【技术实现步骤摘要】
本专利技术属于气体检测，具体涉及一种气体传感器漂移补偿方法。
技术介绍
1、由气体传感器阵列和模式识别模型组成的电子鼻已被广泛用作不同领域的气体分析方法。电子鼻系统是传感器技术与人工智能技术的结合，通过对待测气体进行感知、分析、识别和判断，从而实现嗅觉功能的模拟，扩展嗅觉功能。由于材料科学、微电子学、人工智能信息的发展，电子鼻的发展也非常迅速，目前已应用于空气质量监测、食品分析和医学诊断等领域。然而，电子鼻系统在发展过程中仍存在很多尚待解决的问题。电子鼻系统中的气体传感器通常会由于传感器表面老化、环境变化或传感器中毒而发生漂移，造成其本身的属性发生不可逆转的改变，影响传感器的识别精度，缩减传感器寿命。特别是，金属氧化物气体传感器因为其成本低、操作简便和空间覆盖范围广而被广泛使用，但由于其易漂移性，会对传感器响应造成不规则干扰，导致测量读数不准确，使得传感器可靠性下降。数据的不稳定性和不规律性导致后续的分类或量化算法无法准确进行。因此，解决金属氧化物气体传感器的漂移问题对实现电子鼻的准确测量以及延长传感器的使用寿命具有非常重要的意义。
2、近年来，各种漂移补偿方法取得了丰硕的成果。气体传感器漂移补偿算法可分为三类，包括信号处理方法、定期校正方法和自适应方法。信号处理方法包括基线操作和滤波，用以补偿气体传感器响应中存在的加性漂移和乘性漂移，或者通过时频转换去除最低频率的部分来消除漂移，但是漂移信号的复杂性使得这种方法难以去除全部的漂移。定期校正方法包括分量校正和调谐方法，通过假设观察到的漂移是有方向的来去除漂移分量，但仍
3、经过这些处理后，电子鼻模型的性能得到了一定程度的改善，但由于漂移数据与非漂移数据的概率分布的差异，需要使用新样本进行重新训练或重新校准。基于深度学习算法的电子鼻域自适应方法已被提出，但是由于气体传感器的易漂移性，往往难以对待测气体进行长时间的准确定性分析。并且，漂移对传感器性能产生的影响是不可逆的。因此，在来自传感器内部和外部干扰的影响下，消除传感器响应信号中隐藏的干扰特征，并提取代表性特征是非常有难度的。
技术实现思路
1、为解决当前气体传感器漂移补偿方法中缺少对干扰特征的自适应去除，并且对于特征提取，仅限于一维时序，并没有尝试其他能捕捉时间相关性的特征提取方法。将一维时间序列转化为图像，并且通过特征融合，提取不同尺度的特征信息，进而提出基于图像融合和残差收缩的气体传感器漂移补偿方法。
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气体传感器漂移补偿方法，包括以下步骤：
4、步骤100.对气体传感器阵列漂移数据集进行二维图像转换，得到气体传感器响应的特征图像；
5、步骤200.根据漂移场景，将所述气体传感器阵列漂移数据集划分为训练集和测试集；
6、步骤300.构建图像融合的残差收缩网络分类模型，并进行模型训练，利用训练好的图像融合的残差收缩网络分类模型，进行气体传感器漂移数据的分类。
7、进一步地，所述步骤100包括：
8、使用格拉米角场、马尔可夫变迁场和递归图分别对气体传感器阵列漂移数据集中数据进行二维图像的转换，分别转换为灰度图；
9、将三种灰度图融合为一张彩色图，即气体传感器响应的特征图像，进而得到气体传感器响应的特征图像数据集。
10、进一步地，步骤100中使用格拉米角场对气体传感器阵列漂移数据集中数据进行二维图像的转换，具体包括：
11、使用角余弦和函数进行计算，得到格拉米角场；
12、
13、
14、
15、
16、x＝[x1,x2,...,xn]
17、上式中，g表示格拉米角场；φi和φj表示归一化后数据的角余弦，是数据在极坐标系中的表示值；x表示气体传感器响应的一维时间序列，xi和xj分别表示气体传感器第i时刻和第j时刻的响应，即表示时间序列x中的第i时刻和第j时刻的采样点数据，i＝1,2,…,n，j＝1,2,…,n,其中n表示一个测试样本的采样点数，也就是相应一维时间序列的长度；表示对传感器响应的归一化，xmax表示响应最大值，xmin表示响应最小值。
18、进一步地，步骤100中使用马尔可夫变迁场对气体传感器阵列漂移数据集中数据进行二维图像的转换，具体包括：
19、沿时间轴方向以第一阶马尔可夫链的思想计算分位数箱之间的转移，构建一个q×q的马尔可夫转移矩阵w；
20、
21、根据时间序列x的取值范围将其划分为q个分位数箱，将每个xt(t∈{2,…,n})映射到对应的qk(k∈[1,q])中；其中，qk表示第k个分位箱；xt表示时间序列x中的第t时刻的采样点数据；wa,b(a,b∈[1,q])＝p(xi∈qb|xi-1∈qa)代表分位箱qb中采样点跟随分位箱qa的概率，p(·)代表转移概率；
22、按照每个时间跨度顺序排列每个概率来扩展马尔可夫矩阵w，得到马尔可夫变迁场矩阵m；
23、
24、上式中，代表采样点数据xi对应的分位箱；代表第i时刻的采样点数据xi对应的分位箱到第j时刻的采样点数据xj对应的分位箱之间的转移概率。
25、进一步地，步骤100中使用递归图对气体传感器阵列漂移数据集中数据进行二维图像的转换，具体包括：
26、
27、
28、
29、上式中，表示递归图，其中||xi-xj||表示一维时间序列中第i时刻的采样点数据xi和第j时刻的采样点数据xj之间的距离，ε表示阈值距离，θ(·)是赫维赛德函数，表示xi和xj之间距离与所设定阈值ε的差值。
30、进一步地，所述残差收缩网络分类模型包括依次连接的卷积层、残差收缩模块、bn层、relu激活函数、gap层、fc层及输出层；
31、其中，所述残差收缩模块包括依次连接的第一卷积模块、第二卷积模块、软阈值化处理子模块、scale层；所述软阈值化处理子模块包括gap层、第一全连接层、bn层和激活函数relu、第二全连接层、激活函数sigmoid、第二融合层；所述gap层将所述第二卷积模块卷积处理后的特征提取能够突出特征的采样点特征；所述第一全连接层将所述最大池化层提取的采样点特征进行全连接处理，再经bn层，激活函数relu学习特征的软阈值；所述第二全连接层将所述学习特征的软阈值进行全连接处理，再经激活函数sigmoid生成系数；所述第二融合层将所述全局平均池化层提取的采样点特征和激活函数sigmoid系数计算出的系数进行相乘；所述scale层通过软阈值对第二卷积模块的输出进行滤波处理。
32、进一步地，所述scale层利用得到的阈值对特征进行滤波。，软阈值函数表示为：
33、
34、上式中，m表示输入，s表示输出，τ表示阈值。
35、与现有技术相比，本本文档来自技高网...
【技术保护点】
1.一种气体传感器漂移补偿方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种气体传感器漂移补偿方法，其特征在于，所述步骤100包括：
3.根据权利要求2所述的一种气体传感器漂移补偿方法，其特征在于，步骤100中使用格拉米角场对气体传感器阵列漂移数据集中数据进行二维图像的转换，具体包括：
4.根据权利要求3所述的一种气体传感器漂移补偿方法，其特征在于，步骤100中使用马尔可夫变迁场对气体传感器阵列漂移数据集中数据进行二维图像的转换，具体包括：
5.根据权利要求4所述的一种气体传感器漂移补偿方法，其特征在于，步骤100中使用递归图对气体传感器阵列漂移数据集中数据进行二维图像的转换，具体包括：
6.根据权利要求1所述的一种气体传感器漂移补偿方法，其特征在于，所述步骤300中残差收缩网络分类模型包括依次连接的卷积层、残差收缩模块、BN层、ReLU激活函数、GAP层、FC层及输出层；
7.根据权利要求6所述的一种气体传感器漂移补偿方法，其特征在于，所述Scale层利用软阈值函数对特征进行滤波，软阈值函数表示
...【技术特征摘要】
1.一种气体传感器漂移补偿方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种气体传感器漂移补偿方法，其特征在于，所述步骤100包括：
3.根据权利要求2所述的一种气体传感器漂移补偿方法，其特征在于，步骤100中使用格拉米角场对气体传感器阵列漂移数据集中数据进行二维图像的转换，具体包括：
4.根据权利要求3所述的一种气体传感器漂移补偿方法，其特征在于，步骤100中使用马尔可夫变迁场对气体传感器阵列漂移数据集中数据进行二维图像的转换，具体包括：
...【专利技术属性】
技术研发人员：魏广芬，徐媛，张薇，何爱香，林忠海，焦莎莎，
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。