本发明属于机器学习领域,更具体地,涉及一种基于电子鼻系统的多组分气体检测方法及装置。
背景技术:
1、目前电子鼻系统的研究主要针对电子鼻的单一组分气体的定性分析,对定量回归以及多组分条件下的研究尚为浅薄。电子鼻模式识算法对于气体浓度预测的精度至关重要,对于当前电子鼻算法的研究主要基于传统的神经网络算法,虽然可以较好地对气体浓度进行预测,但在气体浓度预测精度上还有很大的提升空间。
2、因此,如何提升气体浓度检测的精确度和效率,是当前亟需解决的技术问题。
技术实现思路
1、针对现有技术的缺陷,本发明的目的在于提出一种基于电子鼻系统的多组分气体检测方法及装置,旨在解决提升气体浓度检测的精确度和效率的问题。
2、为实现上述目的,第一方面本发明提供了一种基于电子鼻系统的多组分气体检测方法,包括:
3、通过电子鼻系统采集多组分气体样本,对所述多组分气体样本进行气体种类识别,得到所述多组分气体样本的识别结果;
4、在确定所述多组分气体样本的气体种类的情况下,将所述多组分气体样本的测试集输入至训练好的混合神经网络中,得到所述测试集的二维检测结果,所述二维检测结果包括所述测试集对应的多组分气体样本中每一维气体的气体浓度;
5、其中,所述训练好的混合神经网络是基于长短期记忆神经网络和全连接层构建,并基于多组分气体样本的训练集和所述训练集对应的检测标签进行训练得到的。
6、在一些实施例中,所述训练好的混合神经网络的训练方法包括:
7、采集多组分气体样本作为训练集;
8、将所述训练集输入至已构建的混合神经网络中,通过所述混合神经网络的全连接层输出所述训练集的二维检测结果,所述二维检测结果包括所述训练集对应的多组分气体样本中每一维气体的气体浓度;
9、将所述二维检测结果与所述检测标签进行比较,计算损失函数,基于所述损失函数对所述已构建的混合神经网络进行参数调整,直至模型收敛得到所述训练好的混合神经网络。
10、在一些实施例中,所述对所述多组分气体样本进行气体种类识别,得到所述多组分气体样本的识别结果,包括:
11、对所述多组分气体样本进行特征提取,得到电子鼻系统气体响应曲线的动力学特征;
12、基于所述动力学特征构建特征矩阵,将所述特征矩阵输入至多种模式识别算法模型中,得到各所述模式识别算法模型对应的检测准确率;
13、基于各所述检测准确率进行算法集成,将所述检测准确率的概率之和最大的气体种类作为所述多组分气体样本的气体种类的识别结果。
14、在一些实施例中,所述基于各所述检测准确率进行算法集成,将所述检测准确率的概率之和最大的气体种类作为所述多组分气体样本的气体种类的识别结果,包括:
15、在各所述模式识别算法模型对应的检测准确率中选取准确率最高的三种作为目标分类器;
16、基于软投票方式获取每个目标分类器的概率向量,其中,每个目标分类器为所述多组分气体样本的每个气体种类分配一个概率向量;
17、将各所述概率向量进行平均或加权平均,得到每个气体种类的加权平均概率值,将所述加权平均概率值最大的气体种类作为所述识别结果。
18、在一些实施例中,所述对所述多组分气体样本进行特征提取,得到电子鼻系统气体响应曲线的动力学特征,包括:
19、对所述多组分气体样本进行特征提取,得到所述电子鼻气体响应曲线的基线值、响应值、灵敏度、响应阶段曲线积分面积、恢复阶段曲线积分面积、响应阶段曲线导数极值以及恢复阶段曲线导数极值。
20、在一些实施例中,所述通过电子鼻系统采集待检测的多组分气体样本,包括:
21、通过电子鼻系统采集甲醛、甲苯、丙酮以及乙醇作为单组分气体,将所述单组分气体设定五个浓度梯度以进行测试;
22、选取乙醇为背景气体,将所述背景气体设定三个浓度梯度,将所述三个浓度梯度的背景气体和五个浓度梯度的甲醛、甲苯、丙酮进行混合,形成多种不同浓度梯度的多组分气体样本。
23、在一些实施例中,所述多种模式识别算法模型包括但不限于线性判别分析算法、支持向量机算法、k近邻算法、决策树算法以及随机森林算法。
24、第二方面,本发明提供一种基于电子鼻系统的多组分气体检测装置,包括:
25、通过电子鼻系统采集多组分气体样本,对所述多组分气体样本进行气体种类识别,得到所述多组分气体样本的识别结果;
26、在确定所述多组分气体样本的气体种类的情况下,将所述多组分气体样本的测试集输入至训练好的混合神经网络中,得到所述测试集的二维检测结果,所述二维检测结果包括所述测试集对应的多组分气体样本中每一维气体的气体浓度;
27、其中,所述训练好的混合神经网络是基于长短期记忆神经网络和全连接层构建,并基于多组分气体样本的训练集和所述训练集对应的检测标签进行训练得到的。
28、第三方面,本发明提供一种电子设备,包括:至少一个存储器,用于存储程序;至少一个处理器,用于执行存储器存储的程序,当存储器存储的程序被执行时,处理器用于执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
29、第四方面,本发明提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,当计算机程序在处理器上运行时,使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
30、第五方面,本发明提供一种计算机程序产品,当计算机程序产品在处理器上运行时,使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
31、可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
32、总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
33、本发明提供的一种基于电子鼻系统的多组分气体检测方法及装置,通过电子鼻系统采集多组分气体样本进行气体种类识别,并将识别后的多组分气体样本的测试集输入到训练好的混合神经网络中,可以得到测试集的二维检测结果,包括每一维气体的气体浓度,通过训练好的混合神经网络可以实现多个气体的同时检测,实现对多组分气体样本进行快速准确的识别,进一步地使用混合神经网络进行多组分气体检测,可以充分利用电子鼻系统的高维数据,通过训练好的混合神经网络,可以对不同气体的响应模式进行学习和分类,对不同气体的快速准确识别和检测,实现多组分气体的多远浓度检测,进而提高多组分气体样本的检测精确度和检测效率。
1.一种基于电子鼻系统的多组分气体检测方法,其特征在于,包括:
2.根据权利要求1所述的基于电子鼻系统的多组分气体检测方法,其特征在于,所述训练好的混合神经网络的训练方法包括:
3.根据权利要求1所述的基于电子鼻系统的多组分气体检测方法,其特征在于,所述对所述多组分气体样本进行气体种类识别,得到所述多组分气体样本的识别结果,包括:
4.根据权利要求3所述的基于电子鼻系统的多组分气体检测方法,其特征在于,所述基于各所述检测准确率进行算法集成,将所述检测准确率的概率之和最大的气体种类作为所述多组分气体样本的气体种类的识别结果,包括:
5.根据权利要求1所述的基于电子鼻系统的多组分气体检测方法,其特征在于,所述对所述多组分气体样本进行特征提取,得到电子鼻系统气体响应曲线的动力学特征,包括:
6.根据权利要求1所述的基于电子鼻系统的多组分气体检测方法,其特征在于,所述通过电子鼻系统采集待检测的多组分气体样本,包括:
7.根据权利要求3所述的基于电子鼻系统的多组分气体检测方法,其特征在于,所述多种模式识别算法模型包括但不限于线性判别分析算法、支持向量机算法、k近邻算法、决策树算法以及随机森林算法。
8.一种基于电子鼻系统的多组分气体检测装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序在处理器上运行时,使得所述处理器执行如权利要求1-7任一所述的方法。