[发明专利]一种电子鼻快速识别方法

说明书

本发明提供了一种电子鼻快速识别方法，包括如下步骤：步骤1，设置输入层，进行分段、去均值中心化，将采集数据转化构造成按时间步形式存储的数据，同时包含数据中心化的处理操作；步骤2，将处理后的数据输入综合层，所述综合层由卷积层和LSTM循环层构成；步骤3，转录层，紧跟在LSTM循环层之后，数据进入转录层，所述转录层实现对识别出的标签分布数据进行格式化处理已经得到对应气体种类。本发明提出的卷积循环神经网络模型在电子鼻气体快速识别方面有效而准确。同时相比于其他的各种优秀算法，本发明设计的卷积循环神经网络模型可以单模型实现多个时间步的识别。

[技术领域]

本发明涉及电子鼻气体检测技术，具体是涉及一种电子鼻快速识别方法。

[背景技术]

现有电子鼻主要由气敏传感器阵列、信号预处理和模式识别三部分组成。某种气味呈现在一种活性材料的传感器面前，传感器将化学输入转换成电信号，由多个传感器对一种气味的响应便构成了传感器阵列对该气味的响应谱。

目前电子鼻相关的研究工作中，研究者门以电子鼻的应用，提升识别率和解决传感器漂移问题为主要的研究工作。这些工作进展的前提是使用充分响应或者尽量充分响应的气体数据作为分析的输入数据，这些数据的采集需要十几秒甚至几十秒的时间，因此在许多实际情况下无法实用，比如工厂和家庭中易燃易爆气体、液体的监测，在这种情形下快速，准确成为电子鼻的必要要求。

[发明内容]

在此，我们提出了一种电子鼻快速识别方法，以解决电子鼻识别不及时的问题。

为了实现上述目的，本发明的技术方案如下：

一种电子鼻快速识别方法，包括如下步骤：

步骤1，设置输入层，进行分段、去均值中心化，将采集数据转化构造成按时间步形式存储的数据，同时包含数据中心化的处理操作；

步骤2，将处理后的数据输入综合层，所述综合层由卷积层和LSTM循环层构成；

步骤3，转录层，紧跟在LSTM循环层之后，数据进入转录层，所述转录层实现对识别出的标签分布数据进行格式化处理已经得到对应气体种类。

进一步地，步骤1中所述分段即将原始数据进行切分，切分成同样规格的按照时间顺序的传感器数据列，方便依时间步分别进入卷积层进行后续的计算，匹配循环神经网络的计算方式。

进一步地，步骤1中所述去均值化即将切分好的每一小段数据减去对应的均值，实现中心化处理，去均值中心化的作用是使得输入数据对称分布在0周围。

进一步地，步骤2中的卷积层设有卷积神经网络，数据通过卷积层，卷积层利用多核卷积操作强大的特征提取能力来实现对输入数据卷积特征的提取；并将卷积的多个特征向量拼接成一个特征向量，该长向量用于LSTM循环层的计算输入。

进一步地，步骤2中的LSTM循环层设有循环神经网络；所述LSTM循环神经网络层通过隐藏状态来存储之前所有时间步中的信息，使得网络可以在时间步上逐步综合卷积特征中的信息；

进一步地，步骤3中识别气体方法为将LSTM层输出的标签分布进行softmax格式化，从而将分布转化成各类气体的概率值，之后从中概率向量中选择最大概率值对应的索引，用此索引作为key从预设的字典中查找对应的气体种类作为预测的最终输出值。

一种电子鼻快速识别系统，包括

输入层，进行分段、去均值中心化，将采集数据转化构造成按时间步形式存储的数据，同时包含数据中心化的处理操作；

卷积层，连接输入层，卷积层利用多核卷积操作强大的特征提取能力来实现对输入数据卷积特征的提取；

LSTM循环层，连接卷积层，LSTM循环神经网络层可以充分利用气体数据序列性的特点，使得网络可以在时间步上逐步综合卷积特征中的信息