【技术实现步骤摘要】
本专利技术属于气体传感器领域，涉及一种基于多维信息提取的气体智能识别方法，具体为一种基于气体传感器稳定和瞬态响应特性的多层感知机气体识别方法。
技术介绍
1、半导体气体传感器具有低成本、小型化、易集成等优点，且对多种气体具有良好的敏感特性而受到广泛关注。但也由于传感器对多种气体均有响应，存在交叉敏感性，传统的传感器无法实现对气体的智能识别，限制了气体传感器的应用。目前，采用多个性能各异的传感器组成阵列，通过各传感器对不同气体的响应值比较，解决交叉敏感问题，是实现混合气体各组分识别检测的最常用方法，但是所需传感器阵列规模较大，导致体积大、成本高。另一方面，传感器的性能指标除了常用的静态响应值(灵敏度)，还包括瞬态的响应/恢复特性，对不同气体多种特征参数的提取有望极大减小传感器阵列规模。
2、气体智能识别技术目前处于快速发展阶段，涵盖了气体传感器、特征提取和模式识别等领域。借助先进的传感器技术，实时检测和识别气体种类，其研究主要集中在传感器阵列材料的开发、数据分析方法的优化以及在各种分析任务如环境气体监测、人体呼出气体分析、食品质量安全等领域中的应用。气体智能识别不仅需要性能优异的传感器，还需要合适的数据分析和气体识别的方法。
3、模式识别是气体智能识别的核心，模式识别的算法优劣决定着气体识别的能力。深度学习神经网络是一类复杂的模式识别算法，可以有效地融合多种特征，将它们结合成一个统一的表征。其具有多层的结构，允许模型学习从低级特征到高级抽象特征的层次化表示。这种层次化的特征提取使得深度学习模型能够处理复杂的
4、但是，由于气体样本的采集相对于图像、声音等样本而言是一项费时费力的工作，且考虑到传感器漂移带来的误差，因此一般很难获取到大量准确已标记的气体样本进行实验。而深度学习算法都依托于大样本数据集的存在，若训练集样本过少，则模型极易发生过拟合，导致模型的精度较低。
技术实现思路
1、本专利技术针对现有不足，提出一种基于多维信息提取的气体智能识别方法，提取传感器感测不同气体时稳态响应数据及多种动态特征参数，结合多层感知机实现不同气体识别检测。
2、一种基于多维信息提取的气体智能识别方法，包括如下步骤：
3、步骤1.分别取两种不同的气敏材料，以集成两对传感电极的芯片做气体传感器电极芯片，制备集成传感器1(sensor1)和传感器2(sensor2)的传感器件，如图1所示。传感器件置于测试腔中，对传感器1，2施加恒定的工作电压2-5v，针对特定应用场景选择不同标准气体，分别设定不同浓度通入测试腔中，采集传感器对不同气体各检测浓度的动态响应数据；
4、步骤2.提取两个传感器对不同检测气体各浓度的响应灵敏度，通过一阶动力学方程对响应、恢复数据拟合提取传感器对不同检测气体各浓度的响应时间常数、恢复时间常数，建立传感器的特征参数数据集，并建立响应灵敏度、响应时间常数、恢复时间常数各特征参数与气体浓度的函数关系；
5、步骤3.将步骤2获得的传感器灵敏度、响应时间常数、恢复时间常数数据集划分为训练集和测试集，并根据步骤2获得的各特征参数-气体浓度函数关系，对训练集进行样本数据拟合扩充；
6、步骤4.对步骤3最终得到的数据集进行数据预处理；
7、步骤5.构建神经网络，确定多层感知机的输入层、隐藏层和输出层节点数，基于训练集对神经网络的权值和阈值参数进行优化；
8、步骤6.确定优化后的神经网络参数，构造神经网络预测模型，并对步骤4预处理后的测试数据集进行识别预测，最终识别出未知气体的种类和浓度。
9、作为优选，所述的第一传感器为fe亚纳米颗粒掺杂的石墨烯作为气敏材料，以硅基底、带有两对叉指电极的芯片。
10、作为优选，所述的第二传感器为ni亚纳米颗粒掺杂的石墨烯作为气敏材料，以硅基底、带有两对叉指电极的芯片。
11、作为优选，所述的神经网络模型包含两个具有64个神经元的隐藏层；这两个隐藏层的作用是学习数据的复杂特征表示；输入层的大小由数据的特征数决定，输出层神经元个数由应用中所需识别气体种类决定；模型通过softmax函数将输出映射为概率分布，用于多类别分类任务。
12、作为优选，所述的预处理包括缺失值处理，归一化。
13、作为优选，步骤5的模型参数优化是利用反向传播算法计算并更新神经网络中的权重，以最小化损失函数。
14、本专利技术所述的有益效果：
15、(1)本专利技术只需采用两个传感器即可进行气体识别，该方法简单易行、成本低、耗时短、体积小、易集成，有益于气体传感器的应用拓展。
16、(2)本专利技术提取了传感器灵敏度、动态响应参数、动态恢复参数等多维度信息，利用多种特征参数融合的方式使得传感器数据更全面、准确，增强了模型的鲁棒性，改进了使用单一特征识别带来的模型敏感不稳定的问题。
17、(3)本专利技术提取多维信息用于气体识别，有助于捕获数据中的复杂关系和交互作用，提高了模型的可靠性和适应性。
18、(4)本专利技术提出的基于多维信息提取的智能气体识别方法，方法简单，与传统传感器阵列相比，极大地缩小了器件体积，减少功耗，能够拓展应用于多种气体在线监测。
本文档来自技高网...【技术保护点】
1.一种基于多维信息提取的气体智能识别方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于多维信息提取的气体智能识别方法，其特征在于：所述的第一传感器为Fe亚纳米颗粒掺杂的石墨烯作为气敏材料，以硅基底、带有两对叉指电极的芯片。
3.根据权利要求1所述的一种基于多维信息提取的气体智能识别方法，其特征在于：所述的第二传感器为Ni亚纳米颗粒掺杂的石墨烯作为气敏材料，以硅基底、带有两对叉指电极的芯片。
4.根据权利要求1所述的一种基于多维信息提取的气体智能识别方法，其特征在于：所述的神经网络模型包含两个具有64个神经元的隐藏层；这两个隐藏层的作用是学习数据的复杂特征表示；输入层的大小由数据的特征数决定，输出层神经元个数由应用中所需识别气体种类决定；模型通过softmax函数将输出映射为概率分布，用于多类别分类任务。
5.根据权利要求1所述的一种基于多维信息提取的气体智能识别方法，其特征在于：所述的预处理包括缺失值处理，归一化。
6.根据权利要求1所述的一种基于多维信息提取的气体智能识别方法，其特征在于：其特征在于，
...【技术特征摘要】
1.一种基于多维信息提取的气体智能识别方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于多维信息提取的气体智能识别方法，其特征在于：所述的第一传感器为fe亚纳米颗粒掺杂的石墨烯作为气敏材料，以硅基底、带有两对叉指电极的芯片。
3.根据权利要求1所述的一种基于多维信息提取的气体智能识别方法，其特征在于：所述的第二传感器为ni亚纳米颗粒掺杂的石墨烯作为气敏材料，以硅基底、带有两对叉指电极的芯片。
4.根据权利要求1所述的一种基于多维信息提取的气体智能识别方法，其特征在于：所述的神经网络模...
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。