[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202111227007.3
• 申請日: 2021-10-21
• 公開（公告）號: CN113948203A
• 公開（公告）日: 2022-01-18
• 發(fā)明（設(shè)計(jì)）人: 姚清河;陳澤森;陳衍亨;趙提勇
• 申請（專利權(quán)）人: 中山大學(xué)
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70;G06N3/04;G06N3/08
• 代理公司: 北京睿智保誠專利代理事務(wù)所(普通合伙) 11732
• 代理人: 韓迎之

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速預(yù)測方法，其特征在于，包括以下步驟：

獲取氣體，利用氣體傳感器陣列對氣體識別；

獲取氣體傳感器陣列對氣體識別的響應(yīng)曲線；

從響應(yīng)曲線中獲取提取特征值；

對特征值進(jìn)行預(yù)處理及歸一化，得到特征數(shù)據(jù)集；

將所述特征數(shù)據(jù)集隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

將訓(xùn)練數(shù)據(jù)集輸入到CNN神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到預(yù)測神經(jīng)網(wǎng)絡(luò)模型。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速預(yù)測方法，其特征在于，還包括利用測試數(shù)據(jù)集對所述預(yù)測神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢測。

3.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速預(yù)測方法，其特征在于，所述特征值包括曲線積分面積之和，最大響應(yīng)值、上升段最大正斜率以及振幅。

4.根據(jù)權(quán)利要求3所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速預(yù)測方法，其特征在于，曲線積分面積之和，采用一階牛頓-柯特斯閉型積分公式，具體計(jì)算為：

其中，h是積分步長，即曲線上相鄰兩點(diǎn)橫坐標(biāo)之間的距離；n表示把積分區(qū)域平均分成n等份；f(x_i)和f(x_i+1)分別是曲線上第i個和第i+1個函數(shù)值。

5.根據(jù)權(quán)利要求3所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速預(yù)測方法，其特征在于，最大響應(yīng)值即為曲線上最高點(diǎn)的函數(shù)值：

M＝f(x)_max。

6.根據(jù)權(quán)利要求3所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速預(yù)測方法，其特征在于，振幅為曲線最大響應(yīng)值與穩(wěn)定值之差：

A＝f(x)_max-f(x)₁；

其中，f(x)₁為穩(wěn)定值。

7.根據(jù)權(quán)利要求3所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速預(yù)測方法，其特征在于，上升段最大正斜率計(jì)算如下：

其中，x取值范圍為上升沿區(qū)域。

8.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速預(yù)測方法，其特征在于，CNN神經(jīng)網(wǎng)絡(luò)包括輸入層、2個卷積層、1個池化層、1個全連接層、1個Softmax層、輸出層；

輸入層：接受歸一化處理后的單個訓(xùn)練樣本；

2個卷積層：增加網(wǎng)絡(luò)深度，并通過卷積進(jìn)一步提取輸入信號中的隱藏特征；

池化層：接受卷積層的輸出值作為輸入值，對特征進(jìn)行壓縮，除去冗余信息，減小計(jì)算量；

全連接層：接受池化層的的輸出值作為輸入值，輸出值是E個元素，其中E代表預(yù)測情況；

Softmax層：采用Softmax函數(shù)作為激活函數(shù)，把任意一個m維向量壓縮到另一個m維向量，使得每一個元素的范圍都在(0,1)之間，并且所有的元素之和為1；

輸出層：將Softmax層的輸出值作為預(yù)測依據(jù)。

9.根據(jù)權(quán)利要求8所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的快速預(yù)測方法，其特征在于，卷積層的公式具體為:

s(i，j)＝(X*W)(i，j)＝∑m∑nx(i+m，j+n)w(m，n)；

其中，W為卷積核，X為輸入張量。