[发明专利]一种用于气体的嗅觉智能识别方法

说明书

本发明涉及一种用于气体的嗅觉智能识别方法，首先收集P种已知气体,构建气味数据样本库，其次构构建气体智能识别模型并利用气味数据样本库中的数据进行训练，最后对待检测气体进行信号特征提取并构建特征向量X,将X输入训练好的气体智能识别模型，输出该待检测气体的预测气体种类标签。本发明利用神经网络为基础构建气体智能识别模型，同时设置带有附加动量因子的权值、带有附加动量因子的阈值和自适应学习速率来影响训练过程，最后得到气体识别的智能化和可靠化。

技术领域

本发明涉及计算机嗅觉领域，特别涉及一种用于气体的嗅觉智能识别方法。

背景技术

当前气体的智能识别在工业、农业、商业等各领域均至关重要，包括石油化工、煤矿瓦斯领域的有毒有害易燃易爆气体的识别、消费品领域的白酒、葡萄酒、咖啡等不同品种的鉴别。一直以来，气体识别或气味识别在各行各业均是一个棘手的问题。不同于根据光的波长进行颜色识别，气体或气味难以捕捉类似于光的波长等明显的物理化学特征，仅根据气体特定分子特征很难辨识不同气味。目前，气体或气味的识别大多依赖人工嗅觉判断及实验检测，但嗅觉主观判断往往涉及较大的误差且存在潜在的人身安全风险。人工实验检测往往耗费大量的时间和精力，甚至造成巨大的人身安全损失，特别是有毒有害易燃易爆气体的滞后识别往往需要付出极大的代价，且不具备便携性，难以在特定场景大规模运用。

随着技术的发展与进步，凭借气体传感器和气体检测技术的便携式检测仪已经得到初步运用。但单纯依赖气体传感器技术受限于被测气体或气味的浓度。且由于气体传感器普遍存在交叉敏感度的问题，单一的传感器难以对环境中的混合气体进行精准地定性识别及定量检测。目前计算机视觉已经在人脸识别、目标检测等领域取得了突破性的发展，充分验证了深度学习的万能近似能力。而且学术界早就提出了“气体指纹”的概念，即不同气体或不同气味类似于指纹一样，具有独一无二的特征，这为实现计算机嗅觉提供了可能。为了降低气体识别的时间、人力成本及潜在危险并促进气味识别的高效化发展，应当聚焦当下科技前沿，尽可能减少气体识别过程中的人为干预，构建一种计算机嗅觉的实现方法。

发明内容

针对现有技术存在的上述问题，本发明要解决的技术问题是：如何智能化的且准确的进行气味的识别。

为解决上述技术问题，本发明采用如下技术方案：一种用于气体的嗅觉智能识别方法，包括如下步骤：

S100：收集P种已知气体,构建气味数据样本库，该数据样本库中的样本是已知气体的传感器响应数据和真实标签，气味数据样本库构建过程如下：

设时间段为T，该段时间T内每间隔相同时间取一次数据值，共提取t次数据值,当段时间T结束时,每个传感器会采集到t个数据值；

对于第p个已知气体，使用第j个气体传感器对探测已知气体，将第j个传感器探测到信号传出放大电路得到第j个电压信号值，对于第i个已知气体，在时间段T内，得到t个电压信号值；

对于第p个已知气体的第j个传感器，以时间为横轴，t个电压信号值为纵轴绘制一条传感器响应曲线，令j＝1,2…N，则对第i个已知气体得到N条传感器响应曲线；

令p＝1,2…P,则得到P种已知气体的传感器响应曲线。

S200：对气味数据样本库中第i个样本进行信号特征提取并构建特征向量X_i，所述特征向量X_i的具体表达式如下：

其中，为第i个样本的传感器响应曲线的算术平均值向量，第i个样本的每条传感器响应曲线得到一个算术平均值,N条传感器响应曲线得到N个算术平均值，所述算术平均值向量则由该N个算术平均值构成；

为第i个样本的传感器响应曲线的峰值向量，第i个样本的每条传感器响应曲线得到一个最大电压值，N条传感器响应曲线得到N个最大电压值，所述峰值向量则由该N个最大电压值构成；