[發明專利]一種混合氣體種類與濃度識別方法、裝置及存儲介質

有效

• 申請號: 202011307743.5
• 申請日: 2020-11-19
• 公開（公告）號: CN112464999B
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 潘曉芳;張哲;張海恩;溫志煌;葉文彬
• 申請（專利權）人: 深圳大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G01N33/00
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 李靜玉

本發明公開了一種混合氣體種類與濃度識別方法、裝置及存儲介質，方法，該方法包括：獲取包含氣體信息的待識別氣體數據；基于編碼神經網絡，將待識別氣體數據進行處理，提取待識別氣體數據中的歷史特征和當前特征進行編碼，得到編碼后的數據；基于解碼神經網絡，將編碼后的數據經過轉錄層進行整合，輸出混合氣體的類別信息和相應的濃度信息。本發明實施例提供的混合氣體種類與濃度識別方法，采用編碼神經網絡和解碼神經網絡，能夠達成原始數據與預測結果的直接橋梁，省去各種數據預處理，達到端對端識別的效果。同時由于在整個識別過程中不遺漏篩選歷史數據信息，能夠得到氣體識別預測的最優解。

技術領域

本發明涉及機器學習技術領域，具體涉及一種混合氣體種類與濃度識別方法、裝置及存儲介質。

背景技術

目前市面上的氣體識別解決方案中，主要有兩種，一種傳統算法模型，另一種是使用了深度學習思想的算法模型。

對于基于傳統算法的模型而言，首先由于結構過于簡單，難以應對高精度識別的要求，并且泛化能力弱。再者對實驗數據要求苛刻，要求充分的氣體反應時間，需要完整的反應周期才能進行識別和分類，導致模型運用不夠靈活，分析時間較長。最后這些傳統算法需要人工進行數據提取，不同的方法對最后的識別效果也有不同影響，而這些方法都是基于主成分分析法(PCA)和獨立成分分析法(ICA)等線性方法，但由大多氣體傳感器陣列對混合氣體的響應信號呈非線性，導致氣體特征的提取變得復雜低效。

對于基于運用了深度學習思想的算法而言，這些使用了卷積神經網絡的方法僅僅通過當前時刻的特征去分析，不能結合歷史信息，很多前期反應的有效信息并沒有被利用，導致氣體識別準確率相對較低。

發明內容

有鑒于此，本發明實施例提供了一種混合氣體種類與濃度識別方法及裝置，以解決現有的氣體識別方法準確率較低的技術問題。

本發明提出的技術方案如下：

本發明實施例第一方面提供一種混合氣體種類與濃度識別方法，該識別方法包括：獲取包含氣體信息的待識別氣體數據；基于編碼神經網絡，將待識別氣體數據進行處理，提取待識別氣體數據中的歷史特征和當前特征進行編碼，得到編碼后的數據；基于解碼神經網絡，將所述編碼后的數據經過轉錄層進行整合，輸出混合氣體的類別信息和相應的濃度信息。

可選地，所述編碼神經網絡包括循環神經網絡和注意力網絡。

可選地，基于編碼神經網絡，將待識別氣體數據進行處理，提取待識別氣體數據中的歷史特征和當前特征進行編碼，得到編碼后的數據，包括：根據所述循環神經網絡將待識別氣體數據進行處理，得到每個時間步的背景向量；將所有時間步的背景向量通過所述注意力網絡進行加權平均，得到總體背景向量；將所述總體背景向量和最后一個時間步的背景向量進行連結，得到編碼后的數據。

可選地，根據所述循環神經網絡將待識別氣體數據進行處理，得到每個時間步的背景向量，包括：根據門控循環單元的復位門將待識別氣體數據中前一時間步的隱藏狀態信息寫入到當前時間步的候選隱藏狀態；根據門控循環單元的更新門將當前時間步的候選隱藏狀態和前一時間步的隱藏狀態進行整合，得到每個時間步的背景向量。

可選地，所述解碼神經網絡包括：兩層全連接層以及輸出函數，基于解碼神經網絡，將所述編碼后的數據經過轉錄層進行整合，輸出混合氣體的類別信息和相應的濃度信息，包括：將所述編碼后的數據經過兩層全連接層進行整合，通過輸出函數輸出混合氣體的類別信息和相應的濃度信息。

可選地，所述解碼神經網絡還包括：濃度匹配單元，基于解碼神經網絡，將所述編碼后的數據經過轉錄層進行整合，輸出混合氣體的類別信息和相應的濃度信息，還包括：將所述類別信息和相應的濃度信息進行匹配，得到預測氣體濃度范圍內的預測濃度值。