【技术实现步骤摘要】
本专利技术属于电子鼻系统信息采集，具体涉及一种电子鼻系统气体浓度量化估计方法。
技术介绍
1、电子鼻作为模拟哺乳动物嗅觉系统以实现扩展人类嗅觉边界的检测仪器，通过专属的气体传感器阵列获取不同气体的指纹信息，与合适的模式识别算法结合，从而达到气体识别或者浓度量化的目的。相比传统的气相色谱质谱仪等气体检测方法，电子鼻系统具有体积较小、操作简单、检测周期短、易实现自动化检测等优势，在农业产品质量控制、食品工业、环境监测与保护、医疗疾病诊断、航天航空等领域发挥十分重要的作用。在食品和饮料工业中，电子鼻可以评估和监控食品的质量和新鲜度，例如，检测肉类和鱼类的腐败，评估酒类的成熟度和品质等。这样不仅有助于提升产品质量，而且有利于消费者健康。电子鼻可以用于监测和探测环境中的有害气体和化学物质，如在城市大气污染控制、工厂废气监测、危险气体泄漏检测等方面都具有广泛的应用。电子鼻也在医疗健康领域发挥着重要作用。如今，人们正在研究使用电子鼻检测患者呼出气体中的特定化合物，以此作为疾病的早期标记，这可能会在早期诊断和预防疾病方面起到关键作用。在有毒或易燃气体泄漏的场景中，电子鼻可以迅速检测出这些气体，有助于及时采取措施，避免人员伤害和财产损失。
2、传统的模式识别算法需要多个阶段的数据处理，包括特征提取、降维和分类等，这可能造成信息的丢失，最后的预测结果会受前期的数据过程的密切影响,并且最后浓度量化的结果大大依赖于特征提取的质量，且目前电子鼻相关的研究主要针对电子鼻的定性分析，对于气体定量回归相关方法的研究还远远不够。电子鼻模式识别算法对于
技术实现思路
1、为了克服现有技术中的问题，本专利技术提出了一种电子鼻系统气体浓度量化估计方法。
2、本专利技术解决上述技术问题的技术方案如下：
3、本专利技术提供了一种电子鼻系统气体浓度量化估计方法，用于实现气体浓度的量化，包括以下步骤：
4、步骤1.利用阵列气体传感器实时采集样品散发气体的有响应电阻数据，获得原始数据集，所述原始数据集由每一个气体传感器获得的一维时间序列数据集合组成；
5、步骤2.将每一个气体传感器获得的一维时间数据序列，经过变分模态分解，提取有效模态分量进行数据重构完成滤波操作，获得滤波后的一维时间序列数据；
6、步骤3.将所述滤波后的一维时间序列数据经去基线预处理后，编码为二维纹理图像；
7、步骤4.基于气体残差网络、长短时记忆网络和幽灵模块，构建气体浓度量化估计模型，通过二维纹理图像预训练模型相关参数，将训练得到的气体浓度量化估计模型用于气体浓度结果量化。
8、进一步地，所述步骤2中将每一个气体传感器获得的一维时间序列数据，经变分模态分解，提取有效模态分量进行数据重构完成滤波操作，获得滤波后的数据，具体包括：
9、采用变分模态分解滤波算法，降低冗余信息，采用互信息法对每一个气体传感器信号进行滤波算法中有效模态的选取，根据公式(1)计算每一个传感器信号的各模态分量xi与该传感器原始信号y的互信息量i(fi,y)：
10、
11、式(1)中，fi(i＝1,2,...,8)表示各个模态分量，此处提取8个分量，y表示原始信号，fid表示第i个模态分量fi中的第d个值，d为fi样本fid的数量，yj表示该传感器原始信号y中的第j个值，j为y样本yj的数量，p(fid,yj)表示xi和y的样本的联合概率密度函数，p(fid)表示fi的各分量样本fid的边缘概率密度函数，p(yj)表示y的各分量样本yj的边缘概率分布函数；
12、根据公式(2)对每一个互信息量进行归一化处理得到βi：
13、
14、
15、式(2)中，βm表示对βi取得的均值，k是变分模态分解得到的分量的个数，此处k＝8；若βi≥βm，则认为该分量fi为有效分量，并予以保留，否则删除；将每一个气体传感器的原始响应信号计算得到的有效分量叠加形成新的序列，获得滤波后的传感器阵列数据h(t)：
16、
17、式(3)中，hm(td)表示滤波后在td时刻第m个传感器的响应值。
18、进一步地，所述步骤3中将所述滤波后的数据经过去基线预处理，将去基线预处理后的数据编码为二维纹理图像，具体包括：
19、对所述获得的滤波后数据h(t)，对每一列数据执行去除基线操作以消除基线电压的影响；完成去基线操作后，将传感器阵列信号按列展开，获得按照传感器序号进行首尾相接的级联信号x(t)，表示为：
20、x(t)＝{x1(t1),x1(t2),x1(t3),…,xm(td-1),xm(td)} (4)
21、xm(td)表示去基线处理后在td时刻第m个传感器的响应值；根据公式(5)将x(t)转换成包括阵列时空信息的格拉姆角场图像g：
22、
23、式(5)中，i为单位行向量，表示将序列x(t)进行归一化操作后，调整至[-1,1]范围内获得的样本序列；为的转置，φmd(m＝1,2,...,m,d＝1,2,...,d)表示中第点对应的极坐标角度。
24、进一步地，所述步骤4中基于气体残差网络、长短时记忆网络和幽灵模块，构建气体浓度量化估计模型，具体包括：
25、构建gas resnet-lstm-ghost浓度预测模型，所述模块包括一个7×7卷积运算模块、8个融合ghost module的残差模块、一个自适应平均池层、一个长短时记忆神经网络层、一个全连接层，输出气体的浓度值；
26、结合gas resnet的权值共享特性和lstm的记忆特性挖掘出气体传感器阵列的时空特征；
27、8个融合ghost module的残差模块构成了gas resnet网络部分，用来提取阵列数据的时空特征，对于嵌入ghost模块的gas resnet部分的每一个标准模块包括一个残差支路和一个short-cut支路，采用两个3×3卷积，传递底层的信息，ghost module用于提取特征矩阵中更深层的时空特征；
28、经过gas resnet网络的输出被传输到自适应平均池化层，以进一步增强感受野，从而提取更深层的传感信息；
29、经过处理后的传感序列信号输入到lstm模块，lstm模块学习输入序列中的时序关系，将gas resnet提取的时空特征进行时序建模，以更好地捕捉数据的时间相关性信息。
30、与现有技术相比，本专利技术具有如下技术效果：
31、(1)本专利技术使用建立的电子鼻系统获取本文档来自技高网...
【技术保护点】
1.一种电子鼻系统气体浓度量化估计方法，用于实现气体浓度的量化，其特征在于，包括以下步骤：
2.根据权利要求1所述的电子鼻系统气体浓度量化估计方法，其特征在于，所述步骤2中将气体传感器阵列中每一个传感器产生的一维时间序列数据，经变分模态分解，提取有效模态分量进行数据重构完成滤波操作，获得滤波后的数据，具体包括：
3.根据权利要求1所述的电子鼻系统气体浓度量化估计方法，其特征在于，所述步骤3中将所述滤波后的数据经过去基线预处理，将去基线预处理后的数据编码为二维纹理图像，具体包括：
4.根据权利要求1所述的电子鼻系统气体浓度量化估计方法，其特征在于，所述步骤4中基于气体残差网络、长短时记忆网络和幽灵模块，构建气体浓度量化估计模型，具体包括：
【技术特征摘要】
1.一种电子鼻系统气体浓度量化估计方法，用于实现气体浓度的量化，其特征在于，包括以下步骤：
2.根据权利要求1所述的电子鼻系统气体浓度量化估计方法，其特征在于，所述步骤2中将气体传感器阵列中每一个传感器产生的一维时间序列数据，经变分模态分解，提取有效模态分量进行数据重构完成滤波操作，获得滤波后的数据，具体包括：
3...
【专利技术属性】
技术研发人员：魏广芬，刘晓玉，何爱香，林忠海，于德焘，唐小明，
申请(专利权)人：山东工商学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。