一种电子鼻气体识别方法、系统、电子设备及存储介质技术方案

本发明专利技术提供一种电子鼻气体识别方法、系统、电子设备及存储介质，方法包括：基于气体传感器阵列采集待识别气体的多通道一维时间序列数据；对待识别气体的多通道一维时间序列数据进行数据增强和数据变换，基于单一尺度的时间序列数据，生成多组尺度不同的时间子序列数据；将多组尺度不同的时间子序列数据输入预设气体识别网络，获取预设气体识别网络输出的待识别气体的类别。本发明专利技术对电子鼻气体识别问题进行了深入研究，通过数据变换方法得到多个分支提取不同频率和时间尺度的特征，可得到更加丰富的特征信息，结合分类器得到待测气体的种类标签，可实现高效、快速的气体识别。快速的气体识别。快速的气体识别。

【技术实现步骤摘要】
一种电子鼻气体识别方法、系统、电子设备及存储介质


[0001]本专利技术涉及人工嗅觉领域，更具体地，涉及一种电子鼻气体识别方法、系统、电子设备及存储介质。

技术介绍

[0002]电子鼻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，电子鼻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。
[0003]现有的人工嗅觉技术主要为机器嗅觉。机器嗅觉通常包括特征提取、分类识别两个步骤。其中特征提取可先通过例如小波滤波、卡尔曼滤波等一些滤波方法对数据进行滤波，目的是去除信号数据中环境因素和传感器漂移等因素造成的噪声干扰，可使得数据更加规范化。同时由于时间序列信号数据的特殊性，往往具有很高的维度特征，可以通过例如主成分分析等特征选择的方法对数据进行降维，避免糟糕的维度攻击，降低计算难度。最后，使用回归分类的方法完成分类识别，例如支持向量机、KNN、决策树和遗传算法等机器学习算法，实现不同种类气体的识别分类。
[0004]虽然机器嗅觉方法较为成熟，但同时也面临着一些问题。随着传感器行业技术的飞速发展，市面上的传感器种类与功能层出不穷，各种传感器的参数也大不相同，由于气体传感器的特殊性，气体传感器数据的收集较为困难，数据量小；同时，大量种类繁多的气体传感器进行数据收集，通常采用传感器阵列的形式，这将造成多种传感器阵列数据具有不同形式的量纲单位。在实际的气体检测方法中，由于传感器数据通常表现为时间序列信号，需要人为的根据信号波形设计特征，难度较大且通用性较差。
[0005]以往的结合深度学习和电子鼻气体识别的算法也常使用二维卷积作为模式识别方法，将气体检测时长和传感器个数作为气体信号的两种维度，进行卷积等操作。这种方法存在两方面弊端：第一，此时的气体信号数据虽然是二维的，但由于气体信号数据本质上属于多维时间序列信号，两个维度的具体含义并不相关，一个是时间特征，另一个是多通道传感器特征，采用二维卷积略为牵强；第二，相比较于一维卷积，二维卷积的时间复杂度和空间复杂度更高，需要更强的计算能力和大量的存储空间。

技术实现思路

[0006]本专利技术针对现有技术中存在的技术问题，提供一种电子鼻气体识别方法、系统、电子设备及存储介质。
[0007]根据本专利技术的第一方面，提供了一种电子鼻气体识别方法，包括：基于气体传感器阵列采集待识别气体的多通道一维时间序列数据；对所述待识别气体的多通道一维时间序列数据进行数据增强和数据变换，基于单一尺度的时间序列数据，生成多组尺度不同的时
间子序列数据；将多组尺度不同的时间子序列数据输入预设气体识别网络，获取所述预设气体识别网络输出的待识别气体的类别；其中，所述预设气体识别网路为基于不同类别气体的多通道一维时间序列数据以及对应的类别标签训练而来。
[0008]在上述技术方案的基础上，本专利技术还可以作出如下改进。
[0009]可选的，所述预设气体识别网路为基于不同类别气体的多通道一维时间序列数据以及对应的类别标签训练而来，包括：基于气体传感器阵列采集多种类别的气体的多通道一维时间序列数据；将任一类别气体的多通道一维时间序列数据进行数据增强，获得对应的多通道的多个时间子序列数据；对多个通道的对应时间子序列数据进行拼接，获得多个第一时间子序列数据；对多个第一时间子序列数据进行数据变换，获得多个第二时间子序列数据；基于多种类别气体的多个第二时间子序列数据以对应的气体类别标签，对气体识别网络进行训练，获得训练后的预设气体识别网络；其中，所述第一时间子序列数据和所述第二时间子序列数据的尺度不同。
[0010]可选的，所述将任一类别气体的多通道一维时间序列数据进行数据增强，获得对应的多通道的多个时间子序列数据，包括：对于每一个通道的原始一维时间序列数据T＝{t1，t2，
……
，t
n
}，采用对时间序列数据进行窗口切片方式，生成多个时间子序列数据为：S
i:j
＝{t
i
，t
i+1
，
…
，t
j
}，1≤i，j≤n；其中，i和j代表窗口切片起始点和结束点，对于正整数生成n
‑
s+1个时间子序列数据：Slicing(T，s)＝{S
1:S
，S
2:S+1
，
…
,S
n
‑
s+1:n
}；对多个通道的相对应的时间子序列数据进行拼接，获得每一类别的气体对应的多个第一时间子序列数据。
[0011]可选的，所述对多个第一时间子序列数据进行数据变换，获得多个第二时间子序列数据，包括：通过不同的采样率对任一个第一时间子序列数据进行下采样，得到下采样后的多个第三时间子序列数据；对每一个第三时间子序列数据，基于窗口移动平均值的方式进行平滑滤波，获得多个第二时间子序列数据。
[0012]可选的，所述预设气体识别网络包括残差收缩网络、全局特征提取网络和分类器；所述残差收缩网络，用于提取每一个第二时间子序列数据的多个分支特征；所述全局特征提取网络，用于将多个分支特征进行拼接，获得拼接特征；所述分类器，用于根据拼接特征，识别出对应的气体类别。
[0013]可选的，所述残差收缩网络包括一维卷积层、残差收缩模块和最大池化层；所述一维卷积层包括两个一维卷积，卷积核大小分别为8和5，卷积步长大小均为2；所述卷积收缩模块包括两层卷积层、多个残差收缩子单元和一个最大池化层，每一个残差收缩子单元包括两个整流线性单元激活函数、两个卷积层、恒等映射以及软阈值化子网络；其中，可通过所述残差收缩网络的自适应学习获得一维卷积层、残差收缩模块和最大池化层的权重。
[0014]根据本专利技术的第二方面，提供一种电子鼻气体识别系统，包括：采集模块，用于基于气体传感器阵列采集待识别气体的多通道一维时间序列数据；处理模块，用于对所述待识别气体的多通道一维时间序列数据进行数据增强和数据变换，基于单一尺度的时间序列数据，生成多组尺度不同的时间子序列数据；获取模块，用于将多组尺度不同的时间子序列数据输入预设气体识别网络，获取所述预设气体识别网络输出的待识别气体的类别；其中，所述预设气体识别网路为基于不同类别气体的多通道一维时间序列数据以及对应的类别标签训练而来。
[0015]根据本专利技术的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现电子鼻气体识别方法的步骤。
[0016]根据本专利技术的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现电子鼻气体识别方法的步骤。
[0017]本专利技术提供的一种电子鼻气体识别方法、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电子鼻气体识别方法，其特征在于，包括：基于气体传感器阵列采集待识别气体的多通道一维时间序列数据；对所述待识别气体的多通道一维时间序列数据进行数据增强和数据变换，基于单一尺度的时间序列数据，生成多组尺度不同的时间子序列数据；将多组尺度不同的时间子序列数据输入预设气体识别网络，获取所述预设气体识别网络输出的待识别气体的类别；其中，所述预设气体识别网路为基于不同类别气体的多通道一维时间序列数据以及对应的类别标签训练而来。2.根据权利要求1所述的电子鼻气体识别方法，其特征在于，所述预设气体识别网路为基于不同类别气体的多通道一维时间序列数据以及对应的类别标签训练而来，包括：基于气体传感器阵列采集多种类别气体的多通道一维时间序列数据；将任一类别气体的多通道一维时间序列数据进行数据增强，获得对应的多通道的多个时间子序列数据；对多个通道的对应时间子序列数据进行拼接，获得所述任一类别气体的多个第一时间子序列数据；对多个第一时间子序列数据进行数据变换，获得多个第二时间子序列数据；基于多种类别气体的多个第二时间子序列数据以及对应的气体类别标签，对气体识别网络进行训练，获得训练后的预设气体识别网络；其中，所述第一时间子序列数据和所述第二时间子序列数据的尺度不同。3.根据权利要求2所述的电子鼻气体识别方法，其特征在于，所述将任一类别气体的多通道一维时间序列数据进行数据增强，获得对应的多通道的多个时间子序列数据，包括：对于每一个通道的原始一维时间序列数据T＝{t1，t2，
……
，t
n
}，采用对时间序列数据进行窗口切片方式，生成多个时间子序列数据为：S
i:j
＝t
i
，t
i+1
，
…
，t
j
}，1≤i，j≤n；其中，i和j代表窗口切片起始点和结束点，对于正整数生成n
‑
s+1个时间子序列数据：Slicing(T，s)＝{S
1:
，S
2:+1
，
…
，S
n
‑
s+1:n
}；对多个通道的相对应的时间子序列数据进行拼接，获得每...

【专利技术属性】
技术研发人员：邹复好，李开，甘早斌，顾瑞洁，向文，卢萍，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：