[发明专利]一种基于自编码网络决策的气体传感器漂移补偿方法

说明书

本发明公开了一种基于自编码网络决策的气体传感器漂移补偿方法，属于气体检测以及深度学习技术领域。本发明以单隐层自编码器为基本模型构建堆叠自编码网络，采用逐层贪婪训练法和有监督微调训练堆叠自编码网络，将堆叠自编码网络编码后的新特征值与原始标签构成新样本，训练生成决策树模型，对气体进行分类。本发明与现有技术相比，可以挖掘复杂的传感器漂移潜在信息，非线性特征降维，一定程度上减小传感器漂移影响，降低了决策树多分类的复杂度并提高分类正确率。

技术领域

本发明涉及一种传感器阵列漂移补偿方法，尤其涉及一种基于自编码网络决策的传感器漂移补偿方法，属于气体检测以及深度学习技术领域。

背景技术

气体传感器检测方法由于成本低、反应快速、易于使用，已成为当今非气味气体检测领域的重要方法之一。但传感器存在一个不可避免的缺陷——传感器漂移。随时间的推移，传感器在相同的环境下检测相同的气体响应会发生变化，且这种变化是非线性的，复杂的，使气体识别模型在相对较短的时间(几周或者几个月)后失效。多年来，传感器漂移问题一直困扰着传感器研究领域，恶化了用于气体识别的分类器的性能，并在实时操作过程中增加了化学感觉系统或人工电子鼻的维护成本。

现有通过改进传感器材料和设计，或使用不同的传感器操作模式，如周期性改变传感器工作温度等方法来提高传感器稳定性，达到抑制漂移的目的。但这些方法实现的是短期漂移补偿，即短时间内可以有效地进行补偿漂移，不能对长期漂移进行补偿，而且成本昂贵，适用性差。

人工神经网络，尤其深度学习把原始数据经过一些简单的线性或非线性的模型转变，组合低层特征形成更加抽象的高层特征或属性特征，发现数据中潜在的模式，学习更有用的特征，从而最终提高分类或预测的准确性。深度学习特别适用于结构复杂、难以解释的数据。

决策树通过一系列的规则对数据进行分类预测，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度，效率高，决策树挖掘出的分类规则准确性高，便于理解。

发明内容

针对气体传感器漂移问题，本发明提出一种基于自编码网络决策的传感器漂移补偿方法。

本发明先将高维气体传感器响应数据作预处理，针对非正太分布数据集，通过均值法剔除异常数据，再将预处理后的数据通过堆叠不同的自编码器形成的堆栈自编码网络，学习特征值隐含信息并进行降维和特征重组，最后将重新编码的特征值结合决策树分类算法对气体分类，从而达到对传感器漂移补偿。

本发明具体技术方案是：

1、将气体传感器阵列数据通过均值法作预处理，选定一维或多维不同特征值，求取各自的均值，将传感器阵列中相应特征值大于或小于一定倍数的均值的异常样本点选取出来剔除。

2、构建堆栈自编码网络，堆栈自编码网络由不同类型的自编码器堆叠组成，本发明选用降噪自编码器和普通自编码器，将预处理后的训练样本特征值通过降噪自编码器降维编码，将编码后的特征值通过普通编码器继续降维编码直到达到预定的编码层数。保存编码后的特征值。

3、将保存的特征值和原始标签组成编码训练样本，采用CART算法对样本进行分类，分析比较样本编码前后的分类情况。

本发明的有益效果是：

本发明通过堆栈自编码网络，将原始特征非线性映射到新的特征空间过程中可以挖掘复杂的传感器漂移潜在信息，通过编码重新表达，新的特征值对传感器阵列的漂移信息有一定的补偿。

本发明通过堆栈自编码网络编码后的特征值具有更好的聚类效果，可以提高后期决策树的分类正确率。

本发明通过堆栈自编码网络编码后的特征值降低了数据维度，可以降低后期决策树分类的复杂度。

附图说明

图1自编码网络决策总流程图；