使用过程中一旦发生泄漏，将会引发中毒、火灾甚至爆炸事故，严重危害人民的生命和财产安全。因此，对气体进行快速准确的检测十分重要。
[0003]通常，对气体的检测是通过电子鼻来实现的，电子鼻是一种模拟哺乳动物嗅觉系统的仿生检测技术。电子鼻中包括气体传感器、模拟前端芯片以及气体识别处理器，其中，气体识别处理器对电子鼻最终的气体识别结果起着决定性的重要作用。
[0004]然而，相关技术中的气体识别处理器在识别气体时识别精度较低。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高气体识别精度的支持在线学习的气体识别方法、装置、设备、介质和产品。
[0006]第一方面，本申请提供了一种气体识别方法。该方法包括：
[0007]基于预存的多种样本气体的网络参数，对采集的目标气体的气体类型进行识别，得到目标气体的气体类型识别结果；
[0008]其中，各网络参数是基于仿生嗅觉神经网络预先学习多种样本气体的气体类型时生成的。
[0009]在其中一个实施例中，仿生嗅觉神经网络包括兴奋层和抑制层，每种样本气体的网络参数包括在兴奋层处的标准脉冲发射时间，以及兴奋层和抑制层之间神经元突触的权重信息，则基于预存的多种样本气体的网络参数，对采集的目标气体的气体类型进行识别，得到目标气体的气体类型识别结果，包括：
[0010]获取气体识别处理器分别以每种样本气体对应的神经元突触的权重信息对目标气体进行识别时，目标气体在兴奋层处的目标脉冲发射时间；
[0011]对比目标脉冲发射时间与各标准脉冲发射时间；
[0012]将与目标脉冲发射时间相似度最高的标准脉冲发射时间对应的样本气体的类型，作为目标气体的气体类型。
[0013]在其中一个实施例中，该方法还包括：
[0014]对目标气体进行量化和规范化处理，得到气体规范数字信号；
[0015]将气体规范数字信号转换为脉冲信号；
[0016]在其中一个实施例中，该方法还包括：
[0017]通过异步逻辑控制电路控制气体识别处理器执行对目标气体的气体类型进行识别的过程。
[0018]在其中一个实施例中，异步逻辑控制电路包括信号控制单元和信号触发器；气体识别处理器中包括多个不同的功能模块，每种功能模块均连接一个信号控制单元和一个信号触发器；
[0019]通过异步逻辑控制电路控制气体识别处理器执行对目标气体的气体类型进行识别的过程，包括：
[0020]通过信号控制单元将当前功能模块的启动信号转换为控制信号；
[0021]通过信号触发器将控制信号输入至当前功能模块中，指示当前功能模块开始执行对应功能。
[0022]在其中一个实施例中，多种气体的网络参数的生成过程包括：
[0023]获取多种样本气体的脉冲信号；
[0024]通过各脉冲信号更新仿生嗅觉神经网络的网络参数，直至仿生嗅觉神经网络收敛，得到多种样本气体的网络参数。
[0025]在其中一个实施例中，网络参数包括仿生嗅觉神经网络中兴奋层与抑制层之间神经元突触的权重信息，以及各样本气体在兴奋层处的脉冲发射时间，则通过各脉冲信号更新仿生嗅觉神经网络的网络参数，直至仿生嗅觉神经网络收敛，包括：
[0026]针对每一个样本气体，获取样本气体的脉冲信号在兴奋层处的第一脉冲发射时间和在抑制层处的第二脉冲发射时间；
[0027]根据第一脉冲发射时间和第二脉冲发射时间之间的时间差，获取权重变化量；
[0028]基于权重变化量更新神经元突触的权重信息；
[0029]迭代执行多次，若权重变化量为零，确定仿生嗅觉神经网络收敛。
[0030]在其中一个实施例中，该方法还包括：
[0031]通过异步逻辑控制电路控制仿生嗅觉神经网络执行通过各脉冲信号更新仿生嗅觉神经网络的网络参数，直至仿生嗅觉神经网络收敛的过程。
[0032]在其中一个实施例中，异步逻辑控制电路包括信号控制单元和使能控制单元，若权重变化量为零，确定仿生嗅觉神经网络收敛，包括：
[0033]若权重变化量为零，通过使能控制单元向与兴奋层连接的信号控制单元发送使能信号，指示仿生嗅觉神经网络收敛。
[0034]在其中一个实施例中，该方法还包括：
[0035]在仿生嗅觉神经网络收敛后，对多种样本气体的网络参数进行存储。
[0036]第二方面，本申请还提供了一种气体识别装置。该装置包括：
[0037]气体识别处理器，用于基于预存的多种样本气体的网络参数，对采集的目标气体的气体类型进行识别，得到目标气体的气体类型识别结果；其中，各网络参数是基于仿生嗅觉神经网络预先学习多种样本气体的气体类型时生成的。
[0038]第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面中任一个气体识别方法实施例中的步骤。
[0039]第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一个气体识别方法实施例中的步骤。
[0040]第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一个气体识别方法实施例中的步骤：
[0041]本申请实施例提供的支持在线学习的气体识别方法、装置、设备、介质和产品，基于预存的多种样本气体的网络参数，对采集的目标气体的气体类型进行识别，得到目标气体的气体类型识别结果。其中，各网络参数是基于仿生嗅觉神经网络预先学习多种样本气体的气体类型时生成的。该方法通过提前学习多种样本气体，将多种样本气体的网络参数预存下来，在识别目标气体时调用提前预存好的网络参数，通过识别目标气体的网络参数，同时可以在识别目标气体后继续进行样本气体的学习，提高了气体识别精度。
附图说明
[0042]图1为一个实施例中气体识别方法的应用环境图；
[0043]图2为一个实施例中气体识别方法的流程示意图；
[0044]图3为另一个实施例中气体识别方法的流程示意图；
[0045]图4为另一个实施例中气体识别方法的流程示意图；
[0046]图5为另一个实施例中气体识别方法的流程示意图；
[0047]图6为一个实施例中气体识别方法的电路逻辑示意图；
[0048]图7为另一个实施例中气体识别方法的流程示意图；
[0049]图8为另一个实施例中气体识别方法的流程示意图；
[0050]图9为另本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气体识别方法，其特征在于，所述方法包括：基于预存的多种样本气体的网络参数，对采集的目标气体的气体类型进行识别，得到所述目标气体的气体类型识别结果；其中，各所述网络参数是基于仿生嗅觉神经网络预先学习多种样本气体的气体类型时生成的。2.根据权利要求1所述的方法，其特征在于，所述仿生嗅觉神经网络包括兴奋层和抑制层，每种样本气体的网络参数包括在所述兴奋层处的标准脉冲发射时间，以及所述兴奋层和所述抑制层之间神经元突触的权重信息；所述基于预存的多种样本气体的网络参数，对采集的目标气体的气体类型进行识别，得到所述目标气体的气体类型识别结果，包括：获取气体识别处理器分别以每种样本气体对应的神经元突触的权重信息对所述目标气体进行识别时，所述目标气体在所述兴奋层处的目标脉冲发射时间；对比所述目标脉冲发射时间与各所述标准脉冲发射时间；将与所述目标脉冲发射时间相似度最高的标准脉冲发射时间对应的样本气体的类型，作为所述目标气体的气体类型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：对所述目标气体进行量化和规范化处理，得到气体规范数字信号；将所述气体规范数字信号转换为脉冲信号。4.根据权利要求1至3任意一项所述的方法，其特征在于，所述方法还包括：通过异步逻辑控制电路控制气体识别处理器执行对所述目标气体的气体类型进行识别的过程。5.根据权利要求4所述的方法，其特征在于，所述异步逻辑控制电路包括信号控制单元和信号触发器；所述气体识别处理器中包括多个不同的功能模块，每种功能模块均连接一个信号控制单元和一个信号触发器；所述通过异步逻辑控制电路控制所述气体识别处理器执行对所述目标气体的气体类型进行识别的过程，包括：通过所述信号控制单元将当前功能模块的启动信号转换为控制信号；通过所述信号触发器将所述控制信号输入至所述当前功能模块中，指示所述当前功能模块开始执行对应功能。6.根据权利要求1至3任意一项所述的方法，其特征在于，所述多种气体的网络参数的生成过程包括：获取多种样本气体的脉冲信号；通过各所述脉冲信号更新所述仿生嗅觉神经网络的网络参数，直至所述仿生嗅觉神经网络收敛，得到多种样本气体的网络参数。7.根据权利要求6所述的方法，其...

【专利技术属性】
技术研发人员：陈虹，霍德萱，张吉霖，
申请(专利权)人：清华大学，
类型：发明
国别省市：