[发明专利]一种空气成分识别方法及系统

权利要求书

1.一种空气成分识别方法，其特征在于，包括：

获取历史空气数据；

对所述历史空气数据进行处理，得到训练样本集和测试样本集；

构建卷积神经网络模型；

通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型；

根据所述空气成分识别模型对空气成分进行识别。

2.根据权利要求1所述的空气成分识别方法，其特征在于，所述历史空气数据是由MOX传感阵列采集的。

3.根据权利要求1所述的空气成分识别方法，其特征在于，所述对所述历史空气数据进行处理，得到训练样本集和测试样本集，具体为：

对所述历史空气数据进行基线处理，得到基线处理后的数据；

对所述基线处理后的数据进行过滤，得到过滤后的数据；

利用平滑窗口对所述过滤后的数据进行重新采样；

将重新采样的样本进行划分，得到训练样本集和测试样本集。

4.根据权利要求1所述的空气成分识别方法，其特征在于，所述卷积神经网络模型包括：卷积层、最大池化层、flatten层、全连接层和Softmax层。

5.根据权利要求4所述的空气成分识别方法，其特征在于，所述通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型，具体为：

将所述训练样本集输入所述卷积层，得到卷积层特征图；

将所述卷积层特征图输入所述最大池化层，得到池化层特征图；

将所述池化层特征图输入所述flatten层，得到flatten层一维向量；

将所述flatten层一维向量输入所述全连接层，得到全连接层一维向量；

将所述全连接层一维向量输入所述Softmax层，得到所述训练样本集中每一类别对应的概率；

根据所述概率中最大值对应的类别和所述历史空气数据的真实类别标签反向训练所述卷积神经网络模型，得到空气成分识别模型。

6.根据权利要求5所述的空气成分识别方法，其特征在于，所述根据所述概率中最大值对应的类别和所述历史空气数据的真实类别标签反向训练所述卷积神经网络模型，具体为：

利用交叉熵损失函数计算所述概率中最大值对应的类别和所述历史空气数据的真实类别标签之间的损失值，根据所述损失值反向训练所述卷积神经网络模型。

7.根据权利要求6所述的空气成分识别方法，其特征在于，所述根据所述损失值反向训练所述卷积神经网络模型，具体为：

判断所述损失值是否在预设阈值范围内；

若是，则确定所述卷积神经网络模型为空气成分识别模型；

若否，则根据所述损失值继续反向训练卷积神经网络模型，直到反向训练的次数达到预设次数。

8.根据权利要求1所述的空气成分识别方法，其特征在于，还包括：

通过所述测试样本集对所述空气成分识别模型进行测试。

9.一种空气成分识别系统，其特征在于，包括嵌入式人工智能开发套件EAIDK310，所述嵌入式人工智能开发套件EAIDK310部署有权利要求1至8任一项权利要求中的空气成分识别模型，所述嵌入式人工智能开发套件EAIDK310用于进行空气成分识别。

10.一种空气成分识别系统，其特征在于，包括：

数据获取模块，用于获取历史空气数据；

数据处理模块，用于对所述历史空气数据进行处理，得到训练样本集和测试样本集；

模型构建模块，用于构建卷积神经网络模型；

训练模块，用于通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型；

识别模块，用于根据所述空气成分识别模型对空气成分进行识别。